DOKTORI (PhD) ÉRTEKEZÉS
Pannon Egyetem Növénytermesztés és Kertészeti Tudományok Doktori Iskolája
„Burgonyafajták minősítése, és a burgonyanemesítés informatikai rendszere.” (Fajtaazonosítás és -minősítés digitális képanalízis felhasználásával)
Csák Máté
KESZTHELY 2009.
AZ ÉRTEKEZÉS CÍME „Burgonyafajták minősítése, és a burgonyanemesítés informatikai rendszere.‖ (Fajtaazonosítás és -minősítés digitális képanalízis felhasználásával) Értekezés doktori (PhD) fokozat elnyerése érdekében *a Pannon Egyetem NÖVÉNYTERMESZTÉS ÉS KERTÉSZETI TUDOMÁNYOK Doktori Iskolájához tartozóan*.
Írta: Csák Máté
Témavezető: Dr. Polgár Zsolt Elfogadásra javaslom (igen / nem)
______________ (aláírás)**
A jelölt a doktori szigorlaton …......... % -ot ért el Az értekezést bírálóként elfogadásra javaslom: Bíráló neve: …................................. igen /nem ………………………. (aláírás) Bíráló neve: …................................. igen /nem ………………………. (aláírás) A jelölt az értekezés nyilvános vitáján …..........% -ot ért el.
Keszthely,
…………………………. a Bíráló Bizottság elnöke
A doktori (PhD) oklevél minősítése…................................. ………………………… Az EDT elnöke
T ARTALOMJEGYZ ÉK 1. Kivonat ....................................................................................................... 7 2. Abstract .................................................................................................... 10 3. Auszug ...................................................................................................... 12 4. Bevezetés .................................................................................................. 15 5. Irodalmi áttekintés .................................................................................... 19 5.1. Burgonya – Solanum tuberosum ..................................................................... 19 5.1.1. 5.1.2. 5.1.3.
A burgonya jellemzése, jelentősége ......................................................................... 19 A hazai burgonyanemesítés: ..................................................................................... 21 A burgonya Minősége, minősítési rendszere, fajtaazonosítás ................................. 23
5.2. A burgonyanemesítési program nyilvántartási és adatalemzési rendszere. ....... 29 5.3. Kép analízis .................................................................................................... 30 5.3.1. 5.3.2.
A digitális kép definíciója .......................................................................................... 30 A képfeldolgozás tudománya ................................................................................... 34
5.4. Fraktál analízisek ............................................................................................ 34 5.5. Klaszter analízis, Ordináció.............................................................................. 37
6. Anyag és Módszer ..................................................................................... 40 6.1. Növényanyag.................................................................................................. 40 6.1.1.
A vizsgált Fajták ismertetése .................................................................................... 40
6.2. SFD alkalmazhatóságának vizsgálata ............................................................... 43 6.2.1. 6.2.2. 6.2.3. 6.2.4. 6.2.5. 6.2.6. 6.2.7. 6.2.8.
Képek készítése:........................................................................................................ 43 Irányított megvilágítás: ............................................................................................. 43 Szennyeződés, bevonat (víz, olaj stb.) ...................................................................... 43 Intenzitás vizsgálat: ................................................................................................... 43 A megvilágítás spektruma: ....................................................................................... 44 Egybevágósági transzformációk (forgatás vízszintes síkon): .................................... 44 A digitális kamera és a SIGMA EM-140 DG körvakú hibájának meghatározása ....... 44 A képfelbontás változásának hatása az SFD érték alakulására ................................. 45
6.3. Technikai eszközök ......................................................................................... 45 6.3.1. 6.3.2. 6.3.3. 6.3.4. 6.3.5.
Fotó állvány .............................................................................................................. 45 Canon EOS 30D digitális fényképezőgép .................................................................. 45 Canon EF-S 18-55mm optikai lencse......................................................................... 46 SIGMA EM-140 DG körvakú műszaki adatai ............................................................. 47 Képek előkészítése.................................................................................................... 47
6.4. Kiértékelés ..................................................................................................... 48 6.4.1. Program .................................................................................................................... 48 6.4.2. Statisztikai elemzések ............................................................................................... 49 6.4.2.1. Klasszikus statisztikai mérőszámok: .................................................................... 49 6.4.2.2.
Varianciaanalízis .................................................................................................. 50
6.4.2.3.
Hipotézis vizsgálatok: .......................................................................................... 50
6.4.2.4.
SynTax-statisztikai analízis program ................................................................... 50
7. Eredmények .............................................................................................. 52 7.1. Az SFD alkalmazhatóságának technikai feltétel vizsgálata: ............................... 52
7.1.1. Irányított megvilágítás: ............................................................................................. 52 7.1.2. Szennyeződés, bevonat (víz, olaj stb.) ...................................................................... 53 7.1.3. Intenzitás vizsgálat: ................................................................................................... 53 7.1.3.1. Természetes megvilágítás ................................................................................... 53 7.1.3.2. 7.1.4. 7.1.5. 7.1.6. 7.1.7. 7.1.8. 7.1.9.
Mesterséges megvilágítás: .................................................................................. 54
A megvilágítás spektruma......................................................................................... 56 Egybevágósági transzformációk (forgatás): .............................................................. 56 A digitális kamera és a SIGMA EM-140 DG körvakú hibájának meghatározása ....... 58 A képfelbontás változásának hatása az SFD érték alakulására ................................. 58 A felvételezés technikai körülményeinek vizsgálati eredményei ............................. 59 Standard körülmények leírása .................................................................................. 61
8.2. Burgonyagumó vizsgálatok eredményeinek értékelése .................................... 62 8.2.1. Varianciaanalízisek .................................................................................................... 64 8.2.1.1. Egytényezős variancia analízis: ........................................................................... 64 8.2.1.2. 8.2.2. 8.2.3. 8.2.4. 8.2.5. 8.2.6.
Kéttényezős varianciaanalízis, ismétlésekkel ...................................................... 65
Fajtán belüli minősítés .............................................................................................. 72 Fajták SFD értéke ...................................................................................................... 72 Fajták évenkénti vizsgálata ....................................................................................... 74 Klaszter-analízis ........................................................................................................ 83 Ordináció – Főkomponens analízis ........................................................................... 85
8.3. A burgonyanemesítés informatikai rendszere .................................................. 92 8.3.1.
A KeSoTu program felépítése ................................................................................... 94
9. Összefoglalás .......................................................................................... 102 10. TÉ Z I S E K ............................................................................................... 107 11. Theses ..................................................................................................... 108 12. Thesen .................................................................................................... 109 13. Köszönetnyilvánítás ................................................................................ 110 14. Irodalom Jegyzék .................................................................................... 112 15. Mellékletek ............................................................................................. 125 16.1. Táblázatok .................................................................................................... 125 16.1.1. 16.1.2.
Táblázat 15: Homogén felületű síklap forgatása függőleges tengely mentén: ....... 125 Táblázat 16: Inhomogén felületű tükröződő síklap forgatása függőleges tengely mentén: 126 16.1.3. Táblázat 17 Megvilágítás intenzitásának hatása az SFD értékére természetes fényviszonyok esetén ............................................................................................................................... 127 16.1.4. Táblázat 18 Megvilágítás intenzitásának hatása az SFD értékére mesterséges fényviszonyok esetén ............................................................................................................................... 128 16.1.5. Táblázat 19 Megvilágítás spektrumának hatása az SFD értékére .......................... 129 16.1.6. Táblázat 20 A felvételezés vízszintes síkon történő elforgatás szögének hatása keszthelyi burgonyafajták SFD átlag értékeire (a szórás érték feltüntetésével) ...................................... 130 16.1.7. Táblázat 21 Canon EOS 30D és Sigma EM-140 DG körvakú hiba mérés adatai ...... 131 16.1.8. táblázat 22 Összefoglaló táblázat ........................................................................... 132 16.1.9. táblázat 23 Képek kódolása .................................................................................... 133 16.1.10. 28. ábra KeSoTu adatbázis relációs modellje – Fajta és tulajdonságai kapcsolata . 134 16.1.11. 29. ábra KeSoTu adatbázis relációs modellje – Nemesítési napló ......................... 135 16.1.12. Főkomponens analízis scattergarmjai 2009 tavaszi időszakra ............................... 136
17.
Elektronikus melléklet .................................................................................. 142
17.1. Felvételezések: ............................................................................................. 142 17.2. Mérés adatok táblázatai: .............................................................................. 143 17.2.1. 17.2.2. 17.2.3. 17.2.4.
Kiértékelés\ Fajtavizsgálat\200711 (2007 ősz): ...................................................... 143 Kiértékelés\Fajtavizsgálat\200802 (2008 tavasz): .................................................. 143 Kiértékelés\ Fajtavizsgálat\200811 (2008 ősz): ...................................................... 143 Kiértékelés\ Fajtavizsgálat\200902 (2009 tavasz): ................................................. 143
17.3. KeSoTu program ........................................................................................... 144 17.4. Matlab program ........................................................................................... 144 17.5. SQL adatbázis ............................................................................................... 144 17.6. Disszertáció .................................................................................................. 144 18.
Függelék ....................................................................................................... 145
18.1. Canon 30D .................................................................................................... 145 18.2. Canon EF-S 18-55mm f/3.5-5.6 IS .................................................................. 148
19. Végjegyzet .............................................................................................. 149
Mottó: „Sem témád fontossága, sem műszereid teljesítménye, sem tudásod nagysága, sem terveid pontossága nem pótolhatják gondolataid eredetiségét és megfigyeléseid élességét‖ Dr. Selye János orvos-kutató
11.. K KIIVVOONNAATT A disszertáció témája kidolgozni egy, a burgonyagumó egyes állapotairól készült digitális képek analízisén alapuló objektív értékeket adó,
olyan
minősítési
rendszert,
amely
vagy
a
burgonyafajták
elkülönítését, vagy a fajtán belüli minőségi különbségeket képes viszonylag egyszerűen és gazdaságosan kimutatni. Célul tűztem ki annak megállapítását, hogy a burgonyagumókról készült képek Spektrális Fraktál Dimenzió (SFD) értéke alkalmazható-e, és
mely
körülmények
között
a
gumók
különböző
állapotainak
jellemzésére. El kívántam dönteni, hogy az SFD érték alkalmas e a burgonyagumók kiválasztott tulajdonságai alapján az egyes fajták elkülönítésére, s ha igen, mely állapot, vagy állapotok határozzák meg ezt az elkülöníthetőséget? A dolgozat további célja volt, egy olyan korszerű
számítógépes
információs
rendszer
létrehozása,
amely
egyszerre alkalmas a nemesítési- és az ehhez kapcsolódó kísérleti adatok tárolására és komplex elemzésére is. Vizsgálataimat a Pannon Egyetem Burgonyakutatási Központ 11 fajtáján és két Holland fajtán végeztem. Az egyes fajták 4 féle gumótulajdonságát vizsgáltam (héjszín, nyers hússzín, főtt hússzín, 24 órás nyers hússzürkülés) 10-szeres ismétlésben, összességében 2080 db 24 bites (RGB) digitális, JPG képformátumú, 2544*1696 felbontású fénykép elemzésével. A fenti célkitűzések megvalósításához egy számítógépes programot készítettem, amely képes a gumók 4 állapotáról készített képek SFD értékének meghatározására és kiértékelésére az RGB szintérben, s annak minden alterében (R, G, B). A kísérletek megelőző vizsgálatok eredményei azt mutatták, hogy amennyiben
a
burgonyanemesítési
kutatásokban
fel
szeretnénk
használni az SFD értéket, akkor a képeket állandó, jól meghatározott, standardizált felvételezési körülmények között kell elkészítenünk. 7
A standard körülmények között készített képek SFD adatainak párosított
t-próbával
és
főkomponens
analízissel,
valamint
nem-
hierarchikus klaszter analízissel történő elemzése — a különböző tulajdonságok és a színterek eredményeinek variációjával — azonos évjáraton belül igen, de különböző évjáratok között — függetlenül a vizsgált tulajdonságtól, és a vizsgált színtértől — nem tette lehetővé a vizsgált fajták elkülönítését. Az esetek nagy részében a különböző évek az azonos fajtán belül is különbséget mutattak. Ennek alapján azt a következtetést
vontam
le,
hogy
a
fajták
azonosítását
nem
egy
meghatározott SFD értékhez, hanem az adott év ismert SFD értékű kontrolljához kell viszonyítani. A több időszakra vonatkozó gyakorisági értékek
alkalmazásával
megállapítottam
a
fajták
páronkénti
elkülöníthetőségének várható mértékét is. A statisztikai elemzések eredményei alapján a tulajdonságok fajtán belüli minősítésére az SFD nem alkalmas. Ennek oka, hogy a 13 fajtából 12 esetben a minimum és maximum értékek relatív eltérései nagyságrenddel nagyobbak voltak,
mint a legkisebb szignifikáns
értékhez tartozó relatív eltérés. Ez azt jelenti, hogy az egyes fajták várható értékei és azok szórása által meghatározott intervallumok átfedik egymást, és így nem lehet egyértelműen minőségi értékhatárokat meghatározni. Az eredmények alapján kijelenthető, hogy a burgonyagumók egyes állapotairól készült digitális fényképek SFD értékeit alapul vevő módszer —
a
jelenlegi
technológiai
színvonalon
—
a
gyakorlatban
csak
korlátozottan alkalmazható a fajták, nemesítési vonalak jellemzésére. A kapott eredmények a kutatói munkában azonban már jelenleg is jól hasznosíthatók. A módszert célszerű tovább fejleszteni, pl. a képek látható hullámhosszon túli tartományokban (UV és közeli infravörös) való kiértékelésével. A dolgozat második fontos célkitűzése egy speciálisan a keszthelyi burgonyanemesítési program számára kidolgozott a kísérleti adatokat nyilvántartó,
-lekérdező,
elemzések 8
végrehajtására
alkalmas
számítógépes nyilvántartó program létrehozása volt. A keretprogram elkészült, melynek alapját egy relációs
adatmodell és adatbázis
létrehozása jelentette. A több évre visszamenő nemesítési naplók adatainak rögzítése után a program kiválóan alkalmazható pl. az optimális keresztezési kombinációk kiválasztásához, az egyes szülői vonalak
bizonyos
tulajdonságokat
örökítő
képességének
meghatározásához, a teljesítménykísérletek kiértékeléséhez.
9
22.. A ABBSSTTRRAACCTT The topic of the dissertation involves working out a qualifying system for potato improvement based on the fractal analysis of digital photos, which is capable of separating potato varieties or identifying qualitative differences in a relatively simple and economic way. The goal of the research project was to investigate whether Spectral Fractal Dimension (SFD) value of digital images is applicable to describe various quality characters of potato tubers and whether SFD values could be used for the identification of certain varieties – if so, which conditions were the most important to enable this process. The additional goal of the dissertation is to develop such an up-to-date computational information system which is suitable for both storing data of sublimation and experimental data as well as its overall analyzing. Considering the above aims, we developed an evaluation computer program which determines the SFD values of the 4 conditions of potato tubers: skin colour; raw flesh-colour; boiled flesh-colour; graying of flesh-colour after 24 hours in RGB spectrum and in all of its sub-spectrums (R, G, B). In total 2080 digital images (RGB 24 bit, JPEG image, resolution 2544*1696 pixel) of 13 varieties from 4 examining period were analyzed. Based on our results in general we can state that SFD analysis can be used in potato breeding only when digital images were made under well-determined, standardized conditions. Detailed
statistical
analysis
(hypothesis
tests,
principal
component analysis and non-hierarchic cluster analysis) showed that SFD was not suitable for qualifying of the examined tuber characters within a genotype. In most cases when deviations were analyzed between different years in case of the same genotype, it became evident, that significant deviations exists within the same genotypes as well. 10
We could conclude that the identification of genotypes should be related not to one particular SFD value, but to the control of the given year with the known value. When analyzing the differences between certain genotypes on yearly basis, it can be stated that – irrespective of characteristics or the studied spectrum – there is not one case where the separation of genotypes would completely be realized significantly. There are genotypes, however, which can be separated 100%, though the genotypes and their characteristics changed every year. It cannot be stated
either
that
by
combination
of
the
values
of
different
characteristics and spectrums, separation is not possible. We used nonhierarchic cluster analysis to solve this problem. As a result of the method, the separation of genotypes was successful every year, so by summarizing the joint RGB SFD value of 4 characters with the values of another spectrum the separation will be complete. The frame of computational information system was made, the base of it created a relation database model and database. Thus, it can be stated that the aim can be realized but practical applicability requires further examination, while current results of the presented study can be utilized on research level successfully. The second important aim of this thesis is to create a registering computer program that is suitable for registering the experiments and carrying
out
the
analysis
of
experiments
specifically
for
the
improvement of potato breeding program in Keszthely. The frameprogram has been made, the basis of which is the creation of a relational model and database. After recording the data of diaries for several years the program can be used to select the optimal combinations of cross-fertilization, for specification of genetic abilities of parental lines and for the analysis of experiments.
11
33.. A AUUSSZZUUGG Das Thema der Dissertation ist es, ein Qualifikationssystem über die einzelnen Zustände des Kartoffelknollens auszuarbeiten, welches auf der Analyse von digitalen Bildern basiert und objektive Werte
ergibt.
Das
System
soll
entweder
die
Absonderung
der
Kartoffelsorten oder die qualitativen Unterschiede innerhalb der Sorten verhältnismäßig einfach und ökonomisch nachweisen. Ich hatte die Zielsetzung festzustellen, ob der Wert der spektralen,
fraktalen
Dimension
(SFD)
der
Fotos
über
die
Kartoffelknollen und unter welchen Zuständen zur Charakterisierung der verschiedenen Zustände der Kartoffelknollen zu verwenden ist. Ich wollte entscheiden, ob der SFD-Wert aufgrund der ausgewählten Eigenschaften der Kartoffelknollen zur Absonderung der einzelnen Sorten geeignet ist und wenn ja, welcher Zustand oder welche Zustände diese Absonderung bestimmen. Das andere Ziel der Arbeit war es, ein modernes
Computerinformationssystem
zustande
zu
bringen,
die
sowohl die Veredlungsdaten als auch die sich daran knüpfenden Versuchsdaten speichern und komplex analysieren kann.
Ich nahm meine Versuche an 11 Sorten des Zentrums für Kartoffelnforschung der Pannon Universität und an zwei holländischen Sorten vor. Ich untersuchte 4 Zustände der Knolleneigenschaft der einzelnen
Sorten
(Schalenfarbe,
rohe
Fleischfarbe,
gekochte
Fleischfarbe, Grauwerden von rohem Fleisch in 24 Stunden) zehnmal wiederholt, insgesamt wurden 2080
Stück 2544 x 1696 auflösende
Fotos von 24 Bit (RGB) digital , Bildformat JPG analysiert. Zur Verwirklichung der obigen Zielsetzungen verfertigte ich ein Computerprogramm, das für die Bestimmung und Auswertung der Fotos über die 4 Zustände der Knollen im RGB Farbtongebiet in allen seiner Untergebiete geeignet ist (R,G,B) . 12
Die Ergebnisse der vorherigen Untersuchungen der Versuche zeigten ,falls wir bei den Kartoffelveredlungsforschungen den SFD-Wert verwenden wollen, dann sind die Fotos unter konstanten, gut bestimmten, standardisierten Fassungsaufnahmen zu machen. Die Analyse der unter standardisierten Umständen gefertigten Fotos,
gepaart
mit
SFD-Daten
Hauptkomponentanalyse, Klasteranalyse
–
mit
sowie den
mit
durch
Variationen
von
t-Probe
und
nichthierarchische Ergebnissen
der
verschiedenen Eigenschaften und Farbtöne – im gleichen Jahrgang war die Absonderung der kontrollierten Sorten möglich , aber zwischen verschiedenen
Jahrgängen
–
unabhängig
von
der
kontrollierten
Eigenschaft und des untersuchten Farbtones wurde die Absonderung der kontrollierten Sorten nicht ermöglicht. Im großen Teil der Fälle zeigten auch die gleichen Sorten in den verschiedenen Jahren Unterschiede. Dadurch konnte ich die Schlussfolgerung ziehen, dass die Gleichsetzung der Sorten nicht mit einem bestimmten SFD-Wert, sondern mit der Kontrolle des gekannten SFD-Wertes des gegebenen Jahres zu vergleichen ist. Ich stellte durch die Verwendung der Häufigkeitswerte für die anderen Perioden das zu erwartende Maß der Absonderung der Sorten paarweise fest. Auf Grund der Ergebnisse der statistischen Analyse ist die SFD für die Qualifizierung der Eigenschaften innerhalb der Sorten nicht geeignet. Es liegt daran, dass die relativen Abweichungen der Minimumund Maximum Werte in 12 Fällen von 13 Sorten nach Größenordnung größer sind, als die zum geringsten signifikanten Wert gehörende relative Abweichung. Das bedeutet, dass die zu erwartenden Werte der einzelnen Sorten und durch deren Streuung bestimmte Intervalle einander überdecken, so sind qualitative Wertgrenzen nicht eindeutig zu bestimmen.
13
Auf Grund der Ergebnisse ist es festzustellen, dass die Methode, die die SFD-Werte über die einzelnen Zustände der Kartoffelknollen gefertigten digitalen Fotos zur Grunde legte, - auf dem gegenwärtigen technischen Niveau – in der Praxis nur begrenzt zur Charakterisierung der Sorten und Veredlungslinien zu verwenden ist. Die
Ergebnisse
sind
aber
auch
gegenwärtig
in
der
Forschungsarbeit gut verwendbar. Es ist zweckmäßig, die Methode weiterzuentwickeln, z.B. durch Auswertung der Fotos in Bereichen über sehbaren Wellengängen (UV und nähere Infrarot) Die
zweite
wichtige
Zielsetzung
der
Arbeit
war
das
Zustandebringen eines Registrationsprogrammes per Computer, das speziell für das Keszthelyer Kartoffelveredlungsprogramm geeignet ist, in dem die Forschungsdaten registriert und abzurufen, ferner zur Durchführung von Analysen geeignet sind. Das Rahmenprogramm wurde angefertigt, dessen Grundlage das Zustandebringen
eines
Relationsmodelles
und
einer
Datenbank
bedeutete. Nach der Registration der Daten der Veredlungstagebücher von mehreren vergangenen Jahren ist das Programm ausgezeichnet zu verwenden
z.B.
zur
Auswahl
von
optimalen
hybridisierten
Kombinationen , zur Bestimmung der zu vererbenden Fähigkeiten bestimmter
Eigenschaften
von
den
einzelnen
Bewertung von Leistungsversuchen.
14
Elternlinien
,
zur
44.. B BEEVVEEZZEETTÉÉSS A burgonya az egész világon, így Magyarországon is fontos szerepet tölt be a humán táplálkozásban. A szántóföldi növények közül a
harmadik
fogyasztása
legfontosabb
élelmiszernövény.
Magyarországon
kb.
Egy
60 kg.
főre
Ennek
jutó
éves
ellenére
a
burgonyaágazat napjainkban komoly problémákkal küzd. Ennek az állapotnak egyik jellemző adata az elmúlt évek alacsony termésátlaga (KSH 2003-2007: 20,8 t/ha) – amely mintegy fele a fejlett országokénak. Ehhez
járul
a
vetésterület
nagyságának
folyamatos
csökkenése
(KSH 2003-2007: 21,5 %). Az ágazat minőségbiztosítása – különösen az étkezési burgonyatermesztés és forgalmazás terén szintén sok kívánni valót hagy maga után. A jó minőségű étkezési burgonya előállításának alapja
a
kiváló
A magyarországi
fajta
és
a
minőségi
burgonyatermesztés
vetőburgonya
jelenleg
használata.
mintegy
80%-ban
külföldi, a hazai ökológiai viszonyokat kevésbé tűrő, betegségekre fogékony
fajták
termesztésén
alapul.
A
hazai
nemesítésű,
jó
alkalmazkodó képességű, rezisztens fajták részaránya alig éri el a 20 %-ot. Ha ehhez még hozzávesszük, hogy a termőterület több mint 50%-ára 3 éves vagy annál idősebb, az esetek többségében nem fémzárolt, gyenge minőségű „vetőburgonyát‖ ültetnek a termelők, úgy érthető az alacsony termelési színvonal (POLGÁR, 2008)[24.]. A Keszthelyen működő Burgonyakutatási Központ öt évtizede folytat egy az új fajtáktól elvárt minőségi és rezisztens tulajdonságok szigorú szelekcióján alapuló komplex nemesítési programot. Az itt előállított fajták közös jellemzője, hogy kiváló minőségük mellett olyan összetett
rezisztens
tulajdonságokkal
rendelkeznek,
különféle
kórokozókkal, kártevőkkel, élettani stresszekkel szemben, amelyek kiemelkedő gazdasági előnyt jelentenek a termesztők számára. Minden nemesítői munka egyik alappillére a nemesítési vonalak, genotípusok tulajdonságainak megbízható minősítése, később pedig a fajtajelöltek,
fajták
egyértelmű 15
azonosíthatóságának,
megkülönböztethetőségének követelménye
biztosítása.
minden
Ez
új fajta
utóbbi
elengedhetetlen
elismerésének,
illetve
szabadalmaztathatóságának. A jelenlegi nemesítői gyakorlat különösen a gumók minőségi jellemzőinek meghatározására legtöbbször kényszerűségből a viszonylag szubjektív,
a
bírálatot
végző
személyek
megítélésén,
viszonyítási
skálákhoz való hasonlításán alapuló bírálatokat, illetve szelekciót alkalmaz. Ez magas fokú szakmai ismereteket, sok éves tapasztalatot feltételez, ugyanakkor - éppen a szubjektivitásból adódóan – e módszer nem ad objektív értékeket. Ezért nagy jelentősége lenne egy objektív, a gumóminőség legalább egyes jellemzőinek meghatározására alkalmas mérési technika kidolgozásának és alkalmazásának. Az új fajták elismerésének folyamatában a fajtaleírás kereteit nemzetközi jogszabályok (UPOV1, 2004) [53.], szabványok (TG/23/62) és standard vizsgálatok (DUS) (UPOV, 2002; KEMPELEN, 2009; OMMI, 2009) [54.; 55.; 56.] írják elő. Egy új fajtának, illetve tulajdonságainak megkülönböztethetőnek (D), egyöntetűnek (U) és állandónak (S) kell lennie. A fenti kívánalmakat biztosító fajtaleíró vizsgálatok nem egy eleme nagy költségigényű, és hasonlóan a nemesítésben használt leíró módszertanhoz
szubjektív
elemeket
is
tartalmaz.
Mivel
ezek
a
szabványok nyitottak, így lehetőség van újabb – és egyúttal olcsóbb - a fajtaazonosításra, minősítésre a korábbiaknál alkalmasabb, objektívebb módszerek kidolgozására bevezetésére. A témára vonatkozó irodalmi adatok áttekintésekor kiderült, hogy a fraktál-analízist, mint képanalízis módszert, csak elvétve alkalmazzák biológiai rendszerek elkülönítésére, minősítésére, miközben nyilvánvaló,
hogy
ezek
a
rendszerek
is
rendelkeznek
fraktál
tulajdonságokkal.
1
2
International Union for the Protection Of new Varieties of plants Test Guide: Potato Guidelines for the conduct of tests for distinctness, uniformity and stability
16
Hazai vonatkozásban egyedi példa erre a BERKE
ET. AL.
(2005)
által, egy európai uniós pályázat keretében (IKTA-00101/2003) végzett munka, ahol egy egységes minősítő és osztályozórendszer (EMOR)[1] kidolgozását tűzték ki célul burgonya fajták minősítésére. Ebben a munkában
a
burgonyagumó
különböző
állapotainak
jellemzésére
készített digitális fényképeknél elsőként alkalmazták a Spektrális Fraktál
Dimenzió
(SFD)
meghatározását.
A
fenti
vizsgálatokban
tapasztaltak arra ösztönöztek, hogy alaposabban szemügyre vegyem az SFD
értékének
alkalmazhatóságát,
felhasználhatóságát
a
illetve
ennek
burgonyanemesítési
az
értéknek
kutatásokban.
a
Például
számos olyan mérési körülményt tapasztalunk, melyek hatottak az SFD értékre. Tisztázni kellett, milyen tényezők, és milyen mértékben befolyásolják
az
SFD
értékét.
Ugyanakkor
a
kutatási
program
eredményei azt jelezték, hogy érdemes további vizsgálatokat folytatni. Minden, így a Keszthelyen folyó nemesítési munka egyik nagyon fontos eleme a kísérleti adatok korszerű, precíz, későbbi elemzésre alkalmas formában való felvételezése és azok tárolása. Mivel miden egyes növényfaj nemesítése, és minden egyes nemesítési program is teljesen egyedi, ezért általánosan alkalmazható módszertan sehol a világon nem került kidolgozásra. A nemesítők többsége mind a mai napig adataik jelentős részét nem digitális formában, hanem nemesítési naplókban
rögzíti,
így
azok
kezelése,
feldolgozása
nehézkes,
hosszadalmas, s nem tudják kihasználni a digitális adatbázisok nyújtotta előnyöket. A
Burgonyakutatási
bekapcsolódása
során
a
Központban fenti
folyó
problémákat
munkákba felismerve
való
doktori
értekezésem témájául két területet választottam: 1. Gumójellemzők objektív mérésén alapuló, olyan minősítési rendszer
kidolgozása,
elkülönítését,
vagy
amely a
vagy
genotípusok
a
burgonyafajták
közötti
minőségi
különbségeket képes viszonylag egyszerűen és gazdaságosan kimutatni a fraktál tulajdonságok kihasználásával. 17
2. A burgonyanemesítés során keletkező mindennemű kísérleti adat felvételezésére, tárolására és elemzésére alkalmas digitális adatbázis kifejlesztése. A fenti tématerületeken belül célul tűztem ki a következőket:
annak megállapítása, hogy alkalmazható-e az SFD érték a burgonyagumó különböző állapotainak jellemzésére,
használható-e kiválasztott
az
SFD
tulajdonságai
érték
a
alapján
burgonyagumók az
egyes
fajták
elkülönítésére, a genotípusok jellemzésére,
ha igen, mely állapot vagy állapotok határozzák meg ezt az elkülönítést,
burgonya nemesítési kutatások komplex adatbázisának létrehozása,
felhasználói igényeket kielégítő lekérdezések elkészítése,
mérési eredmények közvetlen tárolása.
18
55.. IIRROODDAALLM MII Á ÁTTTTE EK KIIN NTTÉ ÉSS 55..11..
B U R G O N Y A O A N U M T U B E R O S U M BU UR RG GO ON NY YA A –– S SO OLLLA AN NU UM MT TU UB BE ER RO OS SU UM M
A termesztett burgonya a burgonyafélék (Solanaceae) családjába tartozó növény, amit keményítőben gazdag gumójáért termesztenek világszerte. Peru és Chile hegyvidékéről származik, az őslakosok már kb. 5000 éve termesztik. Európába először Pizarro expedíciója hozta el az 1530-es években. 1590-ben Caspard Bauhin bázeli botanikus írja le, és nevezi el Solanum Tuberosum Esculentum-nak. A burgonya nagyon sokáig a szegények eledele volt (Spanyolország, Franciaország) és kiemelt
szerepet
játszott
a
katonák
élelmezésében
(1574;
1640
Harmincéves háború). Ennek köszönhetően termesztése Európában fokozatosan terjedt. A 16-17. századtól spanyol, portugál kereskedők közvetítésével a világ szinte minden táján elterjed. Ausztráliába az angolok vitték be a 18. században (KÁDAS, 2008)[14.]. Napjainkra a burgonya a világ legfontosabb termesztett, nem gabonanövénye, több ezer fajtája ismert, és nemesítése világszerte folyik. 5.1.1. A BURGONYA JELLEMZÉSE, JELENTŐSÉGE
Alacsony (50–90 cm) magasra növő, lágyszárú cserje. A föld feletti rész szárcsomóiból nőnek a hajtások és levelek, a föld alattiból a gyökerek és a tarackok. A tarack (sztóló) csúcsának megvastagodásából alakul ki a gumó (ággumó). A burgonyagumó egészséges élelmiszer, mert sok vitamint és ásványi anyagot tartalmaz. Fogyasztani kizárólag a gumóját szabad: a bogyókban,
a
növény
felszíni
zöld
részeiben,
valamint
a
burgonyagumó „szemeiben‖ (rügyeiben) és a napon (fényben) tartott gumó megzöldülő héjában mérgező alkaloidok vannak (szolanin, chaconin).
