Morfometrik: Ulasan
Abstrak
Tumbuhan sangat penting bagi kehidupan di Bumi. Bentuk daun, kelopak bunga, dan seluruh
tanaman sangat penting bagi ilmu tanaman, karena dapat membantu membedakan spesies
yang berbeda, mengukur kesehatan tanaman, dan bahkan memodelkan perubahan iklim. Minat
yang meningkat pada keanekaragaman hayati dan meningkatnya ketersediaan gambar digital
bergabung untuk membuat topik ini tepat waktu. Kekurangan global ahli taksonomi semakin
meningkatkan permintaan perangkat lunak yang dapat mengenali dan mengkarakterisasi
tanaman dari gambar. Sistem identifikasi spesies otomatis yang kuat akan memungkinkan orang-
orang yang hanya memiliki pelatihan dan keahlian botani terbatas untuk melakukan pekerjaan
lapangan yang berharga.
Kami meninjau metode komputasi, morfometrik, dan pemrosesan gambar utama yang telah
digunakan dalam beberapa tahun terakhir untuk menganalisis gambar tanaman,
memperkenalkan pembaca pada konsep botani yang relevan di sepanjang jalan. Kami
membahas pengukuran garis besar daun, bentuk bunga, struktur urat dan tekstur daun, dan
menjelaskan berbagai metode analisis yang digunakan. Kami juga membahas sejumlah sistem
yang menerapkan penelitian ini, termasuk prototipe panduan lapangan digital genggam dan
berbagai sistem robotik yang digunakan dalam pertanian. Kami menyimpulkan dengan diskusi
tentang pekerjaan yang sedang berlangsung dan masalah yang menonjol di daerah tersebut.
1. Perkenalan
Tumbuhan merupakan bagian fundamental dari kehidupan di Bumi, memberi kita oksigen, makanan, bahan bakar,
obat-obatan, dan banyak lagi yang dapat bernapas. Tumbuhan juga membantu mengatur iklim, menyediakan habitat
dan makanan bagi serangga dan hewan lain serta menyediakannya
Morfometrik, ilmu yang mempelajari bentuk, telah diterapkan pada tumbuhan dan organnya
selama bertahun-tahun. Daun adalah struktur yang terlihat jelas pada banyak tanaman, dan
mereka tersedia untuk pemeriksaan hampir sepanjang tahun pada tanaman gugur atau tahunan
atau sepanjang tahun pada tanaman keras yang selalu hijau, tidak seperti organ reproduktif
yang lebih sementara. Dengan demikian, karakter daun, termasuk yang melibatkan bentuk,
1http://apps.kew.org/herbcat/navigator.do
2
Gambar 1: Variasi daun yang diambil dari satu spesimen Quercus nigra.
telah digunakan secara luas dalam kunci taksonomi berbasis teks tradisional untuk identifikasi
tanaman sejak awal mula botani. Contoh dari studi semacam itu termasuk studi diTilia [6], Ulmus
[7] [8] dan Betula [9], tetapi masih banyak lagi. Untuk menggunakan kunci seperti itu, yang telah
disusun oleh seorang ahli dalam kelompok yang bersangkutan, pengguna membuat serangkaian
pilihan antara pernyataan yang berlawanan, yang akhirnya mencapai nama spesies. Meskipun
diberi kunci seperti itu, pengguna harus membuat sejumlah penilaian yang membutuhkan
pengetahuan botani tertentu, jadi ini tidak dapat digunakan secara naif. Rincian lebih lanjut
tentang kunci taksonomi dapat ditemukan di Stace [10].
Dalam beberapa tahun terakhir, kamera digital berkualitas tinggi telah ada di mana-mana,
meningkatkan minat dalam membuat panduan lapangan genggam. Ini adalah prototipe yang
dibangun di sekitar ponsel pintar atau personal digital assistant (PDA) yang dirancang untuk
memungkinkan pengguna di lapangan memotret spesimen yang diminati dan langsung
menerima informasi tentangnya, seperti kemungkinan nama spesies (lihat juga Bagian 3). Salah
satu keuntungan dari sistem tersebut adalah bahwa sistem tersebut memerlukan sedikit
infrastruktur pada saat digunakan, sehingga dapat digunakan bahkan di bagian dunia yang
paling tidak berkembang dan paling terpencil. Namun, ruang lingkup sistem tersebut saat ini
sangat terbatas, membatasi penggunaan praktisnya.
Konsekuensi kedua dari kamera digital dan pemindai yang murah adalah terciptanya database yang luas dari
gambar tanaman. Misalnya, Royal Botanic Gardens, Kew menyediakan katalog digital lebih dari 200.000 gambar
beresolusi tinggi, dengan lebih banyak ditambahkan terus menerus sebagai bagian dari proyek digitalisasi yang sedang
berlangsung. Kami memelihara daftar kumpulan gambar botani yang diberi anotasi secara online2, menggambarkan
berbagai
set yang tersedia untuk umum, termasuk gambar daun tunggal, spesimen herbarium, dan
tumbuhan utuh.
2http://www.computing.surrey.ac.uk/morphidas/ImageSets.html
3
Daun dan bunga adalah benda yang tidak kaku, menyebabkan berbagai deformasi.
Banyak daun memiliki sifat tiga dimensi, yang meningkatkan kesulitan dalam
menghasilkan gambar daun yang berkualitas baik dan juga mengakibatkan hilangnya
informasi struktur yang berguna. Spesimen yang diarsipkan juga dapat rusak saat
dikeringkan dan ditekan, tetapi bahkan spesimen hidup mungkin memiliki serangga,
penyakit, atau kerusakan mekanis. Sistem otomatis harus kuat terhadap deformasi seperti
itu, membuat komputasi lunak dan statistik yang kuat menjadi sangat menarik.
Salah satu sumber kebingungan ketika ahli botani dan ilmuwan komputer berkolaborasi
berkaitan dengan istilah seperti "klasifikasi" dan "kelompok". Dalam taksonomi, "klasifikasi"
dapat didefinisikan sebagai proses pengelompokan individu berdasarkan kesamaan, untuk
mendefinisikan taksa seperti spesies atau genera [11]. "Identifikasi" kemudian adalah proses
untuk memutuskan dari sejumlah taksa yang telah ditentukan sebelumnya yang dimiliki individu
tertentu. Dalam ilmu komputer sebaliknya, "klasifikasi" mengacu pada penugasan contoh
individu ke salah satu dari sejumlah terbatas kategori diskrit, sedangkan "pengelompokan"
mengacu pada penemuan kelompok dalam satu set individu, berdasarkan kesamaan [12, hal. .3].
