DOKTORI (PhD) ÉRTEKEZÉS

Átírás

1 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.

2 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 Bíráló neve:... igen /nem A jelölt az értekezés nyilvános vitáján...% -ot ért el.. (aláírás). (aláírás) Keszthely, A doktori (PhD) oklevél minősítése.... a Bíráló Bizottság elnöke Az EDT elnöke

3 TARTALOMJEGYZÉK 1. Kivonat Abstract Auszug Bevezetés Irodalmi áttekintés Burgonya Solanum tuberosum A burgonya jellemzése, jelentősége A hazai burgonyanemesítés: A burgonya Minősége, minősítési rendszere, fajtaazonosítás A burgonyanemesítési program nyilvántartási és adatalemzési rendszere Kép analízis A digitális kép definíciója A képfeldolgozás tudománya Fraktál analízisek Klaszter analízis, Ordináció Anyag és Módszer Növényanyag A vizsgált Fajták ismertetése SFD alkalmazhatóságának vizsgálata Képek készítése: Irányított megvilágítás: Szennyeződés, bevonat (víz, olaj stb.) Intenzitás vizsgálat: A megvilágítás spektruma: Egybevágósági transzformációk (forgatás vízszintes síkon): A digitális kamera és a SIGMA EM-140 DG körvakú hibájának meghatározása A képfelbontás változásának hatása az SFD érték alakulására Technikai eszközök Fotó állvány Canon EOS 30D digitális fényképezőgép Canon EF-S 18-55mm optikai lencse SIGMA EM-140 DG körvakú műszaki adatai Képek előkészítése Kiértékelés Program Statisztikai elemzések Klasszikus statisztikai mérőszámok: Varianciaanalízis Hipotézis vizsgálatok: SynTax-statisztikai analízis program Eredmények Az SFD alkalmazhatóságának technikai feltétel vizsgálata:... 52

4 Irányított megvilágítás: Szennyeződés, bevonat (víz, olaj stb.) Intenzitás vizsgálat: Természetes megvilágítás Mesterséges megvilágítás: A megvilágítás spektruma Egybevágósági transzformációk (forgatás): A digitális kamera és a SIGMA EM-140 DG körvakú hibájának meghatározása A képfelbontás változásának hatása az SFD érték alakulására A felvételezés technikai körülményeinek vizsgálati eredményei Standard körülmények leírása Burgonyagumó vizsgálatok eredményeinek értékelése Varianciaanalízisek Egytényezős variancia analízis: Kéttényezős varianciaanalízis, ismétlésekkel Fajtán belüli minősítés Fajták SFD értéke Fajták évenkénti vizsgálata Klaszter-analízis Ordináció Főkomponens analízis A burgonyanemesítés informatikai rendszere A KeSoTu program felépítése Összefoglalás TÉ Z I S E K Theses Thesen Köszönetnyilvánítás Irodalom Jegyzék Mellékletek Táblázatok Táblázat 15: Homogén felületű síklap forgatása függőleges tengely mentén: Táblázat 16: Inhomogén felületű tükröződő síklap forgatása függőleges tengely mentén: Táblázat 17 Megvilágítás intenzitásának hatása az SFD értékére természetes fényviszonyok esetén Táblázat 18 Megvilágítás intenzitásának hatása az SFD értékére mesterséges fényviszonyok esetén Táblázat 19 Megvilágítás spektrumának hatása az SFD értékére Táblázat 20 A felvételezés vízszintes síkon történő elforgatás szögének hatása keszthelyi burgonyafajták SFD átlag értékeire (a szórás érték feltüntetésével) Táblázat 21 Canon EOS 30D és Sigma EM-140 DG körvakú hiba mérés adatai táblázat 22 Összefoglaló táblázat táblázat 23 Képek kódolása ábra KeSoTu adatbázis relációs modellje Fajta és tulajdonságai kapcsolata ábra KeSoTu adatbázis relációs modellje Nemesítési napló Főkomponens analízis scattergarmjai 2009 tavaszi időszakra Elektronikus melléklet

5 17.1. Felvételezések: Mérés adatok táblázatai: Kiértékelés\ Fajtavizsgálat\ (2007 ősz): Kiértékelés\Fajtavizsgálat\ (2008 tavasz): Kiértékelés\ Fajtavizsgálat\ (2008 ősz): Kiértékelés\ Fajtavizsgálat\ (2009 tavasz): KeSoTu program Matlab program SQL adatbázis Disszertáció Függelék Canon 30D Canon EF-S 18-55mm f/ IS Végjegyzet

6 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.. KIVONAI TT A 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. 7

8 A standard körülmények között készített képek SFD adatainak párosított t-próbával és főkomponens analízissel, valamint nemhierarchikus 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 8

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. 9

10 2.. ABS TTRAC TT The 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. 10

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 nonhierarchic 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 frameprogram 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. 11

12 3.. AUSZUG Das 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). 12

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 Minimumund 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. 13

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. 14

15 4.. BEVEZE TTÉS A 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 : 20,8 t/ha) amely mintegy fele a fejlett országokénak. Ehhez járul a vetésterület nagyságának folyamatos csökkenése (KSH : 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, 15

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 (UPOV 1, 2004) [53.], szabványok (TG/23/6 2 ) 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 16

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. 17

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. 18

19 5.. IIRODA LLM I Á TT TTEK INI TTÉS B UU RR GG OO NN YY AA S OO LL AA NN UUM TT UU BB EE RR OO SS UUM A termesztett burgonya a burgonyafélék (Solanaceae) családjába tartozó növény, amit keményítőben gazdag gumójáért termesztenek világszerte. Peru és Chile hegyvidékéről származik, az őslakosok már kb éve termesztik. Európába először Pizarro expedíciója hozta el az 1530-es években 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 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 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). 19

20 Burgonya (nyers, héjas) Tápanyagtartalom 100 g-ban Szénhidrátok Energia 80 kcal 320 kj 19 g - Keményítő 15 g - Rost 2,2 g Zsír Fehérje Víz 0,1 g 2 g 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% 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 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 %. A százalékos értékek az amerikai felnőtt javasolt napi mennyiségre (RDA) vonatkoznak 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. 20

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 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 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 21

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 22

23 varasodással szembeni ellenállósághoz, ugyancsak magas. A 13 fajta közül 9 fonálféreg és burgonyarák, 2 pedig emellett burgonyavész (fitoftóra) rezisztens is (POLGÁR, 2008) [23.] 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 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 23

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 OMMI 3 (mai nevén MGSZH 4 ) 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 24

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 25

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 26

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 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 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, foszfoglükomutáz, glutamát-oxálacetát transzamináz, triózfoszfát izomeráz, észterázt) (MARTINEZ-ZAPATER és OLIVER, 1984 [95.]; OLIVER és MARTINEZ-ZAPATER, 1985 [96.]; QUIROS és 27

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 28

29 polimorfizmus-vizsgálati módszerek. A szekvenciaspecifikus 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.]) A BB UU RR GG OO NN YY AA NN EEM EE SS Í TT ÉÉ SS I PP RR OO GG RR AAM NN YY I LL VV ÁÁ NN TT AA RR TT ÁÁ SS I ÉÉ SS AA DD AA TT AA LL EEM ZZ ÉÉ SS I RR EE NN DD SS ZZ EE RR EE. 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, 29