19
Mindennapos,
Burgonya (nyers, héjas)
élelmiszernövény,
Tápanyagtartalom 100 g-ban
1/3-a
Energia 80 kcal 320 kJ
Szénhidrátok
19 g - Keményítő 15 g
- Rost
2,2 g
Zsír
0,1 g
Fehérje
2g
Víz
75 g
Tiamin (B1-vitamin) 0,08 mg
6%
Riboflavin (B2-vitamin) 0,03 mg 2%
a
emészthető
alapvető
kalóriatartalma
kenyérének. és
más
Könnyen
zöldségekkel
ellentétben jól és sokáig eltartható. Rendkívül
sokféle
módon
elkészíthető. A burgonyának az emberiség élelmezésében betöltött szerepét mi sem jellemzi jobban, minthogy az ENSZ 2005.12.07-i határozata a 2008-as
évet
a
Burgonya
Niacin (B3-vitamin) 1,1 mg
7%
B6-vitamin 0,25 mg
19%
A burgonya több tápanyagot termel,
C-vitamin 20 mg
33%
rövidebb
Kalcium 12 mg
1%
földterületen, mint például a világ
Vas 1,8 mg
14%
élelmezésében nagy szerepet játszó
Magnézium 23 mg
6%
gabonafélék. Az emberi fogyasztásra
Foszfor 57 mg
8%
alkalmas növényi rész
Kálium 421 mg
9%
esetén 85 %, míg gabonaféléknél
Nátrium 6 mg
0%
50 %.
A százalékos értékek az amerikai felnőtt javasolt napi mennyiségre (RDA) vonatkoznak
Nemzetközi
Az
Évévé idő
elmúlt
nyilvánította. alatt,
kisebb
burgonya
10 év
során,
világszinten, a vetésterület évente
2,4%-al, de ezt meghaladóan a termelés évente 4,5%-al nőtt, ami annyit jelent, hogy emelkedtek a termésátlagok is. Észak Amerika és Nyugat Európa 40 t/ha felett van, a Fejlődő országok 20 t/ha alatt termelnek. Magyarországon az átlagosan fogyasztás mintegy 60 kg/fő, ami kicsivel több, mint fele az európai átlagnak. A világ burgonya termelését és fogyasztását, valamint az 1 főre jutó fogyasztását az 1. ábra szemlélteti. 20
1. ÁBRA
Forrás: FAOSTAT (2006)[15.] A
történelmi
Magyarországon
a
burgonya
termesztése
a
XVIII. század második felében a Felvidékről indult el, s mintegy 150 év kellett ahhoz, hogy az egész ország területén népszerű gazdasági növénnyé
váljon.
Például
a
XIX.
század
második
felében
a
burgonyatermesztés nagyobb arányú elterjedése a Nyírségben jelentős lendületet
adott
a
tájkörzet
gazdasági
fejlődésének.
Ennek
következtében Szabolcs-Szatmár-Bereg megyét még ma is a vető és étkezési burgonyatermesztés egyik hazai centrumának tekintjük. Jelenleg
Magyarországon
kb.
25.000 hektáron
folyik
burgonyatermesztés, melyből csak mintegy 300 ha a vetőburgonya. A hazai fajtalistán szereplő fajták száma 67 db, melyek közül 17 magyar (13 keszthelyi) nemesítésű. 5.1.2. A HAZAI BURGONYANEMESÍTÉS:
A eredménye
környezeti
erőforrások
feltárásán
volt, hogy Eszenyi Jenő
alapuló
tájfejlesztés
Tornyospálcai gazdaságában
1919-ben tudományosan megalapozott, átgondolt burgonyanemesítés indult meg. A munka eleinte hazai és külföldi tájfajták kipróbálására, honosítására korlátozódott, de hamarosan beindult a keresztezéses nemesítés is. A burgonyanemesítést 1930-tól Teichmann Vilmos 21
irányította,
aki
1922-től
vett
részt
a
munkában.
Teichmann
munkássága nyomán 1930-ban a Gülbaba, 1933-ban a Margit, 1936-ban
az
Aranyalma
került
minősítésre.
A
Tornyospálcai
uradalomban nemesített fajták közül említést érdemel még az Eszenyi nemes rózsája (1938), a Szeszöntő (1938), a Gondűző (1938) és a Korai sárga (1939). A
II.
világháborút
kutatóállomáson
követően
Kisvárdán
és
a
Barssy
burgonyanemesítés Sarolta
irányításával
két a
Keszthelyhez tartozó Mariettapusztán folytatódott tovább. A nyírségi nemesítői munka legfontosabb eredménye a Kisvárdai rózsa (1955) fajta volt, míg Barssy Sarolta munkájából 4 burgonyafajta került állami minősítésre, illetve széleskörű termesztésre (Somogyi sárga, Somogyi korai, Somogyi sárga kifli és Somogy gyöngye). Napjainkban a Pannon Egyetem keszthelyi Burgonyakutatási Központjában folyik a legeredményesebb nemesítői munka. A Központ jelenleg az ország egyetlen burgonyakutatásra szakosodott intézete, mely a hazai burgonyatermesztés egészét támogató fontos tudományos műhely, az ágazat kutatási háttérintézménye. Fő feladata olyan fajták kinemesítése, melyek a magyarországi ökológiai körülmények között is sikeresen termeszthetők. Olyan fajtáké, melyek termőképessége és minősége
a
burgonyát
károsító
főbb
kórokozókkal
szembeni
rezisztenciájuk révén, a több éven át tartó szántóföldi szaporítás alatt sem
csökken,
ezáltal
gazdaságosan
termeszthetők.
Munkája
eredményeként a Központnak jelenleg 13 minősített fajtája szerepel az EU fajtalistáján. Név szerint: Démon, Balatoni rózsa, Katica, Lorett, Góliát, Rioja, Hópehely, White Lady, Vénusz Gold, Luca XL, Kánkán, Ciklámen és Somogyi sárga kifli. A fajták mindegyike magas termőképességű, kiváló asztali minőségű étkezési burgonya, melyek a Somogyi sárga kifli kivételével, extrém rezisztenciával (immunitással) rendelkeznek a legnagyobb gazdasági kárt okozó burgonya Y (PVY), és a PVA, PVX vírusok fertőzésével szemben. A burgonya levélsodródás vírussal (PLRV) szembeni szántóföldi rezisztenciájuk, hasonlóan a 22
varasodással szembeni ellenállósághoz, ugyancsak magas. A 13 fajta közül 9 fonálféreg és burgonyarák, 2 pedig emellett burgonyavész (fitoftóra) rezisztens is (POLGÁR, 2008) [23.]. 5.1.3. A BURGONYA MINŐSÉGE, MINŐSÍTÉSI RENDSZERE, FAJTAAZONOSÍTÁS
A burgonya minőségét az új fajták előállítása során a nemesítők, azok
állami
minősítése
során
pedig
a
fajtaminősítő
hatóság
(Magyarországon a Mezőgazdasági Szakigazgatási Hivatal, MGSZH) vizsgálja. Egy új burgonyafajta előállítása körülbelül 10-12 évet vesz igénybe. Ez idő alatt a nemesítők a fajtajelöltek számos tulajdonságát kell, hogy egy időben, és több éven át vizsgálják. Legfontosabbak a termőképesség, a tenyészidő, a lombozatot és a gumót károsító kórokozókkal szembeni ellenálló képesség, valamint a felhasználást, étkezési, feldolgozóipari minőséget meghatározó gumómorfológiai és beltartalmi, minőségi jellemzők (pl. keményítő-, glykoalkaloid-, redukáló cukor tartalom, gumó alak, rügymélység, héjszín, héj minőség, gumó hússzín, nyers és főzés utáni elszíneződések, sütési szín, stb.) (BURTON, 1989) [29.] [30.]. Ezen tulajdonságok egy része objektív, műszeres úton mérhető (keményítő-, glykoalkaloid-, redukáló cukor tartalom), míg másik részük általánosan elfogadott standardokhoz, pl. színskálákhoz való szubjektív hasonlításán alapul (MGSZH, 2005) [36.] Jelen kutatási téma esetén olyan tulajdonságok vizsgálatát tűztem ki célul, amelyek egyszerű értékelése jelentős szubjektív tényezővel terhelt, vagy objektív vizsgálatuk komoly, rendkívül költséges műszerezettséget igényel.
Az
ilyen
vizsgálatok,
pl.
a
gumóhéj
és
hús
színének
kategóriákba sorolása, a gumóhús nyers, valamint főzés és sütés utáni színének megállapítása. A nemesítők körében praktikus okokból általánosan elterjedt színskálákhoz való hasonlítás mellett (ZIMNOCHGUZOWSKA
ET.
felhasználási
AL.,
2001) [79.],
célokra
számos
elsősorban vizsgálat,
kutatási,
kísérleti
illetve
eredmény
ipari látott
napvilágot az utóbbi évtizedekben (ISLEIB, 1963) [74.] és különösen az utóbbi néhány évben. THYBO és
VAN DEN
BERG (2001) [76. ] és THYBO
(2004) [78.] főtt burgonya minták gumóhús minősítésére, SHIRONA és 23
RODRIQUEZ-SAONA (2009) [75.] burgonya chips minősítésére alkalmazta a MIR,
illetve
NIR
és
MIR
technológiát.
Az
SFD
érték
burgonyaminősítésben való felhasználásáról azonban mindeddig csak egy irodalmi hivatkozás áll rendelkezésünkre (BERKE ET AL., 2006) [77.]. A Pannon egyetem keszthelyi Burgonya Kutatási Központjában jelenleg használt gumóminőségi/konyhatechnológiai vizsgálatok ehhez képest a hagyományos típusú felvételezéseken, és olyan érzékszervi bírálatokon alapulnak, melyeket a korábbi OMMI3 (mai nevén MGSZH4) fajtaminősítési
vizsgálati
módszertanához
igazítottak.
A
gumóhéj
színének meghatározására 5 kategóriát használnak: halványrózsa, rózsa, sötétrózsa, sárga és lila. A gumóhús színének kategóriái: fehér, halványsárga, sárga és sötét sárga. A gumóhús nyers és főzési elszíneződését 1-5-ig terjedő skálán osztályozzák, ahol az 1-es érték a legnagyobb, az 5-ös érték a legkisebb elszíneződést (legjobb minőséget) jelenti.
A
nyers
exomitokondriális
elszíneződés légzés
részét
biokémiai, képező
fiziológiai
alapját
polifenol-oxidáció
az
jelenti.
Ép sejtekben a fenol-oxidázok sejtorganellumokban (gumókban például a peroxiszómákban), illetve a citoplazmában szabadon, szubsztrátjaik a mono- és difenolok pedig elsősorban a vakuólumban találhatók. Sérüléskor, illetve a membránok átjárhatóságát befolyásoló hatások esetén az enzim és szubsztrátja kapcsolatba léphet egymással, és oxigén jelenlétében lejátszódhat a fenolok oxidációja. A reakciótermékek (kinonok)
aminosavakkal
és
fehérjékkel
kapcsolódva
sötét
színű
komplexet, melanint képeznek (PETHŐ, 1993) [110.]. A szürkefoltosság kialakulását befolyásolja: a gumó mechanikai hatásokkal szembeni ellenállása, a gumó turgora, szöveti szerkezete, a periderma vastagsága, a sejtek és amiloplasztiszok mérete, a membránok integritása, a Ca++ és K+ arány (SKROBACKI et al., 1989 [111.]; CORSINI et al., 1992 [112.]). A főzési színeződést az okozza, hogy a gumóban levő klorogénsav 80°C fölött felszabadul és a vassal szürkésfekete elszíneződést okoz. A klorogénsavnál a citromsav reakcióaffinitása erősebb, a képződött 3 4
Országos Mezőgazdasági Minősítő Intézet Mezőgazdasági Szakigazgatási Hivatal
24
vegyület színtelen, ezért a nagy citromsavtartalom gátolja a főzési színeződést. A kalcium növeli a gumó citromsav-tartalmát (HORVÁTH, 1981)[113.]. A nemesítési vonalak, fajtajelöltek sütési minőségét szintén egy standard színskálához és standard fajtákhoz való viszonyítás alapján értékelik, ahol a skála a leghalványabb színtől halad az egyre sötétebb barna irányába. Az 1-es érték
jelenti a legrosszabb
minőséget
(sötétbarna elszíneződés), míg az 5-ös érték a legjobbat (aranysárga szín). A sütési színeződés biokémiai magyarázatát a Maillard-reakció adja. Kialakulását legnagyobb mértékben a gumóban levő redukáló cukrok mennyisége határozza meg. A redukáló cukrok sütéskor a burgonya
pirosodását,
vagy
barnulását
eredményezik.
Bőséges
K ellátással és tökéletes beéréssel a redukáló cukortartalom – és ezáltal a sütési színeződés –kedvezően befolyásolható (HORVÁTH, 1981) [113.]. Az utóbbi évek kutatásai alapján (Roe et al., 1990 [114.]; BRIERLEY és COBB,
1996
[115.])
kialakításában szakaszában
feltételezhető,
különösen a
szabad
a
tárolási
hogy
a
időszak
aminosavaknak
is
sütési középső
jelentős
színeződés és
szerepe
végső van.
Ezt alátámasztja az, hogy számos esetben 10 °C-os tárolás mellett, a tárolás jelzett időszakában a sütési színeződés alakulása nem volt összefüggésbe hozható a redukáló cukortartalom változásával, de jól korrelált a megnövekedett szabad aminosav szinttel. Ezzel kapcsolatban említést érdemel, hogy re-kondicionálással csak a redukáló cukrok mennyiségét lehet csökkenteni, a szabad aminosavak mennyisége közben nem változik. Könnyen belátható, hogy nagytömegű vizsgálat (sok vonal), több napon át tartó felvételezés esetén még tapasztalt szakemberek számára is komoly kihívást jelent a bírálati módszertan következetes és konstans alkalmazása. A
termesztési,
kereskedelmi,
feldolgozási
szempontok
megkövetelik, hogy mindig pontosan tudjuk milyen fajtával dolgozunk. A
felhasználó
szempontjából
lényeges 25
burgonyajellemzőket,
mint
például a főzési tulajdonságokat, ízt, tárolhatóságot stb., alapvetően a genotípus határozza meg. A kereskedelemben a fajta neve orientálhatja a vásárlót; ha megkedvelt egy fajtát, igyekszik legközelebb is azt vásárolni. Sajnos napjaink kereskedelmi gyakorlatában nem tüntetik fel a csomagoláson a fajta nevét. Az egyes fajták eltérő piaci értéke és egyedi ára azonban gyakran tudatos ferdítésekhez vezet. Egy az osztrák Mezőgazdasági Minisztérium által készített felmérésben azt találták, hogy 343 megvizsgált burgonya mintából 32 % hibásan volt deklarálva, 20 % pedig fajtakeverék volt. A fajtakeverékek mennyisége az összes tételen belül a tárolási idő előrehaladtával rendszerint növekedett (MAIER és WAGNER,1981)[81.]. A fajták azonosítására sokféle módszert dolgoztak ki az elmúlt évtizedekben:
Hagyományos morfológiai jellemzés: A módszer a növény habitusa, a virág, levél, gumó, rügy, fényhajtás formája, színe, alakja stb. alapján írja le az adott fajtát. A módszer az azonosítás szempontjából magában hordozza azt a hibalehetőséget, amely a környezeti
hatásokból
és
a
megfigyelés
szubjektivitásából
adódhat. Ráadásul ezek a jellemzők nem egyszerre állnak rendelkezésre
a
megfigyeléshez
egy
adott
időpontban
és
megítélésük nagy gyakorlati tapasztalatot igényel (DOUCHES és LUDLAM, 1991)[82.]. Továbbá a morfológiai markerek a korai szelekcióhoz nem elég informatívak, emellett egyes jellegek egymással erősen korrelálnak, tehát fölös variációkat képviselnek (BONJEAN ET AL., 1994)[83.].
Biokémiai módszerek: Biokémiai módszerek alkalmazásakor, a kivonat (fehérje vagy DNS) megfelelő elkészítése és tárolása (-20 °C alatt) esetén, a minta alapján hónapok, esetenként évek múltán
is
reprodukálható
és
objektív
fajtaazonosítást
végezhetünk (DOUCHES és LUDLAM, 1991)[82.]. o Fehérje polimorfizmusokon alapuló vizsgálatok: Burgonyánál a gumó raktározott fehérjéinek és különböző izoenzimjeinek 26
elektroforetikus egy-egy
spektruma
fajta
megbízhatóan
elkülönítésére.
használható
A fehérjespektrumok
fajtaazonosításban való alkalmazhatóságát, a mintázatok több hónapig fennálló stabilitását és vírusfertőzésektől, ökológiai tényezőktől való nagymértékű függetlenségét több szerző is igazolta munkája során (LOESCHCKE és STEGEMANN, 1966 [84.]; DESBOROUGH és PELOQUIN, 1968 [85.]; MAIER és WAGNER, 1981 [86.]). A kutatók az idők folyamán — a technikai fejlődést követve — többféle fehérje-elválasztási technikát
alkalmaztak:
1962)[87.];
papír
1966)[88.];
poliakrilamid
majd
papír-elektroforézis
(LABIB,
agar-gélelektroforézis
(ZWARTZ,
(PAGE)
gélek
(STEGEMANN
és
LOESCHCKE, 1976 [89.]; STEGEMANN és SCHNICK, 1985 [90.]). A raktározott fehérjék között, illetve a fajtaazonosításban kiemelt szerepe van a patatinnak. A patatint a burgonya fajtájától függően, haploid genomonként 10-18 génből álló géncsalád kódolja (PRAT
ET AL.,
1990)[91.]. A burgonyagumó
oldható fehérjéinek kb. 40 %-át teszi ki a patatinnak nevezett glikoproteinek családja (PARK
ET AL.,
1983)[92.].
A patatin glükóz-amin és galaktóz-amin tartalma, illetve ezek pozitív töltése befolyásolja e proteincsaládba tartozó polipeptidek elektroforetikus mobilitását (SONNEWALD
ET AL.
1989 a[93.], b[94.]). o Izoenzim polimorfizmusokon alapuló vizsgálatok: Számos szerző foglalkozott az izoenzimek kutatásával és feltárták, hogy több izoenzim együttes vizsgálatával is lehet a burgonya
fajtákat
azonosítani
(almasav
dehidrogenáz,
glükóz-6-foszfát-dehidrogenáz, izocitrát dehidrogenáz, savas foszfatáz, sikiminsav dehidrogenáz, foszfoglükóz izomeráz, diaforáz peroxidázt,
alkohol dehidrogenáz,
foszfo-
glükomutáz, glutamát-oxálacetát transzamináz, triózfoszfát izomeráz, észterázt) (MARTINEZ-ZAPATER és OLIVER, 1984 [95.]; OLIVER és MARTINEZ-ZAPATER, 1985 [96.]; QUIROS és 27
MCHALE, 1985[97.]). A fajtára jellemző egyedi mintázatok (ujjlenyomatok) segítségével — néhány mutáció kivételével — valamennyi keresztezéssel előállított fajtát és vonalat meg tudták különböztetni (DOUCHES és LUDLAM, 1991 [98.]). Az izoenzim
markerek
következőket:
előnyeiként
co-domináns
lehet
említeni
allélexpresszió,
a
nincs
episztatikus kölcsönhatás, a környezeti tényezők hatására ritkán változnak meg, a különböző lókuszok alléljai jól megkülönböztethetők,
az
allélikus
különbségek
elektroforetikus mobilitásbeli különbségként detektálhatók, egyszerűen, gyorsan és olcsón vizsgálhatók (HAJÓS-NOVÁK, 1999)[99.].
A
alkalmazásának
fehérjehatárt
és
szab
izoenzim-vizsgálatok az
ezen
markereknél
tapasztalható viszonylag alacsony szintű polimorfizmus és az, hogy velük a DNS nem kódoló régiójában bekövetkező mutációs események nem detektálhatók (BONJEAN
ET AL.,
1994 [100.]; HAJÓS-NOVÁK, 1999)[99.]. o DNS szintű vizsgálatok: A DNS-módszerek a fehérje-, izoenzim-technikákhoz
viszonyítva
a
meg
lévő
polimorfizmusok részletesebb feltárását biztosítják, ezért genetikailag közel álló, pl.: azonos szülőpártól származó utódok
elkülönítését,
valószínűséggel
egyedi
lehetővé
teszik,
azonosítását továbbá
is
a
nagy
genetikai
ujjlenyomat
(fingerprinting)
képzésén
túl
filogenetikai
analízisre
genetikai
térképezésre
(BONIERBALE
ET AL.,
és
1988 [101.]; GEBHARDT
alkalmasak ET AL.,
is
1989
[102.a]). A hetvenes évek végétől kezdődően kiterjedten alkalmazzák az RFLP-n (Restriction Fragment Length Polymorphism) alapuló markereket a genetikai térképezés és a különböző genotípusok jellemzése céljából (BOTSTEIN ET AL.,
1980 [103.]; POWELL
ET AL.,
1991 [104.]). A PCR
(Polymerase Chain Reaction) technika felfedezését követően gyorsan
elterjedtek
a
különböző 28
PCR-en
alapuló
polimorfizmus-vizsgálati specifikus (PROVAN
módszerek.
PCR-markerek,
ET AL.,
bázispárnyi
mint
1996)[105.]
genetikai
A
pl.
a
mikroszatellitek
segítségével
eltérések
szekvenciamár
is
néhány
kimutathatók,
alkalmazásuknak viszont gátat szab az, hogy faj specifikus primereket és előzetes szekvencia-információkat igényelnek. A RAPD (Randomly Amplified Polymorphic DNA) technika kifejlesztése az 1990-es évek elején (WELSH és MCCLELLAND, 1990 [106.]; WILLIAMS et al., 1990 [107.]) nagy előrelépést hozott a polimorfizmus-vizsgálatok terén, mivel e módszer gyakorlatilag
minden
fajnál
univerzálisan,
tetszőleges
számú primer bevonásával alkalmazható. A RAPD módszert az elmúlt években számos kutatóhelyen alkalmazták többek között fajták, szomatikus hibridek azonosítására (XU
ET AL.,
1993
ET AL.,
[108.];
1996 [34.]),
LEWOSZ, illetve
1996
[109.];
BARONE
burgonya-genotípusok
genetikai
variabilitásának vizsgálatára (ALLAGA et al., 1997) [116..]. Az izoenzim
vizsgálatokhoz
hatékonyak
és
nagyobb
az
képest
megbízhatóak, idő,
költség-,
a
DNS
azonban
sok
felszereltség
technikák esetben igényük,
alkalmazásuk összetettebb feladatot jelent (GEBHARDT ET AL., 1989 [102.b]; DOUCHES ET AL., 1990 [48.]).
55..22..
A B U R G O N Y A N E M E S T É S P R O G R A M N Y V Á N T A R T Á S É S AB BU UR RG GO ON NY YA AN NE EM ME ES SÍÍÍT TÉ ÉS SIII P PR RO OG GR RA AM MN NY YIIILLLV VÁ ÁN NT TA AR RT TÁ ÁS SIII É ÉS S
A A D A T A E M Z É S R E N D S Z E R E AD DA AT TA ALLLE EM MZ ZÉ ÉS SIII R RE EN ND DS SZ ZE ER RE E..
Minden nemesítői munka alapvető eleme a kísérleti adatok standard, állandó módon történő, precíz, elemzésre alkalmas formában való felvételezése és azok tárolása. Azonban mindenegyes növényfaj tulajdonságainak
értékelésénél
más
és
más
szempontokat
kell
figyelembe venni, egymástól eltérő adat felvételezési módszereket kell alkalmazni. Ezen felül az egyes nemesítők is erősen ragaszkodnak az általuk „üdvözítőnek‖ vélt, jól bevált módszerekhez. Így nem véletlen, 29
hogy minden egyes nemesítési program gyakorlatilag teljesen egyedi, s ezért általánosan alkalmazható módszertan sehol a világon nem került kidolgozásra. A nemesítők többsége adataik jelentős részét mind a mai napig nem digitális formában, hanem nemesítési naplókban rögzíti, így azok kezelése, feldolgozása nehézkes, manuális úton történik, s nem tudják kihasználni a digitális adatbázisok nyújtotta előnyöket. Kivételt jelentenek ez alól az olyan multinacionális cégek, akik mára már kifejlesztették saját nemesítési nyilvántartó és értékelő adatbázisaikat, pl. a Holland Agrico, vagy az USA béli Frito Lay cégek. Az ezekhez való hozzáférés, akár még csak az adatstruktúrák megismerése terén is külső nemesítő számára teljességgel lehetetlen. 55..33..
K N A Z S KÉÉÉPPP AAAN NA ALLLÍÍÍZ ZIIIS S
5.3.1. A DIGITÁLIS KÉP DEFINÍCIÓJA
A digitális kép nem más, mint fényerősség értékekből álló kétvagy több dimenziós (színes képek esetén) tömb. A fényerősség függvénye f(x,y), ahol f az (x,y) koordinátájú képpont, azaz a pixel fényessége. A digitális képeken négyféle felbontást értelmezünk: • geometriai felbontás: a képet alkotó pixelek fizikai méretét jelöli, mértékét a hosszegységre jutó képpontok számával szokás megadni (DPI = Dot Per Inch) • radiometriai
felbontás:
a
pixelek
színmélységét
jellemzi,
a színárnyalatok számát tükrözi, szokás bitekben is megadni: pl. 8 bites kép, azaz 256 szín (2. ábra).
30
2. ÁBRA
RGB-színmodell: 3*8 bit • spektrális felbontás: a különböző intenzitási tartományban elkészített
felvételek,
csatorna
vagy
sávszámát
jelenti.
Amennyiben értéke egy, monokróm képről, ha értéke három, színes
képről
(RGB)
beszélünk.
Léteznek
ennél
nagyobb
sávszámot kezelni tudó képalkotó berendezések is: ezek a multispektrális
eszközök;
nagyon
sok
sáv
esetén
a
hyperspektrális eszközök, vagy a manapság megjelenő (néha szintetikusan képzett) ultraspektrális eszközök. Az 2. ábra szemlélteti az elektromágneses spektrum tartományait, melyben felvételeket készíthetünk.
3. ÁBRA
Az elektromágneses spektrum tartományai a forrásenergiák, és a légköri áteresztőképesség feltüntetésével. (Síkhegyi 2001)
31
A következő ábra szemlélteti a mezőgazdaságban leggyakrabban használt úgynevezett optikai hullámhossz-tartományt. Megfigyelhető mennyivel szűkebb ez a tartomány, mint a teljes elektromágneses spektrum. A vizsgálataimhoz, még ennél is szűkebb tartományt használtam, a „látható‖ (0,38-0,72 µm) tartományt.
4. ÁBRA
A mezőgazdaságban legtöbbször használt optikai hullámhossztartomány. (Czimber 2001)
A
digitális
gyakorisági
képek
(hisztogram)
alternatív és
megjelenítésére
szóródási
alkalmasak
(scattergram)
a
diagramok.
A hisztogramok egy sáv egyes cellaértékeinek előfordulási gyakoriságát ábrázolják. A hisztogramok felfoghatók a sáv értékeinek tapasztalati sűrűségfüggvényeként is. A szóródási diagram a három sáv összetartozó cellaértékeinek ábrázolására szolgál, amely három, rendszerint nem független valószínűségi változó által leírt eseménytér sűrűségfelhője.
32
A 1. táblázat – példaként - Katica gumó állapotainak szóródási diagramjait és hisztogramjait mutatja: JPG + scattergram
hisztogram
24 órás szürkülés
főtt gumó
nyers gumó
egész gumó
állapot
1. TÁBLÁZAT
Digitális képek megjelenítési lehetőségei Katica burgonyafajta különböző tulajdonságai esetén
• időbeli (temporális) felbontás: arról ad felvilágosítást, hogy a képek sorozata, milyen időközönként készült, mozgóképek készítésekor
van
jelentősége
(vegetáció
változása
1-2
nap/képkocka; növények növekedése 1-2 óra/képkocka; videó 24-30 képkocka/másodperc; nagyon gyorsan lezajló folyamatok megfigyelése – vízcsepp becsapódása, kolibri szárnymozgása stb. - nagysebességű kamerák 10.000-30.000 képkocka/másodperc) 33
5.3.2. A KÉPFELDOLGOZÁS TUDOMÁNYA
A
digitális
képek
kezelésében
három
szintet
különböztethetünk meg: • digitális képfeldolgozás (digital image processing): itt létrejön a digitális
kép,
illetve
képből
kép
keletkezik,
általában
alacsonyszintű algoritmusok használata következtében. Legjobb példa erre a különböző képszűrések használata. (VÉGH 2006) [37.] (ÁLLÓ
ET AL.,
1989) [42.] (SEVCSIK
ET AL.,
ET AL.,
1982) [43.]
(GÁCSI, 1981) [44.] • digitális
képelemzés
(digital
image
analysis):
itt
a
már
(elő)feldolgozott, szűrt, javított képen olyan algoritmusok futnak le, amelyek raszteresen szervezett, de már nem képi információt eredményeznek (pl. vegetációs index előállítása távérzékelt felvételből) [40.], vízpotenciál érték meghatározása burgonya levélből (ZAKULUK, 2007)[27.], vagy vektoros reprezentációjú elemek kinyerése képekből (pl. élkeresés vektorizálással), esetleg egyéb
képtől
már
függetleníthető
adatok
(pl.
lyukátmérő,
elemhossz) előállítása. • digitális
képértés
(digital
image
understanding):
itt
olyan
algoritmusokat használunk, amelyek révén absztrakt információ állítható elő. Jó példa erre az éldetektálással nyert útszélekből összeállított úthálózat, amely takart részeken is értelmezett, topológiailag korrekt hálózat. (EIZENBERGER, 2007)[70.], (BME, 2004)[71.] 55..44..
FFRRRAAAKKKTTTÁÁÁLLL AAAN N A Z S E K NA ALLLÍÍÍZ ZIIIS SE EK K
A fraktál szóval rendszerint az önhasonló alakzatok közül azokra utalnak, amelyeket egy matematikai formulával le lehet írni, vagy meg lehet alkotni. A különböző felbontások által okozott problémák leírására javasolta Benoit B. Mandelbrot (1975.) [49.] a fraktálok használatát. Az Ő meghatározása szerint minden olyan görbe vagy felszín fraktál, 34
amely
a
felbontástól
függetlenül
többé-kevésbé
ugyanúgy
fest.
Kiterjesztve a definíciót, fraktálnak tekintünk egy önmagához hasonló vagy morfológiai jellemzőkkel bíró objektumot, amely érzéketlen a megfigyelés
léptékére.
A
fraktálokat
két
tulajdonsággal
szokás
jellemezni, önhasonló-, törtdimenziójú objektumok.
5. ÁBRA
Mandelbrot-halmaz
A fraktálokat úgy írhatjuk le: megvizsgáljuk, hogyan változnak különböző
felbontásoknál,
mely
értékkel
jellemezhetjük
az
adott
objektumot egy meghatározott tartományban. Ennek megfelelően egy fraktál dimenziója (D) olyan szám, amely azt jellemzi, hogy a tér két kiválasztott pontja között hogyan nő a távolság, midőn növeljük a felbontást. A D fraktáldimenzió egyik definíciója log (𝐿2 𝐿1) 𝑆2)
𝐷 = log (𝑆1
(1)
Ahol L1 és L2 a térben mért hosszúságok, S1 és S2 pedig a használt mérték nagysága (azaz a felbontás). A fraktálokat felfedezése óta a tudomány számos területén került felhasználásra (orvostudomány, geológia, meteorológia, informatika, csillagászat, anyagtudományok, stb.) (BARNSLEY, 1998 [7.], WOHLBERG AL.,
[38.], 39., MANDELBROT, 1983 [50.], GOKHALE
ET AL.,
ET
1983 [51.]).
A fraktál dimenzió (FD) meghatározására többféle módszert dolgoztak ki (Fractional Brownian motion method, Fourier power spectrum, Relative
35
Differential
Box-Counting
method
(RDBCM)[117.], Morphological
method, Mass fractal, Spectral dimension method). PENTLAND (1984)[4.] megmutatta, hogy a felületek intenzitása valódi
fraktál
tulajdonságokkal
rendelkezik.