Kehati-hatian harus diberikan saat menggunakan istilah tersebut untuk menghindari
kebingungan.
Setiap sistem yang berkaitan dengan pembedaan antara kelompok tumbuhan yang
berbeda harus menyadari intra-kelas yang besar, dan variasi antar-kelas kecil yang khas
dari sampel tumbuhan (lihat Gambar 1). Sejumlah klasifikasi telah dikembangkan yang
mengidentifikasi spesies spesimen dari citra digital, seperti yang kita diskusikan di seluruh
makalah ini, dan ini harus kuat untuk tantangan ini. Masalah serupa berlaku untuk tugas
menemukan berapa banyak kelompok yang ada dalam sekumpulan contoh, dan apa
batasan kelasnya. Lihat Gambar 3 dan 7 untuk contoh lebih lanjut tentang variasi bentuk
daun yang ditemukan.
Membedakan antara sejumlah besar grup secara inheren lebih kompleks
daripada membedakan hanya beberapa, dan biasanya membutuhkan lebih banyak
data untuk mencapai kinerja yang memuaskan. Bahkan jika studi dibatasi untuk satu
4
Identifikasi Pengakuan identitas suatu organisme. (Bersinonim dengan
klasifikasi dalam ilmu komputer dan statistik.) Mengelompokkan
Klasifikasi item berdasarkan kesamaan. (Bersinonim denganClus-
analisis ter atau segmentasi dalam ilmu komputer dan statistik.)
Tabel 1: Beberapa terminologi botani. Perhatikan bahwa beberapa istilah memiliki arti yang berbeda
dalam ilmu tanaman dibandingkan dengan ilmu komputer atau statistik. Lihat juga Gambar 2 untuk
istilah-istilah yang berhubungan dengan anatomi daun.
5
sangat bermasalah. Hal ini terutama terjadi dalam kondisi lapangan dengan kontrol yang lebih sedikit
atas proses pengambilan gambar.
Ruang lingkup makalah ini difokuskan pada pendekatan identifikasi spesies tanaman menggunakan gambar digital
yang dikombinasikan dengan pengetahuan domain. Kami bertujuan untuk meninjau metode dan aplikasi saat ini, untuk
menyoroti aliran penelitian paralel dan untuk memotivasi upaya yang lebih besar untuk memecahkan berbagai masalah
penting, tepat waktu dan praktis. Makalah ini memberikan pengantar menyeluruh untuk masalah utama di bidang yang
besar dan penting ini. Kami mengasumsikan beberapa keakraban dasar dengan masalah komputasi dan terminologi,
tetapi bertujuan untuk memperkenalkan pembaca pada berbagai konsep dan masalah dalam botani di seluruh teks,
beberapa di antaranya disorot dalam Tabel 1.
Sisa makalah ini disusun sebagai berikut. Pada Bagian 2, kami meninjau berbagai
metode yang telah diterapkan untuk menganalisis bentuk daun, venasi, fitur tepi daun,
tekstur daun, dan sebagainya. Kami kemudian membahas sejumlah sistem yang dirancang
untuk penggunaan praktis di lapangan di Bagian 3, sebelum diskusi penutup.
Ada banyak aspek dari struktur dan penampilan tanaman yang digunakan oleh
ahli botani ahli dalam penelitian morfologi tanaman. Fitur yang paling berguna
biasanya adalah bentuk garis luar dua dimensi dari daun atau kelopak (Bagian 2.1),
struktur jaringan vena (Bagian 2.2), dan karakter tepi daun (Bagian 2.3). Dari jumlah
tersebut, bentuk garis besar telah menerima perhatian paling besar saat menerapkan
teknik komputasi pada pemrosesan gambar botani.
Selain berguna, ekstraksi otomatis fitur tersebut juga merupakan komponen penting
dari sistem yang lebih besar untuk identifikasi spesies dan tugas terkait. Semua bentuk
analisis bentuk dapat dilihat sebagai metode untuk merepresentasikan data implisit dari
gambar mentah dalam bentuk yang lebih berguna untuk pemrosesan selanjutnya.
lebih diwariskan. Kedua, ini adalah aspek termudah untuk diekstrak secara otomatis.
Jika daun dicitrakan dengan latar belakang hitam atau putih polos, maka teknik
ambang sederhana dapat digunakan untuk memisahkan daun dari latar belakang,
dan garis luar kemudian dapat ditemukan hanya dengan mengisolasi piksel daun
yang membatasi latar belakang. Ketiga, ada banyak teknik morfometri yang ada
6
yang dapat diterapkan pada bentuk daun yang telah terbukti bermanfaat untuk masalah biologis
lainnya dan mungkin sudah tidak asing lagi bagi banyak ahli botani. Akhirnya, struktur kasar
daun dapat dipertahankan bahkan jika spesimen daun rusak, kemungkinan karena usia.
Misalnya, banyak daun kering yang berubah warna menjadi coklat, jadi warna biasanya bukan
fitur yang berguna dengan sendirinya. Perhatikan juga bahwa banyak metode berbasis bentuk
yang dibahas di sini juga telah diterapkan pada bentuk kelopak, sepal atau bunga utuh, seperti
yang dibahas pada Bagian 2.6.
Gambar 2 menunjukkan beberapa ciri utama daun dengan istilah botani yang sesuai,
sedangkan Gambar 3 mengilustrasikan beberapa variasi bentuk daun yang ditemukan.
7
Gambar 4: Contoh analisis Fourier eliptik. Karena semakin banyak harmonik yang digunakan untuk
merekonstruksi garis bentuk aslinya, semakin banyak detail yang dipertahankan.
invarian saat mengkarakterisasi garis luar daun. Deskriptor Elliptic Fourier dapat dengan mudah
dinormalisasi untuk merepresentasikan bentuk secara independen dari orientasi, ukuran, atau
lokasinya, memudahkan perbandingan antarbentuk.
Salah satu keuntungan EFD adalah bahwa bentuk dapat direkonstruksi dari deskriptornya,
seperti yang ditunjukkan pada Gambar 4. Metode yang berguna untuk membantu menjelaskan
variasi bentuk adalah merekonstruksi bentuk untuk beberapa deskriptor "rata-rata", dan
kemudian membuat rekonstruksi dari deskriptor ini seperti yang dimodifikasi sepanjang
beberapa komponen utama pertama.