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 K ÉÉ PP AA NN AA LL Í ZZ I SS A DIGITÁLIS KÉP DEFINÍCIÓJA A digitális kép nem más, mint fényerősség értékekből álló kétvagy 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). 30

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) 31

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. 32

33 24 órás szürkülés főtt gumó nyers gumó egész gumó A 1. táblázat példaként - Katica gumó állapotainak szóródási diagramjait és hisztogramjait mutatja: állapot JPG + scattergram hisztogram 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 képkocka/másodperc; nagyon gyorsan lezajló folyamatok megfigyelése vízcsepp becsapódása, kolibri szárnymozgása stb. - nagysebességű kamerák képkocka/másodperc) 33

34 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.] F RR AA KK TT ÁÁ LL AA NN AA LL Í ZZ I SS EE KK 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, 34

35 amely a felbontástól függetlenül többé-kevésbé ugyanúgy fest. Kiterjesztve a definíciót, fraktálnak tekintünk egy önmagához hasonló vagy morfológiai jellemzőkkel bíró objektumot, amely érzéketlen a megfigyelés léptékére. A fraktálokat két tulajdonsággal szokás jellemezni, önhasonló-, törtdimenziójú objektumok. 5. ÁBRA Mandelbrot-halmaz A fraktálokat úgy írhatjuk le: megvizsgáljuk, hogyan változnak különböző felbontásoknál, mely értékkel jellemezhetjük az adott objektumot egy meghatározott tartományban. Ennek megfelelően egy fraktál dimenziója (D) olyan szám, amely azt jellemzi, hogy a tér két kiválasztott pontja között hogyan nő a távolság, midőn növeljük a felbontást. A D fraktáldimenzió egyik definíciója D = log (L2 L1 ) log ( S1 S2 ) (1) Ahol L1 és L2 a térben mért hosszúságok, S1 és S2 pedig a használt mérték nagysága (azaz a felbontás). A fraktálokat felfedezése óta a tudomány számos területén került felhasználásra (orvostudomány, geológia, meteorológia, informatika, csillagászat, anyagtudományok, stb.) (BARNSLEY, 1998 [7.], WOHLBERG ET AL., [38.], 39., MANDELBROT, 1983 [50.], GOKHALE ET AL., 1983 [51.]). A fraktál dimenzió (FD) meghatározására többféle módszert dolgoztak ki (Fractional Brownian motion method, Fourier power spectrum, Relative 35

36 Differential Box-Counting method (RDBCM)[117.], Morphological method, Mass fractal, Spectral dimension method). PENTLAND (1984)[4.] megmutatta, hogy a felületek intenzitása valódi fraktál tulajdonságokkal rendelkezik. Felfedezte, a fraktál függvények jól jellemzik a 3D-s felületeket (göröngyös, granulált, gyűrött). Maradva az élelmiszer feldolgozások területén QUEVEDO ET AL. (2002)[5.] leírta többféle élelmiszer felületének fraktál tulajdonságát, így néhány gyümölcsét és zöldségfélét, csokoládét és zselatinba ágyazott granulált keményítőszemcséket. U. GONZALES ET AL. (2003)[6.] kenyérmorzsa fraktál szerkezet vizsgálatakor többféle metódus szerinti FD értéket határoz meg, köztük a Doboz-számláló eljárást (RDBC), melyben megállapítja, jobban leírja a szemcsék finomságát, mint a szemcsék homogenitásának foka. Az RDBC eljárást használta több kutatásában BERKE J. (2004a [2.], 2004b [3.], 2005a [8.], 2006 [9.], Berke et al. 2005b [10.], 2005c [11.], 2002b [31.], 2007 [32.], 2008 [33.], 52.], köztük egy 2003-as európai uniós pályázatban is (BERKE, 2005)[1.], (BERKE ET AL., 2006) [28.], melynek keretében burgonya fajták minősítését kísérelte meg a vizsgált tulajdonságok SFD értékeinek meghatározásával. BERKE J. azonban nem vizsgálta azokat a tényezőket, mely az SFD értékét befolyásolják, befolyásolhatják. HEGEDŰS G. (2007)[13.] részletesen elemzi az SFD értékére ható tényezőket RGB szintérben készített felvételek esetén. Ekkor a kép színterét leíró függvény a következőképpen néz ki: sfd P = ln C d 3 k=1 d = 2 k, 1 k 8, k N (2) ln C d 3 ahol, rögzített d esetén tekintsük a 3 C kocka d élhosszúságú kockákra való felosztását, legyen e kockák halmaza, ahol jelentse 3 C d 3 C d 3 C d 3 3 C C d d számosságát, hasonlóan legyen elemszáma. 36

37 Megállapítja a függvényről (2): A függvény bármilyen a definícióban specifikált képhez rendel értéket, és nem feltételezi, hogy a kép színtere ( P ) hordoz-e fraktáltulajdonságot. Az esetleges fraktáltulajdonság a függvényértékből sem derül ki, mert az tulajdonképpen 8 lépésben finomítással nyert klasszikus fraktáldimenziók számtani közepe, mely kapott még egy 3-as szorzót a hármas színbontás miatt. Az viszont igaz, hogy fraktálszerkezetű P esetén fraktáldimenzióval arányos értéket szolgáltat, egyébként meg egy telítettségre jellemző mutatót ad. A függvény értékét befolyásoló tényezőkről megállapítja: Az eredmények alapján kiderült, hogy nincs univerzális SFD mérés, hanem egyes tárgytípusokhoz kell definiálni mérési eljárást, melynek szigorú környezet és metódus adatokat is kell tartalmaznia a számítási algoritmuson túl. Természetesen minden ilyen definícióhoz meg kell adni azt, hogy bizonyítottan milyen hibával érvényes a mérés. E cikkben megfogalmazott eredmények alátámasztására - közösen e dolgozat Szerzőjével - vizsgálatot folytattunk le. A részletes vizsgálat részét képezi a dolgozatomnak. A vizsgálatok eredménye (CSÁK ET AL., 2008)[12.] igazolta HEGEDŰS G. állításait K LL AA SS ZZ TT EE RR AA NN AA LL Í ZZ I SS,, O RR DD I NN ÁÁ CC I ÓÓ A matematikai statisztika a maga módszereivel fontos eszköze a bonyolult, sok változóval leírt rendszerek áttekintésének, így a mérési adatok tömegében rejlő összefüggések feltárásának, az adatok rendezésének, csoportosításának. Célja a sokaság megismerése, a sokaságot jellemző tulajdonságok meghatározása. Ilyen statisztikai eljárás a klaszter-analízis [16.] is. A cluster angol kifejezés, és sokféle jelentéssel bír (köteg, nyaláb, csomó, csomag, csoport), a statisztikában leginkább a csoport jelentést használjuk. (DÉVÉNYI et al., 1988)[21.]. A klaszter-analízis feladata, az, hogy a különböző objektumokat azok hasonlóságai és közös tulajdonságai alapján csoportosítsa. Lényegében 37