Felfedezte,
a
fraktál
függvények jól jellemzik a 3D-s felületeket (göröngyös, granulált, gyűrött). Maradva az élelmiszer feldolgozások területén QUEVEDO
ET AL.
(2002)[5.] leírta többféle élelmiszer felületének fraktál tulajdonságát, így néhány gyümölcsét és zöldségfélét, csokoládét és zselatinba ágyazott granulált
keményítőszemcséket.
U. GONZALES
ET AL.
(2003)[6.]
kenyérmorzsa fraktál szerkezet vizsgálatakor többféle metódus szerinti FD értéket határoz meg, köztük a „Doboz-számláló‖ eljárást (RDBC), melyben megállapítja, jobban leírja a szemcsék finomságát, mint a szemcsék homogenitásának foka. Az RDBC eljárást használta több kutatásában BERKE J. (2004a [2.], 2004b [3.], 2005a [8.], 2006 [9.], Berke et al. 2005b [10.], 2005c [11.], 2002b [31.], 2007 [32.], 2008 [33.], 52.], köztük egy 2003-as európai uniós pályázatban is (BERKE, 2005)[1.], (BERKE
ET AL.,
2006)
[28.], melynek keretében burgonya fajták minősítését kísérelte meg a vizsgált tulajdonságok SFD értékeinek meghatározásával. BERKE J. azonban nem vizsgálta azokat a tényezőket, mely az SFD értékét befolyásolják, befolyásolhatják. HEGEDŰS G. (2007)[13.] részletesen elemzi az SFD értékére ható tényezőket RGB szintérben készített felvételek esetén. Ekkor a kép színterét leíró függvény a következőképpen néz ki: 3
sfd P = 8
ln C 3d 8 k=1 ln C 3 d
d = 2k , 1 ≤ k ≤ 8, k ∈ N
ahol, rögzített d esetén tekintsük a
C3
(2) kocka d élhosszúságú
kockákra való felosztását, legyen e kockák halmaza Cd3
számosságát, hasonlóan
Cd3
legyen
Cd3
36
Cd3
, ahol
elemszáma.
Cd3
jelentse
Megállapítja a függvényről (2): ―A függvény bármilyen – a definícióban specifikált – képhez rendel értéket,
és
nem
feltételezi,
hogy
a
kép
színtere
( P)
hordoz-e
fraktáltulajdonságot. Az esetleges fraktáltulajdonság a függvényértékből sem derül ki, mert az tulajdonképpen 8 lépésben finomítással nyert klasszikus fraktáldimenziók számtani közepe, mely kapott még egy 3-as szorzót
a
hármas
fraktálszerkezetű
P
színbontás
miatt.
Az
viszont
igaz,
hogy
esetén fraktáldimenzióval arányos értéket szolgáltat,
egyébként meg egy telítettségre jellemző mutatót ad.‖ A függvény értékét befolyásoló tényezőkről megállapítja: „Az eredmények alapján kiderült, hogy nincs univerzális SFD mérés, hanem egyes tárgytípusokhoz kell definiálni mérési eljárást, melynek szigorú környezet és metódus adatokat is kell tartalmaznia a számítási algoritmuson túl. Természetesen minden ilyen definícióhoz meg kell adni azt, hogy bizonyítottan milyen hibával érvényes a mérés.‖ E
cikkben
megfogalmazott
eredmények
alátámasztására
- közösen e dolgozat Szerzőjével - vizsgálatot folytattunk le. A részletes vizsgálat részét képezi a dolgozatomnak. A vizsgálatok eredménye (CSÁK ET AL.,
2008)[12.] igazolta HEGEDŰS G. állításait.
55..55..
K N A Z S D N Á C Ó KLLLAAASSSZZZTTTEEERRR AAAN NA ALLLÍÍÍZ ZIIIS S,, O ORRRD DIIIN NÁ ÁC CIIIÓ Ó
A matematikai statisztika a maga módszereivel fontos eszköze a bonyolult, sok változóval leírt rendszerek áttekintésének, így a mérési adatok
tömegében
rejlő
összefüggések
feltárásának,
az
adatok
rendezésének, csoportosításának. Célja a sokaság megismerése, a sokaságot jellemző tulajdonságok meghatározása. Ilyen statisztikai eljárás a klaszter-analízis [16.] is. „A cluster angol kifejezés, és sokféle jelentéssel bír (köteg, nyaláb, csomó, csomag, csoport), a statisztikában leginkább a „csoport‖ jelentést használjuk.‖(DÉVÉNYI et al., 1988)[21.]. A klaszter-analízis feladata, az, hogy a különböző objektumokat azok hasonlóságai és közös tulajdonságai alapján csoportosítsa. Lényegében 37
egy olyan dimenziócsökkentő eljárás, amellyel adathalmazokat tudunk homogén csoportokba sorolni, klasszifikálni. Ezeket a csoportokat nevezzük klasztereknek. Az egyes klasztereken belüli adatok valamilyen dimenzió szerint hasonlítanak egymáshoz, és e dimenzió mentén különböznek a többi klaszter elemeitől. A
csoportosítás
alapját
valamilyen
távolság-
vagy
hasonlóságmértékek képezik. Ha n pontunk van, akkor a közöttük minden lehetséges párosításban kiszámított távolságok egy újabb mátrixba, a Dj,k távolságmátrixba írhatók be. A szakirodalom rendkívül sokféle távolságmérési eljárást-metrikát, dj,k függvényt ismer. Az így felírt adatok egy metrikus térben helyezkednek el. A metrikák egyik „erősebb‖5
csoportját
alkotják
az
euklidészi
távolságon6
alapuló
eljárások, és az ilyen módon számított távolságok az euklidészi térben helyezkednek el. A mérési adataink mátrixát kiindulásképpen mindig egy euklidészi térben ábrázolható pontsereg koordinátáiként fogjuk fel. Eredményeinket
-
szórásdiagramjaira
s
itt
elsősorban
gondolunk
-
is
az
ordinációs
euklidészi
térben
módszerek ábrázoljuk
(általában a papír síkjában). A többváltozós módszerek (osztályozó módszerek, ordinációs eljárások) jelentős része feltételezi, hogy a pontok euklidészi, de legalább metrikus térben helyezkednek el. Emiatt tisztában kell lennünk azzal, hogy egy adott távolság-, különbözőségi(djk) vagy hasonlósági (sjk = 1-djk) függvény milyen többváltozós értékelő módszerben alkalmazható egyáltalán, s ha igen, milyen formában. A különbözőségi vagy hasonlósági függvények komplementerek egymással, alulról és felülről is korlátosak és általában az értékei a [0,1] intervallumba esnek, továbbá nem teljesítik a metrikus axiómákat. Ugyanakkor a fenti intervallumba eső függvényekre megmutatható, hogy megfelelő átalakítással metrikussá tehető ( 𝑑𝑗𝑘 =
1 − 𝑠𝑗𝑘 ), és az
így átalakított függvény többnyire euklidészi is.
5
Egy d függvényről tehát az az erősebb állítás, hogy euklidészi, mert akkor metrikus is, míg ez fordítva nem feltétlenül igaz. 6 euklidészi távolság: két pont távolsága a közöttük meghúzható egyenes szakasz hosszúsága
38
A „megfelelően jó‖ eljárás kiválasztása csak a mérési adatok ismeretében és próba tesztek alkalmazásával lehetséges. (PODANI, 1997)[22.] A klaszterelemzéseknek – algoritmusuk alapján – 2 fajtáját különböztetjük meg: 1. Hierarchikus klaszterelemzésről akkor beszélünk, amikor az új klasztereket már az előzőleg kialakított klaszterek alapján
képezzük.
Az
algoritmus
automatikusan
meghatározza a klaszterek számát, ami végső esetben megegyezik a vizsgált egyedek számával. Éppen ezért a kiértékelésnél külön meg kell határozni azt a szintet (lépésszámot),
amely
még
jól
jellemzi
megfigyelt
objektumokat. Ennek jellemzésére általában valamilyen veszteségfüggvény
értékét
számítjuk
ki,
és
ehhez
rendelünk egy értékhatárt. Az eljárás hibája, hogy ha két objektum egy klaszterbe kerül valamelyik lépésben, akkor azok többé nem választhatók szét. Másik problémát jelent nagy adathalmaz esetén az adattárolás a hasonlósági mátrixok nagy mérete miatt. 2. Nem-hierarchikus klaszterelemzés esetén az algoritmus egyszerre határozza meg az összes klasztert. Általában dinamikus
klaszterképzési
módszert
alkalmaznak.
A klaszterképzés iterációval, az objektumokat egyenként sorba véve (dinamikusan) valósul meg. A klaszterek jellemzője a klaszterközéppont, ami leggyakrabban a klaszterbe
tartozó
támaszkodva
írják
elemek le
két
átlaga. klaszter
Erre
az
távolságát,
értékre és
a
klaszterezés minőségére jellemző veszteségfüggvényt is. Ennél a módszernél előre meg kell adnunk a klaszterek számát,
és
a
klaszter
középpontokat.
Ez
utóbbi
meghatározására használatos a „véletlen optimalizáció‖ (an: random optimization) módszere [17.]. 39
A
sokdimenziós
adatstruktúrák
leírása,
megértése
az
objektumok és változók közötti összefüggések feltárása sokszor nagy nehézségekbe
ütközik.
Ennek
a
problémának
a
kezelésére
használhatjuk az összefoglaló néven ordinációnak nevezett eljárásokat, mely a „a hatékony dimenzió eljárás művészete‖, ahogy Podani írja. [22.] Ordinációs módszer alatt értünk minden olyan eljárást, amelyben a dimenzionalitás
csökkentése
mesterséges
változók
bevezetésével
történik. Az így létrejövő új dimenziók (2-3) többé-kevésbé jól leírják az eredeti sokdimenziós struktúrát, ezenközben feltárva az objektumok és változók közötti összefüggéseket, melyet már különféle diagramokon (pl. scattergram) is hatékonyan szemléltethetünk.
66.. A ANNYYAAGG ÉÉSS M MÓÓDDSSZZEERR 66..11..
N Ö V É N Y A N Y A G NÖ ÖV VÉ ÉN NY YA AN NY YA AG G
Vizsgálataimat a Pannon Egyetem Burgonyakutatási Központ 11 fajtáján és két Holland – kontroll - fajtán (Desirée, Cleopátra) végeztem. 6.1.1. A VIZSGÁLT FAJTÁK ISMERTETÉSE Balatoni rózsa
Cleopátra
Desiree
Démon
Góliát
Hópehely
Katica
Kánkán
Lorett
Luca XL
Rioja
Somogyi kifli
Vénusz Gold
White Lady
2. TÁBLÁZAT
A fajták ismertetése
40
Az egyes fajták (a fajták ismertetése az elektronikus mellékletben található meg) 4 féle gumótulajdonságának vizsgálatára (gumóhéj, nyers gumóhús, főtt gumóhús, chips minőség) 10-szeres ismétlésben digitális fényképek készültek. Így ez összességében 2080 vizsgált mintát jelent. A 3. táblázat összefoglalja a fajtákat és a tulajdonságokat. Egész gumó héjszín (RE)
Fajta
Nyers hússzín (RF)
Balatoni rózsa
Cleopátra7
Desiree8
Démon
Góliát
Hópehely
7
-8 Holland fajta
41
Főtt hússzín (BF)
24 órás szürkülés (SF)
Katica
Kánkán
Lorett
Luca XL
Rioja
Vénusz Gold
White Lady
3. TÁBLÁZAT
Fajták és tulajdonságok összefoglalása
A digitális képek készítéséhez szükséges egész gumókat, nyers és főtt gumószeleteket a Burgonyakutatási Központ szolgáltatta, ahol a minta előkészítés a Központban általánosan használt módszertant követte.
42
66..22..
SSFFD M A Z H A T Ó S Á G Á N A K V Z S G Á A T A D AAALLLKKKAAALLLM MA AZ ZH HA AT TÓ ÓS SÁ ÁG GÁ ÁN NA AK KV VIIIZ ZS SG GÁ ÁLLLA AT TA A
A vizsgálatokhoz digitális fényképezőgéppel 24 bites színes (RGB), raszteres képeket készítettünk láthatófény tartományban JPG formátumban
[41.]
[118.]
(Delp)
[119.].
Az
elkészült
képek
elő
feldolgozáson estek át, amely az adott objektum hátterét teljesen homogenizálta (fehér vagy fekete háttérszín), így biztosítva kizárólag az objektum SFD értékének meghatározását. A felvételek készítésekor figyeltünk arra, hogy mindig csak a vizsgálati célnak megfelelő érték változzon, míg a többi körülmény állandó maradjon. 6.2.1. KÉPEK KÉSZÍTÉSE:
A felvételeket a CANON EOS 30D típusú digitális kamerával készítettem, CANON 18-55 mm lencsével, 1728x1152 pixel, 72 ppi felbontással,
az
egyes
felvételezésekre
vonatkozóan
fix
fókusztávolsággal. 6.2.2. IRÁNYÍTOTT MEGVILÁGÍTÁS:
Homogén felületű síklapot forgattunk (0-85°) a fix helyzetű, és fixintenzitású
fényforráshoz
(200W)
viszonyítva,
a
szórt
fények
kizárásával. 6.2.3. SZENNYEZŐDÉS, BEVONAT (VÍZ, OLAJ STB.)
Csillogás, visszatükröződés jelenségének vizsgálatára (pl. gumó felvágásakor a vágási felületen megjelenő a hús roncsolásával keletkező folyadék)
egy
domború-,
gyűrt
mintázatot
mutató
alufóliát
ragasztottunk síklapra, és ezt forgattuk (0-85°) a fix helyzetű-, és intenzitású fényforráshoz viszonyítva. 6.2.4. INTENZITÁS VIZSGÁLAT:
A fényintenzitás mérését a Gossen Colormaster 3F típusú digitális készülékkel végeztük. Mindegyik képen ugyanaz a minta Góliát egész gumó - került felvételezésre.
43
Természetes megvilágítás körülményei között a berendezést árnyékmentes, nyílt téren került felállításra. A vizsgálat során 1 gumót fotóztunk le, 23 intenzitással, 3-szoros ismétléssel. Az intenzitás értéke 5800 lux és 57000 lux között változott az időjárási viszonyok változásának megfelelően. Az egyéb körülmények - pl.: háttér, burgonya helyzete, fókuszpont - állandóak voltak. Mesterséges megvilágítás körülményeihez egy 300W-s normál izzó fényerejét változtattuk szabadon választható szintre (ellenállás változtatással), így az intenzitás 39-7700 lux között változott. A vizsgálat során 1 gumót fotóztunk le, 31 intenzitással, 3-szoros ismétléssel. 6.2.5. A MEGVILÁGÍTÁS SPEKTRUMA:
A mintára (egy térképrészlet) különböző spektrumú fényt vetítettünk, ügyelve arra, hogy az így vetített fény intenzitása ne változzon. A térképrészletből két azonos méretű területet vágtunk ki (A,B). Az „A‖-terület a térkép egy részletét, míg a „B‖-terület a térkép szélén egy olyan részlet, amely üres volt, gyakorlatilag ezen a területen jelent meg az éppen aktuális spektrumú fény. 6.2.6. EGYBEVÁGÓSÁGI TRANSZFORMÁCIÓK (FORGATÁS VÍZSZINTES SÍKON):
A
vizsgálat
célja
kideríteni
a
tárgy
helyzete
mennyiben
befolyásolja az SFD értékét. Elméletileg (Hegedűs, 2007)[13.] nincs semmilyen hatása az SFD értékére, de mivel veszteséges tömörítésű képeket készítünk (JPG), a tömörítési algoritmus okán már lehet hatása az SFD értékére. A vizsgálatba 8 burgonya fajtát vontunk be. Egy gumónak 8 pozíciója volt (0-7-15-22-30-37-45-52 percben kifejezve). Az ismétlések száma 10, a mintaszám fajtánként 80, az összes felvétel száma 640. 6.2.7. A DIGITÁLIS KAMERA ÉS A SIGMA EM-140 DG KÖRVAKÚ HIBÁJÁNAK MEGHATÁROZÁSA
A Szerző vizsgálta, hogy a felvételeket készítő berendezések milyen hibát okoznak működésük során. Itt elsősorban a SIGMA EM44
140 DG körvakú jelent bizonytalansági tényezőt. Az egymás után készített felvételek esetén a körvakúnak fel kell töltődnie egy megfelelő szintre, ahhoz hogy villanni tudjon, és még ebben az esetben sem biztos a fix intenzitás. A vizsgálat során véletlenszerűen 0-3 perc között került sor képkészítésre, 20 alkalommal. Előfordult 10 esetben, hogy a vaku nem töltött fel, így nem volt villanás. Ezek a képek nem kerültek kiértékelésre. 6.2.8. A KÉPFELBONTÁS VÁLTOZÁSÁNAK HATÁSA AZ SFD ÉRTÉK ALAKULÁSÁRA
Balatoni rózsa gumókat (2 db) fotóztunk 3 felbontásban. Az így kapott képeket mértük.
66..33..
3504*2336
2544*1696
1728*1152 TTEEEC C H N K A E S Z K Ö Z Ö K CH HN NIIIK KA AIII E ES SZ ZK KÖ ÖZ ZÖ ÖK K
6.3.1. FOTÓ ÁLLVÁNY
A
vizsgálat
feltételeinek
biztosítására
egyedi
fotóállványt
készítettem (állítható síkok, kamera rögzítési pont; több kamera egyidejű használata, stb). 6.3.2. CANON EOS 30D DIGITÁLIS FÉNYKÉPEZŐGÉP
6. ÁBRA
Canon EOS 30D digitális fényképezőgép
45
6.3.3. CANON EF-S 18-55MM OPTIKAI LENCSE
7. ÁBRA
Canon EF-S 18-55mm optikai lencse
46
6.3.4. SIGMA EM-140 DG KÖRVAKÚ MŰSZAKI ADATAI
Guide number:
46 ft, 14m ISO100 (full power)
Power source:
4 "AA" type Ni-MH, NiCd or Alkaline batteries
Angle coverage:
of Vertical degrees
/
Horizontal
80
Dimensions (Controller):
73.0x5.4x3.2in. 6.7 x 136.2 x 82.4mm
Dimensions (Flash unit):
5.0x5.1x1.2in. 126.6 x 128.8 x 30.5mm
Compatible cameras:
Available Sigma-STTL, Canon-ETTL/ETTL II, Nikon-iTTL , PA-PTTL Pentax, SO-ADI
Weight:
430g /15.2 batteries)
oz.
(without
6.3.5. KÉPEK ELŐKÉSZÍTÉSE
A
kiértékelő
program
számára
az
elkészített
felvételeket
manipulálni kellett. A képeket az Adobe Photoshop CS3 program (2002)[72.] segítségével szerkesztettem. Két művelet került végrehajtásra:
az eredeti képből kivágtam a mintákat 1170x1170 pixel méretű az eredeti képpel megegyező (72 ppi) felbontású négyzettel (Vágó eszköz). Ezzel a képméret is csökkent, mely egyben a futási idő optimalizálását is jelentette,
egyszínű (fehér) homogén háttér kialakítása a felvételezés során keletkezett szennyeződések eltávolítására.
47
66..44..
K KIIIÉÉÉRRRTTTÉÉÉKKKEEELLLÉÉÉSSS
6.4.1. PROGRAM
A
felvételezések
során
elkészített
képek
analizálására
MatLab
(7.0.0.19920-R14) fejlesztői környezetben kiértékelő programot írtam, mely az általánosan elterjedt un. „Doboz-számláló‖ eljárást (Relative Differential
Box-Counting
method)[2.]
használta
az
SFD
érték
meghatározására. A dimenzió (D) értékének meghatározására az (1) kifejezést a vizsgált tulajdonságra alkalmazva kapjuk (2) kifejezést, melyet a következő alakban is felírhatjuk: 𝑑
SFD = 𝑘
ln n 𝑖 𝑘 𝑖=1 ln m
𝑖
n ≠ 0, 1 ≤ k ≤ 8, k ∈ N
(3)
Ahol: o o o o
d: réteg (dimenzió=3) k: iteráció szám=8 n: nem üres térkockák száma m: összes térkocka
Az algoritmus a kép színmélységének SFD értékét határozza meg az RGB, R, G és B színterekre vonatkozóan. Fontos tisztázni, hogy az SFD értéket a Berke által megfogalmazott értelemben használom. Az így kapott értékek — a módszer által adott korlátok között — jellemzik az adott tulajdonság színmélység változásának dinamikáját. Az hogy az általam vizsgált objektumok a vizsgált tulajdonságokra mennyiben tekinthetők fraktálnak (lásd önhasonlóság kritérium) a továbbiakban nem vizsgáltam és nem értelmeztem. A program 3 fő részből áll: 1. Képek azonosító adatainak beolvasása: a mérni kívánt képek – célszerűen – egy könyvtárba lettek elhelyezve. A
képek
azonosítására
egy
kód
került
kidolgozásra
[23. táblázat], mely elősegíti a mért adatok táblázatokba történő tárolását.
48
2. Az egyes képek analizálása: ez egy ciklikus tevékenység, lépései: a. képbeolvasása b. „Doboz-számláló‖ eljárás (RDBC) alkalmazása c. SFD érték kiszámítása 3. Adattárolás: a mért értékeket (RGB->TFV9; R->RFV10; G->GFV11; B->BFV12) a program MS Excel táblázatokba tárolja (52 munkafüzet (alaptábla) = 4 időszak*13 fajta). A
táblázatok
azonosítását
és
az
egyes
táblázatok
adatszerkezetét (4. táblázat) a fentebb említett kódrendszer vezérli. Mérésszám
Képnév
RGBFVRE
RGBFVRF
RGBFVBF
RGBFVSF
1.
Katica_T_R_E_01_V
2,007431
2,024694
1,885862
1,938137
RGBFVCF 2,060981
RFVRE 0,970036
GFVRE 1,142509
BFVRE 0,997934
2.
Katica_T_R_E_02_V
1,968744
2,020261
1,906193
1,932932
1,928874
0,950283
1,049998
0,992086
3.
Katica_T_R_E_03_V
1,96969
2,046883
1,971281
1,893943
1,951173
0,891913
0,975544
0,992901
4.
Katica_T_R_E_04_V
2,012161
1,921927
1,916321
1,933302
2,035188
0,952052
1,017836
0,988724
5.
Katica_T_R_E_05_V
2,014837
1,911465
2,089647
1,912318
1,945883
0,965395
1,058128
0,998604
6.
Katica_T_R_E_06_V
1,921117
1,990174
1,923091
1,874513
1,998166
0,896287
1,09183
0,968084
7.
Katica_T_R_E_07_V
2,004001
1,937335
1,960037
1,93156
1,969621
0,965395
1,054867
0,999082
8.
Katica_T_R_E_08_V
1,975765
1,919412
1,965397
1,932516
1,925707
0,985736
1,130563
0,987429
9.
Katica_T_R_E_09_V
1,950677
1,993287
1,92573
1,912764
1,925808
0,93609
1,047686
0,988289
10.
Katica_T_R_E_10_V
1,905943
1,941968
1,949267
1,915552
1,96337
0,891633
0,981224
0,962056
… … … … … … … … … …
4. TÁBLÁZAT
Mintatáblázat mérési adatok tárolására
6.4.2. STATISZTIKAI ELEMZÉSEK
A programfuttatáskor keletkező alaptáblákból időszakonkénti összesítő táblák készültek. Ezekben az összesítő táblákban statisztikai elemzésekhez az MS Excel program függvényeit használtam. (Baksa et al., 2006)[66.] 6.4.2.1. K LASSZIKUS
STATISZTIKAI MÉRŐSZÁMOK :
átlag,
TFV=Total Fractal Value RFV=Red Fractal Value 11 GFV=Green Fractal Value 12 BFV=Blue Fractal Value 9
10
49
szórás,
minimum,
maximum,
abszolút eltérés,
relatív eltérés
6.4.2.2. V ARIANCIAANALÍZIS
Egytényezős
Kéttényezős, ismétléses (SZŰCS, 2002)[25.]
6.4.2.3. H IPOTÉZIS
t-próba
VIZSGÁLATOK :
(Student-próba)
alkalmazása
(KEMÉNY
ET AL.,
2001[18.], SVÁB, 1981[19.], SZŰCS, 2002[25.], HAVASI ET
AL.,
1996[26.]
F-próba
6.4.2.4. S YN TAX - STATISZTIKAI
ANALÍZIS PROGRAM
A programcsomagot a Pannon Egyetem Limnológiai Intézetétől kaptam. Nagyon sokféle statisztikai elemző eljárást ismer. Ezek közül az adatok
kiértékelésére
a
non-Hierarchical
modult,
és
a
grafikus
megjelenítés segítésére az Ordination modult alkalmaztam. A program ezen verziója az adatokat saját formátumú állományokból~ (.dat), az adatokhoz tartozó oszlop- és sor azonosítókat formázott szöveges állományokból (.TXT) olvassa be.
A non-Hierarchical modulban többféle számítási módszer, és ezen belül is sok-sok együttható közül választhatunk.
A Szerző által választott beállítások a következők voltak: Method - Metód: Global optimization
50
Coefficient - Együttható: Similarity ratio (24.13) – Hasonlósági hányados (WISHART, 1969) [80.], (PODANI, 1997) [22.] együttható, képlete:
1−
𝑖 𝑥 𝑖𝑗
2+
𝑖 𝑥 𝑖𝑗 𝑥 𝑖𝑘 2 𝑖 𝑥 𝑖𝑘 − 𝑖 𝑥 𝑖𝑗 𝑥 𝑖𝑘
(4)
Ahol xij az eredeti adatokat, i a sor, j és k az oszlop indexet jelöli. Az együttható értékei a [0,1] intervallumba esnek, 1 jelöli a teljes egyezést. Választását az indokolta, hogy összemérhető más hasonló típusú együtthatókkal, és a próba futtatások során ez az együttható adta a legjobb elkülönítést (BRCV14 értéke a legkisebb volt), bár jelentős különbség nem mutatkozott az együtthatók között. Data Standardization:
no
Standardization:
a
mért
tulajdonságok
adatai
homogénnek tekinthetők.
Nem-hierarchikus klaszterezés (PODANI, 1997)[22.]: globális optimalizációs eljárás, hasonlósági arány (SIMILARITY RATIO)
együttható
alkalmazása.
[példa állomány: Kiértékelés\FajtaVizsgálat\200811\nHCluster\nHCluster200811_14_4TFVSim.txt]
Az Ordin modul segítségével főkomponens analízist tudunk végezni. A modul Eigen-analízis módszerével 2 dimenzióra redukálja a 4 dimenziós teret (4 tulajdonság, fizikailag a 4 oszlop), és ebben helyezi el az objektumokat (13 fajta, fizikailag a sorok). Az így számított adatokból
Scatter-diagramok készíthetők:
[Elektronikus melléklet: példa állomány:
Kiértékelés\FajtaVizsgálat\200811\nHCluster\nHCluster200811_14_4TFVSimOrd.txt, … ].
Ezeket
a
vizsgálatot
kifejezetten
a
szemléltetés
kedvéért
alkalmaztam, bemutatva a fajták elkülönülését e grafikus eszköz segítségével, de az eredmények összevethetők a t-próba eredményeivel is.
13
A SynTax program leírásának D mellékletében a képlet sorszám hivatkozása
14
BCRV = BRCV = Best Result Criteria Value
51
77.. E ERREEDDM MÉ ÉN NYYE EK K 77..11..
A M A Z H A T Ó S Á G Á N A K T E C H N K A F E T É T E AZZZ SSFFD D AAALLLKKKAAALLLM MA AZ ZH HA AT TÓ ÓS SÁ ÁG GÁ ÁN NA AK KT TE EC CH HN NIIIK KA AIII F FE ELLLT TÉ ÉT TE ELLL
V V Z S G Á A T A VIIIZ ZS SG GÁ ÁLLLA AT TA A::
7.1.1. IRÁNYÍTOTT MEGVILÁGÍTÁS:
Előzetes kontrol vizsgálat céljára homogén felületű síklappal teszt felvételezést végeztünk. A lap függőleges tengely mentén történő forgatásakor az SFD értéke jelentős mértékben változott (8. ábra), melyet jól mutat a relatív eltérés 55,6%-os értéke az átlaghoz viszonyítva. A 15°-nál található maximum érték „álmaximum‖, miután ilyen kicsi beesési szögnél egyéb az SFD értékét növelő hatás lép be (pl. a felület anyagszerkezetének más metszeti síkban történő nézete). Ennek
megfelelően
az
optimális
beesési
szögnek
a
merőlegest
tekinthetjük, miután az SFD értéke (0,738) itt érte el a valós maximumát (15. táblázat). SFD érték változása homogén felületű síklap forgatása során 1 0,9 0,8
SFD
0,7 0,6
SFD
0,5 0,4 0,3 0,2 15
30
45
60
75
90
fok
8. ÁBRA
SFD ÉRTÉK VÁLTOZÁSA HOMOGÉN FELÜLETŰ SÍKLAP FORGATÁSA SORÁN
52
7.1.2. SZENNYEZŐDÉS, BEVONAT (VÍZ, OLAJ STB.)
Az előző esethez hasonló a nagymértékű változás (9. ábra) mondható el az inhomogén felületű tükröződő síklap esetén is. A relatív változás mértéke itt 56,3%! (16. táblázat). Ilyen hatás a gumó nyershús vizsgálatakor lép fel. A gumó vágási felületén a vágás nyomán, a szövetek roncsolódásaként, folyadék jelenik meg.
9. ÁBRA
SFD érték alakulása tükröző felület forgásakor
7.1.3. INTENZITÁS VIZSGÁLAT:
7.1.3.1. T ERMÉSZETES
MEGVILÁGÍTÁS
A felvételezések alapján az SFD maximális átlagos értéke: 2,112 (44000 lux), minimum érték 1,607 (39 lux). A relatív átlagos eltérés 26,67%. Az átlagérték: 1,8950, ehhez 0,1259 szórás érték társult, 69 db elem mellett, ami magasnak mondható (6,64 %). Az 10. ábra szemlélteti az intenzitás változás hatását az SFD értékére természetes megvilágítás 53
esetén. A regresszió analízis egy polinom trendvonalat képes illeszteni R2=0,8581 együtthatóval a mért adatokra. A grafikonon az is látszik, hogy az értékek hol alulról, hol felülről közelítik a regressziós görbét, aminek a magyarázatát a felvételezés körülményeinek bizonytalanságában kereshetjük (erős napsütéstől, borult időjárási viszonyokig, változó páratartalom, stb.) (17. táblázat).
2,2 2,1 2 1,9 1,8 1,7 1,6 1,5 1,4 1,3 1,2 1,1
SFD
y = -2E-10x2 + 2E-05x + 1,5811 R² = 0,8581
0
5
10
15
20
Góliát
25 30 Lux
35
40
45
50
Polinom. (Góliát)
55
60
ezer
10. ÁBRA
Intenzitás hatása a burgonya gumó SFD értékére természetes fényviszonyok között
7.1.3.2. M ESTERSÉGES
MEGVILÁGÍTÁS :
Az SFD-re kapott maximális átlagos érték: 1,889 (44000 lux), minimum érték 1,203 (39 lux). A relatív átlagos eltérés 39,98%, ami magasnak mondható. Itt magyarázatra szorul a „magas‖ kifejezés. A fajtákon belüli (1,7 – 2,6 %) és a fajták közötti (2,4-6,8 %) minimummaximum intenzitáskor
eltérések mért
nagyságrenddel értékek.
Ráadásul
alacsonyabbak, ilyen
értékek
mint
az
mellett
is
szignifikáns eltérés mutatkozik egyes fajták minimum-maximum %-os eltérései között (18. táblázat).
54
Az átlagérték 1,715, ehhez 0,1985 szórás érték társult, 93 db elem mellett, ami szintén magasnak mondható (11,57 %). A
11. ábra
burgonyagumó
szemlélteti
SFD
értékére
az
intenzitásváltozás
mesterséges
hatását
megvilágítás
a
esetén.
