Обробка результатів експериментальних досліджень, проведених з використанням портативного флуорометра 'Флоратест'
Розглянуто результати експериментальних досліджень флуоресценції хлорофілу, яка вимірювалася з допомогою портативного флуорометра «Флоратест». Дані досліджень оброблялися з використанням статистичних методів та з використанням нейронних мереж. Рассмотрены результаты экспериментальных исследований ин...
Saved in:
| Published in: | Комп’ютерні засоби, мережі та системи |
|---|---|
| Date: | 2015 |
| Main Author: | |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Інститут кібернетики ім. В.М. Глушкова НАН України
2015
|
| Online Access: | https://nasplib.isofts.kiev.ua/handle/123456789/122850 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Cite this: | Обробка результатів експериментальних досліджень, проведених з використанням портативного флуорометра 'Флоратест' / В.М. Груша // Комп’ютерні засоби, мережі та системи. — 2015. — № 14. — С. 109-116. — Бібліогр.: 7 назв. — укр. |
Institution
Digital Library of Periodicals of National Academy of Sciences of Ukraine| id |
nasplib_isofts_kiev_ua-123456789-122850 |
|---|---|
| record_format |
dspace |
| spelling |
Груша, В.М. 2017-07-21T07:34:20Z 2017-07-21T07:34:20Z 2015 Обробка результатів експериментальних досліджень, проведених з використанням портативного флуорометра 'Флоратест' / В.М. Груша // Комп’ютерні засоби, мережі та системи. — 2015. — № 14. — С. 109-116. — Бібліогр.: 7 назв. — укр. 1817-9908 https://nasplib.isofts.kiev.ua/handle/123456789/122850 004.75 Розглянуто результати експериментальних досліджень флуоресценції хлорофілу, яка вимірювалася з допомогою портативного флуорометра «Флоратест». Дані досліджень оброблялися з використанням статистичних методів та з використанням нейронних мереж. Рассмотрены результаты экспериментальных исследований индукции хлорофилла, что измерялась с помощью портативного флуорометра «Флоратест». Данные обрабатывались с использованием статистических методов и нейронных сетей. The results of the chlorophyll fluorescence experiments are given. Portable fluorometer “Floratest” was used to measure the fluorescence. Some statistical methods and neural networks were used for data analysis. uk Інститут кібернетики ім. В.М. Глушкова НАН України Комп’ютерні засоби, мережі та системи Обробка результатів експериментальних досліджень, проведених з використанням портативного флуорометра 'Флоратест' Analysis of data measured by portable fluorometer "Floratest" Article published earlier |
| institution |
Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| collection |
DSpace DC |
| title |
Обробка результатів експериментальних досліджень, проведених з використанням портативного флуорометра 'Флоратест' |
| spellingShingle |
Обробка результатів експериментальних досліджень, проведених з використанням портативного флуорометра 'Флоратест' Груша, В.М. |
| title_short |
Обробка результатів експериментальних досліджень, проведених з використанням портативного флуорометра 'Флоратест' |
| title_full |
Обробка результатів експериментальних досліджень, проведених з використанням портативного флуорометра 'Флоратест' |
| title_fullStr |
Обробка результатів експериментальних досліджень, проведених з використанням портативного флуорометра 'Флоратест' |
| title_full_unstemmed |
Обробка результатів експериментальних досліджень, проведених з використанням портативного флуорометра 'Флоратест' |
| title_sort |
обробка результатів експериментальних досліджень, проведених з використанням портативного флуорометра 'флоратест' |
| author |
Груша, В.М. |
| author_facet |
Груша, В.М. |
| publishDate |
2015 |
| language |
Ukrainian |
| container_title |
Комп’ютерні засоби, мережі та системи |
| publisher |
Інститут кібернетики ім. В.М. Глушкова НАН України |
| format |
Article |
| title_alt |
Analysis of data measured by portable fluorometer "Floratest" |
| description |
Розглянуто результати експериментальних досліджень флуоресценції хлорофілу, яка вимірювалася з допомогою портативного флуорометра «Флоратест». Дані досліджень оброблялися з використанням статистичних методів та з використанням нейронних мереж.
Рассмотрены результаты экспериментальных исследований индукции хлорофилла, что измерялась с помощью портативного флуорометра «Флоратест». Данные обрабатывались с использованием статистических методов и нейронных сетей.
