Statistical evaluation of texture analysis from the biocrystallization method

The consumers are becoming more concerned about food quality, especially regarding how, when and where the foods are produced (Haglund et al., 1999; Kahl et al., 2004; Alföldi, et al., 2006). Therefore, during recent years there has been a growing interest in the methods for food quality assessment, especially in the picture-development methods as a complement to traditional chemical analysis of single compounds (Kahl et al., 2006). The biocrystallization as one of the picture-developing method is based on the crystallographic phenomenon that when crystallizing aqueous solutions of dihydrate CuCl2 with adding of organic solutions, originating, e.g., from crop samples, biocrystallograms are generated with reproducible crystal patterns (Kleber & Steinike-Hartung, 1959). Its output is a crystal pattern on glass plates from which different variables (numbers) can be calculated by using image analysis. However, there is a lack of a standardized evaluation method to quantify the morphological features of the biocrystallogram image. Therefore, the main sakes of this research are (1) to optimize an existing statistical model in order to describe all the effects that contribute to the experiment, (2) to investigate the effect of image parameters on the texture analysis of the biocrystallogram images, i.e., region of interest (ROI), color transformation and histogram matching on samples from the project 020E170/F financed by the Federal Ministry of Food, Agriculture and Consumer Protection(BMELV).The samples are wheat and carrots from controlled field and farm trials, (3) to consider the strongest effect of texture parameter with the visual evaluation criteria that have been developed by a group of researcher (University of Kassel, Germany; Louis Bolk Institute (LBI), Netherlands and Biodynamic Research Association Denmark (BRAD), Denmark) in order to clarify how the relation of the texture parameter and visual characteristics on an image is. The refined statistical model was accomplished by using a lme model with repeated measurements via crossed effects, programmed in R (version 2.1.0). The validity of the F and P values is checked against the SAS program. While getting from the ANOVA the same F values, the P values are bigger in R because of the more conservative approach. The refined model is calculating more significant P values. The optimization of the image analysis is dealing with the following parameters: ROI(Region of Interest which is the area around the geometrical center), color transformation (calculation of the 1 dimensional gray level value out of the three dimensional color information of the scanned picture, which is necessary for the texture analysis), histogram matching (normalization of the histogram of the picture to enhance the contrast and to minimize the errors from lighting conditions). The samples were wheat from DOC trial with 4 field replicates for the years 2003 and 2005, “market samples”(organic and conventional neighbors with the same variety) for 2004 and 2005, carrot where the samples were obtained from the University of Kassel (2 varieties, 2 nitrogen treatments) for the years 2004, 2005, 2006 and “market samples” of carrot for the years 2004 and 2005. The criterion for the optimization was repeatability of the differentiation of the samples over the different harvest(years). For different samples different ROIs were found, which reflect the different pictures. The best color transformation that shows efficiently differentiation is relied on gray scale, i.e., equal color transformation. The second dimension of the color transformation only appeared in some years for the effect of color wavelength(hue) for carrot treated with different nitrate fertilizer levels. The best histogram matching is the Gaussian distribution. The approach was to find a connection between the variables from textural image analysis with the different visual criteria. The relation between the texture parameters and visual evaluation criteria was limited to the carrot samples, especially, as it could be well differentiated by the texture analysis. It was possible to connect groups of variables of the texture analysis with groups of criteria from the visual evaluation. These selected variables were able to differentiate the samples but not able to classify the samples according to the treatment. Contrarily, in case of visual criteria which describe the picture as a whole there is a classification in 80% of the sample cases possible. Herewith, it clearly can find the limits of the single variable approach of the image analysis (texture analysis).

Urban Grass and Grass-Leaf Litter Mixtures as Source for Bioenergy Recovery

Städtische Biomassen der Grünflächen bilden eine potentielle, bisher weitgehend ungenutzte Ressource für Bioenergie. Kommunen pflegen die Grünflächen, lassen das Material aber verrotten oder führen es Deponien oder Müllverbrennungsanlagen zu. Diese Praxis ist kostenintensiv ohne für die Verwaltungen finanziellen Ausgleich bereitzustellen. Stattdessen könnte das Material energetisch verwertet werden. Zwei mögliche Techniken, um Bioenergie zu gewinnen, wurden mit krautigem Material des städtischen Straßenbegleitgrüns untersucht i) direkte anaerobe Fermentation (4 Schnitte im Jahr) und ii) „Integrierte Festbrennstoff- und Biogasproduktion aus Biomasse“ (IFBB), die Biomasse durch Maischen und mechanisches Entwässern in einen Presssaft und einen Presskuchen trennt (2 Schnitte im Jahr). Als Referenz wurde die aktuelle Pflege ohne Verwertungsoption mitgeführt (8faches Mulchen). Zusätzlich wurde die Eignung von Gras-Laub-Mischungen im IFBB-Verfahren untersucht. Der mittlere Biomasseertrag war 3.24, 3.33 und 5.68 t Trockenmasse ha-1 jeweils für die Pflegeintensitäten Mulchen, 4-Schnitt- und 2-Schnittnutzung. Obwohl die Faserkonzentration in der Biomasse der 2-Schnittnutzung höher war als im Material der 4-Schnittnutzung, unterschieden sich die Methanausbeuten nicht signifikant. Der Presskuchen aus dem krautigen Material des Straßenbegleitgrüns hatte einen Heizwert von 16 MJ kg-1 Trockenmasse, während der Heizwert des Presskuchens der Gras-Laub-Mischung in Abhängigkeit vom Aschegehalt zwischen 15 und 17 MJ kg-1 Trockenmasse lag. Der Aschegehalt der Mischungen war höher als der Grenzwert nach DIN EN 14961-6:2012 (für nicht-holzige Brennstoffe), was auf erhöhte Bodenanhaftung auf Grund der Erntemethoden zurückzuführen sein könnte. Der Aschegehalt des krautigen Materials vom Straßenrand hielt die Norm jedoch ein. Die Elementkonzentration (Ca, Cl, K, Mg, N, Na, P, S, Al, Cd, Cr, Cu, Mn, Pb, Si, Zn) im krautigen Material war generell ähnlich zu Landwirtschafts- oder Naturschutzgrünland. In den Mischungen nahm die Elementkonzentration (Al, Cl, K, N, Na, P, S, Si) mit zunehmendem Laubanteil ab. Die Konzentration von Ca, Mg und der Neutral-Detergenz-Fasern stieg hingegen an. Die IFBB-Technik reduzierte die Konzentrationen der in der Verbrennung besonders schädlichen Elemente Cl, K und N zuverlässig. Außer den potentiell hohen Aschegehalten, wurde während der Untersuchungen kein technischer Grund entdeckt, der einer energetischen Verwertung des getesteten urbanen Materials entgegenstehen würde. Ökonomische, soziale und ökologische Auswirkungen einer Umsetzung müssen beachtet werden. Eine oberflächliche Betrachtung auf Basis des bisherigen Wissens lässt hoffen, dass eine bioenergetische Verwertung städtischen Materials auf allen Ebenen nachhaltig sein könnte.