McLellan dan Endler [17] membandingkan analisis Fourier dengan beberapa metode
lain untuk mendeskripsikan bentuk daun. Mereka menunjukkan bahwa analisis Fourier
berhasil membedakan antara berbagai kelompok daun. Mereka juga menunjukkan bahwa
beberapa penanda mudah diidentifikasi pada kebanyakan daun (lihat Bagian 2.1.3), kecuali
mungkin yang memiliki lobus biasa, membuat metode EFA cocok. Namun mereka
mencatat bahwa tidak ada metode yang mereka anggap lebih unggul dari yang lain.
Hearn [15] menggunakan kombinasi analisis Fourier dan analisis Procrustes [18]
(metode registrasi bentuk sederhana, berdasarkan rotasi, terjemahan dan penskalaan)
untuk melakukan identifikasi spesies menggunakan database besar 2.420 daun dari 151
spesies yang berbeda. Du et al. [19] berhasil menggabungkan analisis Fourier dengan
jaringan saraf fungsi basis radial untuk mengidentifikasi spesies tanaman dari gambar
daun. Contoh terbaru lainnya dari penggunaan EFD untuk menganalisis bentuk daun
termasuk Andrade et al. [20], Furuta dkk. [21], Neto dkk. [22] dan Lexer et al. [23].
Metode yang terkait erat adalah "analisis bentuk elektronik". Di sini, urutan deviasi
sudut yang mendefinisikan kontur diukur, biasanya dinormalisasi dengan memilih titik
awal yang sama yang ditentukan oleh tengara. Dekomposisi nilai singular kemudian
digunakan untuk mengidentifikasi komponen utama [24], yang dapat digunakan sebagai
masukan untuk klasifikasi berikutnya atau untuk perbandingan. Ray telah memperluas
pekerjaan ini dan menerapkannya pada analisis bentuk daun [25]. Pekerjaan ini terdiri
8
membagi garis besar menjadi beberapa segmen menggunakan landmark yang dapat dikenali (lihat
Bagian 2.1.3), dan kemudian menganalisis setiap segmen menggunakan dekomposisi nilai singular.
Salah satu kesulitan dengan pendekatan ini adalah masalah mengidentifikasi landmark homolog pada
daun. Meskipun hal ini dapat menjadi sulit dalam satu spesies, seringkali hal ini tidak mungkin terjadi di
antara spesies, seperti yang kita bahas lebih lanjut di Bagian 2.1.3.
9
Metode landmark telah berhasil diterapkan pada berbagai spesies hewan, dan
memiliki keuntungan karena mudah dipahami oleh manusia. "Morfometrik
tradisional" menganalisis pengukuran seperti panjang dan lebar keseluruhan suatu
objek, berbeda dengan "morfometrik geometris", yang menggunakan garis besar
(seperti metode yang dibahas dalam Bagian 2.1.1) atau landmark tertentu dan jarak
di antara mereka [32].
Haigh dkk. [33] digunakan lea le et panjang dan lebar bersama dengan pengukuran
bunga dan tangkai daun untuk membedakan dua spesies terkait erat dariDioscorea.
Jensen dkk. [34] mempelajari tiga spesiesAcer menggunakan sudut dan jarak antara apeks
lobus yang ditempatkan secara manual dan dasar sinus. Grid deformasi warp juga
digunakan untuk mempelajari variasi. Muda [35] menggunakan penanda daun untuk
membandingkan tanaman dari spesies tunggal yang tumbuh dalam kondisi yang berbeda.
Tanaman juga dicitrakan pada usia yang berbeda untuk menemukan kapan metode
tersebut akan memiliki kemampuan diskriminatif terbaik. Metode terkait adalah
pengukuran jarak dalam, metrik yang didasarkan pada panjang rute terpendek antara titik
garis tanpa melewati bentuk, yang digunakan oleh Ling et al. [36].
Namun, terdapat sejumlah batasan saat menerapkan metode landmark pada
daun atau organ tanaman lainnya. Yang pertama adalah kesulitan ekstraksi otomatis.
Misalnya puncak daun (ujung) mungkin sulit dibedakan dari ujung lobus, sementara
tampilan titik penyisipan (di mana tangkai daun, atau tangkai daun, bertemu dengan
helai daun) dapat sangat bervariasi tergantung pada sudut alas dan bagaimana
tangkai daun dipotong selama persiapan spesimen. Lebih lanjut, bahkan panjang
daun mungkin sulit diukur jika daunnya asimetris dan urat utama tidak sejajar
dengan sumbu utama bentuk. Untuk alasan ini, studi yang melibatkan landmark dan
pengukuran linier (termasuk yang disebutkan di atas) sering kali melibatkan ekstraksi
data manual oleh para ahli, sangat membatasi skala sistem yang didasarkan padanya.
10
kepentingan khusus dalam kladistik dan mungkin didefinisikan lebih ketat [38]. Telah ada
perdebatan teoritis tentang penggunaan data karakter morfologi morfometri dan kontinu
dalam kladistik. Beberapa pendekatan telah disarankan, seperti yang dilakukan oleh Thiele
[39]. Zelditch dkk. [40] bahkan mencoba untuk menggunakan metode morfometri
geometris, seperti lengkungan parsial, untuk memperoleh data karakter filogenetik baru
pada ikan, meskipun teknik tersebut belum banyak digunakan dalam sistematika secara
keseluruhan atau telah diambil oleh ahli sistematika tumbuhan.
11
tetapkan satu set kecil gambar uji ke kategori yang benar. Selain itu, banyak
deskriptor nilai tunggal yang sangat berkorelasi satu sama lain [17], membuat tugas
pemilihan cukupindependen variabel untuk membedakan kategori minat terutama
yang sulit.
12
Gambar 5: Contoh struktur urat daun
13
menggunakan bank cahaya fluoresen untuk meningkatkan venasi, dan gambar seperti itu
umumnya tidak tersedia. Kirchgeßner [60] menggunakan metode pelacakan vena dengan vena
yang diekstraksi diwakili menggunakan b-splines, sementara Plotze [49] menggunakan filter high-
pass Fourier diikuti oleh operator Laplacian morfologi untuk mengekstraksi venasi.
Meskipun ada beberapa upaya untuk mengekstraksi venasi, hanya ada sedikit upaya
untuk menganalisis atau membandingkannya, dengan sebagian besar menggunakan
gambar vena sintetis atau yang diekstraksi secara manual. Park dkk. [61] menggunakan
pola titik ujung dan titik cabang untuk mengklasifikasikan setiap struktur vena sebagai
salah satu jenis venasi utama (lihat Gambar 6), dan Nam et al. [62] melakukan klasifikasi
pada representasi grafik vena. Evaluasi lebih lanjut diperlukan sebelum nilai umum analisis
venasi dapat ditentukan.