The results of the chlorophyll fluorescence experiments are given. Portable fluorometer “Floratest” was used to measure the fluorescence. Some statistical methods and neural networks were used for data analysis.
|
| issn |
1817-9908 |
| url |
https://nasplib.isofts.kiev.ua/handle/123456789/122850 |
| citation_txt |
Обробка результатів експериментальних досліджень, проведених з використанням портативного флуорометра 'Флоратест' / В.М. Груша // Комп’ютерні засоби, мережі та системи. — 2015. — № 14. — С. 109-116. — Бібліогр.: 7 назв. — укр. |
| work_keys_str_mv |
AT grušavm obrobkarezulʹtatíveksperimentalʹnihdoslídženʹprovedenihzvikoristannâmportativnogofluorometrafloratest AT grušavm analysisofdatameasuredbyportablefluorometerfloratest |
| first_indexed |
2025-11-27T08:34:47Z |
| last_indexed |
2025-11-27T08:34:47Z |
| _version_ |
1850809123018375168 |
| fulltext |
Комп’ютерні засоби, мережі та системи. 2015, № 14 109
V. Hrusha
ANALYSIS OF DATA
MEASURED BY PORTABLE
FLUOROMETER “FLORATEST”
The results of the chlorophyll
fluorescence experiments are given.
Portable fluorometer “Floratest”
was used to measure the fluo-
rescence. Some statistical methods
and neural networks were used for
data analysis.
Key words: fluorescence of chlo-
rophyll, neural networks.
Рассмотрены результаты экспе-
риментальных исследований ин-
дукции хлорофилла, что измеря-
лась с помощью портативного
флуорометра «Флоратест».
Данные обрабатывались с исполь-
зованием статистических мето-
дов и нейронных сетей.
Ключевые слова: флуоресценции
хлорофилла, нейронные сети.
Розглянуто результати експери-
ментальних досліджень флуорес-
ценції хлорофілу, яка вимірювала-
ся з допомогою портативного
флуорометра «Флоратест». Дані
досліджень оброблялися з викори-
станням статистичних методів
та з використанням нейронних
мереж.
Ключові слова: флуоресценції хло-
рофілу, нейронні мережі.
В.М. Груша, 2015
УДК 004.75
В.М. ГРУША
ОБРОБКА РЕЗУЛЬТАТІВ
ЕКСПЕРИМЕНТАЛЬНИХ
ДОСЛІДЖЕНЬ, ПРОВЕДЕНИХ З
ВИКОРИСТАННЯМ ПОРТАТИВНОГО
ФЛУОРОМЕТРА «ФЛОРАТЕСТ»
Вступ. При освітленні хлорофілу синім світ-
лом виникає явище під назвою флуоресцен-
ція хлорофілу. Найвищий, помітний рівень
флуоресценції реєструється у червоній обла-
сті спектру. Форма кривої індукції флуорес-
ценції хлорофілу (ІФХ) чутлива до різнома-
нітних впливаючих факторів на стан рослин
та відображає процеси, що відбуваються в
фотосинтетичному апараті рослин [1]. Для
вимірювання даного явища використовують
спеціальні прилади – флуорометри. Один із
таких флуорометрів – «Флоратест», що роз-
роблений в Інституті кібернетики імені В.М.
Глушкова НАН України.
Потенційну користь методу ІФХ для про-
мислового рослинництва підтверджено ря-
дом наукових досліджень, що здійснювалась
переважно в контрольованих умовах. Проте в
польових умовах дослідники стикаються з
низкою проблем. Зокрема, чи не основною
проблемою біологічних досліджень є нелі-
нійні залежності біологічних об’єктів від фа-
кторів різної природи (параметрів ґрунту,
повітря, освітлення, а також факторів техно-
генного походження). Причому дані фактори
не завжди можна врахувати через відсутність
відповідного обладнання, дороговизну про-
ведення фізико-хімічних та мікробіологічних
аналізів ґрунтів. Через це загалом важко од-
нозначно встановити взаємозалежності між
вхідними і вихідними даними на базі звичай-
них аналітичних методів.
В.М. ГРУША
Комп’ютерні засоби, мережі та системи. 2015, № 14 110
Вплив погодних умов та гербіцидів на індукцію флуоресценції хлорофі-
лу. Протягом 2012–2014 рр. в Інституті кібернетики імені В.М. Глушкова про-
водилися дослідження впливу гербіциду на індукції флуоресценції хлорофілу.