Regresszió analízis szerint korreláló függvénnyel a görbe a teljes tartományban jól nem közelíthető. Megfigyelhetjük, hogy a görbének 2 szakasza van. Az első szakasz egy telítődési jellegű szakasz, amely 39 luxtól 1100 luxig tart. Ebben a szakaszban az SFD értéke legjobban logaritmikus illesztéssel közelíthető, meredeken emelkedik 1,2034-től 1,8169-es értékig. 2
1,8
y = 0,9995x0,0777 R² = 0,8458 1,6
SFD
1,4
1,2
1 0
0,5
1
1,5
2
2,5 3 Góliát
3,5
4 4,5 5 5,5 Hatvány (Góliát)
6
6,5 7 Lux
7,5
8
ezer
11. ÁBRA
Intenzitás hatása a burgonya gumó SFD értékére mesterséges fényviszonyok között (39-8000 Lux)
A 12. ábra szemlélteti a görbe második szakaszát, amely viszont a regresszió analízis szerint gyakorlatilag egy egyenes, és párhuzamos az X tengellyel, ami azt jelenti, hogy az SFD értéke érzéketlen a megvilágítás intenzitására ebben az intervallumban.
55
2
1,8 y = -1E-06x + 1,8612 R² = 0,0218 1,6
SFD
1,4
1,2
1 0
5
10
15
20
25 Góliát
30
35
40
45
50
55
60
65
70 Lux
Lineáris (Góliát)
75
80
száz
12. ÁBRA
Intenzitás hatása a burgonya gumó SFD értékére mesterséges fényviszonyok között 1100 Luxtól
7.1.4. A MEGVILÁGÍTÁS SPEKTRUMA
A 19. táblázat jól szemlélteti, milyen nagy hatással van az SFD értékére
a
megvilágítás
spektruma
(SFD_A
oszlop
a
különböző
spektrumú fénnyel megvilágított teljes kép; SFD_B oszlop a spektrumok színeinek képe; SFD_A-B oszlop a két kép kivonásával előálló képek). Ez az eltérés az átlaghoz képest akár 94,6%-ot is eléri. 7.1.5. EGYBEVÁGÓSÁGI TRANSZFORMÁCIÓK (FORGATÁS):
A forgatás hatását az SFD értékére példaként Rioja fajtán kerül bemutatásra (13. ábra). A számított relatív átlagos eltérés eredményei mindegyike kisebb, mint ennek a fajtának az SFD maximális átlagos értéke 1,9049 (37 perc), minimum érték 1,8397 (15 perc). A relatív átlagos eltérés 3,47%, ami alacsonynak mondható (20. táblázat).
56
2,100
2,000
1,900
SFD érték
1,800
1,700
1,600
1,500 0
7
15
22
30
Rioja
37
45
52
forgatás szöge percben
13. ÁBRA
Vízszintes síkon történő forgatás szögének hatása a Rioja fajta SFD átlagára a szórás érték feltüntetésével
A 14. ábra mutatja az összefüggést a vízszintes síkon történő elforgatás szöge és a SFD átlagértéke között (szignifikánsnak tekintettük az eltérést, ha az érték < mint 0,001). Látható, hogy nem mutatható ki szignifikáns eltérés az SFD értékben a gumók helyzetére vonatkozóan. Vagyis a gumók helyzete nem hat az SFD értékre.
57
számított szignifikancia érték
0,0001
0,001
0,01
0,1
7
1
15
22
30
37
45
52
forgatás szöge percben
Rioja wgb25x25
14. ÁBRA
Összefüggés a vízszintes síkon történő forgatás szöge és az SFD értéke között (Rioja fajta szignifikancia szint 0,001)
7.1.6. A DIGITÁLIS KAMERA ÉS A SIGMA EM-140 DG KÖRVAKÚ HIBÁJÁNAK MEGHATÁROZÁSA
A mérési eredményeket és a statisztikai értékelést a 21. táblázat tartalmazza.
Megállapítható
–
a
várakozásnak
megfelelően
–
a
berendezésnek van hibája, ez 3,85% relatív eltérést jelent. 7.1.7. A KÉPFELBONTÁS VÁLTOZÁSÁNAK HATÁSA AZ SFD ÉRTÉK ALAKULÁSÁRA
A
mérési
eredmények
SFD
átlaga
a
15. ábrán
látható
XY diagramon azt mutatja, hogy az SFD érték maximuma a közepes (2544*1696) felbontásnál található.
58
15. ÁBRA
A képfelbontás változásának hatása az SFD érték alakulására
7.1.8. A FELVÉTELEZÉS TECHNIKAI KÖRÜLMÉNYEINEK VIZSGÁLATI EREDMÉNYEI
A lefolytatott vizsgálatok alapján megállapítható, hogy az SFD értékére a megengedettnél nagyobb mértékben hatnak:
a megvilágítás intenzitása, a megvilágítás szöge és spektruma, a csillogás, tükröződés mértéke.
A megvilágítás intenzitásának és szögének, valamint a fényforrás spektrum kibocsátásának változása A
változás
mértéke
befolyásolja az SFD értékét.
nagyobb,
mint
az
megengedhető.
Ha ugyanis ez az abszolút eltérés nagyobb, mint az azonos körülmények között felvett burgonyafajták közötti SFD értékek ± szórás értéke, úgy ezen tényezők hibája elfedi burgonyafajták közötti esetlegesen meglévő különbözőséget. A
megvilágítás
intenzitásánál
-
természetes
megvilágítási
körülmények között- kimutathatók a felvételezéskor fellépő külső változó tényezők hatásai. Ehhez a változáshoz azonban egyértelműen nem tudtunk hozzárendelni valamilyen függvényt.
59
Mesterséges megvilágítás esetén találtunk egy olyan intenzitási sávot 1100 luxtól 8000 luxig, ahol az SFD értéke érzéketlen a megvilágítás intenzitására. Az objektum helyzetének vizsgálata, azt az eredményt hozta, hogy az SFD értéke csak a hibahatárokon belül változik. Ez az eredmény megegyezik az elméletileg meghatározott várakozással. A digitális kamera és a SIGMA EM-140 DG körvakú hibájának vizsgálati eredménye szintén a hibahatárokon belül változik. Ennek ellenére célszerű ugyan arról a mintáról több felvételt készíteni – javasolt ismétlési szám 5-10 -, ez által csökkentve a hibaértéket. Vizsgálatainkban a Spektrális Fraktál Dimenzió (SFD), mint képelemzési eljárás alkalmazásának lehetőségét tanulmányoztuk a burgonyagumó egyes nemesítési programokban általánosan felvételezett paramétereinek jellemzésére (héjszín, hússzín, nyers, főtt és 24 óra utáni nyers szürkülés). Az eredmények azt mutatják, hogy amennyiben a burgonyanemesítési kutatásokban alkalmazni szeretnénk az SFD-t a fajták elkülönítésére, az objektív fajtaérték-meghatározásra, automatikus elemzési, minősítési folyamatok gyakorlati megvalósítására, úgy - jelenleg - csak jól meghatározott felvételezési körülmények között tehetjük ezt meg.
60
7.1.9. STANDARD KÖRÜLMÉNYEK LEÍRÁSA
Vizsgálataink eredményei alapján a következőkben fogalmazhatók meg azok a körülmények, amelyek lehetővé teszik a vizsgált burgonyagumó paraméterek SFD értékének külső befolyásoló tényezőktől legkevésbé befolyásolt meghatározását:
állandó
intenzitást
biztosító
mesterséges
fényforrás
alkalmazása (körvakú);
merőleges vetület biztosítása;
közepes - 2544*1696 pixel - felbontás alkalmazása;
csillogás mentesség biztosítása (nyers hússzín vizsgálat esetén, friss vágott felület leitatása);
azonos mintáról több felvétel készítése;
fix fókusztávolság alkalmazása;
a
minta
színétől
nagyban
biztosítása (kék, fekete, fehér).
61
eltérő
homogén
háttér
88..22..
B U R G O N Y A G U M Ó V Z S G Á A T O K E R E D M É N Y E N E K BU UR RG GO ON NY YA AG GU UM MÓ ÓV VIIIZ ZS SG GÁ ÁLLLA AT TO OK KE ER RE ED DM MÉ ÉN NY YE EIIIN NE EK K
É É R T É K E É S E ÉR RT TÉ ÉK KE ELLLÉ ÉS SE E
Kísérleteinkben
a
burgonyagumó
egyes
tulajdonságainak
(héjszín, hússzín, nyers, főtt és 24 óra utáni nyers szürkülés) SFD értékét határoztuk meg. A kapott adatok statisztikai értékelésénél alapvető
annak
megállapítása,
hogy
az
értékelendő
adathalmaz
homogén-e? A mért adatok homogenitásának eldöntésére többféle lehetőség együttes vizsgálata szükséges. Egyrészt tudjuk, hogy a vizsgált tulajdonságok jellemzésére ugyanazt a mérőszámot (SFD) használjuk, továbbá a 4 vizsgált tulajdonság közül 3 tulajdonság a gumó húsának különböző állapotát jellemzi. Másrészt az SFD értéke a függvény (3) tulajdonságaiból
adódóan,
egy
jól
meghatározott
értelmezési
tartományba esik (0<SFD>=8). Ebben az értelmezési tartományban nem tapasztalunk az értékekre vonatkozó léptékváltást. Harmadrészt a varianciaanalízisek
(F-próba)
minták
azonosak.
szórásai
alkalmazásával Ezen
eldöntöttük,
meggondolások,
hogy
a
vizsgálatok
eredményeként kijelenthetjük, hogy a kapott adatok homogének, így a t-próba alkalmazása lehetséges. A következőkben el kellett dönteni, hogy mely értéktől tekintjük az eltérést szignifikánsnak. Az általános gyakorlat szerint a statisztikai próbákat egy adott P szinten szokás vizsgálni. A Szerző is ennek megfelelően járt el. Ugyanakkor a vizsgálat eredményeként elkészült táblázatok — az Excel 2007-ben megjelent feltételes formázási lehetőségnek köszönhetően — lehetőséget nyújtanak az elkülönítés erősségének szemléletes megjelenítésére. A következő kategóriákat határozta meg a Szerző, figyelembe véve az általános gyakorlatot is. P > 0,15
nem szignifikáns
P 0,15 > X > 0,05
gyengén szignifikáns
P 0,05 > X > 0,01
közepesen szignifikáns
P 0,01 > X> 0,001
közepesen erősen szignifikáns
P 0,001 > X > 0,0001
erősen szignifikáns
P < 0,0001
nagyon erősen szignifikáns
62
Példaként a Szerző bemutatja a 2008 őszi felvételezés, a 4 vizsgált tulajdonság együttes értékelését tartalmazó 4. táblázatot (200811.xlsx munkafüzet é4TFVSign munkalap). A színezés szemléletesen mutatja a fajták elkülönülését, és ennek erősségét.
63
Balatoni Rózsa
Cleopatra
Desiree
Démon
Góliát
Hópehely
Katica
Kánkán
Lorett
Luca
Rioja
Vénusz
White Lady
átlag
1,9433
1,9394
1,9508
1,9506
1,9445
1,9141
1,9903
1,9371
1,9503
1,9274
1,9484
1,8921
1,9007
szórás
0,0500
0,0570
0,0557
0,0551
0,0569
0,0756
0,0671
0,0393
0,0378
0,0617
0,0340
0,0532
0,0624
0,7410
0,5275
0,5409
0,9258
0,0452
0,0022
0,5354
0,4864
0,2095
0,5972
0,00003
0,0012
0,3650
0,3746
0,6903
0,0960
0,0014
0,8355
0,3171
0,3727
0,3921
0,00026
0,0049
0,9820
0,6133
0,01570
0,0113
0,2056
0,9568
0,0789
0,8145
0,000007
0,0003
0,6274
0,01616
0,0106
0,2120
0,9777
0,0813
0,8344
0,000007
0,0003
0,04622
0,0038
0,5022
0,5925
0,2039
0,7073
0,00006
0,0016
0,00003
0,0935
0,0089
0,3901
0,0115
0,1366
0,3900
0,0003
0,0052
0,0002
0,0032 0,00000002 0,0000004
0,1302
0,4082
0,1722
0,00005
0,0027
0,0503
0,8184
0,0000003
0,00006
Balatoni Rózsa
B-XX
Cleopatra
C-xx
Desiree
D-xx
Démon
E-xx
Góliát
F-xx
Hópehely
G-xx
Katica
H-xx
Kánkán
I-xx
Lorett
J-xx
Luca
K-xx
Rioja
0,0647 L-xx
Vénusz
0,0076
0,0576
0,0000004
0,00008
M-xx
White Lady
0,5084 N-xx
P >0,15
szín
kategória nem
darab
%
33
0,15>X>0,05
0,05410244 gyenge
9
20,5%
0,05>X>0,01
7
15,9%
0,01>X>0,001
0,01922790 közepes közepesen 0,00392410 erős
11
25,0%
0,001>X>0,0001
0,00010952 erős
5
11,4%
X<0,0001
0,00000409 nagyon erős
12
27,3%
szignifikáns
44
57,1%
összes
77
5. TÁBLÁZAT
A 4 vizsgált tulajdonság együttes összefüggés vizsgálata, t-próba (2008 őszi időszak)
8.2.1. VARIANCIAANALÍZISEK
8.2.1.1. E GYTÉNYEZŐS Vizsgált iidőszak
V Változatok
RERFBFSF
F 00711
2p-érték
2p-érték
00811
2p-érték
2,42E-12
2,49E-10
0,022
0,5170
3,023
3,885
3,886
3,8845
2p-érték
elvetve
RFSF
BFSF
nincs mért érték
helyes
47,205
20,623
5,324
4,286
10,031
1,405
1,89E-10
6,60E-11
9,25E-06
0,022
0,0396
0,002
0,237
2,625
3,885
3,885
3,885
3,885
3,885
3,885
elvetve
elvetve
elvetve
elvetve
elvetve
helyes
39,954
75,270
1,267
21,76
63,99
10,031
13,55
7,91E-23
9,59E-16
0,262
5,39E-06
7,32E-14
0,002
0,0003
2,625
3,885
3,885
3,88
3,885
3,885
3,88
elvetve
F
elvetve
helyes
elvetve
elvetve
elvetve
elvetve
14,699
8,569
3,066
9,550
25,594
40,713
2,306
3,61E-09
0,0054
0,081
0,002
8,42E-07
9,12E-10
0,130
2,624
3,881
3,881
3,881
3,881
3,881
3,881
F kritikus 0 hipotézis
elvetve
RFBF
16,986
F kritikus 0 hipotézis
00902
0,4212
elvetve
F
RESF
5,324
F kritikus 0 hipotézis
REBF
44,062
elvetve
F
RERF
29,056
F kritikus 0 hipotézis
00802
VARIANCIA ANALÍZIS :
elvetve
elvetve
helyes
elvetve
elvetve
elvetve
helyes
6. TÁBLÁZAT
A p (alfa) a szignifikancia szint, az 1-alfa a megbízhatósági szint H0: a fajták között nincs eltérés (helyes) H1: szignifikáns az eltérés (elvetve) A vizsgálat eredményét az 6. táblázat szemlélteti, melyből egyértelműen kiderül, hogy p = 5%-os szignifikancia szint mellett a fajták között a vizsgált tulajdonságokat illetően jelentős különbség mutatható
ki.
Az
elkülönülés
erősségét
jellemző
p-érték
nagyságrendekkel kisebb, mint a választott szignifikancia szint. Néhány esetben az eltérés nem igazolható. A főtt hússzín és a szürkült hússzín tulajdonságának együttes vizsgálata (BFSF) - a 2008 őszi időszak kivételével – nem jelez szignifikáns különbséget a fajták között. Megítélésem szerint ez annyit jelent, hogy elég a kettő közül csak az egyik tulajdonságra az SFD értékét meghatározni! Praktikusan ez a 64
szürkült hússzín, mivel ez nem igényel plusz energiaráfordítást és eszközt. A héjszín és a szürkült hússzín (RESF) vonatkozásában a 2007 őszi időszakban nem mutatható ki különbség a fajták között, viszont a többi vizsgált időszakban igazolható az eltérés. A héjszín és a főtt hússzín (REBF) között az első 2 vizsgált időszakban kimutatható a különbség, a 2008 őszi és a 2009 tavaszi időszakban viszont nem. Ez arra enged következtetni, hogy e tulajdonságok értékélésének megbízhatósága bizonytalan vagy a minták állapota, jellege eltérő az egyes időszakokban. 8.2.1.2. K ÉTTÉNYEZŐS
VARIANCIAANALÍZIS , ISMÉTLÉSEKKEL
Három hipotézist kell felállítani minden esetben:
A
H0fajta: a fajták „azonosak‖
H1fajta: a fajták szignifikánsan különbözőek
H0 jellemző: a jellemző értékek „azonosak‖
H1jellemző: a jellemző értékek szignifikánsan különbözőek
H0fajta, jellemző: nincs interakció
H1fajta, jellemző: van interakció
7.
táblázat
tartalmazza
a
kéttényezős
varianciaanalízis
eredményeit a fajták és a tulajdonságaikra, p=5% szignifikancia szint mellett. Fajták és a 4 tulajdonság együttes hatása (RERFBFSF)
H0fajta: a fajták „azonosak‖, a 4 tulajdonság együttes értéke nem különíti el a fajtákat
H0 RERFBFSF: az RERFBFSF jellemző értékek „azonosak‖
H0fajta, RERFBFSF: fajták és RERFBFSF között nincs interakció
Egyértelműen megállapítható, hogy mind a 4 vizsgált időszakban a
fajták
szignifikáns
különbséget
mutatnak,
H0fajta
elvetve.
A 4 tulajdonság együttesen, szignifikáns különbséget mutat, H0 RERFBFSF elvetve. A kölcsönhatás szintén szignifikáns különbséget mutat, H0fajta, 65
RERFBFSF
elvetve, és arra enged következtetni, hogy a 4 tulajdonság
fajtáról fajtára szignifikánsan eltér. Fajták és héjszín+nyers hússzín (RERF)
H0fajta: a fajták „azonosak‖, a 2 tulajdonság—héjszín+nyers hússzín együttes értéke nem különíti el a fajtákat
H0 RERF: az RERF jellemző értékek „azonosak‖
H0fajta, RERF: fajták és RERF között nincs interakció
Megállapítható, hogy mind a 4 vizsgált időszakban a fajták szignifikáns különbséget mutatnak, H0fajta elvetve. A 2 tulajdonság— héjszín+nyers hússzín együttesen, szignifikáns különbséget mutat, H0RERF elvetve. A kölcsönhatás is szignifikáns különbséget mutat, H0fajta, RERF
elvetve, a héjszín+nyers hússzín együttesen fajtáról fajtára eltér.
Ez még akkor is igaz, ha a 200902 időszakban nem mutatható ki szignifikáns különbség, bár ez csak 2%-al lépi át a küszöbértéket, de a többi időszakban p értéke meggyőző elkülönítést mutat. Fajták és héjszín+főtt hússzín (REBF)
H0fajta: a fajták „azonosak‖, a 2 tulajdonság—héjszín+főtt hússzín együttes értéke nem különíti el a fajtákat
H0 REBF: az REBF jellemző értékek „azonosak‖
H0fajta, REBF: fajták és REBF között nincs interakció
Megállapítható, hogy mind a 3 vizsgált időszakban a fajták szignifikáns különbséget mutatnak, H0fajta elvetve. A 2 tulajdonság— héjszín+főtt hússzín együttesen szignifikáns különbséget mutat, H0 REBF elvetve. A 200811 időszakban az REBF-re nem lehet az elkülönítést kimutatni, mi több nagyon kifejezett ez a hatás p=22%. Felmerül valamilyen olyan nem kívánatos tényező, amely hatására a mérési eredmény torzul, de a többi időszakban p értéke meggyőző elkülönítést mutat. A kölcsönhatás is szignifikáns különbsége mutat, H0fajta, elvetve, a héjszín+főtt hússzín tulajdonság fajtáról fajtára eltér.
66
REBF
Változatok Időszak
Tényezők
200711
F p-érték F kritikus 0 hipotézis
200802
F p-érték F kritikus 0 hipotézis
200811
F p-érték F kritikus 0 hipotézis
200902
F p-érték F kritikus 0 hipotézis
RERFBFSF Fajták
RERFBFSF
RERF KölHat
Fajták
RERF
REBF KölHat
8,33
38,36
2,57
7,03
59,13
2,42
6,3E-12
1,5E-15
0,0003
2E-09
6,8E-13
0,01
1,86
3,03
1,61
1,88
3,89
1,88
elvetve
elvetve
elvetve
elvetve
elvetve
elvetve
Fajták
REBF
RESF KölHat
Fajták
RESF
4,75 4,2E-06
0,51 0,47
1,88 elvetve
3,89 helyes
RFBF KölHat
Fajták
RFBF
RFSF KölHat
2,03 0,03 1,88 elvetve
Fajták
RFSF
BFSF KölHat
Fajták
4,75
0,51
2,03
4,2E-06
0,47
0,03
1,88
3,89
1,88
elvetve
Helyes
BFSF
KölHat
elvetve
11,12
21,87
1,81
7,08
63,71
2,55
5,67
26,56
2,60
1,23
5,38
0,98
7,73
5,6
0,93
6,9
12,92
1,39
1,45
1,42
0,73
8,8E-17
4E-13
0,006
1,7E-09
1,1E-13
0,006
1,8E-07
6,2E-07
0,006
0,27
0,02
0,46
2E-10
0,02
0,50
3,3E-09
0,0004
0,19
0,16
0,24
0,70
1,86
2,63
1,49
1,89
3,89
1,88
1,88
3,89
1,88
1,88
3,89
1,88
1,88
3,89
1,88
1,88
3,89
1,88
1,88
3,89
1,88
elvetve
elvetve
elvetve
elvetve
elvetve
elvetve
9,31
53,26
3,07
6,18
101,13
3,31
3,92
1,54
2,79
3,02
26,09
3,33
7,40
91,39
3,93
7,69
39,14
3,34
8,08
17,80
0,75
6,7E-14
6,1E-29
3E-07
3,3E-08
1,8E-19
0,0005
7E-05
0,22
0,003
0,001414
7,62E-07
0,0005
6E-10
4,8E-18
6,7E-05
2,3E-10
2,4E-09
0,0005
6,7E-11
3,7E-05
0,67
1,86
2,63
1,49
1,88
3,89
1,88
1,88
3,89
1,88
1,88
3,89
1,88
1,88
3,89
1,88
1,88
3,89
1,88
1,88
3,89
1,88
elvetve
elvetve
elvetve
elvetve
helyes
elvetve
elvetve
elvetve
elvetve
elvetve
elvetve
elvetve
elvetve
elvetve
helyes
elvetve
elvetve
elvetve
elvetve
elvetve
elvetve
elvetve
elvetve
Helyes
elvetve
Helyes
Helyes
elvetve
elvetve
elvetve
elvetve
Helyes
Helyes
elvetve
Helyes
Helyes
5,41
16,82
1,61
5,31
10,54
1,66
5,79
3,89
2,01
4,06
11,82
3,08
2,41
26,91
0,71
1,71
42,23
1,10
1,98
2,43
1,17
4,4E-08
2,4E-10
0,02
2E-07
0,001
0,08
3,4E-08
0,049
0,03
2E-05
0,0007
0,0007
0,008
4,9E-07
0,73
0,07
5,5E-10
0,36
0,03
0,12
0,31
1,81
2,63
1,46
1,83
3,89
1,83
1,83
3,89
1,83
1,83
3,89
1,83
1,83
3,89
1,83
1,83
3,89
1,83
1,83
3,89
1,83
elvetve
elvetve
elvetve
elvetve
elvetve
elvetve
elvetve
elvetve
Helyes
elvetve
elvetve
elvetve
elvetve
elvetve
Helyes
Helyes
7. TÁBLÁZAT
Kéttényezős varianciaanalízis a fajták és az RERFSF valamint RERFBF tulajdonságpárokra
elvetve
Helyes
elvetve
Helyes
Helyes
Fajták és héjszín+szürkült hússzín (RESF)
H0fajta:
a
fajták
„azonosak‖,
a
2
tulajdonság
héjszín+szürkült hússzín együttes értéke nem különíti el a fajtákat
H0 RESF: az RESF jellemző értékek „azonosak‖
H0fajta, RESF: fajták és RESF között nincs interakció
Megállapítható, hogy mind a 4 vizsgált időszakban a fajták, a 200802 időszak kivételével p=0,27, szignifikáns különbséget mutatnak, H0fajta elvetve. A 2 tulajdonság—héjszín+szürkült hússzín együttesen szignifikáns
különbséget
mutat,
H0RESF
elvetve.
A
tulajdonságra
vonatkozóan a 200711 időszak jelenti a kivételt p=0,47. Itt is felmerül valamilyen olyan nem kívánatos tényező megjelenése, amely hatására a mérési eredmény torzul. A kölcsönhatás is szignifikáns különbsége mutat, H0fajta,RESF elvetve, a héjszín+szürkült hússzín tulajdonság fajtáról fajtára eltér. (A 200802-s időszakot nem számítva, p=0,46). Fajták és nyers hússzín+főtt hússzín (RFBF)
H0fajta:
a
fajták
„azonosak‖,
a
2
tulajdonság—nyers
hússzín+főtt hússzín együttes értéke nem különíti el a fajtákat
H0 RFBF: az RFBF jellemző értékek „azonosak‖
H0fajta, RFBF: fajták és RFBF között nincs interakció
Egyértelműen megállapítható, hogy mind a 3 vizsgált időszakban a
fajták
szignifikáns
különbséget
mutatnak,
H0fajta
elvetve.
A 2 tulajdonság —nyers hússzín+főtt hússzín együttes értéke között szignifikáns az eltérés, H0
RFBF
elvetve. A kölcsönhatás elfogadása -
H0fajta,RFBF - arra enged következtetni, hogy a nyers hússzín+főtt hússzín közötti tendencia fajtáról fajtára történő eltérése nem kifejezett. A 200811 időszakban kifejezetten erős a kölcsönhatás (p=6,7E-05), míg a másik 2 időszakban kifejezetten gyenge.
68
Fajták és nyers hússzín+szürkült hússzín (RFSF)
H0fajta:
a
fajták
„azonosak‖,
a
2
tulajdonság—nyers
hússzín+szürkült hússzín együttes értéke nem különíti el a fajtákat
H0 RFSF: az RFSF jellemző értékek „azonosak‖
H0fajta,RFSF: fajták és RFSF között nincs interakció
Egyértelműen megállapítható, hogy mind a 4 vizsgált időszakban a fajták szignifikáns különbséget mutatnak – kivétel a 200902 időszakot, bár itt p=0,07 értéke nagyon közel van a kritikus p értékhez-, H0fajta elvetve. A 2 tulajdonság —nyers hússzín+főtt hússzín együttes értéke között szignifikáns az eltérés (3 időszakban is nagyon kifejezett az elkülönülés) – kivétel a 200711 időszak p=0,47, ami igen magas érték-, H0
RFSF
elvetve. A fajták és RFSF közötti interakció a 4 időszak
adatai alapján felemás helyzetet mutat. A 2 őszi időszakban H0fajta,RFSF elutasításra, míg a 2 tavaszi időszakban elfogadásra került. Ez arra enged következtetni, hogy a nyers hússzín+szürkült hússzín közötti tendencia fajtáról fajtára történő eltérése nem kifejezett. Fajták és főtt hússzín+szürkült hússzín (BFSF)
H0fajta:
a
fajták
„azonosak‖,
a
2
tulajdonság—főtt
hússzín+szürkült hússzín együttes értéke nem különíti el a fajtákat
H0 BFSF: az BFSF jellemző értékek „azonosak‖
H0fajta,BFSF: fajták és BFSF között nincs interakció
Megállapítható, hogy mind a 3 vizsgált időszakban a fajták nem mutatnak egyértelmű különbséget. Mivel a 3 időszakból 2 időszakban a H0fajta hipotézis elvetésre került, így összességében H0fajta –t elvetjük. A 2 tulajdonság főtt hússzín+szürkült hússzín együttes értéke között szignifikánsan nincs eltérés, H0 BFSF elfogadjuk. A kölcsönhatás esetében egyértelmű a H0fajta,BFSF hipotézis elfogadása. Megállapítható, ezt a változatot nem érdemes a továbbiakban vizsgálni.
69
A fenti eredmények tükrében egyértelmű, hogy a héjszín és bármely más tulajdonság kombinációja képes elkülöníteni a fajtákat. A nyers hússzín és a másik két hússzín elkülönítő képessége nem teljesen egyértelmű. Ezért érdemes még 2 esetet megvizsgálni, a héjszín a nyers hússzín és a főtt hússzín változatot, valamint a héjszín a nyers hússzín
és
a
szürkült
hússzín
változatot.
Várható,
hogy
a
tulajdonsághármas, együttesen szintén jó elkülönítést ad. A 8. táblázat tartalmazza a kéttényezős varianciaanalízis eredményeit a fajták és a tulajdonságaikra.
időszak 200711
200802
200811
200902
Változatok Tényezők F p-érték F kritikus 0 hipotézis F p-érték F kritikus 0 hipotézis F p-érték F kritikus 0 hipotézis F p-érték F kritikus 0 hipotézis
Fajták 4,75 0,000004 1,88 elvetve 8,91 8,03E-13 1,86 elvetve 7,23 3,22E-10 1,86 elvetve 4,60 4,41E-06 1,86 elvetve
RERFSF RERFSF 0,51 0,47 3,89 helyes 33,31 8,84E-14 3,03 elvetve 60,16 1,16E-22 3,03 elvetve 20,58 4,25E-09 3,03 elvetve
KölHat 2,03 0,03 1,88 elvetve 1,99 7,62E-03 1,61 elvetve 3,32 3,79E-06 1,61 elvetve 1,72 2,93E-02 1,61 elvetve
Fajták
RERFBF RERFBF
KölHat
9,13 31,47 2,05 3,72E-13 4,02E-13 5,68E-03 1,86 3,03 1,61 elvetve elvetve elvetve 7,38 72,78 3,40 1,88E-10 1,89E-26 2,40E-06 1,86 3,03 1,61 elvetve elvetve elvetve 6,24 13,16 1,13 1,15E-08 3,35E-06 0,32 1,86 3,03 1,61 elvetve elvetve helyes
8. TÁBLÁZAT
Kéttényezős varianciaanalízis a fajták és az RERFSF valamint RERFBF tulajdonsághármasokra
Fajták és a héjszín főtt hússzín+szürkült hússzín (RERFBF)
H0fajta: a fajták „azonosak‖, a 3 tulajdonság—héjszín+ nyers hússzín+főtt hússzín együttes értéke nem különíti el a fajtákat
H0 RERFBF: az RERFBF jellemző értékek „azonosak‖
H0fajta,RERFBF: fajták és RERFBF között nincs interakció
70
Megállapítható, hogy mind a 4 vizsgált időszakban a fajták szignifikáns
különbséget
nagyságrendje
nagyon
mutatatnak, erős
elkülönítést
héjszín+főtt hússzín+szürkült hússzín különbséget mutat, H0
RERFBF
H0fajta elvetve. jelez.
együttes
Ap
értékek
A 3 tulajdonság—
értéke
szignifikáns
elvetve. A kölcsönhatás különbsége arra
enged következtetni, hogy a 3 tulajdonság (közötti tendencia) fajtáról fajtára eltér. Ez még akkor is igaz, ha a 2009 tavaszi időszakban nem mutatható ki különbség, de a megelőző két időszak p étéke erős elkülönítést mutat. Fajták és héjszín+nyers hússzín+szürkült hússzín (RERFSF)
H0fajta: a fajták „azonosak‖, a 3 tulajdonság—héjszín, nyers hússzín és a szürkült hússzín együttes értéke nem különíti el a fajtákat
H0 RERFSF: az RERFSF jellemző értékek „azonosak‖
H0fajta,RERFSF: fajták és RERFSF között nincs interakció
Megállapítható, hogy mind a 4 vizsgált időszakban a fajták szignifikáns különbséget mutatnak, H0fajta elvetve. A 3 tulajdonság héjszín,
nyers
szignifikáns
hússzín
különbséget
nagyságrendje
nagyon
és
a
szürkült
mutat, erős
H0
hússzín
RERFSF
elkülönítést
együttes
elvetve. jelez.