Studi yang menggunakan margin daun biasanya menggabungkannya dengan fitur dan
ukuran lain. Clark [66] [67] [68] dan Rumpunen [69] keduanya menggunakan pengukuran yang
diambil secara manual seperti panjang dan lebar gigi ("pitch"), digunakan bersamaan dengan
berbagai pengukuran bentuk linier. Clark [66] menunjukkan bahwa perceptron multi-layer
mengungguli kunci taksonomi yang dihasilkan komputer untuk mengidentifikasi spesies dari
sifat morfologi. Clark [68] menggunakan peta yang mengatur dirinya sendiri untuk
mengidentifikasi batas spesies dari ciri-ciri morfologi yang serupa. McLellan [17] menggunakan
jumlah sudut antara garis yang menghubungkan titik kontur yang berdekatan bersama dengan
fitur daun nilai tunggal lainnya, dan Wang [28] membandingkan histogram dari sudut pada titik-
titik yang tersebar di sekitar kontur.
Untuk taksa yang memiliki gigi, jika tersedia cukup daun yang tidak rusak, maka luas daerah
tepi bergigi serta ukuran dan jumlah gigi dapat menjadi karakter yang berguna untuk diukur.
Satu kemungkinan untuk pekerjaan di masa mendatang adalah menggabungkan analisis vena
(Bagian 2.2) dengan analisis margin, karena pada gigi sering kali terdapat vena kecil yang
mengalir ke ujungnya. Margin yang patah atau rusak karena serangga mungkin terlihat seperti
gigi, tetapi cenderung tidak memiliki pola urat yang sama. Jelas, untuk taksa yang tidak memiliki
gigi, metode lain harus digunakan - seperti disebutkan dalam Bagian 1.1, tugas analitis yang
berbeda mungkin memerlukan fitur yang berbeda.
14
Gambar 7: Contoh variasi tepi daun.
15
kelenjar adalah fitur lamina lain yang berpotensi berguna yang sejauh ini telah
diabaikan dalam metode komputasi sejauh yang kami ketahui.
Salah satu pilihan yang menarik adalah menerapkan pencitraan 3D dan metode
pemodelan pada bentuk daun (atau bunga; lihat di bawah). Ma et al. [77] menjelaskan
salah satu metode yang menggunakan informasi volumetrik dari pemindai 3D untuk
merekonstruksi daun dan cabang tanaman, meskipun tidak jelas bagaimana ini akan
bekerja pada sistem skala besar. Teng dkk. [78] menggabungkan beberapa foto 2D
dari pemandangan yang sama untuk mengekstrak struktur 3D, dan menggunakan
informasi 2D dan 3D bersama-sama untuk menyegmentasikan gambar,
menggunakan pemotongan yang dinormalisasi, menemukan batas daun. Mereka
kemudian menggunakan jarak kontur sentroid (CCD, seperti dibahas dalam Bagian
2.1.2) untuk mengklasifikasikan daun ke dalam kelas yang luas, seperti palmate atau
cordate (lihat Gambar 3). Pekerjaan serupa dijelaskan oleh Song et al. [79], di mana
pasangan gambar stereo dianalisis menggunakan pencocokan stereo dan peta
pengorganisasian sendiri.
Lamina pada sebagian besar daun mengandung banyak stomata, yaitu pori-pori yang
membuka atau menutup untuk mengontrol pertukaran gas termasuk kehilangan air. Telah
terbukti bahwa ukuran dan distribusi ini terkait erat dengan iklim dan iklim
BERSAMA2 konsentrasi pada khususnya. Royer [80] mengulas berbagai macam data itu
menunjukkan bahwa kerapatan stomata pada fosil daun berbanding terbalik dengan CO lokal2
konsentrasi dalam rentang waktu yang lama. Hetherington dan Woodward [81] berdiskusi
ini dan efek dari perubahan faktor lingkungan dalam rentang waktu yang lebih
pendek, serta membahas morfologi berbagai jenis stomata. Zarinkamar [82]
menyajikan deskripsi botani menyeluruh dan pengukuran (manual) yang sesuai dari
berbagai bentuk stomata yang ditemukan di lebih dari 300 spesies, dan berpendapat
bahwa pengukuran tersebut dapat digunakan untuk membantu klasifikasi taksonomi,
serta untuk memantau perubahan di lingkungan lokal. Fernandez [83] menyajikan
metode untuk menganalisis secara matematis gambar mikroskop digital stomata
daun. Mereka menggunakan berbagai ukuran korelasi dan entropi untuk
mengkarakterisasi pola dan tekstur yang ditemukan, dan menggunakan PCA untuk
membantu memvisualisasikan dan mengelompokkan hasil. Kami tidak mengetahui
upaya untuk melakukan identifikasi spesies otomatis atau tugas terkait berdasarkan
pemrosesan gambar stomata. Namun,
16
Das dkk. [85] mendemonstrasikan penggunaan warna saja untuk mengidentifikasi berbagai bunga
dalam database yang terkait dengan paten yang mencakup hibrida bunga baru. Metode mereka
memungkinkan database untuk dicari berdasarkan nama warna atau gambar contoh, meskipun tidak
ada informasi bentuk yang diekstrak atau digunakan. Metode segmentasi histogram warna digunakan
oleh Hong et al. [86] dan kemudian digunakan dengan jarak kontur pusat (CCD; lihat Bagian 2.1.2) dan
histogram kode sudut untuk membentuk sebuah klasifikasi. Mereka mendemonstrasikan bahwa
metode ini bekerja lebih baik daripada menggunakan informasi warna saja untuk mengidentifikasi
sekumpulan 14 spesies. Ini sekali lagi menunjukkan bahwa bentuk garis tepi merupakan karakter yang
penting untuk dipertimbangkan, terutama dalam kombinasi dengan fitur lainnya.
Deskriptor Fourier elips (Bagian 2.1.1) digunakan oleh Yoshioka et al. [87] untuk
mempelajari bentuk kelopak bungaPrimula sieboldii, sementara Wilkin [88] menggunakan
pengukuran linier dari fl organ mulut, biji dan buah-buahan serta daun dan metode PCA
untuk menyelidiki apakah sekelompok spesies yang terkait erat di Afrika secara morfologis
berbeda atau tidak. Mereka menemukan bahwa mereka sebenarnya membentuk satu
entitas morfologi dan karenanya semuanya termasuk dalam satu spesies. Gage dan Wilkin
[89] menggunakan EFA pada garis tepal (elemen dari bagian luar bunga, seperti kelopak
dan sepal) dari tiga spesies tanaman yang berkerabat dekat.Sternbergia untuk
menyelidiki apakah mereka benar-benar membentuk entitas morfologi yang berbeda. Clark [68]
menggunakan pengukuran linier bracts, organ khusus seperti daun, dalam penelitiannya
Tilia menggunakan peta swakelola, dan Huang et al. [90] menganalisis tekstur kulit kayu
menggunakan filter Gabor dan jaringan saraf probabilistik basis radial.