Для проведення експериментальних досліджень вибрано гербіцид суцільної дії
«Раундап», який є одним з найбільш застосовуваних гербіцидів, що використо-
вується перед посівом або появою всходів сільськогосподарських рослин для
знищення бур’янів. Під час експерименту гербіцид наносився на рослини
бур’яну дурману звичайного. Рослини дурману поділено на три групи: контро-
льний варіант і два дослідні варіанти відмінних за дозами обприскування гербі-
цидом. Експеримент проводився в наближених до природних умовах. Під час
вимірювань ІФХ за допомогою приладів «Флоратест» також вимірювались па-
раметри навколишнього середовища: температура повітря та ґрунту, вологість
повітря та ґрунту, кислотність ґрунту. Це дозволило оцінити вплив навколишніх
умов на параметри кривої ІФХ [2, 3].
В 2012 році виявлено, що різкі зміни погодних умов впливають на індукцію
флуоресценції хлорофілу, зокрема на початковий відрізок кривої. Дія гербіциду
призводить до поступового зростання рівня флуоресценції у оброблених групах
рослин [2]. В 2013 році вимірювання проводилися у дні без контрастних змін
погодних умов, тобто без значних коливань вологості повітря. Температура по-
вітря знаходилася в межах від 25 – 30 градусів. Розрахунок лінійної кореляції
між параметрами кривих ІФХ, параметрами ґрунту та повітря не показав насті-
льки значних залежностей у порівнянні з вимірюваннями 2012 року. Проте не-
значна кореляція з вологістю ґрунту та кислотністю відмічалася в інтервалі
500 – 1000 мс на рівні 0,6. В інтервалі 3000 – 15000 мс. присутня кореляція на
рівні 0,6 – 0,7 із температурою повітря і пов’язаною з нею температурою ґрунту.
Дані залежності показано на рис. 1 та 2.
В табл. 1 наведені ділянки кривої, в яких коефіцієнт кореляції R > 0,5.
РИС. 1. Залежність ІФХ на 5 с від темпера-
тури повітря
РИС. 2. Залежність ІФХ на 748 мс від вологості
ґрунту
ОБРОБКА РЕЗУЛЬТАТІВ ЕКСПЕРИМЕНТАЛЬНИХ ДОСЛІДЖЕНЬ ...
Комп’ютерні засоби, мережі та системи. 2015, № 14 111
ТАБЛИЦЯ 1. Кореляції ділянок кривих ІФХ дурману із параметрами навколишнього середо-
вища
Фактор Максимальний рівень кореляції (R) Час, с (R>0,5)
Температура повітря – 0,73 3,0 – 21
Вологість повітря 0,41 –
Кислотність 0,60 0,3 – 1,6
Вологість грунту – 0,58 0,3 – 1,3
Температура грунту – 0,67 3,0 – 21
Слід зазначити, що температура повітря та температура ґрунту взаємо-
пов’язані, також взаємопов’язаними є кислотність та вологість ґрунту.
Результатом обробки гербіцидом стало підвищення середнього рівня індук-
ції флуоресценції хлорофілу на обох дослідних варіантах. Уже на 13-й день різ-
ниця в усереднених кривих ІФХ була підтверджена критерієм Стюдента. При
чому у варіанті з більшою дозою рівень флуоресценції був вищий. Проте в на-
ступних днях, в яких робилися вимірювання, дана різниця не була настільки від-
чутною, це можна пояснити впливом зовнішніх умов на криву ІФХ, та внутріш-
німи процесами в рослині. Однозначна різниця між варіантом з найбільшою до-
зою обприскування та контрольним варіантом була відмічена на 20-й день після
обприскування (рис. 3). Наступні дні вимірювання також підтверджували дану
різницю.
РИС. 3. Імовірності того, що точки на кривих ІФХ з дослідної вибірки не відрізняються від
точок кривих контрольної вибірки
Використання нейронних мереж. Нейронні мережі є привабливою альтер-
нативою статистичним методам. У даний час нейронні мережі знаходять все
ширше застосування при аналізі даних, отриманих внаслідок біологічних і сіль-
ськогосподарських досліджень. Зокрема, їх застосовують для прогнозування
В.М. ГРУША
Комп’ютерні засоби, мережі та системи. 2015, № 14 112
урожайності, діагностики бактеріологічних та вірусних захворювань рослин,
наявності шкідників, оцінки споживання води, оцінка якості рослин тощо [4].