A
A
p
értéke értékek
kölcsönhatás
szignifikáns különbsége arra enged következtetni, hogy a 3 tulajdonság közötti tendencia fajtáról fajtára eltér. A
3
tulajdonságra vonatkozó
kéttényezős
varianciaanalízis
eredményeiből azt a következtetést vonhatjuk le, hogy a héjszín, nyers hússzín és a másik két tulajdonság bármelyike szignifikánsan magas elkülönítést ad mind a három H1 hipotézisre (H1fajta , H13 jellemző , H1fajta,3 jellemző). Ebből következően, egyrészt elég lehet az SFD párosított t-próba vizsgálatoknál a 3 tulajdonság értékelése a 4 tulajdonság helyett, másrészt ez annyit jelent, hogy elég a kettő közül csak az egyik tulajdonságra az SFD értékét meghatározni! Praktikusan ez a héjszín, nyers hússzín és a szürkült hússzín, mivel ez nem igényel plusz energiaráfordítást és eszközt. 71
Összességében az egytényezős és kéttényezős varianciaanalízis vizsgálatok eredményei azt mutatják, hogy a fajták a tulajdonságok alapján elkülöníthetők, kivétel a főtt hússzín és szürkült hússzín esetet. Az elkülöníthetőség mértéke különböző, legerősebb a 4 tulajdonság együttes értéke, de a 3 tulajdonság együttes értéke is nagyon jó elkülönítést ad. Az esetek nagy többségében a fajták és tulajdonságok között interakció is létezik. A fentiekből következően a párosított t-próba vizsgálat elvégezhető. 8.2.2. FAJTÁN BELÜLI MINŐSÍTÉS
Az SFD értékek a teljes (Totál=T), az R, G és B színterekre határoztam meg. Gyorsan feltűnt, hogy minden választott tulajdonságnál mind a totál mind az R, G, B térben is, és minden évben az adatok igen közeli értékeket vesznek fel. A 22. táblázatban prezentálom a különböző tulajdonságokra és vizsgált színterekre az átlagok minimumait és maximumait, a relatív eltérések értékeit. Egyidejűleg feltüntettem a fajták évenkénti értékei és a fajták közötti legkisebb szignifikáns értékhez tartozó átlagok különbségeit. Az adatok egyértelművé teszik, hogy a 13 fajtából 12 esetben a minimum
és
maximum
értékek
relatív
eltérései
nagyságrenddel
nagyobbak, mint a legkisebb szignifikáns értékhez tartozó relatív eltérés. Ugyanez igaz a fajtán belüli évenkénti eltérésekre is. Ebből adódik, hogy a fajtán belüli minősítések matematikai lehetősége megszűnt. A fajtán belüli minőségi kimutathatóság lehetőségét nem vizsgáltam tovább. 8.2.3. FAJTÁK SFD ÉRTÉKE
A továbbiakban az azonos fajták különböző évek közötti eltéréseit vizsgáltam, minden tulajdonságra és színtérre. Egyidejűleg elemezésre kerültek a tulajdonságok együtthatásai annak céljából, hogy kiderüljön melyek a totál értékhez tartozó meghatározó elemek a különböző tulajdonságok esetében.
72
A 9. táblázatban a számláló a szignifikáns esetek számát, a nevező
(vizsgált
időszakok)
az
összes
esetszámot
tartalmazza.
A lehetséges 78 esetből összesen 4 eset volt, amikor az évek között nem volt szignifikáns eltérés.
Fajta neve Balatoni rózsa Démon Katica Luca White Lady Cleopátra Góliát Kánkán Rioja Desiree Hópehely Lorett Vénusz
TFV 15 RE 4/6
BFV 16 RF&BF 2/3
TFV 17 RE&RF&SF 5/6
BFV 18 RF&BF&SF 2/3
BFV 19 RE&RF&SF 5/6
TFV 20 RE&RF&BF&SF 3/3
5/6 2/4 5/6 5/6 3/3 5/6 6/6 5/6 5/6 5/6 3/6 5/6
2/3 1/1 3/3 3/3 1/1 1/3 0/3 2/3 0/3 2/3 2/3 2/3
5/6 2/3 3/6 3/6 2/3 4/6 6/6 2/6 5/6 6/6 6/6 6/6
2/3 1/1 1/3 3/3 1/1 0/3 2/3 0/3 2/3 2/3 2/3 2/3
4/6 2/3 3/6 3/6 3/3 4/6 3/6 2/6 5/6 4/6 3/6 3/6
2/3 1/1 3/3 3/3 1/1 3/3 3/3 2/3? 2/3 3/3 3/3 3/3
9. TÁBLÁZAT
A fajták évek közötti eltérései a tulajdonságok kombinációira
Így megállapíthatóvá vált, hogy az esetek nagy részében az azonos fajtán belül is szignifikáns különbségek vannak. Ezért azt a következtetést vonhatjuk le, hogy a fajták azonosítását nem egy meghatározott SFD értékhez, hanem az adott év ismert SFD értékű kontrolljához kell viszonyítani. Ez a tény egyidejűleg arra enged következtetni, hogy a termesztési feltételek (kezdve a meteorológiai változóktól, a talajtani változókig, stb.) hatnak a burgonya választott vizsgálati tulajdonságaira, és ezáltal az SFD értékekre.
15 16 17 18 19 20
TFV RE= héjszín RGB szintér fraktál érték BFV RF&BF= nyers~ és főtt hússzín Kék (Blue) altér fraktál érték TFV RE&RF&SF= héjszín, nyers~ és szürkült hússzín RGB szintér fraktál érték BFV RF&BF&SF= nyers~, főtt~ és szürkült hússzín Kék (Blue) altér fraktál érték BFV RE&RF&SF= héjszín, nyers~ és szürkült hússzín Kék (Blue) altér fraktál érték TFV RE&RF&BF&SF= héjszín, nyers~, főtt~ és szürkült hússzín RGB szintér fraktál érték
73
8.2.4. FAJTÁK ÉVENKÉNTI VIZSGÁLATA
A vizsgálatokat a párosított t-próbával végeztem, melyek az egyes évek összefoglaló értékeit a 10.-13. táblázatok21 tartalmazzák a 4 tulajdonság együttes értékeit figyelembe véve. BaRó
átlag szórás Balatoni Rózsa
Cleo
1,53E 2,03 +00 E+00 8,94E- 2,22 01 E-02 9,83 B-XX E-04
Cleopátra
C-xx
Desiree
Des
Dém
2,03 E+00 2,37 E-02 1,06 E-03 4,58 E-01
1,51 1,52 E+00 E+00 8,84 8,89 E-01 E-01 9,33 9,68 E-01 E-01 6,20 7,87 E-04 E-04 6,71 8,51 E-04 E-04 9,66 E-xx E-01
D-xx
Démon Góliát
Gól
F-xx
Hópehely
Hóp
Kat
Kán
1,50 E+00 8,76 E-01 8,80 E-01 4,23 E-04 4,59 E-04 9,46 E-01 9,12 E-01
1,51 E+00 8,96 E-01 9,13 E-01 7,55 E-04 8,16 E-04 9,79 E-01 9,45 E-01 9,68 E-01
1,01 E+00 1,03 E+00 1,89 E-02 2,05 E-07 2,21 E-07 2,23 E-02 2,05 E-02 2,55 E-02 2,53 E-02
G-xx
Katica
H-xx
Kánkán
I-xx
Lorett
Lorett 2,02 E+00 3,31 E-02 1,24 E-03 0,11 E+00 2,87 E-01 7,90 E-04 1,00 E-03 5,42 E-04 9,54 E-04 2,57 E-07 J-xx
Luca Rioja
Luca
Rioja
Vén
1,50 1,52 1,50 E+00 E+00 E+00 8,80 8,90 8,78 E-01 E-01 E-01 9,07 9,78 8,95 E-01 E-01 E-01 5,14 8,46 4,71 E-04 E-04 E-04 5,57 9,15 5,11 E-04 E-04 E-04 9,73 9,55 9,61 E-01 E-01 E-01 9,39 9,89 9,27 E-01 E-01 E-01 9,73 9,01 9,85 E-01 E-01 E-01 9,95 9,34 9,83 E-01 E-01 E-01 2,39 1,99 2,46 E-02 E-02 E-02 6,57 1,07 6,03 E-04 E-03 E-04 9,28 9,88 K-xx E-01 E-01 9,16 L-xx E-01
Vénusz White Lady
M-xx
White Lady 1,51 E+00 8,83 E-01 9,29 E-01 5,98 E-04 6,48 E-04 9,95 E-01 9,61 E-01 9,51 E-01 9,84 E-01 2,26 E-02 7,63 E-04 9,78 E-01 9,50 E-01 9,66 E-01 N-xx
10. TÁBLÁZAT
Párosított t-próba számított p értékei 2007 őszi időszakra (p0=5%)
A 2007 év őszi időszakra a 78 értékből 40 esetben – 51,3% - volt az elkülönülő fajták száma. A Kánkán fajta minden más fajtától elkülönült (100%), a Cleopátra és Lorett fajták csak a Desiree fajtától nem különült el (91,7%), míg a többi fajták mintegy egyharmadnyi mértékben különültek el (33,3%). Összességében negyede nagyon jó, míg kétharmaduk a közepesnél gyengébb elkülönülést mutatott.
21
A beszínezett cellák az elkülönülő értékeket jelölik
74
átlag szórás Balatoni Rózsa Cleopátra Desiree Démon Góliát Hópehely Somogyi sárga kifli Kánkán Lorett Luca Rioja Vénusz White Lady
Loret White BaRó Cleo Des Dém Gól Hóp Kán t Luca Rioja Vén Lady SoKi 2,05 2,09 2,06 2,04 2,05 2,01 2,05 2,02 2,00 2,03 2,00 2,02 2,00 E+00 E+00 E+00 E+00 E+00 E+00 E+00 E+00 E+00 E+00 E+00 E+00 E+00 4,39 6,10 4,08 3,86 4,32 4,11 3,59 4,48 4,84 5,10 3,96 3,87 5,15 E-02 E-02 E-02 E-02 E-02 E-02 E-02 E-02 E-02 E-02 E-02 E-02 E-02 4,73 3,01 3,13 9,97 4,11 6,40 9,22 7,01 3,24 1,91 2,32 2,84 B-XX E-03 E-01 E-01 E-01 E-04 E-01 E-03 E-06 E-02 E-06 E-03 E-05 3,35 3,14 4,51 1,79 1,05 3,99 4,36 2,13 2,20 9,04 1,44 C-XX E-02 E-04 E-03 E-07 E-03 E-06 E-09 E-05 E-09 E-07 E-08 3,31 2,95 4,83 1,06 2,91 7,34 2,02 8,34 3,53 4,43 D-xx E-02 E-01 E-06 E-01 E-04 E-08 E-03 E-09 E-05 E-07 3,10 5,05 5,36 7,13 9,37 1,76 2,96 2,48 3,39 E-xx E-01 E-03 E-01 E+01 E-05 E-01 E-05 E-02 E-04 3,74 6,40 8,81 6,25 3,16 1,62 2,15 2,60 F-xx E-04 E-01 E-03 E-06 E-02 E-06 E-03 E-05 6,00 3,72 1,47 2,54 1,51 5,09 2,31 G-xx E-04 E-01 E-01 E-01 E-01 E-01 E-01 1,65 8,87 5,84 1,59 3,75 3,75 H-xx E-02 E-06 E-02 E-06 E-03 E-03 5,30 2,80 7,61 2,44 7,73 E-02 I-xx E-02 E-01 E-02 E-01 1,91 8,69 3,87 8,50 J-xx E-02 E-01 E-02 E-01 1,69 5,57 3,58 K-xx E-02 E-01 E-02 3,32 9,62 L-xx E-02 E-01 7,36 E-02 M-xx N-xx
11. TÁBLÁZAT
Párosított t-próba számított p értékei 2008 tavaszi időszakra
A 2008 év tavaszi időszakra a 78 értékből 58 esetben – 74,4% volt az elkülönülő fajták száma (Ebben az évben a Katica fajta nem állt rendelkezésre, helyette egyszeri alkalommal a Somogyi sárga kiflit vizsgáltam). A legjobb 75% fölötti elkülönülést a Balatoni rózsa, Desiree és Lorett fajták adták (92%, 75-75%). A többi fajta – a Hópehely kivételével (50%) - a közepesnél jobb elkülönülést adott (66,7%). Összességében ezen időszak értékei mutatták a legjobb elkülönülést. A 2008 év őszi időszakra a 78 értékből 44 esetben – 56,4% - volt az elkülönülő fajták száma. A Katica fajta minden más fajtától elkülönült (100%), a Hópehely, Vénusz gold és White Lady fajták 80% fölötti mértékben, míg a többi fajták a közepesnél gyengébb mértékben különültek el (33,3%). Összességében a fajták 40%-a nagyon jó, míg 60%-a a közepesnél gyengébb elkülönülést mutatott.
75
BaRó Cleo átlag szórás Balatoni Rózsa
1,94 E+00 5,00 E-02 B-XX
Cleopátra
Des
1,94 E+00 5,70 E-02 7,41 E-01 C-xx
Desiree
Dém
1,95 E+00 5,57 E-02 5,27 E-01 3,65 E-01 D-xx
Démon
Gól
1,95 E+00 5,51 E-02 5,41 E-01 3,75 E-01 9,82 E-01 E-xx
Góliát
Hóp
1,94 E+00 5,69 E-02 9,26 E-01 6,90 E-01 6,13 E-01 6,27 E-01 F-xx
Hópehely
Kat
1,91 E+00 7,56 E-02 4,53 E-02 9,60 E-02 1,57 E-02 1,62 E-02 4,62 E-02 G-xx
Katica
Kán
1,99 E+00 6,71 E-02 2,18 E-03 1,43 E-03 1,13 E-02 1,06 E-02 3,80 E-03 3,32 E-05 H-xx
Kánkán
Lorett Luca
1,94 E+00 3,93 E-02 5,35 E-01 8,36 E-01 2,06 E-01 2,12 E-01 5,02 E-01 9,35 E-02 3,49 E-04 I-xx
Lorett
1,95 E+00 3,78 E-02 4,86 E-01 3,17 E-01 9,57 E-01 9,78 E-01 5,93 E-01 8,97 E-03 5,26 E-03 1,30 E-01 J-xx
Luca
1,93 E+00 6,17 E-02 2,10 E-01 3,73 E-01 7,89 E-02 8,13 E-02 2,04 E-01 3,90 E-01 1,68 E-04 4,08 E-01 5,03 E-02 K-xx
Rioja
Rioja 1,95 E+00 3,40 E-02 5,97 E-01 3,92 E-01 8,14 E-01 8,34 E-01 7,07 E-01 1,15 E-02 3,21 E-03 1,72 E-01 8,18 E-01 6,47 E-02 L-xx
Vénusz White Lady
White Vén Lady 1,89 E+0 1,90 0 E+00 5,32 6,24 E-02 E-02 2,93 1,18 E-05 E-03 2,56 4,96 E-04 E-03 6,81 2,94 E-06 E-04 6,79 3,00 E-06 E-04 5,89 1,57 E-05 E-03 1,37 3,90 E-01 E-01 1,76 3,85 E-08 E-07 5,28 2,69 E-05 E-03 3,33 5,97 E-07 E-05 7,56 5,76 E-03 E-02 3,81 7,64 E-07 E-05 5,08 M-xx E-01 N-xx
12. TÁBLÁZAT
Párosított t-próba számított p értékei 2008 őszi időszakra Cle
átlag szórás Balatoni Rózsa Cleopátra
Desiree Démon Góliát Hópehel y Katica
BaRó o 1,97E +00 4,11E -02 B-XX
Des Dém 1,95E 1,96E +00 +00 3,86E 4,10E -02 -02 3,25E 7,51 -03 E-02
CXX D-xx
2,41E -01 E-xx
Gól Hóp Kat 1,97E 1,96 1,95 +00 E+00 E+00 4,16E 3,53E 4,75 -02 -02 E-02 6,64E 8,21 5,41 -01 E-02 E-02 1,21 E-02 1,79 E-01 F-xx
1,52 E-01 8,65 E-01 2,03 E-01 G-xx
White Kán Lorett Luca Rioja Vén Lady 1,97E 1,97 1,97 1,94 1,92 1,95 +00 E+00 E+00 E+00 E+00 E+00 4,18E 4,05 5,31 2,90 4,05 3,83 -02 E-02 E-02 E-02 E-02 E-02 5,51E 5,96 5,33 7,78 5,58 8,84 -01 E-01 E-01 E-04 E-07 E-03
4,32 E-01 7,73 E-01 1,27 E-01 6,45 E-01
1,92 E-02 2,38 E-01 8,71 E-01 2,74 E-01 1,70 E-01
H-xx
Kánkán
I-xx
Lorett
1,42 E-02 2,03 E-01 9,29 E-01 2,32 E-01 1,44 E-01 9,40 E-01 J-xx
Luca
5,32 9,09 E-02 E-01 3,54 1,56 E-01 E-01 8,06 3,92 E-01 E-03 4,06 7,96 E-01 E-02 2,61 3,37E E-01 -01 9,18 6,95 E-01 E-03 8,65 4,58 E-01 E-03 2,99 K-xx E-02
Rioja
L-xx
Vénusz White Lady
1,22 E-02 4,78 E-04 3,67 E-06 1,10 E-04 2,92 E-03 7,43 E-06 4,09 E-06 1,13 E-04 7,11 E-03 M-xx
7,09 E-01 4,13 E-01 2,95 E-02 2,91 E-01 6,48 E-01 4,47 E-02 3,43 E-02 1,01 E-01 5,92 E-01 4,29 E-03 N-xx
13. TÁBLÁZAT
Párosított t-próba számított p értékei 2009 tavaszi időszakra
76
A 2009 év tavaszi időszakra a 66 értékből 32 esetben – 48,5% volt az elkülönülő fajták száma (Ebben az évben a Desiree fajta nem állt rendelkezésre). A Vénusz gold fajta minden más fajtától elkülönült (100%), ugyanakkor a többi fajta közepes (54,5% és 9% között) vagy annál rosszabb mértékben különült el. Összességében ezen időszak értékei mutatták a legrosszabb elkülönülést. Valamennyi tulajdonságra és színtérre vonatkozó, az egyes fajták közötti eltérések értékeinek évenkénti összesítését foglaltam össze a 14. táblázatba. 200711
200802
200811
200902
50,6% Kánkán=100% 41,6% Kánkán=100% 41,6% Kánkán=100% 51,9% Kánkán=100% Katica=100% 59,0%
74,4% Cleopátra=100% 56,4% Balatoni rózsa=100% 49,4%
58,4% Katica=100% 57,1% Katica=100% 42,9%
48,5% Vénusz=100% 13,6%
31,2%
57,1% Kánkán=100%
51,5 %
56,4%
43,6%
56,1%
33,8%
29,5%
28,8%
GFVRE7
40,3% Balatoni rózsa=100% Lorett=100% 10,4%
11,7%
16,7%
BFVRE8
57,1%
38,5%
26,9% Whyte Lady=100% 20,5%
43,,9%
TFVRF9
59,7%
56,1%
22,7%
RFVRF10
49,2% Góliát=100% 43,1%
64,1%
43,1%
18,2%
GFVRF11
37,9%
21,8%
33,8%
22,79%
BFVRF12
27,7%
53,2%
32,3%
TFVBF13
57,7%
56,4%
RFVBF14
69,2%
29,9%
57,6% Whyte Lady=100% 20,0% Vénusz=100% 34,8%
GFVBF15
11,7%
20,8%
21.2%
BFVBF16
55,1%
44,2%
39,4%
TFV1 RFV2 GFV3 BFV4 TFVRE5 RFVRE6
18,2 %
TFVSF17
53,8%
37,2%
53,8%
27,3%
RFVSF18
44,2% Balatoni rózsa=100%, Desiree=100% 2,6%
44,9%
40,3% Cleopátra=100%
24,2% Vénusz=100%
18,2%
22,1% Cleopátra=100% 200811
31,8% Vénusz=100% 200902
50,6%
33,3%
59,1% Katica=100% 42,4%
24,2%
GFVSF19
200711
200802
BFVSF20
71,4%
TFVRF&SF21
29,2%
RFVRF&SF22
18,2%
47,4% Balatoni Rózsa=100% 52,6% Desiree=100% 55,1% Balatoni Rózsa=100%, Desiree=100%
77
0,0%
200711
200802
200811
200902
GFVRF&SF23
24,2%
46,8% Desiree=100%
40,9%
BFVRF&SF24
31,8%
59,7%
38,2% Katica=100%
31,8% Balatoni Rózsa=100%, 47,0%
TFVRF&BF25
65,4%
RFVRF&BF26
65,4% Balatoni Rózsa=100%, Cleopátra=100% 37,2% Balatoni rózsa=100% 66,7%
50,0% Katica=100% 42,4% Katica=100%
30,3% Vénusz=100% 1,5%
30,3% Katica=100% 14,5%
15,2%
53,0%
GFVRF&BF27 BFVRF&BF28 TFVRF&RE29 RFVRF&RE30 GFVRF&RE31
25,8%
35,9% Balatoni rózsa=100% 27,3%
BFVRF&RE32
36,4%
50,6%
54,5% Katica=100% 50,0% Katica=100% 40,9% Katica=100% 25,5%
TFVRE&SF33
50,6%
25,5%
50,0%
RFVRE&SF34
47,4% Kánkán=100% 23,1%
27,3%
30,3%
GFVRE&SF35
5,2%
55,1% Balatoni rózsa=100% 45,5%
24,2%
16,7%
BFVRE&SF36
60,3%
49,4%
42,4%
33,3%
TFVRE&BF37
36,4%
RFVRE&BF38
54,5% Vénusze=100% 19,7%
GFVRE&BF39
43,6% Balatoni rózsa=100% 23,4%
48,5% Katica=100% 27,3% 27,3%
10,6%
BFVRE&BF40
41,6%
31,8%
40,9%
TFVBF&SF41
38,5% Cleopátra=100% 55,1% Balatoni rózsa=100% Desiree=100% 41,6% Desiree=100%
68,2%
25,8%
43,9% Kánkán=100%
34,8%
37,9%
27,3% Vénusze=100%
60,6% Kánkán=100% 47,0% Katica=100% 43,9%
45,5% 50,0% Vénusz=100% 12,1%
24,2%
10,6%
22,7%
48,5%
68,2% 40,9%
45,5% Vénusz=100% 27,3%
GFVRE&BF&SF51
53,8% Desiree=100% 57,7% Balatoni rózsa=100% 49,4%
47,0%
19,7%
BFVRE&BF&SF52
49,4%
42,4%
200802
59,1% Kánkán=100% 54,5% Katica=100% 200811
53,8% Balatoni rózsa=100%
45,5% Katica=100%
19,7%
50,6%
33,3% Katica=100%
15,2%
RFVBF&SF42 GFVBF&SF43
45,5%
57,6%
51,3% Kánkán=100% 25,8%
BFVBF&SF44
54,5%
TFVRE&RF&BF45
50,6%
RFVRE&RF&BF46
46,2% Balatoni rózsa=100% 29,5% Balatoni rózsa=100% 53,2%
GFVRE&RF&BF47 BFVRE&RF&BF48 TFVRE&BF&SF49 RFVRE&BF&SF50
TFVRE&RF&SF53
RFVRE&RF&SF54
GFVRE&RF&SF55
46,2% Kánkán=100% 200711 29,5% Balatoni rózsa=100%, Kánkán=100% 37,7% Kánkán=100%
62,8%
78
21,2% 12,1% 51,5%
48,5% Vénusz=100% 200902
BFVRE&RF&SF56
200711
200802
200811
200902
52,6% Kánkán=100%
62,3%
39,4% Katica=100% 66,7% Katica=100% 45,5% Katica=100%
53,0%
TFVRF&BF&SF57
50,0%
RFVRF&BF&SF58 GFVRF&BF&SF59
56,4% Balatoni rózsa=100% Desiree=100% 44,2%
BFVRF&BF&SF60
58,4%
31,8% Vénusz=100% 0,0%
39,4% Katica=100% 59,1%
22,7% 59,1%
14. TÁBLÁZAT
A fajták évenkénti elkülöníthetőségének értékelése az SFD értékek és a tulajdonságok összefüggés vizsgálata alapján (t-próba)
A 14. táblázat alapját képező táblázatok részletes adatai az elektronikus-mellékletben vannak feltüntetve. Megállapítható, hogy függetlenül a tulajdonságtól vagy a vizsgált színtértől nincs olyan eset, melyben a fajták elkülönítése teljes egészében megvalósulna. Minden évben van azonban olyan fajta, amely 100%-san elkülöníthető, de a fajták és tulajdonságaik évente változtak. Ugyanakkor az sem állapítható meg, hogy a különböző tulajdonságok és a színterek eredményeinek variációjával az elkülönítés nem lehetséges. A 16. gyakorisági táblázatban a vizsgált időszakokban a fajták egymással szembeni elkülönülését mutatom be a 4 tulajdonságra vonatkozóan. A táblázat átlója felett az elkülönült értékek darabszáma, míg
az
átló
alatt
az
elkülönülés
százalékos
értéke
látható
(a halványlilával színezett értékek a legalább 50%-s elkülönülést jelentik). Ezt a százalékos értéket felfoghatjuk valószínűségi értékként, amely megmutatja egy éven belül milyen lesz a fajták egymással szembeni várható elkülönülése. A táblázatból az is kitűnik, hogy a fajták elkülöníthetőségéről csak egymáshoz viszonyítva van értelme beszélni.
Vannak
olyan
párosítások
(5 db)
–
Balaton rózsa+Démon, Góliát, Démon+Góliát, Luca XL, Hópehely+Luca XL - amelyek egyetlen egyszer sem különültek el egymástól. Találunk azonban olyan eseteket (4 db) – Vénusz Gold+Cleopátra, Desiree, Lorett, White Lady+Lorett - amelyek minden időszakban elkülönültek. A táblázat utolsó 2 oszlopa azt mutatja, hogy az adott fajta hányszor különült el a 4 időszak összesítésében legalább 50%-ban 79
(darabban és százalékosan), narancssárgával jelölve az 50%-t el nem ért fajtákat, mely csak 2 esetben fordult elő (Katica, Luca XL). Ugyanezt az értéket rangsorolva az 15. táblázat jeleníti meg. Fajta Desiree Lorett Vénusz Cleopatra Kánkán Balatoni Rózsa Góliát Rioja White Lady Démon Hópehely Katica Luca
db
% 11 11 11 10 9 8 8 8 8 6 6 5 5
92% 92% 92% 83% 75% 67% 67% 67% 67% 50% 50% 42% 42%
15. TÁBLÁZAT
A vizsgált időszakokban a fajták egymással szembeni elkülönülésének gyakorisági rangsora a 4 tulajdonságra vonatkozóan
80
Balatoni rózsa Balatoni rózsa Cleopatra Desiree Démon Góliát Hópehely Katica Kánkán Lorett Luca Rioja Vénusz White Lady
Cleopatra
Desiree Démon 2
2 1
0 2 2
Góliát
Hópehely Katica 0 2 2 0
2 2 3 2 2
Kánkán 1 2 2 1 1 1
Lorett 2 2 3 1 2 1 2
Luca 2 1 2 2 2 2 2 2
Rioja 1 2 2 0 1 0 1 1 2
Vénusz 2 2 2 1 2 1 1 3 2 2
67% 50% 0% 0% 50% 25% 50% 50% 25% 50% 75%
33% 67% 67% 67% 67% 67% 33% 67% 67% 100%
50% 50% 75% 50% 75% 50% 50% 50% 100%
0% 50% 25% 25% 50% 0% 25% 75%
50% 25% 50% 50% 25% 50% 75%
25% 25% 50% 0% 25% 25%
50% 50% 25% 25% 50%
50% 25% 75% 75%
50% 50% 100%
50% 50%
75%
75%
100%
75%
50%
75%
0%
25%
75%
75%
25%
25%
3 3 4 3 3 1 2 3 4 2 3
White Lady db
%
3 3 3 2 3 0 1 3 3 1 1 1
8 10 11 6 8 6 5 9 11 5 8 11
67% 83% 92% 50% 67% 50% 42% 75% 92% 42% 67% 92%
8
67%
75%
16. TÁBLÁZAT
A vizsgált időszakokban a fajták egymással szembeni elkülönülésének gyakorisági táblázata a 4 tulajdonságra vonatkozóan (darabban, és százalékosan)
Egy másik megközelítésben is készíthetünk rangsort, mégpedig ha a százalékos értékek átlagának rangsorát vizsgáljuk. (17. táblázat) Fajta Vénusz Cleopatra Desiree White Lady Lorett Kánkán Rioja Balatoni Rózsa Góliát Hópehely Katica Démon Luca
% 73% 67% 59% 56% 55% 53% 47% 43% 43% 37% 37% 35% 33%
17. TÁBLÁZAT
A vizsgált időszakokban a fajták elkülönülésének %-os értékek átlagának rangsora a 4 tulajdonságra vonatkozóan
A két rangsor nagyon hasonló, és azt mutatja, hogy vannak olyan fajtáink melyek jó elkülönülő képességűek – Vénusz, Desiree, Cleopátra, White Lady -, míg más fajták – Démon, Hópehely, Katica, Luca XL – ezzel a képességgel csekély mértékben rendelkeznek. Az összesített rangsort a keszthelyi fajták közül a Vénusz Gold vezeti (92%, 73%), egyedül a Hópehellyel szembeni elkülönülése alacsony értékű (25%). A többi fajta – Balatoni rózsa, Góliát, Kánkán, Lorett, Rioja - elkülönülése átlagosnak mondható. Érdekes tény, hogy a Lorett és a Luca XL milyen karakteres elkülönülési képességet mutat, bár tudjuk, hogy genetikai szempontból édestestvérek. Hangsúlyozom ezek a rangsorok csak iránymutatást adnak a várható elkülöníthetőségre, de az igazi elkülönülést csak a fajták páronkénti vizsgálatával tudjuk meghatározni. Meg kell még jegyezni, hogy a módszer visszaellenőrzésére kettős vakpróba mellett két fajta azonosítását kíséreltem meg 2009 tavaszi időszakra vonatkozóan. A mintavételezés időpontja május elején volt. 82
Az egyik fajtát – White Lady- sikerült azonosítani, míg a másik fajtát – Démon – nem, ami felhívta a figyelmet arra, hogy a felvételezések időpontját a fajtatulajdonságok figyelembe vételével kell megválasztani. 8.2.5. KLASZTER-ANALÍZIS
Az irodalom áttanulmányozása után választottam ki a klaszter eljárásokból a nem-hierarchikus eljárást, a paraméterek közül (előzetes vizsgálatok
eredményeként)
a
globális
optimalizáció
metódust,
hasonlósági arány együtthatót (4), maximális klaszterszám (12-13 mérési időszaktól függően) és 10 ismétléses futási számot alkalmaztam. Az eljárásban használt értékek a mérési adatok átlagai voltak. Az eredmények a következők: Cluster 200711
SIMILARITY RATIO BRCV
TFV 0,06948
22
CLUSTER 1 CLUSTER 2 CLUSTER 3 CLUSTER 4 CLUSTER 5 CLUSTER 6 CLUSTER 7 CLUSTER 8 CLUSTER 9 CLUSTER 10 CLUSTER 11 CLUSTER 12
Balatoni
Cleopátra Desiree Démon Góliát Hópehely Katica Kánkán Lorett LucaXL Rioja VénuszGold WhiteLady
RFV 0,03417
GFV 0,02202
Balatoni
Balatoni
Cleopátra Desiree Démon Góliát
Cleopátra Desiree Démon Góliát
Hópehely VénuszGold
Hópehely LucaXL
Katica Kánkán Lorett LucaXL Rioja WhiteLady
Katica Kánkán Lorett Rioja VénuszGold WhiteLady
BFV 0,03025 Balatoni
Cleopátra Desiree Démon Góliát Hópehely Katica Kánkán Lorett LucaXL Rioja VénuszGold WhiteLady
18. TÁBLÁZAT
A klaszterezés eredménye a 4 tulajdonság együttes értékelésekor (2007 őszi időszak)
Cluster 200802
SIMILARITY RATIO TFV 0,0733
BRCV
RFV 0,04411
GFV 0,01884
BFV 0,03872
CLUSTER 1
Balatoni rózsa Góliát Balatoni
Balatoni
CLUSTER 2
Cleopátra
Cleopátra Cleopátra
22
Cleopátra
BRCV = Best Result Criteria Value
83
Balatoni rózsa Góliát
Hópehely CLUSTER 3 CLUSTER 4 CLUSTER 5
Démon Desiree Hópehely
Démon Desiree Góliát
Démon Desiree Góliát
CLUSTER 6 CLUSTER 7 CLUSTER 8 CLUSTER 9 CLUSTER 10 CLUSTER 11 CLUSTER 12
Kánkán LucaXL Rioja Lorett VénuszGold WhiteLady
Hópehely Kánkán Kánkán
Démon Desiree Hópehely
Kánkán LucaXL LucaXL Rioja Rioja Lorett Lorett VénuszGold VénuszGold WhiteLady WhiteLady
LucaXL Rioja Lorett VénuszGold WhiteLady
19. TÁBLÁZAT
A klaszterezés eredménye a 4 tulajdonság együttes értékelésekor (2008 tavaszi időszak) Cluster 200811
SIMILARITY RATIO TFV
BRCV
RFV 0,00139
0,0001
GFV 0,00029
BFV 0,00011
CLUSTER 1
Balatoni rózsa
Balatoni rózsa
Balatoni rózsa
Balatoni rózsa Góliát
CLUSTER 2
Cleopátra
Cleopátra
Cleopátra
Cleopátra
CLUSTER 3
Desiree Démon
Desiree
Desiree Kánkán
Desiree
CLUSTER 4 CLUSTER 5 CLUSTER 6 CLUSTER 7
Góliát Hópehely Kánkán Katica
Démon Góliát Hópehely Katica
Démon Góliát Hópehely Katica
Démon Hópehely Katica Kánkán
CLUSTER 8
Lorett
Kánkán Rioja
Lorett
Lorett
CLUSTER 9 CLUSTER 10 CLUSTER 11 CLUSTER 12 CLUSTER 13
LucaXL Rioja VénuszGold WhiteLady
Lorett LucaXL VénuszGold WhiteLady
LucaXL Rioja VénuszGold WhiteLady
LucaXL Rioja VénuszGold WhiteLady
20. TÁBLÁZAT
A klaszterezés eredménye a 4 tulajdonság együttes értékelésekor (2008 őszi időszak)
Cluster 200902
SIMILARITY RATIO TFV BRCV
0,03
RFV 0,03605
GFV 0,01025
BFV 0,01288
CLUSTER 1
Balatoni rózsa
Balatoni rózsa
Balatoni
Balatoni rózsa Démon
CLUSTER 2
Démon Katica
Démon
Démon Katica
Desiree
84
Desiree Góliát Hópehely Kánkán Lorett LucaXL
Desiree Góliát Hópehely Kánkán Katica Lorett
Desiree Góliát Hópehely Kánkán Lorett LucaXL
Góliát Hópehely Kánkán Katica Lorett LucaXL
CLUSTER 9
Rioja
LucaXL Rioja
Rioja
Rioja
CLUSTER 10 CLUSTER 11 CLUSTER 12
VénuszGold WhiteLady
VénuszGold WhiteLady
VénuszGold WhiteLady
VénuszGold WhiteLady
CLUSTER 3 CLUSTER 4 CLUSTER 5 CLUSTER 6 CLUSTER 7 CLUSTER 8
21. TÁBLÁZAT
A klaszterezés eredménye a 4 tulajdonság együttes értékelésekor (2009 tavaszi időszak)
A 18-21. táblázatok értékelésénél figyelemmel kell lennünk a BRCV23 értékének nagyságára, amely tulajdonképpen a számítások során kapott legjobb hasonlósági arány koefficiens értéke. Ez az érték [0,1] intervallumba esik, és 1 jelöli a teljes egyezést. [22.]. Ezt az értéket százalékosan is kifejezhetjük, így jellemezve a fajták közötti hasonlóság mértékét. Az elkülönülés mértéke ((1-BRCV)*100) minden időszakra és értékre magasabb 90%-nál. A 2008 őszi időszak esetén még ezt is jóval meghaladta 99% feletti. Miután a mérési adatok átlagaival történt az elemzés, így ezek a magas értékek torzítást tartalmaznak, minden bizonnyal nem ilyen magas fokú a tényleges elkülönülés. Ezt figyelembe véve is megállapítható, hogy a fajták elkülönítése minden évben megtörtént és a totál érték (TFV) és egy másik szintér adatainak összevetésével az elkülönítés teljes lesz. 8.2.6. ORDINÁCIÓ – FŐKOMPONENS ANALÍZIS
Az elkülönülés szemléltetésére bemutatom a több dimenziós eredmények
síkbeli
ábrázolását
leképező
módszer
(Eigen-analízis)
eredményeként az adatokat ábrázoló szóródási diagrammokat (16-20. ábrák). A diagramokon a vízszintes tengely a Főkomponens analízis (PCA) eredményeként meghatározott a héjszínt képviselő értékeket xRE, míg a függőleges tengely a további három komponens együttes értékét
23
Best Result Criteria Value = legjobb számított határérték
85
képviselő értékeket yRFBFSF jelöli. A főkomponens analízist – a nemhierarchikus klaszter analízissel történő összehasoníthatóság okán szintén a mérési adatok átlagával végeztem el. A Scatter-diagramok jól illusztrálják a fajták elkülöníthetőségét. Egyrészt arról ad információt, hogy az egyes fajták páronként milyen mértékben különölnek el, ezt az őket összekötő egyenes hosszával jellemezhetjük. Ha ezeket az értékeket összevetjük a szignifikancia vizsgálatok eredményeivel, megállapíthatjuk, hogy az eredmények inkább egymást erősítő hatását tapasztalhatjuk. Másrészt csoportokat képezhetünk
a
diagramon
való
elhelyezkedésük
és
egymáshoz
viszonyított helyzetük alapján, mellyel későbbiekben hasonlóságot, különbözőséget állapíthatunk meg. Érdemes elgondolkodni az olyan eseteknél, amikor az adott fajták azonos x értéket, vagy y értéket vesznek fel.