38 egy olyan dimenziócsökkentő eljárás, amellyel adathalmazokat tudunk homogén csoportokba sorolni, klasszifikálni. Ezeket a csoportokat nevezzük klasztereknek. Az egyes klasztereken belüli adatok valamilyen dimenzió szerint hasonlítanak egymáshoz, és e dimenzió mentén különböznek a többi klaszter elemeitől. A csoportosítás alapját valamilyen távolság- vagy hasonlóságmértékek képezik. Ha n pontunk van, akkor a közöttük minden lehetséges párosításban kiszámított távolságok egy újabb mátrixba, a Dj,k távolságmátrixba írhatók be. A szakirodalom rendkívül sokféle távolságmérési eljárást-metrikát, dj,k függvényt ismer. Az így felírt adatok egy metrikus térben helyezkednek el. A metrikák egyik erősebb 5 csoportját alkotják az euklidészi távolságon 6 alapuló eljárások, és az ilyen módon számított távolságok az euklidészi térben helyezkednek el. A mérési adataink mátrixát kiindulásképpen mindig egy euklidészi térben ábrázolható pontsereg koordinátáiként fogjuk fel. Eredményeinket - s itt elsősorban az ordinációs módszerek szórásdiagramjaira gondolunk - is euklidészi térben ábrázoljuk (általában a papír síkjában). A többváltozós módszerek (osztályozó módszerek, ordinációs eljárások) jelentős része feltételezi, hogy a pontok euklidészi, de legalább metrikus térben helyezkednek el. Emiatt tisztában kell lennünk azzal, hogy egy adott távolság-, különbözőségi- (djk) vagy hasonlósági (sjk = 1-djk) függvény milyen többváltozós értékelő módszerben alkalmazható egyáltalán, s ha igen, milyen formában. A különbözőségi vagy hasonlósági függvények komplementerek egymással, alulról és felülről is korlátosak és általában az értékei a [0,1] intervallumba esnek, továbbá nem teljesítik a metrikus axiómákat. Ugyanakkor a fenti intervallumba eső függvényekre megmutatható, hogy megfelelő átalakítással metrikussá tehető ( d jk = 1 s jk ), és az így átalakított függvény többnyire euklidészi is. 5 Egy d függvényről tehát az az erősebb állítás, hogy euklidészi, mert akkor metrikus is, míg ez fordítva nem feltétlenül igaz. 6 euklidészi távolság: két pont távolsága a közöttük meghúzható egyenes szakasz hosszúsága 38

39 A megfelelően jó eljárás kiválasztása csak a mérési adatok ismeretében és próba tesztek alkalmazásával lehetséges. (PODANI, 1997)[22.] A klaszterelemzéseknek algoritmusuk alapján 2 fajtáját különböztetjük meg: 1. Hierarchikus klaszterelemzésről akkor beszélünk, amikor az új klasztereket már az előzőleg kialakított klaszterek alapján képezzük. Az algoritmus automatikusan meghatározza a klaszterek számát, ami végső esetben megegyezik a vizsgált egyedek számával. Éppen ezért a kiértékelésnél külön meg kell határozni azt a szintet (lépésszámot), amely még jól jellemzi megfigyelt objektumokat. Ennek jellemzésére általában valamilyen veszteségfüggvény értékét számítjuk ki, és ehhez rendelünk egy értékhatárt. Az eljárás hibája, hogy ha két objektum egy klaszterbe kerül valamelyik lépésben, akkor azok többé nem választhatók szét. Másik problémát jelent nagy adathalmaz esetén az adattárolás a hasonlósági mátrixok nagy mérete miatt. 2. Nem-hierarchikus klaszterelemzés esetén az algoritmus egyszerre határozza meg az összes klasztert. Általában dinamikus klaszterképzési módszert alkalmaznak. A klaszterképzés iterációval, az objektumokat egyenként sorba véve (dinamikusan) valósul meg. A klaszterek jellemzője a klaszterközéppont, ami leggyakrabban a klaszterbe tartozó elemek átlaga. Erre az értékre támaszkodva írják le két klaszter távolságát, és a klaszterezés minőségére jellemző veszteségfüggvényt is. Ennél a módszernél előre meg kell adnunk a klaszterek számát, és a klaszter középpontokat. Ez utóbbi meghatározására használatos a véletlen optimalizáció (an: random optimization) módszere [17.]. 39

40 A sokdimenziós adatstruktúrák leírása, megértése az objektumok és változók közötti összefüggések feltárása sokszor nagy nehézségekbe ütközik. Ennek a problémának a kezelésére használhatjuk az összefoglaló néven ordinációnak nevezett eljárásokat, mely a a hatékony dimenzió eljárás művészete, ahogy Podani írja. [22.] Ordinációs módszer alatt értünk minden olyan eljárást, amelyben a dimenzionalitás csökkentése mesterséges változók bevezetésével történik. Az így létrejövő új dimenziók (2-3) többé-kevésbé jól leírják az eredeti sokdimenziós struktúrát, ezenközben feltárva az objektumok és változók közötti összefüggéseket, melyet már különféle diagramokon (pl. scattergram) is hatékonyan szemléltethetünk. 6.. ANYAG ÉS MÓDSZER N ÖÖ VV ÉÉ NN YY AA NN YY AA GG Vizsgálataimat a Pannon Egyetem Burgonyakutatási Központ 11 fajtáján és két Holland kontroll - fajtán (Desirée, Cleopátra) végeztem A VIZSGÁLT FAJTÁK ISMERTETÉSE Balatoni rózsa Desiree Góliát Katica Lorett Rioja Vénusz Gold Cleopátra Démon Hópehely Kánkán Luca XL Somogyi kifli White Lady 2. TÁBLÁZAT A fajták ismertetése 40

41 Az egyes fajták (a fajták ismertetése az elektronikus mellékletben található meg) 4 féle gumótulajdonságának vizsgálatára (gumóhéj, nyers gumóhús, főtt gumóhús, chips minőség) 10-szeres ismétlésben digitális fényképek készültek. Így ez összességében 2080 vizsgált mintát jelent. A 3. táblázat összefoglalja a fajtákat és a tulajdonságokat. Fajta Egész gumó héjszín (RE) Nyers hússzín (RF) Főtt hússzín (BF) 24 órás szürkülés (SF) Balatoni rózsa Cleopátra 7 Desiree 8 Démon Góliát Hópehely 7-8 Holland fajta 41

42 Katica Kánkán Lorett Luca XL Rioja Vénusz Gold White Lady 3. TÁBLÁZAT Fajták és tulajdonságok összefoglalása A digitális képek készítéséhez szükséges egész gumókat, nyers és főtt gumószeleteket a Burgonyakutatási Központ szolgáltatta, ahol a minta előkészítés a Központban általánosan használt módszertant követte. 42

43 SFD AA LL KK AA LLM AA ZZ HH AA TT ÓÓ SS ÁÁ GG ÁÁ NN AA KK VV I ZZ SS GG ÁÁ LL AA TT AA A vizsgálatokhoz digitális fényképezőgéppel 24 bites színes (RGB), raszteres képeket készítettünk láthatófény tartományban JPG formátumban [41.] [118.] (Delp) [119.]. Az elkészült képek elő feldolgozáson estek át, amely az adott objektum hátterét teljesen homogenizálta (fehér vagy fekete háttérszín), így biztosítva kizárólag az objektum SFD értékének meghatározását. A felvételek készítésekor figyeltünk arra, hogy mindig csak a vizsgálati célnak megfelelő érték változzon, míg a többi körülmény állandó maradjon KÉPEK KÉSZÍTÉSE: A felvételeket a CANON EOS 30D típusú digitális kamerával készítettem, CANON mm lencsével, 1728x1152 pixel, 72 ppi felbontással, az egyes felvételezésekre vonatkozóan fix fókusztávolsággal IRÁNYÍTOTT MEGVILÁGÍTÁS: Homogén felületű síklapot forgattunk (0-85 ) a fix helyzetű, és fixintenzitású fényforráshoz (200W) viszonyítva, a szórt fények kizárásával SZENNYEZŐDÉS, BEVONAT (VÍZ, OLAJ STB.) Csillogás, visszatükröződés jelenségének vizsgálatára (pl. gumó felvágásakor a vágási felületen megjelenő a hús roncsolásával keletkező folyadék) egy domború-, gyűrt mintázatot mutató alufóliát ragasztottunk síklapra, és ezt forgattuk (0-85 ) a fix helyzetű-, és - intenzitású fényforráshoz viszonyítva INTENZITÁS VIZSGÁLAT: A fényintenzitás mérését a Gossen Colormaster 3F típusú digitális készülékkel végeztük. Mindegyik képen ugyanaz a minta - Góliát egész gumó - került felvételezésre. 43