Щодо використання ІФХ та нейронних мереж, то цікавими в даному напря-
мку є роботи по: 1) прогнозуванню стану декоративних рослин через декілька
тижнів після придбання у залежності від умов середовища утримання та змін в
індукції флуоресценції хлорофілу [5]; 2) застосуванню нейронних мереж для
таксономічного розрізнення рослин по кривих флуоресценції хлорофілу [6];
3) передбаченню урожайності рослин при впливі посухи [7].
У даний час немає необхідності самому реалізовувати нейронні мережі у
коді. Уже існує чимало засобів для розробки та дослідження нейронних мереж.
Багато програмних засобів надають зручні графічні інструменти для роботи з
нейронними мережами. Так для науковців корисними будуть можливості паке-
тів для наукових та інженерних розрахунків як Matlab та R. Існує ряд бібліотек
(фреймвоків) для мов програмування. Наприклад, для Java існують бібліотеки:
Joone, Encog, Neuroph. Розробники Neuroph на базі безкоштовного середовища
NetBeans розробили засіб з графічним інтерфейсом NeurophStudio. Для дослі-
дження даних отриманих вимірювань за допомогою нейронних мереж вибрано
програмний пакет чисельних обчислень Matlab, через наявність реалізацій вели-
кої кількості видів нейронних мереж, алгоритмів та функцій для роботи з ней-
ронними мережами.
Для розпізнавання кривих за варіантами вибрано двошарову нейронну ме-
режу з прямим поширенням сигналів (feed-forward network). Нейронні мережі
даного виду найкраще підходять для задач класифікації. Нейронна мережа мі-
стить 89 входів та 3 виходи (оскільки кожна крива флуорометра «Флоратест»
складається з 90 точок, але при цьому в отриманих кривих вирішено перші точ-
ки відкидати). Останній, вихідний шар складається з трьох нейронів (три варіа-
нти кривих). Для вирішення необхідної кількості нейронів прихованого рівня
проведено тренування нейронної мережі з різною кількістю нейронів прихова-
ного шару від 1 до 364. За день вимірювань отримувалося 40-45 кривих виміря-
них двома флуорометрами. Для навчання було взяти 43 криві по трьох варіантах,
що були виміряні 18.07.2013, які випадковим чином ділилися на тренувальну,
тестову та валідаційну вибірки. Умовами закінчення навчання НМ є досягнення
нульової середньо квадратичної похибки, або ж градієнту навчання 1.0 e – 15,
або ж 100 неправильних порівнянь з валідаційними кривими, час навчання – не-
обмежений, максимальна кількість епох навчання – 1000. На початку тренуван-
ня нейромережі, її ваги ініціалізуються випадковим чином, що відповідно про-
водить до різних результатів навчання. Для врахування даного фактору нейрон-
ну мережу повторно донавчали. Загальна кількість навчань 30. Кожного разу
вибірка розділялася на три і навчання проводилося за модифікованою навчаль-
ною вибіркою. В Matlab для цих цілей використовувалася функція train. Ефекти-
вність навчання оцінювалася за середньоквадратичною похибкою, яка обчислю-
ється за формулою:
https://en.wikipedia.org/wiki/Encog
https://en.wikipedia.org/wiki/Neuroph
ОБРОБКА РЕЗУЛЬТАТІВ ЕКСПЕРИМЕНТАЛЬНИХ ДОСЛІДЖЕНЬ ...
Комп’ютерні засоби, мережі та системи. 2015, № 14 113
∑∑
= =
−=
n
J
k
i
ijij yt
n
P
1 1
2 ,)(1
де n – кількість кривих навчальної вибірки, k – кількість класів (виходів ней-
ронної мережі) ijt – елементи матриці цілей T (матриці з правильними результа-
тами) ijy – елементи матриці виходів нейромережі.
