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
ARTALOMJEGYZÉK1. Kivonat ... 7
2. Abstract ... 10
3. Auszug ... 12
4. Bevezetés ... 15
5. Irodalmi áttekintés ... 19
5.1. Burgonya – Solanum tuberosum ... 19
5.1.1. A burgonya jellemzése, jelentősége ... 19
5.1.2. A hazai burgonyanemesítés: ... 21
5.1.3. 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. A digitális kép definíciója ... 30
5.3.2. 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. Képek készítése:... 43
6.2.2. Irányított megvilágítás: ... 43
6.2.3. Szennyeződés, bevonat (víz, olaj stb.) ... 43
6.2.4. Intenzitás vizsgálat: ... 43
6.2.5. A megvilágítás spektruma: ... 44
6.2.6. Egybevágósági transzformációk (forgatás vízszintes síkon): ... 44
6.2.7. A digitális kamera és a SIGMA EM-140 DG körvakú hibájának meghatározása ... 44
6.2.8. A képfelbontás változásának hatása az SFD érték alakulására ... 45
6.3. Technikai eszközök ... 45
6.3.1. Fotó állvány ... 45
6.3.2. Canon EOS 30D digitális fényképezőgép ... 45
6.3.3. Canon EF-S 18-55mm optikai lencse... 46
6.3.4. SIGMA EM-140 DG körvakú műszaki adatai ... 47
6.3.5. 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. Mesterséges megvilágítás: ... 54
7.1.4. A megvilágítás spektruma... 56
7.1.5. Egybevágósági transzformációk (forgatás): ... 56
7.1.6. A digitális kamera és a SIGMA EM-140 DG körvakú hibájának meghatározása ... 58
7.1.7. A képfelbontás változásának hatása az SFD érték alakulására ... 58
7.1.8. A felvételezés technikai körülményeinek vizsgálati eredményei ... 59
7.1.9. 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. Kéttényezős varianciaanalízis, ismétlésekkel ... 65
8.2.2. Fajtán belüli minősítés ... 72
8.2.3. Fajták SFD értéke ... 72
8.2.4. Fajták évenkénti vizsgálata ... 74
8.2.5. Klaszter-analízis ... 83
8.2.6. 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. Táblázat 15: Homogén felületű síklap forgatása függőleges tengely mentén: ... 125
16.1.2. 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. Kiértékelés\ Fajtavizsgálat\200711 (2007 ősz): ... 143
17.2.2. Kiértékelés\Fajtavizsgálat\200802 (2008 tavasz): ... 143
17.2.3. Kiértékelés\ Fajtavizsgálat\200811 (2008 ősz): ... 143
17.2.4. 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
7
1 1 1 . . . K K K
IIIVVVOOONNNAAATTTA 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.
8
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 végrehajtására alkalmas
9
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.
10
2 2 2 . . . A A A
BBBSSSTTTRRRAAACCCTTTThe 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.
11
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 non- hierarchic 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 frame- program 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.
12
3 3 3 . . . A A A
UUUSSSZZZUUUGGGDas 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) .
13
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 mit t-Probe und Hauptkomponentanalyse, sowie durch nichthierarchische Klasteranalyse – mit den Variationen von 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 Minimum- und 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.
14
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 Elternlinien , zur Bewertung von Leistungsversuchen.
15
4 4 4 . . . B B B
EEEVVVEEEZZZEEETTTÉÉÉSSSA burgonya az egész világon, így Magyarországon is fontos szerepet tölt be a humán táplálkozásban. A szántóföldi növények közül a harmadik legfontosabb élelmiszernövény. Egy főre jutó éves fogyasztása Magyarországon kb. 60 kg. Ennek 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 fajta és a minőségi vetőburgonya használata.
A magyarországi burgonyatermesztés jelenleg 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 azonosíthatóságának,
16
megkülönböztethetőségének biztosítása. Ez utóbbi elengedhetetlen követelménye minden új fajta 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 International Union for the Protection Of new Varieties of plants
2 Test Guide: Potato Guidelines for the conduct of tests for distinctness, uniformity and stability
17
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, illetve ennek az értéknek a felhasználhatóságát a burgonyanemesítési kutatásokban. 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 Központban folyó munkákba való bekapcsolódása során a fenti problémákat felismerve doktori értekezésem témájául két területet választottam:
1. Gumójellemzők objektív mérésén alapuló, olyan minősítési rendszer kidolgozása, amely vagy a burgonyafajták elkülönítését, vagy a genotípusok közötti minőségi különbségeket képes viszonylag egyszerűen és gazdaságosan kimutatni a fraktál tulajdonságok kihasználásával.
18
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 az SFD érték a burgonyagumók kiválasztott tulajdonságai alapján 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.
19
5 5 5 . . . I I I
RRROOODDDAAALLLMMMIIIÁÁÁTTTTTTEEEKKKIIINNNTTTÉÉÉSSS555...111... BBBUUURRRGGGOOONNNYYYAAA–––SSSOOOLLLAAANNNUUUMMMTTTUUUBBBEEERRROOOSSSUUUMMM
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).
20
Mindennapos, alapvető élelmiszernövény, kalóriatartalma 1/3-a a kenyérének. Könnyen emészthető és más 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 Nemzetközi Évévé nyilvánította.