Pada skala yang lebih kecil, pertumbuhan butir individu barley telah dimodelkan oleh
rekonstruksi 3D dari beberapa gambar mikroskopis 2D [91]. Hal ini memungkinkan
“pembedahan virtual” biji-bijian sebagai alat pendidikan, dan juga visualisasi ekspresi gen
melalui lokalisasi mRNA. Pada skala yang lebih kecil, Oakely dan Falcon-Lang
menggunakan mikroskop elektron pemindai (SEM) untuk menganalisis pembuluh yang
ditemukan dalam jaringan kayu yang memfosil [92]. Mereka menggunakan analisis
komponen utama (PCA) untuk mengidentifikasi dua "morfotipe" yang berbeda, yang sesuai
dengan satu spesies tanaman yang dikenal dan satu baru yang tumbuh di Eropa sekitar 95
juta tahun yang lalu.
Bergerak di bawah tanah, sejumlah penelitian telah menggunakan teknik pemrosesan
gambar untuk menganalisis struktur akar di "rhizosfer" (wilayah tempat akar tumbuh, termasuk
tanah, mikroba tanah, dan akar itu sendiri). Misalnya, Huang et al. [93] menggunakan gambar
digital dari akar yang diambil dengan menempatkan kamera kecil di dalam tabung transparan
yang ditempatkan di bawah tanaman yang sedang tumbuh. Mereka kemudian menggunakan
pengetahuan ahli tentang bentuk dan struktur akar (seperti akar yang dielegasikan dan memiliki
tepi simetris), untuk menggabungkan berbagai sumber informasi dan menyesuaikan kurva
polinomial ke akar, dan menggunakan model teoretis grafik untuk mendeskripsikannya. Baru-
baru ini, Zeng et al. [94] menggunakan intensitas gambar untuk membedakan piksel akar dari
piksel tanah. Mereka kemudian menggunakan proses titik untuk menggabungkan dan
menghubungkan segmen untuk secara efisien mengidentifikasi sistem root lengkap.
Studi-studi ini menunjukkan bahwa sementara mayoritas penelitian morfometrik
botani berfokus pada daun, karena ketersediaannya dan penggunaannya untuk
membedakan antara taksa, organ tanaman lain, jika tersedia, tidak boleh diabaikan.
17
3. Sistem untuk Identifikasi Spesies, Pertanian Robotik dan Botani
Pada bagian ini, kita bergerak lebih dari membahas algoritma spesifik dalam isolasi
dan metode yang dirancang untuk laboratorium, dan mempertimbangkan sejumlah sistem
dan prototipe lengkap, yang dirancang untuk penggunaan praktis di lapangan. Untuk
mendapatkan dampak di dunia nyata, penting untuk menunjukkan bahwa algoritme
seperti yang dijelaskan sebelumnya dapat diterapkan dalam praktik, dan dapat
ditingkatkan dari beberapa contoh ideal ke masalah yang lebih besar dan lebih kompleks.
Kami meninjau sistem yang dirancang untuk mengidentifikasi spesies dari gambar
tumbuhan; beberapa aplikasi pertanian; dan alat penelitian ilmiah mengenai variasi dan
distribusi spesies, dan bagaimana kaitannya dengan iklim.
18
sistem otomatis adalah tujuan yang sangat diinginkan, meskipun tugasnya
menantang, paling tidak karena banyaknya spesies tanaman yang mungkin ditemui.
3.2. Pertanian
Daripada mencoba mengidentifikasi tanaman sebagai milik satu spesies tertentu,
terkadang cukup mengenali tanaman sebagai "baik" atau "buruk", tanpa perlu
mengkhawatirkan takson pasti dari mana tanaman itu berasal. Satu tujuan dari pertanian
otomatis atau "presisi" [102] adalah untuk memungkinkan administrasi yang ditargetkan
dari pembunuh gulma, pupuk atau air yang sesuai dari traktor robotik otonom, paling
tidak untuk meminimalkan dampak negatif pada lingkungan pertanian skala besar. Untuk
melakukan ini, sistem harus secara jelas mengidentifikasi tanaman yang termasuk dalam
satu kategori atau lainnya, seperti “gulma” vs. “tanaman”.
Seperti yang sering terjadi pada sistem visi mesin, kondisi pencahayaan variabel dapat membuat
pemrosesan gambar menjadi sangat sulit. Salah satu solusi yang diusulkan adalah mengontrol
pencahayaan dengan membangun "tenda" tahan cahaya yang dapat dibawa dengan roda di belakang
traktor, dan yang berisi lampu di dalamnya bersama dengan kamera. Salah satunya
19
sistem berhasil membedakan antara tanaman tanaman (kubis dan wortel) dan
tanaman gulma (apa pun) yang tumbuh di kondisi lapangan [103]. Apakah membawa
kemah sebesar itu layak atau tidak dalam skala yang lebih besar, tentu tidak ideal.
Sistem serupa menggunakan rel untuk memandu kendaraan yang membawa kamera di
sepanjang plot yang ditata dengan hati-hati [104]. Daripada membawa lampunya sendiri, sistem
ini hanya digunakan dalam kondisi iluminasi standar (mis. Terang tapi mendung). Sistem ini
mengekstrak ciri-ciri bentuk seperti lingkaran daun dan luas dan menggunakan penduga
kemungkinan maksimum untuk mengidentifikasi daun yang merupakan gulma (khususnya daun
dermaga,Rumex obtusifolius) di padang rumput, dengan akurasi sekitar 85% -90%. Sistem yang
berbeda untuk mengidentifikasi daun dermaga dijelaskan oleh S̆eatovi´ć [105], yang
menggunakan laser pemindaian yang dipasang pada kendaraan beroda untuk menghasilkan
awan titik 3D. Ini kemudian disegmentasi untuk memisahkan daun dari latar belakangnya, dan
beberapa aturan sederhana, berdasarkan ukuran daun, digunakan untuk membedakan daun
dermaga dari daun lain di padang rumput.