44 Természetes megvilágítás körülményei között a berendezést árnyékmentes, nyílt téren került felállításra. A vizsgálat során 1 gumót fotóztunk le, 23 intenzitással, 3-szoros ismétléssel. Az intenzitás értéke 5800 lux és lux között változott az időjárási viszonyok változásának megfelelően. Az egyéb körülmények - pl.: háttér, burgonya helyzete, fókuszpont - állandóak voltak. Mesterséges megvilágítás körülményeihez egy 300W-s normál izzó fényerejét változtattuk szabadon választható szintre (ellenállás változtatással), így az intenzitás lux között változott. A vizsgálat során 1 gumót fotóztunk le, 31 intenzitással, 3-szoros ismétléssel A MEGVILÁGÍTÁS SPEKTRUMA: A mintára (egy térképrészlet) különböző spektrumú fényt vetítettünk, ügyelve arra, hogy az így vetített fény intenzitása ne változzon. A térképrészletből két azonos méretű területet vágtunk ki (A,B). Az A -terület a térkép egy részletét, míg a B -terület a térkép szélén egy olyan részlet, amely üres volt, gyakorlatilag ezen a területen jelent meg az éppen aktuális spektrumú fény EGYBEVÁGÓSÁGI TRANSZFORMÁCIÓK (FORGATÁS VÍZSZINTES SÍKON): A vizsgálat célja kideríteni a tárgy helyzete mennyiben befolyásolja az SFD értékét. Elméletileg (Hegedűs, 2007)[13.] nincs semmilyen hatása az SFD értékére, de mivel veszteséges tömörítésű képeket készítünk (JPG), a tömörítési algoritmus okán már lehet hatása az SFD értékére. A vizsgálatba 8 burgonya fajtát vontunk be. Egy gumónak 8 pozíciója volt ( percben kifejezve). Az ismétlések száma 10, a mintaszám fajtánként 80, az összes felvétel száma A DIGITÁLIS KAMERA ÉS A SIGMA EM-140 DG KÖRVAKÚ HIBÁJÁNAK MEGHATÁROZÁSA A Szerző vizsgálta, hogy a felvételeket készítő berendezések milyen hibát okoznak működésük során. Itt elsősorban a SIGMA EM- 44

45 140 DG körvakú jelent bizonytalansági tényezőt. Az egymás után készített felvételek esetén a körvakúnak fel kell töltődnie egy megfelelő szintre, ahhoz hogy villanni tudjon, és még ebben az esetben sem biztos a fix intenzitás. A vizsgálat során véletlenszerűen 0-3 perc között került sor képkészítésre, 20 alkalommal. Előfordult 10 esetben, hogy a vaku nem töltött fel, így nem volt villanás. Ezek a képek nem kerültek kiértékelésre A KÉPFELBONTÁS VÁLTOZÁSÁNAK HATÁSA AZ SFD ÉRTÉK ALAKULÁSÁRA Balatoni rózsa gumókat (2 db) fotóztunk 3 felbontásban. Az így kapott képeket mértük. 3504* * * T EE CC HH NN I KK AA I EE SS ZZ KK ÖÖ ZZ ÖÖ KK FOTÓ ÁLLVÁNY A vizsgálat feltételeinek biztosítására egyedi fotóállványt készítettem (állítható síkok, kamera rögzítési pont; több kamera egyidejű használata, stb) CANON EOS 30D DIGITÁLIS FÉNYKÉPEZŐGÉP 6. ÁBRA Canon EOS 30D digitális fényképezőgép 45

46 CANON EF-S 18-55MM OPTIKAI LENCSE 7. ÁBRA Canon EF-S 18-55mm optikai lencse 46

47 SIGMA EM-140 DG KÖRVAKÚ MŰSZAKI ADATAI Guide number: Power source: Angle coverage: Dimensions (Controller): Dimensions (Flash unit): Compatible cameras: of 46 ft, 14m ISO100 (full power) 4 "AA" type Ni-MH, NiCd or Alkaline batteries Vertical / Horizontal 80 degrees 73.0x5.4x3.2in. 6.7 x x 82.4mm 5.0x5.1x1.2in x x 30.5mm Available - Sigma-STTL, Canon-ETTL/ETTL II, Nikon-iTTL, PA-PTTL Pentax, SO-ADI Weight: 430g /15.2 oz. (without batteries) KÉPEK ELŐKÉSZÍTÉSE A kiértékelő program számára az elkészített felvételeket manipulálni kellett. A képeket az Adobe Photoshop CS3 program (2002)[72.] segítségével szerkesztettem. Két művelet került végrehajtásra: az eredeti képből kivágtam a mintákat 1170x1170 pixel méretű az eredeti képpel megegyező (72 ppi) felbontású négyzettel (Vágó eszköz). Ezzel a képméret is csökkent, mely egyben a futási idő optimalizálását is jelentette, egyszínű (fehér) homogén háttér kialakítása a felvételezés során keletkezett szennyeződések eltávolítására. 47

48 KI ÉÉ RR TT ÉÉ KK EE LL ÉÉ SS PROGRAM A felvételezések során elkészített képek analizálására MatLab ( R14) fejlesztői környezetben kiértékelő programot írtam, mely az általánosan elterjedt un. Doboz-számláló eljárást (Relative Differential Box-Counting method)[2.] használta az SFD érték meghatározására. A dimenzió (D) értékének meghatározására az (1) kifejezést a vizsgált tulajdonságra alkalmazva kapjuk (2) kifejezést, melyet a következő alakban is felírhatjuk: SFD = d k k ln n i i=1 n 0, 1 k 8, k N (3) ln m i Ahol: o d: réteg (dimenzió=3) o k: iteráció szám=8 o n: nem üres térkockák száma o m: összes térkocka Az algoritmus a kép színmélységének SFD értékét határozza meg az RGB, R, G és B színterekre vonatkozóan. Fontos tisztázni, hogy az SFD értéket a Berke által megfogalmazott értelemben használom. Az így kapott értékek a módszer által adott korlátok között jellemzik az adott tulajdonság színmélység változásának dinamikáját. Az hogy az általam vizsgált objektumok a vizsgált tulajdonságokra mennyiben tekinthetők fraktálnak (lásd önhasonlóság kritérium) a továbbiakban nem vizsgáltam és nem értelmeztem. A program 3 fő részből áll: 1. Képek azonosító adatainak beolvasása: a mérni kívánt képek célszerűen egy könyvtárba lettek elhelyezve. A képek azonosítására egy kód került kidolgozásra [23. táblázat], mely elősegíti a mért adatok táblázatokba történő tárolását. 48

