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).

Flächenhafte und funktionale Analyse kleinräumiger standortbedingter Variationen der Grünlandvegetation und -produktivität

Zur Abbildung heterogener Standorteigenschaften und Ertragspotenziale werden zunehmend flächenhafte Daten nachgefragt. Insbesondere für Grünland, das häufig durch ausgeprägte Standortheterogenität gekennzeichnet ist, ergeben sich hohe Anforderungen an die Wiedergabequalität, denn die realen Verhältnisse sollen in praktikabler Weise möglichst exakt abgebildet werden. Außerdem können flächenhafte Daten genutzt werden, um Zusammenhänge zwischen teilflächenspezifischen Standorteigenschaften und Grünlandaspekten detaillierter zu analysieren und bisher nicht erkannte Wechselbeziehungen nachzuweisen. Für mitteleuropäisches Grünland lagen zu Beginn dieser Arbeit derartige räumliche Untersuchungen nicht oder nur in Teilaspekten vor. Diese Arbeit befasste sich mit der Analyse von Wirkungsbeziehungen zwischen Standort- und Grünlandmerkmalen auf einer im Nordhessischen Hügelland (Deutschland) weitgehend praxisüblicher bewirtschafteten 20 ha großen Weidefläche. Erhoben wurden als Standortfaktoren die Geländemorphologie, die Bodentextur, die Grundnährstoffgehalten sowie als Parameter des Grünlandbestandes die botanische Zusammensetzung, der Ertrag und die Qualitätsparameter. Sie wurden sowohl in einem 50 m-Raster ganzflächig, als auch auf drei 50x50 m großen Teilflächen in erhöhter Beprobungsdichte (6,25 m-Rasterweite) aufgenommen. Die relevanten Fragestellungen zielen auf die räumliche und zeitliche Variabilität von Grünlandbestandesparametern innerhalb von Grünlandflächen sowie deren Abhängigkeit von den Standortfaktoren. Ein weiterer Schwerpunkt war die Überprüfung der Frage, ob die reale Variabilität der Zielvariablen durch die Interpolierung der punktuell erfassten Daten wiedergegeben werden kann. Die Beziehungen zwischen Standort- und Grünlandmerkmalen wurden mit monokausalen und multivariaten Ansätzen untersucht. Die Ergebnisse ließen, unabhängig vom Jahreseinfluss, bereits bestimmte Zusammenhänge zwischen botanischer Zusammensetzung und Standort, auch auf dem untersuchten kleinen Maßstab innerhalb der Grünlandfläche, finden. Demzufolge können unterschiedliche Areale abgegrenzt und charakterisiert werden, die als Grundlage für Empfehlungen zur Ausweisung von Arealen zur teilspezifischen Bewirtschaftung erarbeitet wurden. Die Validierung der interpolierten Daten zeigte, dass die 50-m Rasterbeprobung nur eine begrenzte Wiedergabe der räumlichen Variabilität ermöglicht. Inwieweit derartige Beziehungen quantitativ genauer beschreibbar sind, bleibt auf Grund der verbliebenen unerklärten Varianz im Datensatz dieser Studie offen.