Upaya terkait untuk membedakan gulma, tanaman dan kondisi tanah di lapangan
menggunakan pengolahan citra morfologi [106]. Ini mencoba untuk mengidentifikasi
pusat setiap daun dengan menggunakan segmentasi ambang warna dan menemukan urat
daun. Sistem menemukan vena menggunakan kombinasi pembukaan morfologis dan
pengelompokan hierarkis. Klasifikasi terakhir menggunakana priori pengetahuan
tentang ciri-ciri spesies tumbuhan target, seperti ukuran daun dan pola venasi yang
diketahui. Sistem serupa menggabungkan pemrosesan morfologi dengan klasifikasi
jaringan saraf tiruan juga telah disarankan [107]. Ini menggunakan jaringan fungsi
basis radial untuk membedakan rumput dan gulma lainnya dari tanaman. Kombinasi
segmentasi warna dan pemrograman morfologi juga telah digunakan untuk
pengembangan robot pemanen mentimun [108].
Berbagai metode untuk membedakan berbagai tanaman dari gulma dan tanah dibahas oleh
Burgos-Artizzu et al. [102], termasuk segmentasi warna dan pemrosesan morfologi, dan
penggunaan algoritma genetika untuk mengoptimalkan metode ini. Makalah ini juga
memberikan gambaran umum yang berguna tentang penelitian "pertanian presisi", yang
bertujuan menggunakan teknologi modern untuk mengoptimalkan produksi tanaman,
memungkinkan variasi lokal dalam tanah, lanskap, nutrisi, dan sebagainya.
20
diukur. Mereka menegaskan temuan sebelumnya bahwa tanaman yang tumbuh di lingkungan
yang lebih dingin cenderung memiliki lebih banyak gigi dan area gigi yang lebih besar daripada
tanaman serupa yang tumbuh di lingkungan yang lebih hangat. Salah satu tujuan dari badan
kerja ini adalah untuk mendukung analisis fosil daun, dengan tujuan memperkirakan kondisi
paleoklimatik. Dengan menetapkan bagaimana daun dari tumbuhan hidup memiliki bentuk yang
sesuai dengan lingkungannya, diharapkan fosil bentuk daun dapat menunjukkan bagaimana
perubahan iklim bumi di masa lalu, baik dalam skala global maupun lokal.
Dalam botani, mengidentifikasi batas takson seringkali sama pentingnya dengan
mengidentifikasi taksa mana yang dimiliki spesimen tertentu. Sebuah studi awal oleh
Dickinson et al. [110] menggunakan digitalisasi manual (melalui tablet) untuk
mengidentifikasi landmark pada penampang daun, dan analisis komponen utama untuk
menganalisis data. Mereka mengidentifikasi variasi geografis antara lokasi pengumpulan
dan juga mengidentifikasi bentuk perantara dari spesimen, menunjukkan berbagai
hibridisasi telah terjadi. Seperti disebutkan sebelumnya, karya Wilkin dan Gage [88] [89]
menggunakan analisis morfometri untuk mengidentifikasi batas spesies.
4. Kesimpulan
Dalam makalah ini kita telah membahas sejumlah sistem identifikasi spesies yang
bergantung pada pengetahuan domain dan berbagai metode morfometri. Harus jelas
bahwa tidak ada metode tunggal yang memberikan obat mujarab untuk semua masalah,
tetapi metode yang tepat harus dipilih untuk setiap tugas yang dihadapi. Tumbuhan
sangat beragam dalam bentuk, ukuran dan warna. Metode yang bekerja sangat baik pada
satu kelompok mungkin bergantung pada fitur yang tidak ada di takson lain. Misalnya,
landmark dapat dengan mudah dapat didefinisikan dan diidentifikasi untuk beberapa
taksa, seperti yang memiliki lobus yang berbeda, tetapi tidak untuk yang lain.
Mengingat sifat morfometrik botani dan pemrosesan gambar skala besar, otomatisasi
sangat penting. Setiap sistem yang memerlukan upaya manual yang signifikan, misalnya dalam
menelusuri garis luar daun, tidak mungkin praktis bila diskalakan hingga ribuan spesimen.
Meskipun demikian, dalam beberapa kasus, pengguna dapat tetap terlibat dalam proses tanpa
biaya besar: jika panduan lapangan elektronik memberikan sepuluh prediksi spesies, bukan satu,
pengguna mungkin dapat dengan mudah memilih jawaban yang paling mungkin [95 ]. Terkait
hal ini adalah masalah kecepatan proses. Pengguna panduan lapangan genggam mungkin
memerlukan respons secara interaktif dan begitu (dekat) secara instan, sedangkan jika alat akan
digunakan pada sekumpulan besar gambar di laboratorium botani, mungkin dapat diterima
untuk menunggu semalaman untuk mendapatkan informasi yang komprehensif. hasil - dengan
asumsi tidak diperlukan interaksi manusia.
Pelengkap untuk identifikasi tanaman adalah pemodelan tanaman. Berbagai algoritma telah
dikembangkan yang mereproduksi struktur percabangan khas tanaman, terutama selama
pertumbuhan, seperti sistem-L (sistem Lindenmayer) [111]. Ini dapat diperpanjang untuk
memasukkan efek dari kondisi pertumbuhan yang berbeda, dampak lingkungan dan asal-usul
genetik dari bentuk tanaman [112]. Model seperti itu biasanya memiliki parameter yang relatif
sedikit, dan dengan memvariasikannya, berbagai macam tanaman virtual dapat dihasilkan. Jika
generasi tersebut dapat dicocokkan dengan data yang berasal dari tumbuhan biologis, maka
dimungkinkan untuk memodelkan proses di mana tumbuhan nyata dan teramati telah
diproduksi, yang pada gilirannya dapat menjadi sangat bermanfaat.
21
minat untuk ilmu tanaman, tidak terkecuali untuk identifikasi spesies. Sejauh yang
kami ketahui, pekerjaan seperti itu belum dilakukan, mungkin karena kompleksitas
komputasi dari proses pencocokan.
Kami akhirnya kembali secara singkat ke beberapa tantangan yang disajikan di Bagian 1.1.
Saat disajikan dengan jumlah kelas yang sangat besar, dan kelas yang sering dibedakan dengan
menggunakan kumpulan fitur yang berbeda, kami menyarankan dua solusi umum. Pertama,
seseorang dapat membatasi tugas untuk mempertimbangkan hanya sejumlah kecil kelas -
misalnya mengembangkan sistem untuk mengidentifikasi hanya dua atau tiga spesies daripada
ratusan atau ribuan. Sejumlah makalah yang dibahas sebelumnya merefleksikan hal ini, baik
sengaja maupun tidak. Kedua, seseorang dapat mengembangkan sistem hierarki, mungkin
mengikuti model taksonomi warisan evolusioner, dan mempertimbangkandi setiap tahap hanya a
sejumlah kecil kelas dan serangkaian fitur terbatas. Model seperti itu dapat dikembangkan
secara bertahap, modular, dan dapat dicapai secara kolaboratif. Tentu saja, solusi yang
pertama mungkin saja merupakan komponen dari yang terakhir. Kami juga mencatat
bahwa pekerjaan interdisipliner dapat penuh dengan masalah komunikasi kecuali jika
sangat berhati-hati untuk memastikan bahwa terminologi digunakan secara konsisten.