49 2. Az egyes képek analizálása: ez egy ciklikus tevékenység, lépései: a. képbeolvasása b. Doboz-számláló eljárás (RDBC) alkalmazása c. SFD érték kiszámítása 3. Adattárolás: a mért értékeket (RGB->TFV 9 ; R->RFV 10 ; G->GFV 11 ; B->BFV 12 ) a program MS Excel táblázatokba tárolja (52 munkafüzet (alaptábla) = 4 időszak*13 fajta). A táblázatok azonosítását és az egyes táblázatok adatszerkezetét (4. táblázat) a fentebb említett kódrendszer vezérli. Mérésszám Képnév RGBFVRE RGBFVRF RGBFVBF RGBFVSF RGBFVCF RFVRE GFVRE BFVRE 1. Katica_T_R_E_01_V 2, , , , , , , , Katica_T_R_E_02_V 1, , , , , , , , Katica_T_R_E_03_V 1, , , , , , , , Katica_T_R_E_04_V 2, , , , , , , , Katica_T_R_E_05_V 2, , , , , , , , Katica_T_R_E_06_V 1, , , , , , , , Katica_T_R_E_07_V 2, , , , , , , , Katica_T_R_E_08_V 1, , , , , , , , Katica_T_R_E_09_V 1, , , , , , , , Katica_T_R_E_10_V 1, , , , , , , , TÁBLÁZAT Mintatáblázat mérési adatok tárolására STATISZTIKAI ELEMZÉSEK A programfuttatáskor keletkező alaptáblákból időszakonkénti összesítő táblák készültek. Ezekben az összesítő táblákban statisztikai elemzésekhez az MS Excel program függvényeit használtam. (Baksa et al., 2006)[66.] KLASSZIKUS STATISZTIKAI MÉRŐSZÁMOK: átlag, 9 TFV=Total Fractal Value 10 RFV=Red Fractal Value 11 GFV=Green Fractal Value 12 BFV=Blue Fractal Value 49

50 szórás, minimum, maximum, abszolút eltérés, relatív eltérés VARIANCIAANALÍZIS Egytényezős Kéttényezős, ismétléses (SZŰCS, 2002)[25.] HIPOTÉZIS VIZSGÁLATOK: t-próba (Student-próba) alkalmazása (KEMÉNY ET AL., 2001[18.], SVÁB, 1981[19.], SZŰCS, 2002[25.], HAVASI ET AL., 1996[26.] F-próba SYNTAX-STATISZTIKAI ANALÍZIS PROGRAM A programcsomagot a Pannon Egyetem Limnológiai Intézetétől kaptam. Nagyon sokféle statisztikai elemző eljárást ismer. Ezek közül az adatok kiértékelésére a non-hierarchical modult, és a grafikus megjelenítés segítésére az Ordination modult alkalmaztam. A program ezen verziója az adatokat saját formátumú állományokból~ (.dat), az adatokhoz tartozó oszlop- és sor azonosítókat formázott szöveges állományokból (.TXT) olvassa be. A non-hierarchical modulban többféle számítási módszer, és ezen belül is sok-sok együttható közül választhatunk. A Szerző által választott beállítások a következők voltak: Method - Metód: Global optimization 50

51 Coefficient - Együttható: Similarity ratio ( ) Hasonlósági hányados (WISHART, 1969) [80.], (PODANI, 1997) [22.] együttható, képlete: 1 i x ij x ik x 2 i ij + x 2 i ik i x ij x ik (4) Ahol xij az eredeti adatokat, i a sor, j és k az oszlop indexet jelöli. Az együttható értékei a [0,1] intervallumba esnek, 1 jelöli a teljes egyezést. Választását az indokolta, hogy összemérhető más hasonló típusú együtthatókkal, és a próba futtatások során ez az együttható adta a legjobb elkülönítést (BRCV 14 értéke a legkisebb volt), bár jelentős különbség nem mutatkozott az együtthatók között. Data Standardization: no Standardization: a mért tulajdonságok adatai homogénnek tekinthetők. Nem-hierarchikus klaszterezés (PODANI, 1997)[22.]: globális optimalizációs eljárás, hasonlósági arány (SIMILARITY RATIO) együttható alkalmazása. [példa állomány: Kiértékelés\FajtaVizsgálat\200811\nHCluster\nHCluster200811_14_4TFVSim.txt] Az Ordin modul segítségével főkomponens analízist tudunk végezni. A modul Eigen-analízis módszerével 2 dimenzióra redukálja a 4 dimenziós teret (4 tulajdonság, fizikailag a 4 oszlop), és ebben helyezi el az objektumokat (13 fajta, fizikailag a sorok). Az így számított adatokból Scatter-diagramok készíthetők: [Elektronikus melléklet: példa állomány: Kiértékelés\FajtaVizsgálat\200811\nHCluster\nHCluster200811_14_4TFVSimOrd.txt, ]. Ezeket a vizsgálatot kifejezetten a szemléltetés kedvéért alkalmaztam, bemutatva a fajták elkülönülését e grafikus eszköz segítségével, de az eredmények összevethetők a t-próba eredményeivel is. 13 A SynTax program leírásának D mellékletében a képlet sorszám hivatkozása 14 BCRV = BRCV = Best Result Criteria Value 51

52 SFD 7.. EREDMÉNYEK A ZZ SFD AA LL KK AA LLM AA ZZ HH AA TT ÓÓ SS ÁÁ GG ÁÁ NN AA KK TT EE CC HH NN I KK AA I FF EE LL TT ÉÉ TT EE LL VV I ZZ SS GG ÁÁ LL AA TT AA : IRÁNYÍTOTT MEGVILÁGÍTÁS: Előzetes kontrol vizsgálat céljára homogén felületű síklappal teszt felvételezést végeztünk. A lap függőleges tengely mentén történő forgatásakor az SFD értéke jelentős mértékben változott (8. ábra), melyet jól mutat a relatív eltérés 55,6%-os értéke az átlaghoz viszonyítva. A 15 -nál található maximum érték álmaximum, miután ilyen kicsi beesési szögnél egyéb az SFD értékét növelő hatás lép be (pl. a felület anyagszerkezetének más metszeti síkban történő nézete). Ennek megfelelően az optimális beesési szögnek a merőlegest tekinthetjük, miután az SFD értéke (0,738) itt érte el a valós maximumát (15. táblázat). SFD érték változása homogén felületű síklap forgatása során 1 0,9 0,8 0,7 0,6 SFD 0,5 0,4 0,3 0, fok 8. ÁBRA SFD ÉRTÉK VÁLTOZÁSA HOMOGÉN FELÜLETŰ SÍKLAP FORGATÁSA SORÁN 52

53 SZENNYEZŐDÉS, BEVONAT (VÍZ, OLAJ STB.) Az előző esethez hasonló a nagymértékű változás (9. ábra) mondható el az inhomogén felületű tükröződő síklap esetén is. A relatív változás mértéke itt 56,3%! (16. táblázat). Ilyen hatás a gumó nyershús vizsgálatakor lép fel. A gumó vágási felületén a vágás nyomán, a szövetek roncsolódásaként, folyadék jelenik meg. 9. ÁBRA SFD érték alakulása tükröző felület forgásakor INTENZITÁS VIZSGÁLAT: TERMÉSZETES MEGVILÁGÍTÁS A felvételezések alapján az SFD maximális átlagos értéke: 2,112 (44000 lux), minimum érték 1,607 (39 lux). A relatív átlagos eltérés 26,67%. Az átlagérték: 1,8950, ehhez 0,1259 szórás érték társult, 69 db elem mellett, ami magasnak mondható (6,64 %). Az 10. ábra szemlélteti az intenzitás változás hatását az SFD értékére természetes megvilágítás 53

