Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Light Acquisition02:16

Light Acquisition

9.3K
In order to produce glucose, plants need to capture sufficient light energy. Many modern plants have evolved leaves specialized for light acquisition. Leaves can be only millimeters in width or tens of meters wide, depending on the environment. Due to competition for sunlight, evolution has driven the evolution of increasingly larger leaves and taller plants, to avoid shading by their neighbors with contaminant elaboration of root architecture and mechanisms to transport water and nutrients.
9.3K
Bootstrapping01:24

Bootstrapping

783
The term "bootstrap" originated in the 19th century as a metaphor for self-improvement or achieving something independently, without external assistance. This concept extends to statistical bootstrapping, a self-contained method for estimating population parameters through resampling, even though it can be computationally intensive. Developed by the American statistician Dr. Bradley Efron in 1979, bootstrapping provides a robust way to perform inference when the original sample size is...
783

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Experimentally paired high- and low-resolution confocal fluorescence microscopy dataset for deep-learning super-resolution imaging of tooth dentin porosity.

Data in brief·2026
Same author

Leveraging sensor technologies for seed phenotyping by genebanks.

Frontiers in plant science·2026
Same author

Robust Automatic 3D Brain Extraction on T1 Weighted Magnetic Resonance Images for dogs and cats.

Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference·2025
Same author

Self-supervised learning for stroke lesion segmentation on CT: a new pretext task for neuroimaging.

Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference·2025
Same author

Integrated analysis of genome, metabolome, and transcriptome reveals a bHLH transcription factor potentially regulating the accumulation of flavonoids involved in carrot resistance to Alternaria leaf blight.

PloS one·2025
Same author

Understanding seed germination responses to low-dose X-rays: the role of seed quality, variety, and density.

Plant methods·2025

Video Experimental Relacionado

Updated: Jan 7, 2026

Using Flatbed Scanners to Collect High-resolution Time-lapsed Images of the Arabidopsis Root Gravitropic Response
08:25

Using Flatbed Scanners to Collect High-resolution Time-lapsed Images of the Arabidopsis Root Gravitropic Response

Published on: January 25, 2014

12.8K

Muestreo adaptativo bayesiano: Un enfoque inteligente para la fenotipificación asequible de la germinación

Félix Mercier1, Nizar Bouhlel2, Angelina El Ghaziri2

  • 1LARIS, Université d'Angers, Angers, France.

Plant phenomics (Washington, D.C.)
|December 19, 2025
PubMed
Resumen

Este estudio presenta un método de muestreo adaptativo para la fenotipificación digital con el fin de reducir los costos de los datos. El muestreo de Monte Carlo de cadena de Markov (MCMC) ofrece el mejor equilibrio entre compresión de datos y precisión para el monitoreo temporal.

Palabras clave:
Muestreo adaptativoMétodos bayesianosFenotipificación de bajo costoGerminación de semillas

Más Videos Relacionados

Optimizing the Use of a Liquid Handling Robot to Conduct a High Throughput Forward Chemical Genetics Screen of Arabidopsis thaliana
11:58

Optimizing the Use of a Liquid Handling Robot to Conduct a High Throughput Forward Chemical Genetics Screen of Arabidopsis thaliana

Published on: April 30, 2018

7.0K
A Telemetric, Gravimetric Platform for Real-Time Physiological Phenotyping of Plant–Environment Interactions
15:30

A Telemetric, Gravimetric Platform for Real-Time Physiological Phenotyping of Plant–Environment Interactions

Published on: August 5, 2020

12.4K

Videos de Experimentos Relacionados

Last Updated: Jan 7, 2026

Using Flatbed Scanners to Collect High-resolution Time-lapsed Images of the Arabidopsis Root Gravitropic Response
08:25

Using Flatbed Scanners to Collect High-resolution Time-lapsed Images of the Arabidopsis Root Gravitropic Response

Published on: January 25, 2014

12.8K
Optimizing the Use of a Liquid Handling Robot to Conduct a High Throughput Forward Chemical Genetics Screen of Arabidopsis thaliana
11:58

Optimizing the Use of a Liquid Handling Robot to Conduct a High Throughput Forward Chemical Genetics Screen of Arabidopsis thaliana

Published on: April 30, 2018

7.0K
A Telemetric, Gravimetric Platform for Real-Time Physiological Phenotyping of Plant–Environment Interactions
15:30

A Telemetric, Gravimetric Platform for Real-Time Physiological Phenotyping of Plant–Environment Interactions

Published on: August 5, 2020

12.4K

Área de la Ciencia:

  • Fenotipificación digital y biología computacional.
  • Ciencia de datos y aplicaciones de aprendizaje automático.
  • Tecnología agrícola y ciencia de plantas.

Sus antecedentes:

  • La fenotipificación digital genera grandes cantidades de datos temporales, lo que aumenta los costos de procesamiento y almacenamiento.
  • El muestreo eficiente de datos es crucial para gestionar conjuntos de datos de fenotipificación digital a gran escala.
  • La inferencia bayesiana proporciona un marco para optimizar la adquisición de datos en sistemas dinámicos.

Objetivo del estudio:

  • Desarrollar y evaluar un método de muestreo adaptativo para optimizar la recopilación de datos en fenotipificación digital.
  • Reducir los costos asociados con la producción, procesamiento y almacenamiento de datos en el monitoreo temporal.
  • Comparar el rendimiento de cinco métodos diferentes de inferencia bayesiana para el muestreo adaptativo.

Principales métodos:

  • Se propuso un método de muestreo adaptativo basado en inferencia bayesiana, utilizando datos históricos y modelos predictivos.
  • Se evaluaron cinco métodos bayesianos: Muestreo por Importancia (IS), Muestreo de Monte Carlo de Cadena de Markov (MCMC), Proceso Gaussiano (GP), Filtro de Kalman Extendido (EKF) y Filtrado de Partículas de Muestreo por Importancia y Remuestreo (SIR-PF).
  • Se evaluaron los métodos en función de la tasa de compresión, la distorsión de los datos y el costo computacional en el monitoreo de las tasas de germinación.

Principales resultados:

  • El MCMC (Markov Chain Monte Carlo) demostró la mejor relación entre compresión y distorsión, logrando una tasa de compresión de 0.2 con una distorsión mínima.
  • El GP (Gaussian Process) proporcionó una estimación de parámetros sin sesgos y adaptabilidad a diferentes velocidades de germinación, con tiempos computacionales razonables.
  • Todos los métodos bayesianos probados mostraron potencial para optimizar el muestreo en aplicaciones de fenotipificación digital.

Conclusiones:

  • El muestreo adaptativo utilizando inferencia bayesiana reduce significativamente los costos de gestión de datos en fenotipificación digital.
  • MCMC y GP son métodos prometedores para el monitoreo temporal eficiente, ofreciendo diferentes fortalezas en compresión, precisión y adaptabilidad.
  • Este enfoque permite estudios de fenotipificación digital a gran escala más sostenibles y rentables.