Does Leaf Micro-Morphology Influence The Recognition Of Particles On SEM Images?
Notice bibliographique
Résumé
Scanning electron microscopy (SEM) remains a popular approach to determine the shape, size, density and elemental composition of particles collected on leaf surfaces, but the effect of leaf micro-morphology on particle counts is not very well known. In this study, leaves of sixteen urban plant species were examined for particle density in June and September 2016 using SEM. The investigated plant species differed in leaf micromorphology involving trichomes, raised stomata, epicuticular wax crystals and convex epidermal cells forming deep grooves between cells. The particle density on leaves of the investigated plant species was estimated by particle size fraction and leaf side. Particle density was significantly higher on the adaxial (AD) leaf side compared to the abaxial (AB) leaf side and higher for fine-particles than coarse-particles. The effect of trichome density on particle density of the AB and the AD leaf side was indicated to be significant and positive for both coarse and fineparticles in June but not in September. The successive repeated measurements elucidated that features constructing the topography of a leaf surface such as trichomes, stomata, and epidermal cells frequently contributed towards the edge enhancement effect, resulting in exaggerated particle counts. Besides, the mechanical drift contributed to the disparity in particle density measurements. Lastly, the reduction in particle density between successive measurements were imputed on the charging effect. These results enable us to suggest that in addition to characterization of micro-morphological features on a leaf surface, SEM will continue to be a useful approach for determining the particle: shape, size, elemental composition and density of the deposited particles. Nonetheless, the disparity in particle density measurements can occur due to abnormal particle recognition. Based on the results of September, we recommend that within-session successive repeated measurements (~ n 5) need to be performed to remove measurement uncertainties and obtain reliable quantitative data of particle counts using SEM
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».