54 SFD esetén. A regresszió analízis egy polinom trendvonalat képes illeszteni R 2 =0,8581 együtthatóval a mért adatokra. A grafikonon az is látszik, hogy az értékek hol alulról, hol felülről közelítik a regressziós görbét, aminek a magyarázatát a felvételezés körülményeinek bizonytalanságában kereshetjük (erős napsütéstől, borult időjárási viszonyokig, változó páratartalom, stb.) (17. táblázat). 2,2 2,1 2 1,9 1,8 1,7 1,6 1,5 1,4 1,3 1,2 1,1 y = -2E-10x 2 + 2E-05x + 1,5811 R² = 0, Lux Góliát Polinom. (Góliát) ezer 10. ÁBRA Intenzitás hatása a burgonya gumó SFD értékére természetes fényviszonyok között MESTERSÉGES MEGVILÁGÍTÁS: Az SFD-re kapott maximális átlagos érték: 1,889 (44000 lux), minimum érték 1,203 (39 lux). A relatív átlagos eltérés 39,98%, ami magasnak mondható. Itt magyarázatra szorul a magas kifejezés. A fajtákon belüli (1,7 2,6 %) és a fajták közötti (2,4-6,8 %) minimummaximum eltérések nagyságrenddel alacsonyabbak, mint az intenzitáskor mért értékek. Ráadásul ilyen értékek mellett is szignifikáns eltérés mutatkozik egyes fajták minimum-maximum %-os eltérései között (18. táblázat). 54

55 SFD Az átlagérték 1,715, ehhez 0,1985 szórás érték társult, 93 db elem mellett, ami szintén magasnak mondható (11,57 %). A 11. ábra szemlélteti az intenzitásváltozás hatását a burgonyagumó SFD értékére mesterséges megvilágítás esetén. Regresszió analízis szerint korreláló függvénnyel a görbe a teljes tartományban jól nem közelíthető. Megfigyelhetjük, hogy a görbének 2 szakasza van. Az első szakasz egy telítődési jellegű szakasz, amely 39 luxtól 1100 luxig tart. Ebben a szakaszban az SFD értéke legjobban logaritmikus illesztéssel közelíthető, meredeken emelkedik 1,2034-től 1,8169-es értékig. 2 1,8 1,6 y = 0,9995x 0,0777 R² = 0,8458 1,4 1, ,5 1 1,5 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5 7 7,5 8 Góliát Hatvány (Góliát) Lux ezer 11. ÁBRA Intenzitás hatása a burgonya gumó SFD értékére mesterséges fényviszonyok között ( Lux) A 12. ábra szemlélteti a görbe második szakaszát, amely viszont a regresszió analízis szerint gyakorlatilag egy egyenes, és párhuzamos az X tengellyel, ami azt jelenti, hogy az SFD értéke érzéketlen a megvilágítás intenzitására ebben az intervallumban. 55

56 SFD 2 1,8 1,6 y = -1E-06x + 1,8612 R² = 0,0218 1,4 1, Góliát Lineáris (Góliát) Lux száz 12. ÁBRA Intenzitás hatása a burgonya gumó SFD értékére mesterséges fényviszonyok között 1100 Luxtól A MEGVILÁGÍTÁS SPEKTRUMA A 19. táblázat jól szemlélteti, milyen nagy hatással van az SFD értékére a megvilágítás spektruma (SFD_A oszlop a különböző spektrumú fénnyel megvilágított teljes kép; SFD_B oszlop a spektrumok színeinek képe; SFD_A-B oszlop a két kép kivonásával előálló képek). Ez az eltérés az átlaghoz képest akár 94,6%-ot is eléri EGYBEVÁGÓSÁGI TRANSZFORMÁCIÓK (FORGATÁS): A forgatás hatását az SFD értékére példaként Rioja fajtán kerül bemutatásra (13. ábra). A számított relatív átlagos eltérés eredményei mindegyike kisebb, mint ennek a fajtának az SFD maximális átlagos értéke 1,9049 (37 perc), minimum érték 1,8397 (15 perc). A relatív átlagos eltérés 3,47%, ami alacsonynak mondható (20. táblázat). 56

57 SFD érték 2,100 2,000 1,900 1,800 1,700 1,600 1, Rioja forgatás szöge percben 13. ÁBRA Vízszintes síkon történő forgatás szögének hatása a Rioja fajta SFD átlagára a szórás érték feltüntetésével A 14. ábra mutatja az összefüggést a vízszintes síkon történő elforgatás szöge és a SFD átlagértéke között (szignifikánsnak tekintettük az eltérést, ha az érték < mint 0,001). Látható, hogy nem mutatható ki szignifikáns eltérés az SFD értékben a gumók helyzetére vonatkozóan. Vagyis a gumók helyzete nem hat az SFD értékre. 57

58 számított szignifikancia érték 0,0001 0,001 0,01 0, Rioja wgb25x25 forgatás szöge percben 14. ÁBRA Összefüggés a vízszintes síkon történő forgatás szöge és az SFD értéke között (Rioja fajta szignifikancia szint 0,001) A DIGITÁLIS KAMERA ÉS A SIGMA EM-140 DG KÖRVAKÚ HIBÁJÁNAK MEGHATÁROZÁSA A mérési eredményeket és a statisztikai értékelést a 21. táblázat tartalmazza. Megállapítható a várakozásnak megfelelően a berendezésnek van hibája, ez 3,85% relatív eltérést jelent A KÉPFELBONTÁS VÁLTOZÁSÁNAK HATÁSA AZ SFD ÉRTÉK ALAKULÁSÁRA A mérési eredmények SFD átlaga a 15. ábrán látható XY diagramon azt mutatja, hogy az SFD érték maximuma a közepes (2544*1696) felbontásnál található. 58

59 15. ÁBRA A képfelbontás változásának hatása az SFD érték alakulására A FELVÉTELEZÉS TECHNIKAI KÖRÜLMÉNYEINEK VIZSGÁLATI EREDMÉNYEI A lefolytatott vizsgálatok alapján megállapítható, hogy az SFD értékére a megengedettnél nagyobb mértékben hatnak: a megvilágítás intenzitása, a megvilágítás szöge és spektruma, a csillogás, tükröződés mértéke. A megvilágítás intenzitásának és szögének, valamint a fényforrás spektrum kibocsátásának változása befolyásolja az SFD értékét. A változás mértéke nagyobb, mint az megengedhető. Ha ugyanis ez az abszolút eltérés nagyobb, mint az azonos körülmények között felvett burgonyafajták közötti SFD értékek ± szórás értéke, úgy ezen tényezők hibája elfedi burgonyafajták közötti esetlegesen meglévő különbözőséget. A megvilágítás intenzitásánál - természetes megvilágítási körülmények között- kimutathatók a felvételezéskor fellépő külső változó tényezők hatásai. Ehhez a változáshoz azonban egyértelműen nem tudtunk hozzárendelni valamilyen függvényt. 59