На рис. 4 показано середні значення середньоквадратичної похибки (вектор
meanP ) при навчанні нейромережі з різною кількістю нейронів та тридцяти на-
вчаннях кожної мережі. Як видно з рис. 4 вже при трьох нейронах у приховано-
му шарі мережа може вирішити поставлену перед нею задачу. Найбільш ефек-
тивно мережа навчається, коли у прихованому шарі від 8 до 100 нейронів. Після
чого середньоквадратична похибка лише зростає. Якщо ж до вектора meanP до-
дати вектор із значеннями середньоквадратичного відхилення stdP *3, то можна
точніше оцінити наскільки мінливим є навчання мережі, що показано на рис. 5.
РИС. 4. Залежність середньоквадратичної похибки навчання нейронної мережі від кількості
нейронів
Найбільш ефективним є навчання мереж з порівняно невеликою кількістю
нейронів у прихованому шарі, до 70. Для подальшого використання вибрано ме-
режу з двадцятип’ятьма нейронами прихованого шару. Структура нейромережі
показана на рис. 6. Як передавальна функція в прихованому шарі використову-
ється сигмоїдна функція, а на вихідному – нормалізована експоненційна функція
(softmax function). В Matlab даний тип нейронних мереж носить назву patternnet.
В.М. ГРУША
Комп’ютерні засоби, мережі та системи. 2015, № 14 114
РИС. 5. Мінливість навчання нейронної мережі
РИС. 6. Структура нейронної мережі
В подальшому вибрана мережа навчалася на даних з різних днів вимірю-
вань. Результати навчання наведені в табл. 2.
ТАБЛИЦЯ 2. Навчання нейронної мережі на даних отриманих у різні дні експерименту, де E
– похибка навчання, Ev – похибка валідації, Et – похибка тестування, Em – се-
редня похибка обчислена на основі трьох попередніх помилок
Дата
Кількість
виміряних
кривих
E,
%
Ev,
%
Et,
%
Em,
%
Примітки
02.07.2013 40 64,3 66,7 33,3 60,0 До обприскування
05.07.2013 43 16,1 33,3 66,7 25,6 До обприскування
08.07.2013 41 0 33,3 50,0 12,2 3-й день після обприскування
10.07.2013 43 80,6 66,7 83,3 79,1 5-й день після обприскування
12.07.2013 43 0 0 33.3 4.7 7-й день після обприскування
16.07.2013 30 0 0 20 3.2 11-й (лише 2 варіанти)
18.07.2013 43 19,4 16,7 66,7 25,7 13-й день
25.07.2013 21 3,2 0 66,7 11,6 20-й день
ОБРОБКА РЕЗУЛЬТАТІВ ЕКСПЕРИМЕНТАЛЬНИХ ДОСЛІДЖЕНЬ ...
Комп’ютерні засоби, мережі та системи. 2015, № 14 115
Як видно з табл. 2 найменші похибки розпізнавання отримані на 7-й та 11-й
день. Саме після 6-го дня "Раундап" порушує синтез амінокислот. А через два
тижні починається в’янення та пожовтіння. На 13-й та 20-й день відмічено знач-
ну відмінність у формі кривих з одного і того ж варіанта, що можна пояснити,
що різні ділянки листа дещо по іншому деградують. В результаті варіювання
кривих у межах одного дослідного варіанту значно посилюється. Тож нейронні
мережі можуть вловити відмінності у флуоресценції обприсканих і не обприска-
них варіантах у період другого тижня досліду, проте уже через 12 днів розпізна-
вання погіршується. Водночас критерій Стюдента при попарному порівнянні
варіантів, навпаки, більш кращі результати дає уже наприкінці другого тижня
після обприскування.
Використання декількох флуорометрів. Для напрацювання методичного
забезпечення кількома приладами необхідний однаковий рівень освітлення хло-
рофілу оскільки від цього залежить рівень індукції флуоресценції. Через фізичні
процеси, що відбуваються у світлодіодах та фотоприймачах при експлуатації та
як результат фізичного зношування листотримача (кліпси) флуорометра, не зав-
жди вдається отримати однаковий рівень освітлення. Дані наведені в табл. 2
отримувалися двома дещо відмінними флуорометрами. При проведенні навчан-
ня нейромережі на кривих виміряних двома флуорометрами, розпізнавання те-
стових кривих доволі результативне. Проте при навчанні мережі на кривих ви-
міряних одним флуорометром, розпізнавання кривих погіршується при предста-
вленні нейронній мережі кривих виміряних іншим флуорометром. Так при на-
вчанні нейронної мережі на половині навчальної вибірки від 12.07.2013 зробле-
ної флуорометром 1 і подальшій перевірці нейромережі на даних флуорометра 2,
точність розпізнавання становила 61,9 %. Покращити результат можна за допо-
могою нормування. Нормування кривих з кожного флуорометра проводилося
окремо по кожній групі кривих, це збільшило точність розпізнавання до 71.4 %.