A burgonya több tápanyagot termel, rövidebb idő alatt, kisebb földterületen, mint például a világ élelmezésében nagy szerepet játszó gabonafélék. Az emberi fogyasztásra alkalmas növényi rész burgonya esetén 85 %, míg gabonaféléknél 50 %.
Az elmúlt 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.
Burgonya (nyers, héjas)
Tápanyagtartalom 100 g-ban Energia 80 kcal 320 kJ
Szénhidrátok 19 g - Keményítő 15 g
- Rost 2,2 g
Zsír 0,1 g
Fehérje 2 g
Víz 75 g
Tiamin (B1-vitamin) 0,08 mg 6%
Riboflavin (B2-vitamin) 0,03 mg 2%
Niacin (B3-vitamin) 1,1 mg 7%
B6-vitamin 0,25 mg 19%
C-vitamin 20 mg 33%
Kalcium 12 mg 1%
Vas 1,8 mg 14%
Magnézium 23 mg 6%
Foszfor 57 mg 8%
Kálium 421 mg 9%
Nátrium 6 mg 0%
A százalékos értékek az amerikai felnőtt javasolt napi mennyiségre (RDA) vonatkoznak
21
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 környezeti erőforrások feltárásán alapuló tájfejlesztés eredménye volt, hogy Eszenyi Jenő 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
22
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 követően a burgonyanemesítés két kutatóállomáson Kisvárdán és Barssy Sarolta irányításával 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
23
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 (ZIMNOCH- GUZOWSKA ET. AL., 2001) [79.], elsősorban kutatási, illetve ipari felhasználási célokra számos vizsgálat, kísérleti eredmény 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
24
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 elszíneződés biokémiai, fiziológiai alapját az exomitokondriális légzés részét képező polifenol-oxidáció 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 Országos Mezőgazdasági Minősítő Intézet
4 Mezőgazdasági Szakigazgatási Hivatal
25
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.]) feltételezhető, hogy a sütési színeződés kialakításában különösen a tárolási időszak középső és végső szakaszában a szabad aminosavaknak is jelentős szerepe 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 burgonyajellemzőket, mint
26
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
27
elektroforetikus spektruma megbízhatóan használható egy-egy fajta elkülönítésére. 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: papír-elektroforézis (LABIB, 1962)[87.]; papír majd agar-gélelektroforézis (ZWARTZ, 1966)[88.]; poliakrilamid (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
28
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 előnyeiként lehet említeni a következőket: co-domináns allélexpresszió, 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 fehérje- és izoenzim-vizsgálatok alkalmazásának határt szab 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, egyedi azonosítását is nagy valószínűséggel lehetővé teszik, továbbá a genetikai ujjlenyomat (fingerprinting) képzésén túl alkalmasak filogenetikai analízisre és genetikai térképezésre is (BONIERBALE ET AL., 1988 [101.]; GEBHARDT ET AL., 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 PCR-en alapuló
29
polimorfizmus-vizsgálati módszerek. A szekvencia- specifikus PCR-markerek, mint pl. a mikroszatellitek (PROVAN ET AL., 1996)[105.] segítségével már néhány bázispárnyi genetikai eltérések is 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 [108.]; LEWOSZ, 1996 [109.]; BARONE ET AL., 1996 [34.]), illetve burgonya-genotípusok genetikai variabilitásának vizsgálatára (ALLAGA et al., 1997) [116..].
Az izoenzim vizsgálatokhoz képest a DNS technikák hatékonyak és megbízhatóak, azonban sok esetben nagyobb az idő, költség-, felszereltség igényük, alkalmazásuk összetettebb feladatot jelent (GEBHARDT ET AL., 1989 [102.b]; DOUCHES ET AL., 1990 [48.]).
555...222... AAABBBUUURRRGGGOOONNNYYYAAANNNEEEMMMEEESSSÍÍÍTTTÉÉÉSSSIIIPPPRRROOOGGGRRRAAAMMMNNNYYYIIILLLVVVÁÁÁNNNTTTAAARRRTTTÁÁÁSSSIIIÉÉÉSSS AAADDDAAATTTAAALLELEEMMMZZZÉÉÉSSSIIIRRREEENNNDDDSSSZZZEEERRREEE...
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,
30
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.
555...333... KKKÉÉÉPPPAAANNNAAALLLÍÍÍZZZIIISSS
5.3.1. A DIGITÁLIS KÉP DEFINÍCIÓJA
A digitális kép nem más, mint fényerősség értékekből álló két- vagy 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).
31
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)
32
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 képek alternatív megjelenítésére alkalmasak a gyakorisági (hisztogram) és szóródási (scattergram) 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.
33
A 1. táblázat – példaként - Katica gumó állapotainak szóródási diagramjait és hisztogramjait mutatja:
állapot JPG
+ scattergram
hisztogram
egész gumónyers gumófőtt gumó24 órás szürkülés
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)
34 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 ET AL., 2006) [37.] (ÁLLÓ ET AL., 1989) [42.] (SEVCSIK 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.]
555...444... FFFRRRAAAKKKTTTÁÁÁLLLAAANNNAAALLLÍÍÍZZZIIISSSEEEKKK
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,