16. ÁBRA 61
A 4 tulajdonság SFD átlagainak szóródási diagramja (2007 év őszi időszak)
86
17. ÁBRA 62
A 4 tulajdonság SFD átlagainak szóródási diagramja (2008 év tavaszi időszak)
18. ÁBRA 63
A 4 tulajdonság SFD átlagainak szóródási diagramja (2008 év őszi időszak)
87
19. ÁBRA 64
A 4 tulajdonság SFD átlagainak szóródási diagramja Katica és Vénusz gold fajták nélkül(2008 év őszi időszak)
20. ÁBRA 65
A 4 tulajdonság SFD átlagainak szóródási diagramja (2009 év tavaszi időszak)
88
A főkomponens analízist végeztem a mért értékeken is 2009 év tavaszi időszakra. A számított Eigen-értékek százalékosan kifejezve rendre a következők: héjszín 33,02%, nyershússzín 27,66%, főtt hússzín 20,75%, szürkült hússzín 18,57%. Ezek az értékek az egyes tulajdonságok
súlyának
felel
meg
az
elkülönülés
részvételében.
Az eredményt a 21. ábra jeleníti meg. Az x és y tengelyeken a négytulajdonságból szerepelnek.
képzett
új
Értelemszerűen
változók,
x-nek
komponensek
tekinthetjük
a
értékei
héjszín+nyers
hússzínt, míg y-nak a főtt hússzín+szürkült hússzínt. A diagramon első ránézésre nem különíthetők el a fajták. Őszintén szólva az eddigi eredmények tükrében ezt nem is vártam. Itt is alkalmazhatjuk azonban a fajták párosított vizsgálatát, mint a t-próbák esetén. A t-próbák eredményeként a legjobb elkülönülést a Vénusz Gold, míg a legrosszabb elkülönülést a Luca XL fajta mutatta. A Vénusz Gold a párosított t-próbák alapján (lásd 15. táblázat) a legtöbb fajtától magas szinten különül el, legjobban a Cleopátra, Desiree, Balatoni rózsa, míg legrosszabbul a Hópehelytől. 150 100 50 0 -150
-100
-50
0
50
100
150
-50 -100 -150 Balatoni rózsa
Desiree
Démon
Góliát
Hópehely
Katica
Kánkán
Lorett
Luca XL
Rioja
Vénusz gold
White Lady
21. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja valamennyi fajtára (2009 év tavaszi időszak)
89
A 2009 tavaszi időszakban a Vénusz Gold mindegyik fajtától elkülönült, kivétel a White Lady. Ennek szemléltetéseként bemutatom a Vénusz Gold - Balatoni rózsa (22. ábra) és a Vénusz Gold – White Lady scattergramját (a többi diagram a mellékletben található 33-43. ábrák). 120
pVG-BR=0,56E-6
100 80 60 40 20 0 -150
-100
-50
-20 0
50
100
150
-40 -60 -80 -100 Vénusz Gold
Balatoni rózsa 22. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz Gold – Balatoni rózsa fajtákra (2009 év tavaszi időszak) 150
pVG-WL=0,59 100
50
0 -120
-100
-80
-60
-40
-20
0 -50
-100 Vénusz gold
White Lady 23. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz Gold – White Lady fajtákra (2009 év tavaszi időszak)
90
A legrosszabbul elkülönülő fajtának a 4 időszakra vonatkozóan a Luca XL bizonyult. A 2009 tavaszi időszakra nézve a Vénusz Gold esetén, mint elkülönülő fajta a 24. ábra, míg a Kánkán, mint a legrosszabbul elkülönülő fajta 25. ábra mutatja az elkülönülést. 150
pVG-LXL=0,11E-3 100 50 0 -150
-100
-50
0
50
100
-50 -100 -150 Vénusz Gold
Luca XL
24. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz Gold – Luca XL fajtákra (2009 év tavaszi időszak) 100 Y
pLXL-Ká=0,92
50 X
0 -150
-100
-50
0
50
100
-50
-100
-150
Luca XL
Kánkán 25. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Luca XL - Kánkán fajtákra (2009 év tavaszi időszak)
91
A diagramokon feltüntetett pf1-f2 érték a t-próba során számított érték az adott fajtákra vonatkozóan. A 23. ábra és 24. ábra különbözősége jól mutatja az elkülönülés jellegét, teljesen elkülönülő halmazoktól, a teljesen egymást fedő halmazokig minden változat megtalálható. Megállapítható, hogy a főkomponens analízis (PCA) eredményei összhangban vannak a t-próba eredményeivel. Ennél
fogva
kijelenthető,
hogy
a
célul
kitűzött
feladat
megvalósítható. A vizsgálati időszakok számának növekedésével, és az alkalmazott módszerek finomításával több és pontosabb mérési adatok állhatnak rendelkezésünkre, melynek eredményeképpen eljuthatunk egészen a gyakorlati alkalmazhatóságig (pl. jogtalan fajtahasználat kiderítése). Ehhez a vizsgálatokat tovább kell folytatni. Mindenesetre az bizonyos, hogy a kutatói munkában jelen dolgozatban foglaltak jól hasznosíthatóak. 88..33..
A B U R G O N Y A N E M E S T É S N F O R M A T K A R E N D S Z E R E AB BU UR RG GO ON NY YA AN NE EM ME ES SÍÍÍT TÉ ÉS S IIIN NF FO OR RM MA AT TIIIK KA AIII R RE EN ND DS SZ ZE ER RE E
Jelen informatikai rendszer létrehozását az indokolja, hogy a PE Burgonyakutatási Központjában a nemesítéssel kapcsolatos adatok nyilvántartása, hagyományos módon, nemesítési naplókban, a kísérleti adatok egy része már Excel táblázatokban van rögzítve. Ezek a tárolási módok a kutatók számára azonban nehézkessé teszik az adatok közötti implicit összefüggések gyors feltárását. A nemesítési munka során sok olyan
kérdés
merül
fel,
amely
a
ma
használatos
korszerű
adattárolásokkal, könnyen s nagy gyorsasággal megválaszolható. Az informatikai rendszer – KeSoTu24 - célja a nemesítési munka során keletkező adatok (pedigré, genotípus tulajdonságok, termesztési adatok, kísérleti adatok, stb.) relációs adatbázisban történő tárolása, a felhasználói igényeket kielégítő lekérdezések elkészítése. További cél a
24
Keszthely Solanum tuberosum
92
mérés,
kiértékelés
eredményeként
keletkező
adatok
adatbázisban
történő közvetlen tárolása25. Az
adatbázisban
szereplő
tulajdonságok
kiválasztásának
szempontjait részben az OMMI (Rátkai et al., 2004)[20.] fajta leírása adta, részben pedig a keszthelyi nemesítők szempontjai határozták meg. Az adatbázisban szereplő értékek szintén ebből a forrásból, illetve a keszthelyi
fajták
esetén
a
Burgonyakutató
Központ
nemesítési
naplóiból, illetve kiadványából származnak. A képek forrása az internet, de a keszthelyi fajták esetén saját készítésűek. Cél olyan adatbázis építése, mely lehetőséget ad, elsősorban a burgonyanemesítőknek az egyes fajták tulajdonságainak rögzítésére, megjelenítésére (értékek, képek), tulajdonság szerinti csoportosításra, kiválasztásra. Az adatbázis relációs modelljét az 28 ábra és a 29. ábra szemlélteti. (Siki, 1995)[35.], (Tímár et al., 2007)[47.], (Ullman et al., 2008)[59.], (Demeter, 1999)[69.] Az informatikai rendszer MS VisualStudio (VS) 2005 fejlesztői környezetben került megírásra. (Novák et. al., 2002)[46.], (Demeter, 2008)[62.], (Campbell et al., 2005)[63.], Power et al., 2007[64.], Foxall, 2007[65.], [67.] (Holzner, 2002)[68.] Az adatbázis MS SQL Express Serveren érhető el (Wynkoop, 2002)[45.], ezzel biztosítva a több felhasználós elérési lehetőséget. A
felhasználói
felületet
a
VS
eszközrendszere
biztosítja
(Menus&Toolbars, Containers, Common Controls). Külön említést érdemel
az
adatkezelés
eszköztára
(Data
Toolbox),
melynek
komponensei (Dataset, DataGridView, BindingSource, BindingNavigator), képezik az alkalmazás működésének alapját.
25
A doktori disszertációnak nem célja a teljes körű informatikai rendszer megalkotása. Ez egy hosszabb fejlesztői munka eredménye lehet.
93
8.3.1. A KESOTU PROGRAM FELÉPÍTÉSE
A program 3 főrészből áll: 1. Fajta és genotípus tulajdonságok, az ehhez kapcsolódó adatok kezelése a. Genotípus adatok: ebben a modulban lehet a fajták és genotípusok
tulajdonságait
rögzíteni,
módosítani,
megtekinteni (21. ábra)
26. ÁBRA
Genotípus törzsadatok beviteli képernyő
b. Tulajdonság
alapadatok:
tulajdonságok,
a
fajtákhoz
kapcsolódó
a
hazai
nemzetközi
kategóriák
szakirodalomban
elfogadott
értékek
és
karbantartása
történik ebben a részben. A tulajdonságok 3 csoportba lettek besorolva az alábbiak szerint.
94
c. Termőképesség és gumójellemzők (22. ábra)
27. ÁBRA
Termőképesség és gumójellemzők beviteli képernyő
95
d. Ellenállóság – Betegségek (23. ábra)
28. ÁBRA
Ellenállóság – Betegségek beviteli képernyő
96
e. Felhasználási érték (24. ábra)
29. ÁBRA
Felhasználási érték beviteli képernyő
2. Nemesítési naplóhoz kapcsolódó adatok kezelése a. Minta: a burgonyagumó állapot megnevezései b. Ültetési célok: a fajták/genotípusok kísérleti időszakon belüli ültetési céljainak megnevezései c. Ültetések: az adott évben az egyes fajták/genotípusok ültetési adatainak rögzítése, karbantartása d. Minősítési időszak: őszi vagy tavaszi e. Bírálatok: a minősítési időszaknak megfelelő bírálati adatok rögzítése, karbantartása
97
3. Különféle lekérdezések (25. ábra) (Hernandez, 2009)[57.] (Czenky, 2005)[58.] (Celko, 2002)[60.] (Celko, 2003)[61.] a. Fajta/genotípus
rosta-szita
(geroszi):
ebben
a
modulban –jelenleg- 8 tulajdonság egymástól független és
egymástól
függő
szűrése
végezhető
el.
A szűrési alapvariációk száma 28=256. Az összes variációk száma az alapvariáció és a tulajdonságok értékeinek szorzata, mely így 10.000-es nagyságrendű.
30. ÁBRA
Fajta/genotípus rosta-szita (geroszi) lekérdezés képernyő
A képernyőn megjelenő lista, paraméteres lekérdezés eredménye.
A
paraméter
értékeinek
beállítását
-
rosta~/szitaszövés - a képernyőn az egyes tulajdonságok mellé
rendelt
szűrések
be/kikapcsolásával,
illetve
a
tulajdonságértékek kiválasztásával érhetjük el. Az alábbi kódrészlet a „geroszi‖ működését szemlélteti: a választás memóriaváltozó egy 8 karakteres string, mely az aktuális szűrési állapotot prezentálja. 98
Select Case választás … Case "11010000" ’Héjszín+Hússzín+Tenyészidő Me.FajtákTableAdapter.FB_HéjHúsTenyészidő(Me.KeSoTuDataS et.Fajták, CB_Héjszín.SelectedValue, CB_Hússzín.SelectedValue, CB_Tenyészidő.SelectedValue) End Select … A CB_Héjszín.SelectedValue, CB_Hússzín.SelectedValue, CB_Tenyészidő.SelectedValue
aktuális
értékei
legördülő listaelemek (combobox)
adódnak
át
paraméterként
az
FB_HéjHúsTenyészidő SQL-lekérdezésnek. A teljes utasítás a következő: SELECT Anya, Apa, F1, F2, FJ_azon, Fajtanév, [Főzési típus], Gr, Gumóforma, Gumóméret, Hajlam, Héjszín, Hússzín, Keményítő, Ko, Lb, Mech_tk, Megjegyzés, Piacosság, Rezisztencia, SFD_chips, SFD_fél, SFD_fél_főtt, SFD_fél_ny, SFD_gumó, Stab, Struk, SzüFőtt, SzüNy, Tenyészidő, Termés, Tárolhatóság, Törzsszám, Virágszín, VÉ_termés, betakarítás, kép_bokor, kép_bokoralj, kép_chips, kép_egész, kép_fél, kép_fél_főtt, kép_fél_ny, kép_kosár, kép_láda, kép_szf, kép_virág, m_év, Éip, Íz, ültetés FROM Fajták WHERE (Héjszín = @Héjszín) AND (Hússzín = @Hússzín) AND (Tenyészidő = @Tenyészidő)
99
A szűrés eredményét a 26. ábra mutatja:
31. ÁBRA
Szűrési paraméterek beállítása után megjelenő eredmény képernyő
b. Családfa: a családfa különféle szintjén elhelyezkedő családtagok rokoni kapcsolatai tárhatók fel. Jelenleg a szülő-gyerek kapcsolat készült el. Az 27. ábra az NDK 71.17/6N+B apa gyermekeinek tulajdonságait mutatja. A modul – a szűrőfeltételek beállításától függően – alkalmas anyai leszármazottak, apai leszármazottak, és közös leszármazottak megjelenítésére.
100
32. ÁBRA
Szűrési paraméterek beállítása után megjelenő eredmény képernyő
A
burgonya
nemesítés
informatikai
rendszere,
mint
keretrendszer alapvetően késznek mondható, bár a tesztelési fázis még nem fejeződött be. Miután moduláris felépítésű, így a kutatók igényeinek megfelelően bővíthető. Az elmúlt évek nemesítési adatainak rögzítése az elkövetkező időszakban történik meg. Fejlesztési lehetőségként kínálkozik a nyilvános adatok publikálása az Interneten.
101
99.. Ö ÖSSSSZZEEFFOOGGLLAALLÁÁSS A
disszertáció
programban
felmerült
témája
a
fejlesztési
keszthelyi igények
burgonyanemesítési
figyelembevételével
egy
folyamat eredményeként alakult ki. Egyrészt célul tűztük ki a burgonyagumó
különböző
állapotainak
jellemzését
azok
digitális
lefényképezés útján keletkező Spektrális Fraktál Dimenziójában (SFD) meglévő különbségeinek feltárásával és jellemzésével, másrészt létre kívántunk hozni egy, a nemesítés során keletkező kísérleti adatok korszerű tárolását, komplex lekérdezését és elemzését lehetővé tevő adatbázis rendszert. Létre kívántunk hozni egy olyan, a burgonyagumó színének, a gumóhús nyers, 24 óra utáni nyers, és főzés utáni színelváltozásának objektív értékeket adó minősítési rendszert, amely vagy a burgonyafajták elkülönítését, vagy a fajtán belüli minőségi különbségeket képes viszonylag egyszerűen és gazdaságosan kimutatni. Ehhez a következő konkrét kérdéseket fogalmaztuk meg: 1. Alkalmazható-e az SFD érték a burgonyagumó különböző állapotainak jellemzésére? 2. Használható-e az SFD érték a burgonyagumók kiválasztott tulajdonságai alapján az egyes fajták elkülönítésére? 3. Ha igen, mely állapot vagy állapotok határozzák meg ezt az elkülönítést?
Az SFD mérésként való alkalmazhatósága: A kutatási feladat keretében a Szerző az alábbi befolyásoló tényezők hatását vizsgálta az SFD érték változására:
irányított megvilágítás,
a szennyeződés, bevonat,
a megvilágítás intenzitás,
a megvilágítás spektruma, 102
az egybevágósági transzformációk (forgatás),
a berendezések hibája,
a képfelbontás változásának.
A lefolytatott vizsgálatok alapján megállapítható, hogy az SFD értékére a megengedettnél nagyobb mértékben hat a megvilágítás intenzitása, a megvilágítás szöge és spektruma, valamint a csillogás, tükröződés mértéke. A megvilágítás intenzitásának és szögének, valamint a fényforrás spektrum kibocsátásának változása
befolyásolja az SFD értékét.
A változás mértéke - a megvilágítás szöge és spektruma valamint a csillogás, tükröződés esetén
- nagyobb, mint az megengedhető.
Ha ugyanis ez az abszolút eltérés nagyobb, mint az azonos körülmények között felvett burgonyafajták közötti SFD értékek ± szórás értéke, úgy ezen tényezők hibája elfedi az esetlegesen meglévő burgonyafajták közötti különbözőséget. A
megvilágítás
intenzitásánál
-
természetes
megvilágítási
körülmények között - kimutathatók a felvételezéskor fellépő külső változó tényezők hatásai. Ehhez a változáshoz azonban egyértelműen nem
tudtunk
hozzárendelni
valamilyen
függvényt.
Mesterséges
megvilágítás esetén találtunk egy olyan intenzitási sávot 1100 luxtól 8000 luxig, ahol az SFD értéke érzéketlen a megvilágítás intenzitására. Az objektum helyzetének vizsgálata, azt az eredményt hozta, hogy az SFD értéke csak a hibahatárokon belül változik. A digitális kamera és a SIGMA EM-140 DG körvakú hibájának vizsgálati eredménye szintén a hibahatárokon belül változik. Ennek ellenére célszerű ugyanarról a mintáról több felvételt készíteni – javasolt ismétlési szám 10 -, ezáltal csökkentve a hibaértéket.
103
Az eredmények azt mutatják, hogy az SFD-t, mint mérőszámot, alkalmazni
szeretnénk
elkülönítésére, az
a
burgonyafajták,
nemesítési
vonalak
objektív fajtaérték-meghatározásra, automatikus
elemzési, minősítési folyamatok gyakorlati megvalósítására, úgy azt, jelenleg, csak jól meghatározott, standard felvételezési körülmények között tehetjük meg. A következő körülményeket kell standardizálni a felvétel készítésekor: állandó intenzitást biztosító alkalmazása (körvakú)
mesterséges
fényforrás
merőleges vetület biztosítása
közepes - 2544*1696 pixel - felbontás alkalmazása
azonos mintáról több felvétel készítése
csillogás mentesség biztosítása (nyers hússzín esetén, friss vágott felület leitatása)
a minta színétől nagyban biztosítása (kék, fekete, fehér)
fix fókusztávolság alkalmazása
Burgonya fajták azonosítása képanalízis felhasználásával.
eltérő
és
homogén
minősítése
háttér
digitális
A következőkben a kidolgozott standard körülmények alkalmazásával 4 időszakra vonatkozóan elvégeztem a gumójellemzők felvételezését, és egy kiértékelő programmal meghatároztam a burgonya gumók 4 vizsgált állapotának – héjszín, nyers hússzín, főtt hússzín, 24 órás szürkülés – SFD értékeit az RGB szintérben, s annak minden alterében (R,G,B), 11 keszthelyi (Balatoni rózsa, Démon, Góliát, Hópehely, Katica, Kánkán, Lorett, Luca XL, Rioja, Vénusz Gold, White Lady)- és 2 kontrol (Cleopátra, Desiree) fajtára. A disszertáció készítése során összesen 2080 db képet, és 9160 db alapadatot dolgoztam fel. A kapott mérési adatokat statisztikai elemzésnek vetettem alá. Fajtánként és tulajdonságonként meghatároztam a mért adatok átlagát és szórását, meghatároztam a minimum~, maximum~, abszolút eltérés ~ és relatív eltérés értékeket. Eredményként megállapítható, hogy a tulajdonságok fajtán belüli minősítésére az SFD nem alkalmas, mivel a 104
13 fajtából 12 esetben a minimum és maximum értékek relatív eltérései nagyságrenddel nagyobbak voltak, mint a legkisebb szignifikáns értékhez tartozó relatív eltérés. Ugyanez igaz a fajtán belüli évenkénti eltérésekre is. A
t-próba
alkalmazásával
megvizsgáltam
a
fajták
elkülöníthetőségét. Az azonos fajták különböző évek közötti eltérésének vizsgálatakor megállapítható volt, hogy az esetek nagy részében az azonos fajtán belül is szignifikáns különbségek vannak. Ezért azt a következtetést
vonta
le,
hogy
a
fajták
azonosítását
nem
egy
meghatározott SFD értékhez, hanem az adott év ismert SFD értékű kontrolljához kell viszonyítani. Az
egyes
fajták
közötti
eltérések
évenkénti
értékelésekor
megállapítható, hogy függetlenül a tulajdonságtól vagy a vizsgált színtértől nincs olyan eset, melyben a fajta elkülönítés teljes egészében szignifikánsan megvalósulna. Minden évben van azonban olyan fajta, amely 100%-san elkülöníthető, de a fajták és tulajdonságaik évente változtak. Ugyanakkor az sem jelenthető ki, hogy a különböző tulajdonságok és a színterek eredményeinek variációjával az elkülönítés nem lehetséges. Miután a szignifikancia vizsgálatok eredményei nem adtak teljes körű elkülönítést, egy újabb statisztikai módszerre volt szükség. A választás a non-hierarchikus klaszteranalízisre esett. A módszer eredményeként a fajták elkülönítése minden évben sikerrel megtörtént. A 4 vizsgált tulajdonság együttes értékének (TFV) és egy másik szintér adatainak összevetésével az elkülönítés teljes lesz. A fentieket összefoglalva kijelenthető, hogy a Spektrális Fraktál Dimenzió
(SFD),
mint
képelemzési
eljárás
jelenlegi
technológiai
színvonalon a fajtán belül nem alkalmas minőségi különbségek jellemzésére. Ugyanakkor megállapítható, hogy az SFD érték alkalmas az egyes burgonyafajták elkülönítésére, de azt megbízhatóan csak az azonos évi kontrol felvételezéshez viszonyítva lehet kivitelezni. 105
Ennél
fogva
kijelenthető,
hogy
a
célul
kitűzött
feladat
megvalósítható, de az SFD alapú jellemzés gyakorlati alkalmazhatóságot tovább kell vizsgálni. A
dolgozat
második
fontos
célkitűzése
egy
speciálisan a
keszthelyi burgonyanemesítési program számára alkalmas kísérleti adat nyilvántartó,
lekérdezhető,
elemzések
végrehajtására
alkalmas
adatbázis keretprogram létrehozása volt. A program alapját egy relációs modell létrehozása jelentette. Az így létrejött adatbázisra épülve a nemesítési nyilvántartó program keretrendszere sikeresen elkészült. A több évre visszamenő nemesítési naplók adatainak rögzítése után a program
kiválóan
kombinációk
alkalmazható
kiválasztásához,
tulajdonságokat
örökítő
az
pl.
az
egyes
képességének
teljesítménykísérletek kiértékeléséhez.
106
optimális
szülői
keresztezési
vonalak
bizonyos
meghatározásához,
a
1100.. TTÉ ÉZ Z II S SE EK K 1. Megállapítottuk, hogy az Spektrális Fraktál Dimenzió érték csak akkor lehet alkalmas bármilyen objektum jellemzésére, ha a digitális
képelemzés
kép-felvételezési
és
kép-kiértékelési
módszere standardizált. 2. Megállapítottam a burgonya fajták digitális képanalíziséhez szükséges
standardizált
feltételeket.
A
kép-felvételezési
standardon
biztosítandó
és
kép-kiértékelési körülmények
a
következők:
állandó
intenzitást
biztosító
mesterséges
fényforrás
alkalmazása (körvakú);
merőleges vetület biztosítása;
közepes - 2544*1696 pixel - felbontás alkalmazása;
csillogás mentesség biztosítása (nyers hússzín vizsgálat esetén, friss vágott felület leitatása);
azonos mintáról több felvétel készítése;
fix fókusztávolság alkalmazása;
a
minta
színétől
nagyban
eltérő
homogén
háttér
biztosítása (kék, fekete, fehér). 3. Megállapítottam, hogy az SFD érték alkalmas a burgonyafajták éven belüli páronkénti elkülönítésére, de csak az azonos évi kontrol felvételezéshez viszonyítva. 4. Megállapítottam, hogy a jelenlegi technológiai színvonalon a Spektrális Fraktál Dimenzió érték nem alkalmas a vizsgált gumójellemzők fajtán belüli minősítésre. 5. A keszthelyi burgonyanemesítési program számára sikerrel kidolgoztam egy a kísérleti adatok tárolására, komplex lekérdezésére és
elemzésére
alkalmas
digitális
adatbázist,
és
tevékenységet nyilvántartó program keretrendszerét. 107
a
nemesítési
1111.. TTHHEESSEESS 1. It was stated that SFD value can only be suitable for characterizing any objects if the conditions of taking photos and their analysis are fixed. 2. I have stated the standardized image-taking and image-evaluating conditions necessary to the digital image-analysis of potatovarieties. The circumstances to be provided by standard are the following:
application of an artificial source of light that can provide constant intensity ( circle flash )
to provide a perpendicular projection
applying a medium -- 2544*1696 pixel - resolution
providing the exemption of glittering
taking several shots of the same samples
applying a fixed focal length
providing the homogenous background different from the colour of sample ( blue, black, white )
3. The identification of potato varieties can only be achieved by taking data from controls from identical years might show differences depending on the variety. 4. I have stated that the SFD value is suitable for identifying potatovarieties in pairs within a year, but only compared to the control samples of the same year. 5. For the improvement of potato breeding program in Keszthely, successfully has been made a frame-program, the basis of which is the creation of a relational model and database. The program can be used to store experiment data, for complex queries and the analysis of experiments.
108
1122..
TTHHEESSEENN
1. Wir haben festgestellt, dass der SFD-Wert zur Charakterisierung eines
Objekts
nur
dann
geeignet
sein
kann,
wenn
die
Bedingungen der Aufnahme und der Bildanalyse standardisiert sind. 2. Ich
stellte
die
Bedingungen
zur
notwendigen
standardisierten
Bildauswertung
der
digitalen
Bildanalyse
Bildaufnahmen
Kartoffelsorten
fest.
Die
der und
folgende
Anforderungen sollen gesichert werden:
Künstliche Lichtquelle mit unveränderten Helligkeit und Homogenität (Ringblitz),
Senkrechte Projektion,
Mittelgroße Auflösung (2544 x 1696 Pixel),
Vermeidung
von
blendenden
und
schillernden
Oberflächen (trockentupfen der Schnittfläche),
Mehrfach wiederholte Aufnahmen von jeden Mustern
Verwendung vom konstanten Fokus,
Stark abweichende homogene Hintergrundfarbe
(blau,
schwarz, weiß). 3. Ich stellte fest, dass der SFD-Wert zur Absonderung der Kartoffelsorten paarweise im gleichen Jahr geeignet ist, aber nur im Verhältnis mit der Kontrollaufnahme gleichen Jahres. 4. Ich habe festgestellt, dass der Spektrale Fraktale Dimension-Wert auf dem gegenwärtigen technologischen Niveau zur Qualifikation innerhalb der Sorte nicht geeignet ist. 5. Für das Keszthelyer Kartoffelveredlungsprogramm wurden ein digitales
Datenbanksystem,
das
zum
Speichern
von
Versuchsdaten, zum komplexen Abrufen und Analyse geeignet ist und das Rahmensystem des Veredlungstätigkeit registrierenden Programmes mit Erfolg ausgearbeitet.