Нормування проводилось за формулою:
)max(2)max(,
ii
ij
ji x
x
n
σ⋅+
= ,
де i = 1..n – стовпці матриці, j = 1..k – рядки матриці, jin , – елементи вихідної
матриці N, ijx – елементи початкової матриці Х, jx – середнє обчислене по кож-
ному рядку, jσ – максимальне середньоквадратичне відхилення у кожному ря-
дку
Спроби навчати нейронну мережу на кривих 2013 року і застосувати її для
розпізнавання кривих виміряних у 2012 році показали доволі значні похибки
розпізнавання E > 50 %, що скоріш за все пов’язане з різними умовами навко-
лишнього середовища в дні вимірювання. Виходом є навчання мережі на мож-
ливо більших вибірках взятих у дні з різними погодними умовами або ж необ-
хідне врахування параметрів навколишнього середовища (температури повітря,
В.М. ГРУША
Комп’ютерні засоби, мережі та системи. 2015, № 14 116
температури ґрунту, вологи повітря, вологи ґрунту тощо) шляхом введення до-
даткових нейронів вхідного шару. Також корисним буде мінімізувати модель
нейронної мережі зменшивши кількість вхідних нейронів, що можна досягти
залишивши найбільш значимі точки на кривій ІФХ.
Висновки. Наведені деякі результати експериментальних досліджень впли-
ву гербіциду та погодних умов на криву ІФХ. Подані результати застосування
критерію Стюдента та нейронних мереж для реєстрації дії гербіциду. Дослі-
дження індукції флуоресценції хлорофілу, з метою подальшого використання
ефекту ІФХ в промисловому рослинництві, вимагає значної кількості тривалих
експериментів для набору репрезентабельних статистичних сукупностей. Цього
вимагають як статистичні, так і нейромережеві методи обробки даних. При про-
веденні експериментів та обробці отриманих даних, слід зважати на різкі зміни
погодних умов, які впливають на окремі ділянки кривих. Застосування нейрон-
них мереж показали, що вони можуть використовуватися для розрізнення кри-
вих ІФХ з різних варіантів досліду, проте використання даних виміряних різни-
ми флуорометрами потребує подальших досліджень з метою зменшення похиб-
ки розпізнавання навченою мережею кривих виміряних іншим флуорометром,
криві якого не застосовувалися при навчанні нейронної мережі.
1. Корнеев Д.Ю. Информационные возможности метода индукции флуоресцениии хлоро-
филла. – К.: Альтерпрес, 2002. – 188 с.
2. Груша В.М. Інформаційні технології для дослідження індукції флуоресценції хлорофілу
// Комп’ютерні засоби, мережі та системи. – 2014. – № 13. – С. 109 –116.
3. Груша В.М., Ковирьова О.В. Дослідження чутливості флуорометра «Флоратест» до дії
стресових факторів на стан рослин // Там само. – 2012. – № 11. – С. 119 – 126.
4. Samborska I., Alexandrov V., Sieczko L. et al.Artificial neural networks and their application in
biological and agricultural research. Signpost Open Access J. NanoPhotoBioSciences, 14-30.
Volume 02, 17 p. 2014. http: // signpostejournals.com.
5. Chlorophyll fluorescence spectral discrimination by artificial neural network methods. DEFRA
project code HH1530SPC. – 2002.
6. Kirova M., Ceppi G., Chernev P. et al. Using Artificial Neural Networks for Plant Taxonomic
Determination Based on Chlorophyll Fluorescence Induction Curves // Biotechnolo-
gy@Biotechnological Equipment. XI Anniversary Scientific Conference 120 Years of Aca-
demic Education in Biology 45 Years Faculty of Biology. – P. 941 – 946.
7. Goltsev V. et al. Drought-induced modification of photosynthetic electron transport in intact
leaves: Analysis and use of neural network as a tool for a rapid non-invasive estimation //
Biochimica et Biophysica Acta 1817. – 2012. – Р. 1490 –1498.
Одержано 06.10.2015
|