Kami berharap makalah ini dapat mengurangi risiko ini.
Penggunaan metode komputasi, morfometri, dan pemrosesan citra untuk
menganalisis citra daun sangat tepat waktu. EO Wilson telah mengusulkan
pembuatan "ensiklopedia kehidupan" [113] - halaman web untuk setiap spesies
kehidupan di Bumi - dan dengan itu, teknologi baru, seperti gambar digital dari
spesimen tumbuhan yang disediakan oleh dunia herbaria. Kami percaya bahwa
pemrosesan gambar dan morfometrik otomatis dapat membantu memenuhi tujuan
ini dengan membantu mendefinisikan spesies secara lebih efektif dan menyediakan
identifikasi spesies berbasis web yang cepat.
Referensi
[1] RW Scotland, AH Wortley, Ada berapa jenis tumbuhan berbiji ?, Taxon 52 (2003)
101–104.
[2] R. Govaerts, Ada berapa spesies tumbuhan berbiji ?, Taxon 50 (2001) 1085-1090.
22
Wheeler, J. Faivovich, RP Vari, L. Grande, CJ Humphries, R. De-Salle, MC Ebach,
GJ Nelson, Halangan taksonomi atau halangan terhadap taksonomi? Sebuah
komentar tentang sistematika dan paradigma Cybertaxonomic- Automation,
Evolutionary Biology 34 (2007) 140–143.
[5] QD Wheeler, triase taksonomi dan kemiskinan filogeni, Transaksi Filosofis dari
Royal Society of London. Seri B: Ilmu Biologi 359 (2004) 571 –583.
[7] R. Melville, Definisi akurat dari bentuk daun dengan koordinat persegi panjang,
Annals of Botany 1 (1937) 673–679.
[8] R. Melville, Kontribusi untuk studi elm Inggris II, Journal of Botany 77 (1939) 138.
[12] CM Bishop, Pengenalan Pola dan Pembelajaran Mesin, Springer, edisi pertama,
2007.
[14] FP Kuhl, CR Giardina, fitur Elliptic Fourier dari kontur tertutup, Grafik komputer
dan pemrosesan gambar 18 (1982) 236-258.
[15] DJ Hearn, Analisis bentuk untuk identifikasi otomatis tanaman dari gambar
daun, Taxon 58 (2009) 934–954.
23
[17] T. McLellan, JA Endler, Keberhasilan relatif dari beberapa metode untuk
mengukur dan menggambarkan bentuk objek yang kompleks, Systematic
Biology 47 (1998) 264-281.
[18] C. Goodall, metode Procrustes dalam analisis statistik bentuk, Jurnal Royal
Statistics Society. Seri B (Metodologi) (1991) 285–
339.
[19] J. Du, D. Huang, X. Wang, X. Gu, Pengenalan bentuk berdasarkan jaringan saraf
probabilistik basis radial dan aplikasi untuk identifikasi spesies tanaman, di:
Simposium Internasional Jaringan Saraf, Springer Berlin / Heidelberg, 2005,
hlm. 281–285.
[26] C. Meade, J. Parnell, Analisis multivariat pola bentuk daun pada spesies Asia
Uvaria kelompok (Annonaceae), Botanical Journal Of The Linnean Society 143
(2003) 231–242.
[27] Z. Wang, Z. Chi, F. Dagan, Q. Wang, pengambilan gambar daun dengan fitur
bentuk, Kemajuan Dalam Sistem Informasi Visual 1929 (2000) 41–52.
[28] Z. Wang, Z. Chi, F. Dagan, Pengambilan citra daun berbasis bentuk, Penglihatan,
Pemrosesan Gambar dan Sinyal 150 (2003) 34–43.
[29] L. Ye, E. Keogh, Shapelet deret waktu: Primitif baru untuk penambangan data, di:
Konferensi Internasional IEEE tentang Penemuan Pengetahuan dan Penambangan
Data, ACM, 2009, hlm. 947–956.
24
[30] F. Mokhtarian, S. Abbasi, Mencocokkan bentuk dengan perpotongan sendiri:
aplikasi untuk klasifikasi daun, IEEE Transactions Image Processing 13
(2004) 653-661.
[31] FL Bookstein, Ukuran dan bentuk ruang untuk data tengara dalam dua dimensi,
Ilmu Statistik 1 (1986) 181–222.
[34] RJ Jensen, KM Ciofani, LC Miramontes, Garis, garis besar, dan landmark: Analisis
morfometrik daun Acer rubrum, Acer sac- charinum (Aceraceae) dan
hibridanya, Taxon 51 (2002) 475–492.
[36] H. Ling, DW Jacobs, Klasifikasi bentuk menggunakan jarak dalam, Transaksi IEEE
pada Analisis Pola dan Kecerdasan Mesin 29 (2007) 286–
299.
[37] DPA Corney, JYC Clark, HT Tang, P. Wilkin, Ekstraksi otomatis karakter daun dari
spesimen herbarium, Taxon 61 (2012) 231–244.
[39] K. Thiele, Cawan suci dari karakter yang sempurna: perlakuan kladistik dari data
morfometri, Cladistics 9 (1993) 275-304.
[42] M. Hu, Pengenalan pola visual oleh invarian momen, Transaksi IRE pada Teori
Informasi 8 (1962) 179–187.
25
[43] M. Teague, Analisis gambar melalui teori umum momen, J. Opt. Soc. Am 70
(1980) 920–930.
[44] J. Flusser, T. Suk, B. Zitov, Momen dan Momen Invariants dalam Pengenalan
Pola, John Wiley and Sons, 2009.
[45] C. Lee, S. Chen, Klasifikasi gambar daun, Jurnal Internasional Sistem Pencitraan
dan Teknologi 16 (2006) 15-23.
[46] J.-X. Du, X.-F. Wang, G.-J. Zhang, Pengakuan spesies tumbuhan berbasis bentuk
daun, Matematika Terapan dan Perhitungan 185 (2007) 883–893.
[47] X. Wang, D. Huang, J. Du, H. Xu, L. Heutte, Klasifikasi gambar daun tanaman
dengan latar belakang yang rumit, Matematika Terapan dan Perhitungan 205
(2008) 916-926.
