Die Vorverarbeitung und Analyse von spektrometrischen und spektroskopischen Daten von Pflanzengewebe sind in den unterschiedlichsten Forschungsbereichen wie der Pflanzenbiologie, Agrarwissenschaften und Klimaforschung von großer Bedeutung. Der Schwerpunkt dieser Arbeit liegt auf der optimierten Nutzung von Daten von Pflanzengeweben, insbesondere der Daten gewonnen durch Matrix–Assistierte Laser–Desorption–Ionisierung Massenspektrometrie, Raman-Spektroskopie und Fourier-Transform-Infrarotspektroskopie. Die Klassifizierungsfähigkeit mit diesen Methoden wird insbesondere nach Kombination der Daten untereinander und mit zusätzlichen chemischen und biologischen Informationen verglichen. Die diskutierten Beispiele befassen sich mit der Untersuchung und Einordnung innerhalb einer bestimmten Pflanzenart, beispielsweise der Unterscheidung von Proben aus unterschiedlichen Populationen, Wachstumsbedingungen oder Gewebeunterstrukturen. Die Daten wurden mit sowohl mit explorativen Werkzeugen wie der Hauptkomponentenanalyse und der hierarchischen Clusteranalyse, als auch mit Methoden des maschinellen Lernens wie die Diskriminanzanalyse oder künstliche neuronale Netzwerke umfassten. Konkret zeigen die Ergebnisse, dass die Kombination der Methoden mit zusätzlichen pflanzenbezogenen Informationen in einer Konsensus-Hauptkomponentenanalyse zu einer umfassenden Charakterisierung der Proben führt. Es werden verschiedene Strategien zur Datenvorbehandlung diskutiert, um nicht relevante spektrale Information zu reduzieren, z.B. aus Karten von Pflanzengeweben oder eingebetteten Pollenkörnern. Die Ergebnisse dieser Arbeit weisen auf die Relevanz der gezielten Nutzung spektrometrischer und spektroskopischer Daten hin und lassen sich nicht nur auf pflanzenbezogene Themen, sondern auch auf andere analytische Klassifizierungsprobleme übertragen. / The pre-processing and analysis of spectrometric and spectroscopic data of plant tissue are important in a wide variety of research areas, such as plant biology, agricultural science, and climate research. The focus of the thesis is the optimized utilization of data from plant tissues, which includes data from Matrix-Assisted-Laser Desorption/Ionization time of flight mass spectrometry, Raman spectroscopy, and Fourier transform infrared spectroscopy.
The ability to attain a classification using these methods is compared, in particular after combination of the data with each other and with additional chemical and biological information. The discussed examples are concerned with the investigation and classification within a particular plant species, such as the distinction of samples from different populations, growth conditions, or tissue substructures. The data were analyzed by exploratory tools such as principal component analysis and hierarchical cluster analysis, as well as by predictive tools that included partial least square-discriminant analysis and machine learning approaches.
Specifically, the results show that combination of the methods with additional plant-related information in a consensus principal component analysis leads to a comprehensive characterization of the samples. Different data pre-treatment strategies are discussed to reduce non-relevant spectral information, e.g., from maps of plant tissues or embedded pollen grains.
The results in this work indicate the relevance of the targeted utilization of spectrometric and spectroscopic data and could be applied not only to plant-related topics but also to other analytical classification problems.
| Identifer | oai:union.ndltd.org:HUMBOLT/oai:edoc.hu-berlin.de:18452/23766 |
| Date | 28 July 2021 |
| Creators | Diehn, Sabrina Maria |
| Contributors | Kneipp, Janina, Panne, Ulrich, Seifert, Stephan |
| Publisher | Humboldt-Universität zu Berlin |
| Source Sets | Humboldt University of Berlin |
| Language | English |
| Detected Language | English |
| Type | doctoralThesis, doc-type:doctoralThesis |
| Format | application/pdf |
| Rights | (CC BY-NC-ND 4.0) Attribution-NonCommercial-NoDerivatives 4.0 International, https://creativecommons.org/licenses/by-nc-nd/4.0/ |
| Relation | 10.1038/s41598- 018-34800-1, 10.3389/fpls.2019.01788, 10.1007/s00216-020-02628-2, 10.1016/j.saa.2020.119418 |
Page generated in 0.0027 seconds