109
1133.. K KÖÖSSZZÖÖNNEETTNNYYIILLVVÁÁNNÍÍTTÁÁSS Mindenek előtt nem tudok elég hálás lenni családomnak – lányomnak és élettársamnak – hogy nagy türelemmel és empátiával viselték a velük el nem töltött idő hiányát, az „én drága jó krumplijaim‖ állandó emlegetését, és sok más egyéb hóbortom, mely ezzel a munkával járt. Hegedűs
Géza
kiemelkedően kiválasztásában,
egyetemi fontos a
adjunktus
szerepe
kollégámnak
volt
vizsgálatok
a
és
disszertáció
megtervezésében
barátomnak témájának és
pontos
kiértékelésében. Egyszerűen KÖSZÖNÖM! A témavezetés soha sem egyszerű feladat, különösen, ha egy konokul makacs embert kell irányítani. Témavezetőm Dr. Polgár Zsolt – a Burgonyakutatási Központ igazgatója - ennek kiválóan megfelelt. Mindig a kellő időben biztosította a vizsgálatokhoz szükséges mintákat, tárgyi és szakmai feltételeket. (Meg)Tanított a pontos ugyanakkor közérthető megfogalmazás „művészetére‖. Itt sem tudok mást mondani, egyszerűen KÖSZÖNÖM! E helyen kell köszönetemet nyilvánítani, a Burgonyakutatási Központ valamennyi munkatársának – különösen Vaszily Zsolt mérnök úrnak, Bilinszki Alíz mérnök asszonynak -, akik a minták előkészítésével, hellyel, türelemmel és szakmai intenciókkal segítették munkámat. A
statisztikai
módszerek
helyes
kiválasztásában,
módszertani
útmutatásban és az irodalom feldolgozásában nyújtottak sok segítséget
110
Hunkár Márta egyetemi docens és Pór Judit egyetemi adjunktus. Köszönöm a témának és személyemnek szentelt drága időt. Az disszertáció előzetes bírálatát Dr. Józsa Sándor egyetemi docens, és Dr. Barna Róbert egyetemi adjunktus végezte. Mindkét bíráló nagy pontossággal mutatott rá a dolgozat szakmai és formai hibáira, melyet a Szerző „kutatói vakságban‖ szenvedve nem vett észre vagy elkerülte a figyelmét.
Ezek
kijavítása
minden
bizonnyal
emelik
a
dolgozat
színvonalát. Köszönöm mindkét opponensnek a magas fokú bírálati tevékenységet és szakmai intenciókat, és nem különben támogató véleményüket. Hálával
és
köszönetnyilvánítással
tartozom
az
idegen
nyelvű
összefoglalók lektorálásáért Szőllőssy István (angol), Zavagyil Éva (német) nyelvtanároknak. Köszönettel tartozom a tárgyi feltételek biztosításáért az ECE Kft.-nek valamint a Zalavár TSZ-nek. Külön köszönettel tartozom Dr. Csák József26 biológusnak, aki az adatok
statisztikai
értelmezésében
elemzésében
nyújtott
szakmai
és
az
eredmények
támogatást.
megőrizzük.
26
Dr. Csák József szeretett testvérbátyám 1956-2009
111
Emlékét
helyes örökké
1144.. IIRROODDAALLOOM MJ JEEGGYYZZÉÉKK 1. BERKE
ET.
AL.
fejlesztése
(2005): Egzakt minősítő és osztályozó rendszer
növénynemesítési
és
növénykórtani
vizsgálatokhoz
digitális képfeldolgozás alkalmazásával (EMOR) Berke et al., (IKTA00101/2003), Informatika a felsőoktatásban, [online] elérhetőség: http://agrinf.agr.unideb.hu/if2005/kiadvany/papers/A15.pdf [olvasva: 2009. május 7.]. 2. BERKE J. (2004 a b): Fractal dimension on image processing, 4th KEPAF Conference on Image Analysis and Pattern Recognition, Vol.4, p. 20. 3. BERKE J. (2004 c): The Structure of dimensions: A revolution of dimensions (classical and fractal) in education and science, 5th International
Conference
for
History
of
Science
in
Science
Education, July 12–16. 4. PENTLAND, A. (1984): Fractal based description of natural scenes, IEEE Transactions on Pattern Analysis and Machine Intelligence 6, pp. 661-674. 5. QUEVEDO, R. - López, C. - Aguilera, J. - Cadoche, L. (2002): Description of food surfaces and micro structural changes using fractal image texture analysis, Journal of Food Engineering 53, pp. 361-371. 6. GONZALES-BARRON, U. - Butler, F. (2002-2003): Fractal texture analysis of bread-crumb digital images, Biosystems Engineering faculty of agri-food and the environment research report. 7. BARNSLEY, M. F. (1998): Fractals Everywhere, Academic Press. 8. Berke J. (2005): Spectral fractal dimension, Proceedings of the 7th WSEAS Telecommunications and Informatics (TELE-INFO ’05), Prague, pp.23-26, ISBN 960 8457 11
112
9. BERKE J. (2006): Measuring of Spectral Fractal Dimension, Advances in
Systems,
Computing
Sciences
and
Software
Engineering,
Springer pp. 397-402., ISBN 10 1- 4020-5262-6. 10. POLGÁR ZS. – Wolf I. – Gergely L. – Proksza P. – Berke J. (2005): Application of image processing methods in potato breeding and variety registration, Information systems in agriculture and forestry,
XI.
Year
of
International
Conference,
Prague,
ISBN 80-213-1337-4. 11. BERKE J. (2005): Applied Spectral Fractal Dimension, Joint Hungarian-Austrian Conference on Image Processing and Pattern Recognition, Veszprém. 12.
CSÁK
M.
-
Hegedűs
alkalmazhatósága
a
G.
(2008):
Az
burgonyanemesítési
SFD
mérésként
való
kutatásokban,
Acta
Agraria Kaposváriensis Vol 12 No 2, pp. 177-191. 13. HEGEDŰS G. (2007 a b): Spectral fracturedimension – invariant transformations and shifting rules. Erdei Ferenc IV. Tudományos Konferencia, Kecskemét, 2007. augusztus 27-28. II. kötet, pp. 671-674., ISBN 978 963 7294 65 5. 14. KÁDAS L. (2008): A burgonya európai kultúrtörténete, Burgonya Ágazati Fórum, Keszthely. 15. [online] elérhetőség: http://faostat.fao.org [olvasva: 2009. május 7.]. 16.
[online]
elérhetőség:
http://wikipedia.org/wiki/Klaszter-
anal%C3%ADzis [olvasva: 2009. május 7.]. 17. [online] elérhetőség: http://wikipedia.org/wiki/Random_optimization
[olvasva:
2009.
május 7.]. 18. KEMÉNY S. - Papp L. - Deák A. (2001): Statisztikai minőség(megfelelőség-) szabályozás, Műszaki Könyvkiadó, 1999, 2001. 113
19. SVÁB J. (1981): Biometriai módszerek a kutatásban, Mezőgazdasági Kiadó. 20. RÁTKAI J. - Czirák L. - Proksza P. (2004): Burgonya, Országos Mezőgazdasági Minősítő Intézet. 21. DÉVÉNYI D. - Gulyás O. (1988): Matematikai statisztikai módszerek a meteorológiában, Tankönyvkiadó, Budapest, pp. 251-262. 22. PODANI J. (1997): Bevezetés a többváltozós biológiai adatfeltárás rejtelmeibe
„avagy
mit
kezdjünk
azzal
a
rengeteg
adattal‖,
SCIENTIA Kiadó, Budapest, p. 31. 23. POLGÁR ZS. (2008a): Ismertető a Burgonya Kutatási központ tevékenységéről, Burgonya Ágazati Fórum, Keszthely. 24. POLGÁR ZS. (2008b): A vetőgumó termesztés helyzete és problémái Magyarországon, Burgonya Ágazati Fórum, Keszthely. 25.
SZŰCS
I.
(2002):
Alkalmazott
statisztika,
Agroinform
Kiadó,
Budapest. 26. HAVASI Gy. - Molnár M. - Szunyogh Zs. - Tóth M. (1996): Általános statisztika I., Nemzeti Tankönyvkiadó, Budapest. 27. ZAKULUK, R. - Sri Ranjan, R. (2007): Artificial Neural Network Modelling of Leaf Water Potential for Potatoes Using RGB Digital Image: A Greenhouse Study, EARP. 28. BERKE J. - Polgár Zs. - Horváth Z. - Nagy T. (2006): Developing on Exact Quality and Classification Systemfor Plant Improvement, Journal of Universal Computer Science, vol. 12, no. 9, pp. 11541164 29. BURTON, W.G. (1989): The Potato, Longman Group UK, England. 30. KRUPPA J. (SZERK.) (1998-1999): A burgonya és termesztése I-IV., Agroinform Kiadó.
114
31. BERKE J. - Hegedűs Gy. Cs. - Kelemen D. - Szabó J. (2002): Digitális képfeldolgozás
és
alkalmazásai,
Keszthely, ISBN 963 9096 911,
Veszprémi [online]
Egyetem, elérhetőség:
http://digkep.hu [olvasva: 2009. május 7.]. 32. BERKE J. (2007): Measuring of Spectral Fractal Dimension. Journal of New Mathematics and Natural Computation, Vol. III/3, pp. 409418., ISSN: 1793-0057. 33. BERKE J. (2008): A Spektrális fraktálszerkezet vizsgálatának elméleti és gyakorlati lehetőségei, Informatika a Felsőoktatásban 2008 Konferencia Elektronikus Kiadványa, p. 182, Debrecen, ISBN 978963-473-129-0. Elektronikus változat: ISBN 978-963-473-129-0 8 [online] elérhetőség: http://www.agr.unideb.hu/if2008/kiadvany/eloadasok.htm [olvasva: 2009. május 7.]. 34.
BARONE,
A.
-
Sebastiano,
A.
-
Agostino,
P.
D.
(1996):
Characterization by molecular markers of Solanum diploid hybrids which produce 2n gametes. 13th Triennial Conference of the European
Association
Netherlands,
Abstracts
for
Potato
of
Research,
Conference
Veldhoven,
Papers,
Posters
The and
Demonstrations pp. 504–505. 35. SIKI Z. (1995): Adatbázis-kezelés és szervezés, Kézirat, BME, Budapest. [online] elérhetőség: http://www.agt.bme.hu/szakm/adatb/adatb.htm [olvasva: 2009. május 7.]. 36. MGSZH (2005): Burgonya Kísérleti Módszertan, TG/23/627. EU 2005/91/EK irányelve, 2005. december 16, 2002/53/EK tanácsi irányelv 7. cikkely. 37. VÉGH V. - Sikné Lányi C. - Schanda J. (2006): Jellegzetes színek grafikus képekben, Világítástechnika, XCIX/4, pp. 8-12. 27
Test Guide: Potato Guidelines for the conduct of tests for distinctness, uniformity and stability
115
38. WOHLBERG, B. - Jager, G. (1999): ―A Review of the Fractal Image Coding Literature‖, IEEE Transactions on Image Processing, Vol. VIII/12, pp. 1716-1729, [online] elérhetőség: http://math.lanl.gov/~brendt/Publications/Docs/wohlberg-1999review.pdf [olvasva: 2009. május 7.]. 39. GENUINE FRACTALS hivatalos oldal, [online] elérhetőség: http://www.ononesoftware.com/support/ [olvasva: 2009. május 7.]. 40.
HIPERSPEKTRÁLIS
felvételezések
Magyarországon,
Aisa,
[online]
elérhetőség: http://gisserver1.date.hu/ [olvasva: 2009. május 7.]. [olvasva: 2009. május 7.]. 41. JPEG2000 hivatalos oldal, [online] elérhetőség: http://www.jpeg.org/jpeg2000/index.html [olvasva: 2009. május 7.]. 42. ÁLLÓ G. - Hegedűs Gy. Cs. - Kelemen D. - Szabó J. (1989): A digitális képfeldolgozás alapproblémái, Akadémiai kiadó, Budapest. 43. SEVCSIK J. - Hefele J. (1982): Fényképészet, Műszaki Könyvkiadó. 44. GÁCSI Z. (szerk.) (2001): Sztereológia és képelemzés, Well-Press Kiadó, pp.59-74. 45. WYNKOOP, S. (2000): Miscosoft SQL Server 7.0 kézikönyv I-II. kötet, Kiskapu Kiadó. 46. NOVÁK I. - Borbély A. - Holpár P. (2002): .NET fejlesztői infrastruktúra 1., Grepton Rt. 47. TÍMÁR L.
ET AL.
(2007): Építsünk könnyen és lassan adatmodellt!,
Pannon Egyetemi Kiadó, 46/2007, pp. 23-99. 48. DOUCHES, D. S. - Freyre, R. - Hicks, K. (1990): Use of RFLPs to fingerprint North American potato varieties, In: First Planning Conference for the Use of Molecular Techniques in Potato Germplasm Enhancement, CIP, pp. 166–175. 116
49. MANDELBROT, B. B. (1975): Les objets fractals: forme, hasard, et dimension,
Flammarion,
1975;
angol
kiadás:
B.
Mandelbrot:
Fractals: Form, Chance and Dimension, W H Freeman and Co, 1977; ISBN 0716704730.
50. MANDELBROT, B. B. (1983): The Fractal Geometry of Nature, W. H. Freeman and Co. 51. GOKHALE, A. M. - Drury W. J. (1993): A General Method for Estimation of Fracture Surface Roughness: Part II. Practical Considerations, Materials Characterization, pp. 11-17. 52. BERKE J. (?): Measuring of Spectral Fractal Dimension [online] elérhetőség: http://www.springerlink.com/content/p3212434p8g8215m/
[olvasva: 2009. május 7.]. 53. UPOV (2004): UPOV által 2004.03.31-én kiadott Burgonya DUS vizsgálati irányelvek (TG/23/6), [online] elérhetőség: http://www.upov.int/en/publications/tg-rom/tg023/tg_23_6.pdf
[olvasva:
2009. május 7.]. 54. UPOV (2004): UPOV által 2002.04.19-én kiadott a DUS vizsgálatok általános irányelvei (TG/1/3), [online] elérhetőség: http://www.upov.int/en/publications/tg-rom/tg001/tg_1_3.pdf
[olvasva:
2009. május 7.]. 55. KEMPELEN FARKAS DIGITÁLIS TANKÖNYVTÁR: A növényfajták DUSvizsgálata, [online] elérhetőség: http://www.tankonyvtar.hu/mezogazdasag/szantofoldi-novenyek080905-27 [olvasva: 2009. május 7.]. 56. OMMI: A növényfajták DUS vizsgálatának alapelvei elérhetőség:
[online]
http://www.ommi.hu/kiadvany/fajta/dus.pdf
[olvasva: 2009. május 7.]. 57. HERNANDEZ, M. J. – Viescas, J. L. (2009): SQL-lekérdezések földi halandóknak, Kiskapu. 117
58. CZENKY M. (2005): Adatmodellezés - SQL és ACCESS alkalmazás SQL Server és ADO, ComputerBooks. 59. ULLMAN, J. D. – Widom, J. (2008): Adatbázisrendszerek Alapvetés 2. átdolgozott kiadás, Panem Kiadó. 60. CELKO, J. (2002): SQL Felsőfokon, Kiskapu. 61. CELKO, J. (2003): SQL Fejtörők, Kiskapu. 62. DEMETER M. I. (2008): Visual Studio 2005 & 2008, Panem Kiadó. 63. CAMPBELL, S. - Ruggles, O. (2005): Microsoft Visual Basic 2005 fejlesztőknek, Szak Kiadó. 64. POWERS, L. - Snell, M. (2007): Microsoft Visual Studio 2005 Unleashed, Sams. 65. FOXALL, J. (2006): Tanuljuk meg a Visual Basic 2005 használatát 24 óra alatt, Kiskapu. 66.
BAKSA-HASKÓ
G.
-
Lévayné
Lakner
M.
(2006): Excel
2003
táblázatkezelés és programozás a gyakorlatban, Computer Books. 67. HATVANY B. Cs. (2003): Bitképek feldolgozása Visual Basic programokból, Computer Books. 68. HOLZNER, S. (2002): Visual Basic .NET Fekete Könyv I.-II. kötet, Perfact-Pro. 69. DEMETER M. I. (1999): Adatbázis-kezelés Visual Basic-ben, Panem Kiadó. 70. EIZENBERGER M. (2007): Digitális képfeldolgozás alapjai, Ental Kft, 2007 (GVOP-3.3.1-05/1.-2005-05-0164/3.0). 71. BMEEOFTASJ5 segédlet (2004): Digitális képanalízis, BME, 2004 (HEFOP/2004/3.3.1/0001.01). 72. Adobe Photoshop CS Tanfolyam a könyvben (2004), Perfect-Pro Kft.
118
73. POLGÁR ZS. - Horváth S. (1999): A nemesítés lehetőségei a burgonya minőségének javítására, XLI. Georgikon Napok, Keszthely, 1999. szeptember 23-24., Előadások összefoglalója, pp. 313-315. 74. ISLEIB, D. R. (1963): Objective method for potato chip color determination, American Journal of Potato Research, Springer, New York, pp. 58-60. 75. SHIROMA, C.- Rodriguez-Saona, L. (2009): Application of NIR and MIR spectroscopy in quality control of potato chips, Journal of Food Composition and Analysis, September 2009, Volume 22, Issue 6, pp. 596-605. 76. THYBO, A. K. - van den Berg, F. (2001): Using Multivariate Models to Describe and Predict the Sensory Quality of Cooked Potatoes, II International Symposium on Application of Modeling as an Innovative
Technology
in
the
Agri-Food
Chain,
ISHS
Acta Horticulturae, p. 566. 77. BERKE J. - Polgár Zs. – Horváth Z. - Nagy T. (2006): Developing on Exact Quality and Classification System for Plant Improvement, Journal of Universal Computer Science, Vol 12. Issue 9, pp. 1154– 1164. 78. THYBO, A. K. - Szczypinski, P. M. - Karlsson, A. H. - Donstrup, S. Stodkilde-Jorgensen, H. S. - Andersen, H. J. (2004): Prediction of sensory texture quality attributes of cooked potatoes by NMRimaging (MRI) of raw potatoes in combination with different image analysis methods, Journal of Food Engineering, Volume 61, Number 1, January 2004, pp. 91-100. 79. ZIMNOCH-GUZOWSKA, E.- Syller, J.- Sieczka, M. (2001): The methods of evaluation and selection applied in potato research and breeding, The Plant Breeding and Acclimatization Institute (IHAR). 80. WISHART, D. (1969): An algorithm for hierarchical classifications, Biometrics Vol. 25, p. 89, 151, 160, pp. 165-170. 119
81. MAIER, G.- Wagner, K. (1981): Identifizierung österreichischer Kartoffelsorten mit Hilfe der Polyacrylamidgelelektrophorese, Die Bodenkultur, 32., pp. 314–325. 82. DOUCHES, D. S. - Ludlam, K. (1991 a b): Electrophoretic characterization of North American potato cultivars, American Potato Journal, 68., pp. 767-780. 83. BONJEAN, A. - Forgeois, P. - Lacaze, P. - Lemaire-Bonjean, F. Sourdille, P. (1994): A molekuláris markerezés: hatékony eszköz a nemesítők számára, Agrogene, Moissy-Cramayel. 84. LOESCHCKE, V. - Stegemann, H. (1966): Proteine der Kartoffelknollen in
Abhängigkeit
von
Sorte
und
Virosen
(Polyacrylamid-
Elektrophorese), Phytochemistry, 5., pp. 985–991. 85. STEGEMANN, H. - Schnick D. (1985): Index 1985 of European Potato Varieties. Mitteilungen aus der Biologischen Bundesanstalt für Landund Forstwirtschaft, Heft 227. 86. MAIER, G.- Wagner, K. (1981): Identifizierung österreichischer Kartoffelsorten mit Hilfe der Polyacrylamidgelelektrophorese, Die Bodenkultur, 32., pp. 314–325. 87. LABIB, A. I. (1962): Potato proteins, Their properties and nutritive value, Thesis, Wageningen. 88.
ZWARTZ,
J.
A.
(1966):
Potato
varieties
and
their
protein
electrophoregram characteristic, European Potato Journal, 9., pp. 111-128. 89. STEGEMANN, H. – Loeschcke, V. (1976): Index of European Potato Varieties, Mitteilungen aus der Biologischen Bundesanstalt für Land- und Forstwirtschaft, Heft 168. 90. STEGEMANN, H. – Schnick, D. (1985): Index 1985 of European Potato Varieties, Mitteilungen aus der Biologischen Bundesanstalt für Landund Forstwirtschaft, Heft 227. 120
91. PRAT, S. - Frommer, W. B. - Höfgen, R. - Keil, M. - Koßmann, J. Köstertöpfer, M. - Liu, X. J. - Müller, B. - Peña-Cortés, H. - RochaSosa, M. - Sánchez-Serrano, J. J. - Sonnewald, U. - Willmitzer, L. (1990): Gene expression during tuber development in potato plants, FEBS Letters, 268(2)., pp. 334 – 338. 92. PARK, W. D. - Blackwood, C. - Mignery, G. A. - Hermodson, M. A. – Lister, R. M. (1983): Analysis of the heterogeneity of 40,000 molecular weight tuber glycoprotein of potatoes by immunological methods and by NH2-terminal sequence analysis, Plant Physiology, 71., pp. 156–160. 93. SONNEWALD, U. - Studer, D. - Rocha-Sosa, M. – Willmitzer, L. (1989a): Immunocytochemical localization of patatin, the major glycoprotein in potato (Solanum tuberosum L.) tubers, Planta, 178., pp. 176-183. 94. SONNEWALD, U. - Sturm, A. - Chrispeels, M. J. – Willmitzer, L. (1989b): Targeting and glycosylation of patatin the major potato tuber protein in leaves of transgenic tobacco, Planta, 179., pp. 171-180. 95. MARTINEZ-ZAPATER, J. M. – Oliver, J. L. (1984): Genetic analysis of isozyme loci in tetraploid potatoes (Solanum tuberosum L.). Genetics, 108., pp. 669-679. 96. OLIVER, J. L. - Martinez-Zapater, J. M. (1985): A genetic classification of potato cultivars based on allozyme patterns, Theor. Appl. Genet., 69., pp. 305-311. 97. QUIROS, C. F. – McHale, N. (1985): Genetic analysis of isozyme variants in diploid and tetraploid potatoes, Genetics, 111., pp. 131-145. 98.
DOUCHES,
D.
S.
–
Ludlam,
K.
(1991):
Electrophoretic
characterization of North American potato cultivars, American Potato Journal, 68., pp. 767-780. 121
99. HAJÓS-NOVÁK M. (SZERK.) (1999 a b): Genetikai variabilitás a növénynemesítésben, Mezőgazda Kiadó, Budapest. 100. BONJEAN, A. - Forgeois, P. - Lacaze, P. - Lemaire-Bonjean, F. Sourdille, P. (1994): A molekuláris markerezés: hatékony eszköz a nemesítők számára, Agrogene, Moissy-Cramayel. 101. BONIERBALE, M. W. - Plaisted, R. L. - Tanksley, S. D. (1988): RFLP maps based upon a common set of clones reveal modes of chromosomal evolution in tomato and potato, Genetics, 83., pp. 1095–1103. 102. GEBHARDT, C. - Blomendahl, C. - SCHachtschabel, U. - Debener, T. - Salamini, F., - Ritter, E. (1989 a b): Identification of 2n breeding lines and 4n varieties of potato (Solanum tuberosum ssp. tuberosum) with RFLP fingerprints, Theor. Appl. Genet., 78., pp. 16-22. 103. BOTSTEIN, D., - White, R. L., - Skolnick M., - Davis, R. W. (1980): Construction of a genetic linkage map in man using restriction fragment
length
polymorphisms,
Am.
J.
Hum,
Genet,
32.,
pp. 314-331. 104. POWELL, W. - PHillips, M. S. - McNicol, J. W. - Waugh, R. (1991): The use of DNA markers to estimate the extent and nature of genetic variability in Solanum tuberosum cultivars, Ann. Appl. Biol., 118., pp. 423–432. 105. PROVAN, J. - Powell, W., Waugh, R. (1996): Microsatellite analysis of relationships within cultivated potato (Solanum tuberosum), Theor. Appl. Genet., 92., pp. 1078–1084. 106. WELSH, J. - McClelland, M. (1990): Fingerprinting genomes using PCR
with
arbitrary
primers,
Nucleic
Acids
Res.,
18.,
pp. 7213-7218. 107. WILLIAMS, J. G. K. - Kubelik, A. R. - Livak, K. J. - Rafalski, J. A. Tingey, S. V. (1990): DNA polymorphisms amplified by arbitrary 122
primers are useful as genetic markers, Nucleic Acids Res., 18., pp. 6531–6535. 108. XU, Y. - Clark, M. S. - Pehu, E. (1993): Use of RAPD markers to screen
somatic
hybrids
between
Solanum
tuberosum
and
S. brevidens, Plant Cell Reports, 12., pp. 107–109. 109. LEWOSZ, J. (1996): Identification of potato cultivars using RAPD and protein markers, 13th Triennial Conference of the European Association for Potato Research, Veldhoven, The Netherlands, Abstracts of Conference Papers, Posters and Demonstrations, pp. 508–509.
110. PETHŐ M. (1993): Mezőgazdasági növények élettana, Akadémiai Kiadó, Budapest.
111. SKROBACKI, A. - Halderson, J. L. - Pavek, J. J. - Corsini, D. (1989): Determining potato tuber resistance to impact damage, American Potato Journal, 66., pp. 401–415.
112. CORSINI, D. L. - Pavek, J. J. - Dean, B. (1992): Differences in free and
protein-bound
tyrosine
among
potato
genotypes
and
relationship to internal blackspot resistance, American Potato Journal, 69., pp. 423–435. 113. HORVÁTH S. (1981): Burgonya. In: Kováts A. (szerk.): Növénytermesztési praktikum, Mezőgazdasági Kiadó, Budapest. 114. ROE, M. A. - Faulks, R. M. - Belsten, J. L. (1990): Role of reducing sugars and amino acids in fry colour of chips from potatoes grown under different nitrogen regimes, J. Sci. Fd. Agric., 52., pp. 207– 214. 115. BRIERLEY, E. R. - Cobb, A. H. (1996): The relationship between amino acid content and processing quality in stored tubers, 13th Triennial Conference of the European Association for Potato
123
Research, Veldhoven, The Netherlands, Abstracts of Conference Papers, Posters and Demonstrations, pp. 611–612. 116. ALLAGA J. - Nagy I. - Horváth S.(1997): Burgonya-genotípusok genetikai
variabilitásának
vizsgálata
RAPD-módszerrel,
Növénytermelés, Tom. 46. No. 4., pp. 337-345. 117. Buczkowski, S. – Kirjakos, S. – Nekka, F. – Cartilier, L. (1997): The modified Box-Counting method: Analysis some of characteristic parameters, [online] elérhetőség: http://www.sciencedirect.com/science?_ob=ArticleURL&_udi=B6V153TX4XGGS&_user=410879&_coverDate=03%2F31%2F1998&_rdoc=1&_fmt=full& _orig=search&_cdi=5665&_sort=d&_docanchor=&view=c&_searchStrId= 1132109844&_rerunOrigin=scholar.google&_acct=C000019644&_versio n=1&_urlVersion=0&_userid=410879&md5=fb6ecce2fe7f14c054c42d0f6 9efd654#sec2 [olvasva: 2009. december 14.]
118. JPEG File Interchange format (ver. 1.02) [online] elérhetőség: http://www.jpeg.org/public/jfif.pdf [olvasva: 2009. december 14.] 119. Delp, E. J. : Result of JPEG Compression, [online] elérhetőség:
http://cobweb.ecn.purdue.edu/~ace/jpeg-tut/jpgimag1.html [olvasva: 2009. december 14.]
124
1155.. M MEELLLLÉÉKKLLEETTEEKK 1166..11..
TTÁÁÁB B Á Z A T O K BLLLÁ ÁZ ZA AT TO OK K
16.1.1.
TÁBLÁZAT 15: HOMOGÉN FELÜLETŰ SÍKLAP FORGATÁSA FÜGGŐLEGES TENGELY MENTÉN:
Mérésszám Képnév
fok
SFD
1
lap_B_01_15_cut.jpg
15
0,9423
2
lap_B_02_30_cut.jpg
30
0,6252
3
lap_B_03_45_cut.jpg
45
0,5238
4
lap_B_04_60_cut.jpg
60
0,5826
5
lap_B_05_75_cut.jpg
75
0,5607
6
lap_B_06_90_cut.jpg
90
0,7382
maximum
0,9423
minimum
0,5238
átlag
0,6621
abszolút eltérés
0,4185
relatív eltérés
125
55,6%
16.1.2.
TÁBLÁZAT 16: INHOMOGÉN FELÜLETŰ TÜKRÖZŐDŐ SÍKLAP FORGATÁSA FÜGGŐLEGES TENGELY MENTÉN:
Mérésszám Képnév
fok
SFD
1
AluFol2_01_f15_cut.jpg
15
1,4303
2
AluFol2_02_f30_cut.jpg
30
1,126
3
AluFol2_03_f45_cut.jpg
45
1,6557
4
AluFol2_04_f60_cut.jpg
60
2,0924
5
AluFol2_05_f75_cut.jpg
75
2,1044
6
AluFol2_06_f90_cut.jpg
90
2,024
maximum
2,1044
minimum
1,126
átlag
1,7388
abszolút eltérés
0,9784
relatív eltérés
126
56,3%
16.1.3.
TÁBLÁZAT 17 MEGVILÁGÍTÁS INTENZITÁSÁNAK HATÁSA AZ ÉRTÉKÉRE TERMÉSZETES FÉNYVISZONYOK ESETÉN
Mérésszám 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Lux 5800 6200 8200 9400 10000 14000 15000 16000 18000 19000 20000 22 000 23 000 25000 27000 28 000 31 000 33 000 35 000 40 000 44 000 46 000 57 000 maximum minimum átlag abszolút eltérés relatív eltérés szórás
127
SFD 1,7049 1,6070 1,6791 1,7572 1,7270 1,8269 1,8432 1,8913 1,9101 1,9216 1,9539 1,9434 1,8796 1,9787 1,9278 1,9204 1,9017 2,0349 2,0528 2,0062 1,9770 2,0286 2,1124 2,1124 1,6070 1,8950 0,5054 26,67% 0,1259
SFD
16.1.4.
Mérésszám 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
képszám 2456 2457 2458 2459 2460 2461 2462 2463 2464 2465 2466 2467 2468 2469 2470 2471 2472 2473 2474 2475 2476 2477 2478 2479 2480 2481 2482 2483 2484 2485 2486
TÁBLÁZAT 18 MEGVILÁGÍTÁS INTENZITÁSÁNAK HATÁSA AZ SFD ÉRTÉKÉRE MESTERSÉGES FÉNYVISZONYOK ESETÉN
Lux 39 45 79 100 160 180 240 320 440 480 510 630 780 890 960 1100 1300 1500 1800 2000 2400 2900 3300 3600 4100 4400 5400 5800 6600 7100 7700
SFD 1,2081 1,3217 1,4478 1,5436 1,3669 1,6118 1,4572 1,5777 1,6621 1,6739 1,6421 1,6816 1,6854 1,7258 1,8081 1,8404 1,8216 1,8263 1,9128 1,9059 1,8705 1,8505 1,9539 1,8530 1,9467 1,9784 1,8404 1,9575 1,8993 1,9611 1,8917
képszám 2488 2489 2491 2492 2493 2494 2495 2496 2497 2498 2499 2500 2501 2502 2503 2504 2505 2506 2507 2508 2509 2510 2511 2512 2513 2514 2515 2516 2517 2518 2519
Lux 39 42 79 100 160 180 240 320 440 480 510 630 780 890 960 1100 1300 1500 1800 2000 2400 2900 3300 3600 4100 4400 5400 5800 6600 7100 7700
SFD 1,2519 1,1508 1,2595 1,4085 1,4152 1,5212 1,5143 1,5237 1,6811 1,6499 1,7743 1,7669 1,7946 1,7546 1,8300 1,7871 1,8702 1,9621 1,8692 1,8035 1,9532 1,8349 1,8300 1,8376 1,8132 1,8282 1,8939 1,8178 1,8279 1,8195 1,7763
képszám 2520 2521 2522 2523 2524 2525 2526 2527 2528 2529 2530 2531 2532 2533 2534 2535 2536 2537 2538 2539 2540 2541 2542 2543 2544 2545 2546 2547 2548 2549 2550
Lux 39 45 79 100 160 180 240 320 420 480 550 630 780 890 950 1100 1300 1500 1800 2000 2400 2900 3300 3600 4100 4400 5400 5800 6600 7100 7700
SFD 1,1502 1,1559 1,3401 1,3662 1,3979 1,5362 1,5481 1,6085 1,7202 1,7101 1,7193 1,7867 1,8474 1,8971 1,8049 1,8233 1,8372 1,8268 1,8416 1,8559 1,7946 1,8222 1,8296 1,8531 1,8424 1,8612 1,8255 1,8499 1,8614 1,8164 1,8172
Lux 39 45 79 100 160 180 240 320 440 480 510 630 780 890 960 1100 1300 1500 1800 2000 2400 2900 3300 3600 4100 4400 5400 5800 6600 7100 7700
SFDÁ 1,2034 1,2388 1,3491 1,4394 1,3933 1,5564 1,5065 1,57 1,6716 1,678 1,7082 1,7451 1,7758 1,7925 1,819 1,8169 1,843 1,8718 1,8745 1,8551 1,8728 1,8359 1,8712 1,8479 1,8675 1,8893 1,8533 1,8751 1,8629 1,8656 1,8284
maximum
1,8893
minimum
1,2034
átlag
1,7154
absolute eltérés.