[48] SG Wu, FS Bao, EY Xu, Y.-X. Wang, Y.-F. Chang, Q.-L. Xiang, Algoritma
pengenalan daun untuk klasifikasi tanaman menggunakan jaringan saraf
probabilistik, di: IEEE International Symposium on Signal Processing and
Information Technology, IEEE, 2007.
[52] J.-X. Du, D.-S. Huang, X.-F. Wang, X. Gu, Identifikasi spesies tanaman dengan
bantuan komputer (CAPSI) berdasarkan teknik pencocokan bentuk daun,
Transac- tions Institute Of Measurement And Control 28 (2006) 275-284.
[53] C. Im, H. Nishida, TL Kunii, Mengenali spesies tanaman dengan bentuk daun yang
dinormalisasi, dalam: Vision Interface, volume 99, hlm. 19-21.
[55] JS Cope, P. Remagnino, S. Barman, P. Wilkin, Ekstraksi vena dari gambar daun
dengan klasifikasi vena berevolusi dan algoritma koloni semut, di: Konsep
Lanjutan Untuk Sistem Visi Cerdas, Springer-Verlag, di -tekan.
26
[56] Y. Li, Z. Chi, DD Feng, Ekstraksi vena daun menggunakan analisis komponen
independen, di: IEEE International Conference on Systems, Man and
Cybernetics, IEEE, 2006, hlm. 3890-3984.
[59] H. Fu, Z. Chi, Gabungan pendekatan thresholding dan jaringan saraf untuk
ekstraksi pola vena dari citra daun, dalam: Proses IEE. Gambar Visi Dan
Pemrosesan Sinyal, volume 153, Institution of Electrical Engi- neers, 2006, hlm.
881-892.
[60] N. Kirchgessner, H. Scharr, U. Schurr, Ekstraksi vena yang kuat pada citra daun
tanaman, dalam: Visualisasi, Pencitraan, dan Pengolahan Citra Konferensi
Internasional IASTED ke-2.
[65] DL Royer, P. Wilf, Mengapa daun bergigi berhubungan dengan iklim dingin?
Pertukaran gas pada margin daun memberikan wawasan baru ke dalam proxy
paleotemperature klasik, International Journal of Plant Sciences 167 (2006)
11-18.
27
[68] JY Clark, Jaringan saraf dan analisis cluster untuk klasifikasi tanpa pengawasan
dari spesies budidaya Tilia (Malvaceae), Jurnal Botani dari Linnean Society 159
(2009) 300–314.
[76] X. Gu, J.-X. Du, X.-F. Wang, Pengenalan daun berdasarkan kombinasi
transformasi wavelet dan interpolasi Gaussian, Advances In Intelligent
Computing 3644 (2005) 253–262.
[77] W. Ma, H. Zha, J. Liu, X. Zhang, B. Xiang, Pemodelan tanaman berbasis gambar
dengan mengetahui daun dari puncaknya, dalam: Konferensi Internasional ke-19
tentang Pengenalan Pola, 2008, hlm. 1– 4.
[78] CH Teng, YT Kuo, YS Chen, Segmentasi daun, estimasi posisi 3D dan klasifikasi
daun dari beberapa gambar dengan sudut pandang yang sangat dekat, Image
Analysis and Recognition (2009) 937-946.
28
[80] DL Royer, kepadatan stomata dan indeks stomata sebagai indikator konsentrasi
CO2 paleoatmospheric, Review of Palaeobotany and Palynology 114 (2001) 1-28.
[86] A. Hong, G. Chen, JL Li, ZR Chi, D. Zhang, Metode pengambilan gambar bunga
berdasarkan fitur ROI, Journal of Zhejiang University-Science 5
(2004) 764–772.
[90] Z.-K. Huang, H. De-Shuang, J.-X. Du, Z.-H. Quan, S.-B. Klasifikasi Guo, Bark
berdasarkan fitur Gaborfilter menggunakan jaringan saraf RBPNN, di:
Konferensi Internasional tentang Pemrosesan Informasi Saraf, Springer,
2006, hlm. 80–87.
29
[93] Q. Huang, A. Jain, G. Stockman, A. Smucker, Analisis gambar otomatis dari
struktur akar tanaman, dalam: Prosiding 11th IAPR International Conference on
Pattern Recognition, 1992. Vol.II. Konferensi B: Metodologi dan Sistem
Pengenalan Pola, hlm. 569–572.
[94] G. Zeng, ST Birch field, CE Wells, Deteksi otomatis cepat dari akar pada gambar
minirhizotron, Machine Vision dan Aplikasi 21 (2008) 309–
317.
[99] Y. Nam, E. Hwang, D. Kim, CLOVER: sistem pengambilan gambar daun berbasis
konten seluler, di: Perpustakaan Digital: Menerapkan Strategi dan Pengalaman
Berbagi, nomor 3815 di LNCS, Springer Berlin / Heidelberg,
2005, hlm. 139–148.
[101] M. Lipske, Panduan bidang elektronik baru menggunakan bentuk daun untuk mengidentifikasi
spesies tanaman, Inside Smithsonian Research Winter (2008).
30
[105] D. S̆eatovi´ć, Sebuah pendekatan segmentasi dalam sistem pengenalan
tanaman 3D real-time baru, dalam: Prosiding konferensi internasional ke-6
tentang sistem visi komputer, hlm. 363-372.
[106] P. Soille, Analisis citra morfologi diterapkan pada pemetaan bidang tanaman,
Image and Vision Computing 18 (2000) 1025-1032.
[107] J. Pan, Y. He, Pengakuan tanaman dengan gambar digital daun dan jaringan
saraf, dalam: Konferensi Internasional 2008 tentang Ilmu Komputer dan
Rekayasa Perangkat Lunak, Wuhan, Cina, hlm. 906–910.
[108] L. Qi, Q. Yang, G. Bao, Y. Xun, L. Zhang, Sebuah algoritma segmentasi ambang
dinamis untuk identifikasi mentimun di rumah kaca, di: Kongres Internasional
ke-2 tentang Pengolahan Gambar dan Sinyal, 2009, hal. 1–4.
[109] PM Hu ff, P. Wilf, EJ Azumah, Masa depan digital untuk estimasi paleoklimat dari
fosil daun? Hasil awal, Palaios 18 (2003) 266-274.
[112] P. Prusinkiewicz, Seni dan sains untuk kehidupan: merancang dan menumbuhkan
tanaman virtual dengan sistem-L, dalam: Kongres Hortikultura Internasional XXVI,
hlm. 15–28.
[113] EO Wilson, The ensiklopedia kehidupan, Tren Ekologi & Evolusi 18 (2003) 77-80.
31