60 Mesterséges megvilágítás esetén találtunk egy olyan intenzitási sávot 1100 luxtól 8000 luxig, ahol az SFD értéke érzéketlen a megvilágítás intenzitására. Az objektum helyzetének vizsgálata, azt az eredményt hozta, hogy az SFD értéke csak a hibahatárokon belül változik. Ez az eredmény megegyezik az elméletileg meghatározott várakozással. A digitális kamera és a SIGMA EM-140 DG körvakú hibájának vizsgálati eredménye szintén a hibahatárokon belül változik. Ennek ellenére célszerű ugyan arról a mintáról több felvételt készíteni javasolt ismétlési szám , ez által csökkentve a hibaértéket. Vizsgálatainkban a Spektrális Fraktál Dimenzió (SFD), mint képelemzési eljárás alkalmazásának lehetőségét tanulmányoztuk a burgonyagumó egyes nemesítési programokban általánosan felvételezett paramétereinek jellemzésére (héjszín, hússzín, nyers, főtt és 24 óra utáni nyers szürkülés). Az eredmények azt mutatják, hogy amennyiben a burgonyanemesítési kutatásokban alkalmazni szeretnénk az SFD-t a fajták elkülönítésére, az objektív fajtaérték-meghatározásra, automatikus elemzési, minősítési folyamatok gyakorlati megvalósítására, úgy - jelenleg - csak jól meghatározott felvételezési körülmények között tehetjük ezt meg. 60

61 STANDARD KÖRÜLMÉNYEK LEÍRÁSA Vizsgálataink eredményei alapján a következőkben fogalmazhatók meg azok a körülmények, amelyek lehetővé teszik a vizsgált burgonyagumó paraméterek SFD értékének külső befolyásoló tényezőktől legkevésbé befolyásolt meghatározását: állandó intenzitást biztosító mesterséges fényforrás alkalmazása (körvakú); merőleges vetület biztosítása; közepes *1696 pixel - felbontás alkalmazása; csillogás mentesség biztosítása (nyers hússzín vizsgálat esetén, friss vágott felület leitatása); azonos mintáról több felvétel készítése; fix fókusztávolság alkalmazása; a minta színétől nagyban eltérő homogén háttér biztosítása (kék, fekete, fehér). 61

62 B UU RR GG OO NN YY AA GG UUM ÓÓ VV I ZZ SS GG ÁÁ LL AA TT OO KK EE RR EE DDM ÉÉ NN YY EE I NN EE KK ÉÉ RR TT ÉÉ KK EE LL ÉÉ SS EE Kísérleteinkben a burgonyagumó egyes tulajdonságainak (héjszín, hússzín, nyers, főtt és 24 óra utáni nyers szürkülés) SFD értékét határoztuk meg. A kapott adatok statisztikai értékelésénél alapvető annak megállapítása, hogy az értékelendő adathalmaz homogén-e? A mért adatok homogenitásának eldöntésére többféle lehetőség együttes vizsgálata szükséges. Egyrészt tudjuk, hogy a vizsgált tulajdonságok jellemzésére ugyanazt a mérőszámot (SFD) használjuk, továbbá a 4 vizsgált tulajdonság közül 3 tulajdonság a gumó húsának különböző állapotát jellemzi. Másrészt az SFD értéke a függvény (3) tulajdonságaiból adódóan, egy jól meghatározott értelmezési tartományba esik (0<SFD>=8). Ebben az értelmezési tartományban nem tapasztalunk az értékekre vonatkozó léptékváltást. Harmadrészt a varianciaanalízisek (F-próba) alkalmazásával eldöntöttük, hogy a minták szórásai azonosak. Ezen meggondolások, vizsgálatok eredményeként kijelenthetjük, hogy a kapott adatok homogének, így a t-próba alkalmazása lehetséges. A következőkben el kellett dönteni, hogy mely értéktől tekintjük az eltérést szignifikánsnak. Az általános gyakorlat szerint a statisztikai próbákat egy adott P szinten szokás vizsgálni. A Szerző is ennek megfelelően járt el. Ugyanakkor a vizsgálat eredményeként elkészült táblázatok az Excel 2007-ben megjelent feltételes formázási lehetőségnek köszönhetően lehetőséget nyújtanak az elkülönítés erősségének szemléletes megjelenítésére. A következő kategóriákat határozta meg a Szerző, figyelembe véve az általános gyakorlatot is. P > 0,15 P 0,15 > X > 0,05 P 0,05 > X > 0,01 P 0,01 > X> 0,001 P 0,001 > X > 0,0001 P < 0,0001 nem szignifikáns gyengén szignifikáns közepesen szignifikáns közepesen erősen szignifikáns erősen szignifikáns nagyon erősen szignifikáns 62

63 Példaként a Szerző bemutatja a 2008 őszi felvételezés, a 4 vizsgált tulajdonság együttes értékelését tartalmazó 4. táblázatot ( xlsx munkafüzet é4tfvsign munkalap). A színezés szemléletesen mutatja a fajták elkülönülését, és ennek erősségét. 63

64 Balatoni Rózsa Cleopatra Desiree Démon Góliát Hópehely Katica Kánkán Lorett Luca Rioja Vénusz White Lady átlag 1,9433 1,9394 1,9508 1,9506 1,9445 1,9141 1,9903 1,9371 1,9503 1,9274 1,9484 1,8921 1,9007 szórás 0,0500 0,0570 0,0557 0,0551 0,0569 0,0756 0,0671 0,0393 0,0378 0,0617 0,0340 0,0532 0,0624 Balatoni Rózsa B-XX 0,7410 0,5275 0,5409 0,9258 0,0452 0,0022 0,5354 0,4864 0,2095 0,5972 0, ,0012 Cleopatra C-xx 0,3650 0,3746 0,6903 0,0960 0,0014 0,8355 0,3171 0,3727 0,3921 0, ,0049 Desiree D-xx 0,9820 0,6133 0, ,0113 0,2056 0,9568 0,0789 0,8145 0, ,0003 Démon E-xx 0,6274 0, ,0106 0,2120 0,9777 0,0813 0,8344 0, ,0003 Góliát F-xx 0, ,0038 0,5022 0,5925 0,2039 0,7073 0, ,0016 Hópehely G-xx 0, ,0935 0,0089 0,3901 0,0115 0,1366 0,3900 Katica H-xx 0,0003 0,0052 0,0002 0,0032 0, , Kánkán I-xx 0,1302 0,4082 0,1722 0, ,0027 Lorett J-xx 0,0503 0,8184 0, ,00006 Luca K-xx 0,0647 0,0076 0,0576 Rioja L-xx 0, ,00008 Vénusz M-xx 0,5084 White Lady N-xx P szín kategória darab % >0,15 nem 33 0,15>X>0,05 0, gyenge 9 20,5% 0,05>X>0,01 0, közepes 7 15,9% közepesen 0,01>X>0,001 0, erős 11 25,0% 0,001>X>0,0001 0, erős 5 11,4% X<0,0001 0, nagyon erős 12 27,3% szignifikáns 44 57,1% összes TÁBLÁZAT A 4 vizsgált tulajdonság együttes összefüggés vizsgálata, t-próba (2008 őszi időszak)