0,6859
relative elérést
39,98%
szórás
0,1985
16.1.5.
TÁBLÁZAT 19 MEGVILÁGÍTÁS SPEKTRUMÁNAK HATÁSA AZ SFD
ÉRTÉKÉRE
Képnév
SFD_A
SFD_B
SFD_A-B
Kroma_01_1231
2,1836
1,4482
0,7354
Kroma_01_1230
2,0371
0,9799
1,0572
Kroma_01_1227
2,0547
0,9107
1,1440
Kroma_01_1232
2,2181
1,0716
1,1465
Kroma_01_1235
1,9253
0,7367
1,1886
Kroma_01_1234
1,8992
0,6748
1,2244
Kroma_01_1233
2,0711
0,8012
1,2699
Kroma_01_1229
2,0352
0,7303
1,3049
Kroma_01_1236
2,0650
0,7393
1,3257
Kroma_01_1237
2,2695
0,6708
1,5987
Kroma_01_1226
2,2838
0,6399
1,6439
129
16.1.6.
TÁBLÁZAT 20 A FELVÉTELEZÉS VÍZSZINTES SÍKON TÖRTÉNŐ ELFORGATÁS SZÖGÉNEK HATÁSA KESZTHELYI BURGONYAFAJTÁK SFD ÁTLAG ÉRTÉKEIRE (A SZÓRÁS ÉRTÉK FELTÜNTETÉSÉVEL)
perc 0 7 15 22 30 37 45 52
Hópehely átlag 1,848 1,868 1,851 1,889 1,878 1,892 1,875 1,853
maximum minimum átlag abs.eltérés rel.eltérés szórás
1,892 1,848 1,869 0,044 2,36% 0,016071
szórás 0,036 0,046 0,059 0,050 0,043 0,049 0,047 0,049
Lorett átlag 1,799 1,845 1,818 1,849 1,831 1,860 1,814 1,849 1,860 1,799 1,833 0,061 3,32% 0,019716
szórás 0,055 0,045 0,039 0,039 0,079 0,057 0,034 0,043
Katica átlag 1,802 1,838 1,796 1,833 1,804 1,828 1,820 1,806 1,838 1,796 1,816 0,042 2,32% 0,01497
Luca szórás átlag 0,058 1,842 0,050 1,881 0,072 1,867 0,052 1,882 0,074 1,862 0,069 1,888 0,076 1,851 0,058 1,902 1,902 1,842 1,872 0,060 3,23% 0,01874
szórás 0,064 0,054 0,055 0,050 0,062 0,040 0,056 0,034
Balatoni Rózsa átlag szórás 1,851 0,027 1,874 0,027 1,852 0,030 1,880 0,030 1,863 0,029 1,882 0,029 1,854 0,033 1,875 0,029
Rioja átlag 1,864 1,867 1,840 1,898 1,891 1,905 1,876 1,902
1,882 1,851 1,866 0,031 1,65% 0,012029
1,905 1,840 1,880 0,065 3,47% 0,021194
szórás 0,068 0,054 0,090 0,050 0,062 0,055 0,071 0,041
16.1.7.
TÁBLÁZAT 21 CANON KÖRVAKÚ HIBA MÉRÉS ADATAI
Képnév HibaMérés2_T_R_E_01 HibaMérés2_T_R_E_04 HibaMérés2_T_R_E_05 HibaMérés2_T_R_E_06 HibaMérés2_T_R_E_07 HibaMérés2_T_R_E_08 HibaMérés2_T_R_E_10 HibaMérés2_T_R_E_12 HibaMérés2_T_R_E_13 HibaMérés2_T_R_E_15 átlag maximum minimum abszolút eltérés relatív eltérés szórás SQ
EOS 30D ÉS SIGMA EM-140 DG
RGBFVRE 2,0514 2,0221 2,0299 1,9740 2,0295 2,0288 1,9944 1,9931 1,9821 1,9909
RFVRE 0,9957 0,9892 0,9872 0,9834 0,9882 0,9896 0,9692 0,9699 0,9851 0,9692
GFVRE 1,1138 1,0793 1,0548 1,0997 1,1640 1,0481 1,0239 1,0538 1,1564 1,0678
BFVRE 1,0000 0,9988 0,9978 0,9963 0,9997 0,9995 0,9961 0,9970 0,9981 0,9964
2,0096 2,0514 1,9740 0,0773 3,85% 0,0257 0,0059
0,9827 0,9957 0,9692 0,0265 2,70% 0,0097 0,0008
1,0862 1,1640 1,0239 0,1402 12,90% 0,0468 0,0197
0,9979 1,0000 0,9961 0,0038 0,38% 0,00147 1,94396E-05
131
16.1.8.
TFVRE TFVRE TFVRF TFVRF TFVBF TFVBF TFVSF TFVSF RFVRE RFVRE GFVRE GFVRE BFVRE BFVRE RFVRF RFVRF GFVRF GFVRF BFVRF BFVRF RFVBF RFVBF GFVBF GFVBF BFVBF BFVBF RFVSF RFVSF GFVSF GFVSF BFVSF BFVSF
TÁBLÁZAT
22 ÖSSZEFOGLALÓ TÁBLÁZAT
Minimum Maximum Szórás 1,90689 0,025 2,11969 0,047 1,81463 0,056 2,04941 0,033 1,90433 0,028 2,09894 0,046 1,89258 0,047 2,1091 0,063 0,82853 0,092 0,97122 0,011 0,91177 0,104 1,09291 0,043 0,97752 0,012 1,04571 0,049 0,73995 0,128 0,98234 0,012 0,82437 0,154 1,10752 0,053 0,96327 0,025 1,03485 0,040 0,90494 0,031 0,99668 0,024 1,01223 0,063 1,11808 0,039 0,97475 0,018 1,06096 0,071 0,88094 0,029 0,97716 0,010 0,99242 0,062 1,10136 0,039 0,96058 0,024 1,05127 0,050
Fajta Vénusz Gold Cleopátra White Lady Desiree Vénusz Gold Cleopátra Vénusz Gold Cleopátra White Lady Cleopátra White Lady Démon Vénusz Gold Balatoni rózsa Vénusz Gold Balatoni rózsa Vénusz Gold Balatoni rózsa Cleopátra Balatoni rózsa Vénusz Gold Balatoni rózsa Balatoni rózsa Rioja Vénusz Gold Balatoni rózsa Góliát Balatoni rózsa Góliát Luca XL Góliát Balatoni rózsa
relatív relatív abszolút eltérés eltérés eltérés maximum minimum 0,2128 10,0% 11,2% 0,23478
11,5%
12,9%
0,19461
9,3%
10,2%
0,21652
10,3%
11,4%
0,14269
14,7%
17,2%
0,18114
16,6%
19,9%
0,06819
6,5%
7,0%
0,24239
24,7%
32,8%
0,28315
25,6%
34,3%
0,07158
6,9%
7,4%
0,09174
9,2%
10,1%
0,10585
9,5%
10,5%
0,08621
8,1%
8,8%
0,09622
9,8%
10,9%
0,10894
9,9%
11,0%
0,09069
8,6%
9,4%
abszolút relatív fajta fajta eltérés eltérés 1,051973 1,01866 0,033311 3,27% 0,04287 0,0551 szign 0,14972629
16.1.9.
TÁBLÁZAT
23 KÉPEK KÓDOLÁSA
CODES OF IMAGE :TYPE: RGB
FORMAT: BMP/JPG/TIF
00.35_T_R_F_1_V.JPG object ordinal: 1..10
Genotype id
Aim: T:Parent stock A:A-clone B:B-Clone I:Info …
Object processing: S: nyers 24h(Stale) B:főtt(Boiled) R:nyers friss(Rough) C:chips …
Object type: F:fél(half tuber) E:egész(a tuber)
spectrum: V:Visible 4/I:Infrared 5/T:Thermo
16.1.10.
28. ÁBRA KESOTU ADATBÁZIS RELÁCIÓS MODELLJE TULAJDONSÁGAI KAPCSOLATA
134
– FAJTA ÉS
16.1.11. 29. ÁBRA KESOTU ADATBÁZIS RELÁCIÓS MODELLJE – NEMESÍTÉSI NAPLÓ
135
16.1.12.
FŐKOMPONENS ANALÍZIS SCATTERGARMJAI IDŐSZAKRA 120
2009 TAVASZI
pVG-BR=0,56E-6
100 80 60 40 20 0 -150
-100
-50
-20 0
50
100
150
-40 -60 -80 -100 Vénusz Gold
Balatoni rózsa 33. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz gold – Balatoni rózsa fajtákra (2009 év tavaszi időszak)
120
pVG-De=0,012
100 80 60 40 20 0 -120
-100
-80
-60
-40
-20
-20
0
20
40
60
80
-40 -60 Vénusz Gold
-80 Desiree
34. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz gold – Desiree fajtákra (2009 év tavaszi időszak)
136
120
pVG-Dé=0,43E-3
100 80 60 40 20 0 -120
-100
-80
-60
-40
-20
-20
0
20
40
60
-40 -60 -80 Vénusz Gold
Démon
35. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz gold – Démon fajtákra (2009 év tavaszi időszak)
150
pVG-Gó=0,37E-5 100
50
0 -150
-100
-50
0
50
100
-50
-100
-150 Vénusz Gold
Góliát
36. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz gold – Góliát fajtákra (2009 év tavaszi időszak)
137
120
pVG-Hó=0,11E-3
100 80 60 40 20 0 -150
-100
-50
-20 0
50
100
-40 -60 -80 Vénusz Gold
Hópehely
37. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz gold – Hópehely fajtákra (2009 év tavaszi időszak)
120
pVG-Ka=0,29E-2
100 80 60 40 20 0
-150
-100
-50
-20
0
50
100
-40 -60 -80 Vénusz Gold
Katica
38. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz gold – Katica fajtákra (2009 év tavaszi időszak)
138
120
pVG-Ká=0,74E-5
100 80 60 40 20 0 -150
-100
-50
-20 0
50
100
-40 -60 -80 -100 Vénusz gold
Kánkán
39. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz gold – Kánkán fajtákra (2009 év tavaszi időszak)
120
pVG-Lo=0,41E-5
100 80 60 40 20 0 -150
-100
-50
-20
0
50
100
150
-40 -60 -80Gold Vénusz
Lorett
40. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz gold – Lorett fajtákra (2009 év tavaszi időszak)
139
150
pVG-LXL=0,11E-3 100
50
0 -150
-100
-50
0
50
100
-50
-100
-150 Vénusz Gold
Luca XL
41. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz gold – Luca XL fajtákra (2009 év tavaszi időszak)
120
p=0,71E-2
100 80 60 40 20 0 -120
-100
-80
-60
-40
-20
-20
0
20
40
-40 -60 -80 Vénusz Gold
Rioja
42. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz gold – Rioja fajtákra (2009 év tavaszi időszak)
140
150
100
50
0 -120
-100
-80
-60
-40
-20
0 -50
-100 Vénusz gold
White Lady 43. ÁBRA
A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz gold – WhiteLady fajtákra (2009 év tavaszi időszak)
141
1177..
E O N K U S M E É K E T ELLLEEEKKKTTTRRRO ON NIIIK KU US SM ME ELLLLLLÉ ÉK KLLLE ET T
1177..11..
FFEEELLLVVVÉÉÉTTTEEELLLEEEZZZÉÉÉSSSEEEKKK::
200711 Cleopátra
(2007
(\Original,
ősz):
BalatoniRózsa
\TBG),
Démon
(\Original28,
(\Original,
\TBG),
\TBG29); Desiree
(\Original, \TBG), Góliát (\Original, \TBG), Hópehely (\Original, \TBG), Kánkán (\Original, \TBG), Katica (\Original, \TBG), Lorett (\Original, \TBG), Luca (\Original, \TBG), Rioja.xls (\Original, \TBG), Vénusz (\Original, \TBG), WhiteLady (\Original, \TBG) 200802 Cleopátra
(2008
(\Original,
tavasz): \TBG),
BalatoniRózsa Démon
(\Original,
(\Original,
\TBG),
\TBG), Desiree
(\Original, \TBG), Góliát (\Original, \TBG), Hópehely (\Original, \TBG), Kánkán (\Original, \TBG), Katica (\Original, \TBG), Lorett (\Original, \TBG), LucaXL (\Original, \TBG), Rioja (\Original, \TBG), VénuszGold (\Original, \TBG), WhiteLady (\Original, \TBG) 200811 (2008 ősz): BalatoniRózsa (\Original, \TBG), Cleopátra (\Original, \TBG), Démon (\Original, \TBG), Desiree (\Original, \TBG), Góliát
(\Original,
\TBG),
Hópehely
(\Original,
\TBG),
Kánkán
(\Original, \TBG), Katica (\Original, \TBG), Lorett (\Original, \TBG), Luca (\Original, \TBG), Rioja (\Original, \TBG), Vénusz (\Original, \TBG), WhiteLady (\Original, \TBG) 200902 (2009 tavasz): BalatoniRózsa (\Original, \TBG), Démon (\Original, \TBG), Desiree (\Original, \TBG), Góliát (\Original, \TBG), Hópehely
(\Original,
\TBG),
Kánkán
(\Original,
\TBG),
Katica
(\Original, \TBG), Lorett (\Original, \TBG), LucaXL (\Original, \TBG), Rioja (\Original, \TBG), VénuszGold (\Original, \TBG), WhiteLady (\Original, \TBG)
28 29
Eredeti képek TBackGround = fehér háttérrel kitöltött képek
142
1177..22..
M D A T O K T Á B Á Z A T A MÉÉÉRRRÉÉÉSSS AAAD DA AT TO OK KT TÁ ÁB BLLLÁ ÁZ ZA AT TA AIII::
17.2.1.
KIÉRTÉKELÉS\ FAJTAVIZSGÁLAT\200711 (2007 ŐSZ):
Alaptáblázatok: BalatoniRózsa.xlsx, Cleopátra.xlsx, Démon.xls, Desiree.xls, Góliát.xls, Hópehely.xls, Kánkán.xls, Katica.xls, Lorett.xls, Luca.xls, Rioja.xls, Vénusz.xls, WhiteLady.xls Éves összesítés és statisztikai értékelések: 200711.xlsx 17.2.2.
KIÉRTÉKELÉS\FAJTAVIZSGÁLAT\200802 (2008 TAVASZ):
Alaptáblázatok: BalatoniRózsa.xlsx, Cleopátra.xlsx, Démon.xls, Desiree.xls, Góliát.xls, Hópehely.xls, Kánkán.xls, Katica.xls, Lorett.xls, LucaXL.xls, Rioja.xls, VénuszGold.xls, WhiteLady.xls Éves összesítés és statisztikai értékelések: 200802.xlsx 17.2.3.
KIÉRTÉKELÉS\ FAJTAVIZSGÁLAT\200811 (2008 ŐSZ):
Alaptáblázatok: BalatoniRózsa.xlsx, Cleopátra.xlsx, Démon.xls, Desiree.xls, Góliát.xls, Hópehely.xls, Kánkán.xls, Katica.xls, Lorett.xls, Luca.xls, Rioja.xls, Vénusz.xls, WhiteLady.xls Éves összesítés és statisztikai értékelések: 200811.xlsx 17.2.4.
KIÉRTÉKELÉS\ FAJTAVIZSGÁLAT\200902 (2009 TAVASZ):
Alaptáblázatok: Góliát.xls,
BalatoniRózsa.xlsx,
Hópehely.xls,
,Démon.xls,
Kánkán.xls,
Desiree.xls,
Katica.xls,
Lorett.xls,
LucaXL.xls, Rioja.xls, VénuszGold.xls, WhiteLady.xls Éves összesítés és statisztikai értékelések: 200902.xlsx Kiértékelés\Fajtavizsgálat\Értékelés200711-0802-0811-0902.xlsx
143
1177..33..
K O U P R O G R A M KEEESSO OT TU UP PR RO OG GR RA AM M
1177..44..
M B P R O G R A M MAAATTTLLLAAAB BP PR RO OG GR RA AM M
1177..55..
SSQ D A T B Á Z S QLL AAAD DA AT TB BÁ ÁZ ZIIIS S
1177..66..
D C Ó DIIISSSSSSZZZEEERRRTTTÁÁÁC CIIIÓ Ó
144
1188.. 1188..11..
FFÜ Ü G G E É K ÜG GG GE ELLLÉ ÉK K C N O N CAAAN NO ON N3 300D D
EOS 30D A termékek műszaki adatai KÉPÉRZÉKELŐ Típus 22,5 x 15,0 mm CMOS Hasznos képpontok száma Kb. 8,2 millió Képarány 3:2 Színszűrő típusa Elsődleges szín KÉPFELDOLGOZÓ PROCESSZOR Típus DIGIC II OBJEKTÍV Objektív bajonett EF/EF-S Fókusztartomány 1,6-szeres szorzótényező EF objektívvel ÉLESSÉGÁLLÍTÁS Típus TTL-CT-SIR CMOS-érzékelővel AF rendszer/ pontok 9 mezős AF EXPOZÍCIÓ VEZÉRLÉSE Fénymérési módok TTL teljes rekesznyílás mérése 35 zónás SPC-vel (1) Kiértékelő fénymérés (bármely AF-ponthoz csatolható) (2) Részleges fénymérés (kb. 9% a kereső közepétől) (3) Szpot fénymérés: Középponti szpot fénymérés (kb. 3,5% a kereső közepétől) (4) Középre súlyozott átlagoló fénymérés ISO érzékenység* 100–1600 (1/3 Fé lépésekben) Az ISO kiterjeszthető a H: 3200 értékig ZÁR Típus Elektronikusan vezérelt redőnyzár Záridők 30–1/8000 mp (1/2 vagy 1/3 Fé lépésekben), Bulb Zárkioldó Érintőgombos, elektromágneses kioldás FEHÉR-EGYENSÚLY Típus Automatikus fehéregyensúly-beállítás a képérzékelővel Beállítások Automatikus, Napfény, Árnyék, Felhős, Izzólámpa, Fehér fluoreszcens fény, Vaku, Egyéni, Színhőmérséklet-beállítás.
Fehér-egyensúly sorozat SZÍNRENDSZER Típus Kereső Tükör LCD Monitor VAKU Módok Vakupapucs / PC Terminál Külső vaku FÉNYKÉPEZÉS Módok
Fehéregyensúly-kompenzáció: 1. Kék/borostyánsárga +/–9; 2. Bíbor/zöld +/–9 +/- 3 fokozat egész lépésekben; Exponálásonként 3 felvétel Kék/borostyánsárga vagy bíbor/zöld irányú eltolás lehetséges Kétféle színtér: sRGB és Adobe RGB Pentaprizma Gyors visszatérésű, félig áteresztő tükör (fényáteresztés aránya 40:60, nincs tükörelsötétedés EF 600 mm f/4 vagy kisebb értéknél) 6,35 cm-es TFT, kb. 230 000 képpont Automatikus, manuális vakubekapcsolás és -kikapcsolás, vörösszemhatás-csökkentés Igen / Igen E-TTL II, EX-sorozatú Speedlite vakukkal, vezeték nélküli, többvakus elrendezés támogatása
Automata, Portré, Tájkép, Makró, Sport, Éjszakai portré, Vaku kikapcsolva, Program autoexpozíció, Záridő-előválasztásos, autoexpozíció, Rekesz- előválasztásos autoexpozíció, Manuális, A-DEP mélységélesség-ellenőrzés Felvételi módok Egy kép / Sorozatfelvétel L/Sorozatfelvétel H Sorozatfelvétel Max. Kb. 5 kép/mp (a sebesség akár 30 (JPEG)¹ kép és 11 (RAW)² kép készítésénél is azonos) RÖGZÍTETT KÉPPONTOK / TÖMÖRÍTÉS Képméretek Tömörítés FÁJLTÍPUSOK Állóképek típusa RAW+JPEG egyidejű rögzítése Fájlszámozás EGYÉB FUNKCIÓK Egyedi funkciók Intelligens helyzetérzékelő Hisztogram
(LF) 3504x2336, (LN) 3504x2336, (MF) 2544x1696, (MN) 2544x1696, (SF) 1728x1152, (SN) 1728x1152, (RAW) 3504x2336 Finom, Normál, RAW (Canon RAW 2. verziója) JPEG (Exif 2.21 [Exif Print] kompatibilis)/Design rule for Camera File (2.0) rendszerrel és Digital Print Order Format [DPOF] 1.1 verziójával kompatibilis Igen (1) Folyamatos számozás; (2) Automatikusan visszaállított; (3) Kézzel visszaállított 19 felhasználói beállítás 53 választható lehetőséggel Igen Fényerő: igen ; RGB: igen
INTERFÉSZ Számítógép Nagysebességű USB 2.0 (Mini-B, PTP) Egyéb Videokimenet (PAL/NTSC) MEMÓRIAKÁRTYA Típus Compact Flash Type I/II (Microdrive is használható)¹ TÁMOGATOTT OPERÁCIÓS RENDSZEREK PC Macintosh Windows 98SE / 2000 / Me / XP SZOFTVER Böngészés és nyomtatás ZoomBrowser EX / ImageBrowser Más PhotoStitch, EOS Utility (beleértve a Remote Capture funkciót) Illesztőprogramok TWAIN (Windows 98/2000), WIA (Windows Me/XP) Kép manipuláció Digital Photo Professional (Windows 2000 / XP) ÁRAMELLÁTÁS Akkumulátor BP-511/BP-511A vagy BP-512/BP-514 újratölthető lítium-ion akkumulátor (a BP-511A akkumulátor a készülék tartozéka), 1 db CR2016 elem a dátum és a beállítások tárolásához Akkumulátor üzemidő Kb. 750 (20 °C-on, AE 50%, FE 50%) ¹; Kb. 600 (0 °C-on, AE 50%, FE 50%) Hálózati áramellátás ACK-E2 hálózati adapter (külön megvásárolható) KIEGÉSZÍTŐK Tok EH17-L félkemény tok Objektívek Minden EF és EF-S objektívvel kompatibilis Vaku Canon Speedlite vakuk (220EX, 380EX, 420EX, 430EX, 550EX, 580EX, Macro-Ring Lite, MR14EX, Macro Twin Lite MT-24EX, Speedlite Transmitter ST-E2) Akkumulátoros markolat BG-E2 Távvezérlő/távkioldó Távvezérlő N3 típusú csatlakozóval Áramellátás és ACK-E2 hálózatiadapter-készlet, CA-PS400 kompakt hálózati adapter, CB-5L akkumulátortöltő, CGakkumulátortöltők 570 akkumulátortöltő, CR-560 autós töltőkészlet BP-511A akkumulátorhoz FIZIKAI ADATOK Váz anyaga Magnéziumötvözet/műanyag Üzemeltetési feltételek 0–40 °C, legfeljebb 85% páratartalom Méretek 144 x 105,5 x 73,5 mm
1188..22..
C N O N M M F CAAAN NO ON NE EFF--SS 1188--5555M MM MF F/ /33..55--55..66 IISS
A termékek műszaki adatai Képméret APS-C 35 mm-es géppel ekvivalens fókusztávolság 29-88 Látószög (vízsz., függ., átlós) 64º 30'–23º 20', 45º 30'–15º 40', 74º 20'– 27º 50' Felépítés (lencsetagok/csoportok száma) 11/9 Lamellák száma Legkisebb rekeszméret Közelpont (m) Maximális nagyítás (x) Távolságinformációk Képstabilizátor AF motor Szűrő átmérő (mm) Max. átmérő x hossz (mm) Tömeg (g) Nagyítás - EF12 II Extension Tube közgyűrű Nagyítás - EF25 II Extension Tube közgyűrű Napellenző Puha tok Zselés szűrő tartó III (III napellenző*) Zselés szűrő tartó IV (IVnapellenző*) EF1.4x II és EF2x II közgyűrűk
6 22–38 0,25 0,34 (55 mm) Igen 4 lépés Mikromotor 58 68,5 x 70 200 0,64–0,23¹ 1,00–0,51¹ EW-60C LP814 (0) (0) Nem kompatibilis
Nagyítás - EF12 II Extension ¹ Csak teleobjektív állásban kompatibilis Tube közgyűrű Nagyítás - EF25 II Extension ¹ Csak teleobjektív állásban kompatibilis Tube közgyűrű *A maximális ráilleszthető III/IV fedelek száma. Zoomos objektívek esetén a maximális szám a rövid gyújtótávolságra vonatkozik.
148
1199.. V VÉÉGGJJEEGGYYZZEETT 1
TFV = RGB szintér fraktál érték a vizsgált tulajdonságokra RFV = R altér fraktál érték a vizsgált tulajdonságokra 3 GFV = G altér fraktál érték a vizsgált tulajdonságokra 4 BFV = B altér fraktál érték a vizsgált tulajdonságokra 5 TFVRE = RGB szintér fraktál érték héjszín tulajdonságra 6 RFVRE = R altér fraktál érték héjszín tulajdonságra 7 GFVRE = G altér fraktál érték héjszín tulajdonságra 8 BFVRE = B altér fraktál érték héjszín tulajdonságra 9 TFVRF = RGB szintér fraktál érték nyers hússzín tulajdonságra 10 RFVRF = R altér fraktál érték nyers hússzín tulajdonságra 11 GFVRF = G altér fraktál érték nyers hússzín tulajdonságra 12 BFVRF = B altér fraktál érték nyers hússzín tulajdonságra 13 TFVBF = RGB szintér fraktál érték főtt hússzín tulajdonságra 14 RFVBF = R altér fraktál érték főtt hússzín tulajdonságra 15 GFVBF = G altér fraktál érték főtt hússzín tulajdonságra 16 BFVBF = B altér fraktál érték főtt hússzín tulajdonságra 17 TFVSF = RGB színtér fraktál érték szürkült hússzín tulajdonságra 18 RFVSF = R altér fraktál érték szürkült hússzín tulajdonságra 19 GFVSF = G altér fraktál érték szürkült hússzín tulajdonságra 20 BFVSF = B altér fraktál érték szürkült hússzín tulajdonságra 21 TFVRF&SF = RGB szintér fraktál érték nyers~ és szürkült hússzín tulajdonságokra 22 RFVRF&SF = R altér fraktál érték nyers~ és szürkült hússzín tulajdonságokra 23 GFVRF&SF = G altér fraktál érték nyers~ és szürkült hússzín tulajdonságokra 24 BFVRF&SF = B altér fraktál érték nyers~ és szürkült hússzín tulajdonságokra 25 TFVRF&BF = RGB szintér fraktál érték nyers~ és főtt hússzín tulajdonságokra 26 RFVRF&BF = R altér fraktál érték nyers~ és főtt hússzín tulajdonságokra 27 GFVRF&BF = G altér fraktál érték nyers~ és főtt hússzín tulajdonságokra 28 BFVRF&BF = B altér fraktál érték nyers~ és főtt hússzín tulajdonságokra 29 TFVRF&RE = RGB szintér fraktál érték nyers hússzín és héjszín tulajdonságokra 30 RFVRF&RE = R altér fraktál érték nyers hússzín és héjszín tulajdonságokra 31 GFVRF&RE = G altér fraktál érték nyers hússzín és héjszín tulajdonságokra 32 BFVRF&RE = B altér fraktál érték nyers hússzín és héjszín tulajdonságokra 33 TFVRE&SF = RGB szintér fraktál érték héjszín és szürkült hússzín tulajdonságokra 34 RFVRE&SF = R altér fraktál érték héjszín és szürkült hússzín tulajdonságokra 35 GFVRE&SF = G altér fraktál érték héjszín és szürkült hússzín tulajdonságokra 36 BFVRE&SF = B altér fraktál érték héjszín és szürkült hússzín tulajdonságokra 37 TFVRE&BF = RGB szintér fraktál érték héjszín és főtt hússzín tulajdonságokra 38 RFVRE&BF = R altér fraktál érték héjszín és főtt hússzín tulajdonságokra 39 GFVRE&BF = G altér fraktál érték héjszín és főtt hússzín tulajdonságokra 40 BFVRE&BF = B altér fraktál érték héjszín és főtt hússzín tulajdonságokra 41 TFVBF&SF = RGB szintér fraktál érték főtt~ és szürkült hússzín tulajdonságokra 42 RFVBF&SF = R altér fraktál érték főtt~ és szürkült hússzín tulajdonságokra 43 GFVBF&SF = G altér fraktál érték főtt~ és szürkült hússzín tulajdonságokra 44 BFVBF&SF = B altér fraktál érték főtt~ és szürkült hússzín tulajdonságokra 45 TFVRE&RF&BF = RGB szintér fraktál érték nyers~ és főtt hússzín tulajdonságokra 46 RFVRE&RF&BF = R altér fraktál érték nyers~ és főtt hússzín tulajdonságokra 47 GFVRE&RF&BF = G altér fraktál érték nyers~ és főtt hússzín tulajdonságokra 48 BFVRE&RF&BF = B altér fraktál érték nyers~ és főtt hússzín tulajdonságokra 49 TFVRE&BF&SF = RGB szintér fraktál érték héjszín, főtt~ és szürkült hússzín tulajdonságokra 50 TFVRE&BF&SF = R altér fraktál érték héjszín, főtt~ és szürkült hússzín tulajdonságokra 51 TFVRE&BF&SF = G altér fraktál érték héjszín, főtt hússzín tulajdonságokra 52 TFVRE&BF&SF = B altér fraktál érték héjszín, főtt~ és szürkült hússzín tulajdonságokra 53 TFVRE&RF&SF = RGB szintér fraktál érték héjszín, nyers~ és szürkült hússzín tulajdonságokra 54 RFVRE&RF&SF = R altér fraktál érték héjszín, nyers~ és szürkült hússzín tulajdonságokra 55 GFVRE&RF&SF = G altér fraktál érték héjszín, nyers~ és szürkült hússzín tulajdonságokra 56 BFVRE&RF&SF = B altér fraktál érték héjszín, nyers~ és szürkült hússzín tulajdonságokra 57 TFVRF&BF&SF = RGB szintér fraktál érték nyers~, főtt~ és szürkült hússzín tulajdonságokra 58 RFVRF&BF&SF = R altér fraktál érték nyers~, főtt~ és szürkült hússzín tulajdonságokra 2
149
59 60
GFVRF&BF&SF = G altér fraktál érték nyers~, főtt~ és szürkült hússzín tulajdonságokra BFVRF&BF&SF = B altér fraktál érték nyers~, főtt~ és szürkült hússzín tulajdonságokra
Scatter diagram 200711: 2007 év őszi felvételezés Scatter diagram 200802: 2008 év tavaszi felvételezés 63 Scatter diagram 200811-1: 2008 év őszi felvételezés 64 Scatter diagram 200811-2: 2008 év őszi felvételezés Katica és Vénusz Gold fajták nélkül 65 Scatter diagram 200902: 2009 év tavaszi felvételezés 61 62
150