65 VARIANCIAANALÍZISEK EGYTÉNYEZŐS VARIANCIA ANALÍZIS: V Vizsgált iidőszak Változatok RERFBFSF RERF REBF RESF RFBF RFSF BFSF F 29,056 44,062 5,324 0,4212 nincs mért érték 2p-érték 2,42E-12 2,49E-10 0,022 0,5170 F kritikus 3,023 3,885 3,886 3, hipotézis elvetve elvetve elvetve helyes F 16,986 47,205 20,623 5,324 4,286 10,031 1,405 2p-érték 1,89E-10 6,60E-11 9,25E-06 0,022 0,0396 0,002 0,237 F kritikus 2,625 3,885 3,885 3,885 3,885 3,885 3,885 0 hipotézis elvetve elvetve elvetve elvetve elvetve elvetve helyes F 39,954 75,270 1,267 21,76 63,99 10,031 13,55 2p-érték 7,91E-23 9,59E-16 0,262 5,39E-06 7,32E-14 0,002 0,0003 F kritikus 2,625 3,885 3,885 3,88 3,885 3,885 3,88 0 hipotézis elvetve elvetve helyes elvetve elvetve elvetve elvetve F 14,699 8,569 3,066 9,550 25,594 40,713 2,306 2p-érték 3,61E-09 0,0054 0,081 0,002 8,42E-07 9,12E-10 0,130 F kritikus 2,624 3,881 3,881 3,881 3,881 3,881 3,881 0 hipotézis elvetve elvetve helyes elvetve elvetve elvetve helyes 6. TÁBLÁZAT A p (alfa) a szignifikancia szint, az 1-alfa a megbízhatósági szint H0: a fajták között nincs eltérés (helyes) H1: szignifikáns az eltérés (elvetve) A vizsgálat eredményét az 6. táblázat szemlélteti, melyből egyértelműen kiderül, hogy p = 5%-os szignifikancia szint mellett a fajták között a vizsgált tulajdonságokat illetően jelentős különbség mutatható ki. Az elkülönülés erősségét jellemző p-érték nagyságrendekkel kisebb, mint a választott szignifikancia szint. Néhány esetben az eltérés nem igazolható. A főtt hússzín és a szürkült hússzín tulajdonságának együttes vizsgálata (BFSF) - a 2008 őszi időszak kivételével nem jelez szignifikáns különbséget a fajták között. Megítélésem szerint ez annyit jelent, hogy elég a kettő közül csak az egyik tulajdonságra az SFD értékét meghatározni! Praktikusan ez a 64

66 szürkült hússzín, mivel ez nem igényel plusz energiaráfordítást és eszközt. A héjszín és a szürkült hússzín (RESF) vonatkozásában a 2007 őszi időszakban nem mutatható ki különbség a fajták között, viszont a többi vizsgált időszakban igazolható az eltérés. A héjszín és a főtt hússzín (REBF) között az első 2 vizsgált időszakban kimutatható a különbség, a 2008 őszi és a 2009 tavaszi időszakban viszont nem. Ez arra enged következtetni, hogy e tulajdonságok értékélésének megbízhatósága bizonytalan vagy a minták állapota, jellege eltérő az egyes időszakokban KÉTTÉNYEZŐS VARIANCIAANALÍZIS, ISMÉTLÉSEKKEL Három hipotézist kell felállítani minden esetben: H0 fajta : a fajták azonosak H1 fajta : a fajták szignifikánsan különbözőek H0 jellemző : a jellemző értékek azonosak H1 jellemző : a jellemző értékek szignifikánsan különbözőek H0 fajta, jellemző : nincs interakció H1 fajta, jellemző : van interakció A 7. táblázat tartalmazza a kéttényezős varianciaanalízis eredményeit a fajták és a tulajdonságaikra, p=5% szignifikancia szint mellett. Fajták és a 4 tulajdonság együttes hatása (RERFBFSF) H0 fajta : a fajták azonosak, a 4 tulajdonság együttes értéke nem különíti el a fajtákat H0 RERFBFSF : az RERFBFSF jellemző értékek azonosak H0 fajta, RERFBFSF : fajták és RERFBFSF között nincs interakció Egyértelműen megállapítható, hogy mind a 4 vizsgált időszakban a fajták szignifikáns különbséget mutatnak, H0 fajta elvetve. A 4 tulajdonság együttesen, szignifikáns különbséget mutat, H0 RERFBFSF elvetve. A kölcsönhatás szintén szignifikáns különbséget mutat, H0 fajta, 65

67 RERFBFSF elvetve, és arra enged következtetni, hogy a 4 tulajdonság fajtáról fajtára szignifikánsan eltér. Fajták és héjszín+nyers hússzín (RERF) H0 fajta : a fajták azonosak, a 2 tulajdonság héjszín+nyers hússzín együttes értéke nem különíti el a fajtákat H0 RERF : az RERF jellemző értékek azonosak H0 fajta, RERF : fajták és RERF között nincs interakció Megállapítható, hogy mind a 4 vizsgált időszakban a fajták szignifikáns különbséget mutatnak, H0 fajta elvetve. A 2 tulajdonság héjszín+nyers hússzín együttesen, szignifikáns különbséget mutat, H0 RERF elvetve. A kölcsönhatás is szignifikáns különbséget mutat, H0 fajta, RERF elvetve, a héjszín+nyers hússzín együttesen fajtáról fajtára eltér. Ez még akkor is igaz, ha a időszakban nem mutatható ki szignifikáns különbség, bár ez csak 2%-al lépi át a küszöbértéket, de a többi időszakban p értéke meggyőző elkülönítést mutat. Fajták és héjszín+főtt hússzín (REBF) H0 fajta : a fajták azonosak, a 2 tulajdonság héjszín+főtt hússzín együttes értéke nem különíti el a fajtákat H0 REBF : az REBF jellemző értékek azonosak H0 fajta, REBF : fajták és REBF között nincs interakció Megállapítható, hogy mind a 3 vizsgált időszakban a fajták szignifikáns különbséget mutatnak, H0 fajta elvetve. A 2 tulajdonság héjszín+főtt hússzín együttesen szignifikáns különbséget mutat, H0 REBF elvetve. A időszakban az REBF-re nem lehet az elkülönítést kimutatni, mi több nagyon kifejezett ez a hatás p=22%. Felmerül valamilyen olyan nem kívánatos tényező, amely hatására a mérési eredmény torzul, de a többi időszakban p értéke meggyőző elkülönítést mutat. A kölcsönhatás is szignifikáns különbsége mutat, H0 fajta, REBF elvetve, a héjszín+főtt hússzín tulajdonság fajtáról fajtára eltér. 66

68 Változatok RERFBFSF RERF REBF RESF RFBF RFSF BFSF Időszak Tényezők Fajták RERFBFSF KölHat Fajták RERF KölHat Fajták REBF KölHat Fajták RESF KölHat Fajták RFBF KölHat Fajták RFSF KölHat Fajták BFSF KölHat F 8,33 38,36 2,57 7,03 59,13 2,42 4,75 0,51 2,03 4,75 0,51 2,03 p-érték 6,3E-12 1,5E-15 0,0003 2E-09 6,8E-13 0,01 4,2E-06 0,47 0,03 4,2E-06 0,47 0,03 F kritikus 1,86 3,03 1,61 1,88 3,89 1,88 1,88 3,89 1,88 1,88 3,89 1,88 0 hipotézis elvetve elvetve elvetve elvetve elvetve elvetve elvetve helyes elvetve elvetve Helyes elvetve F 11,12 21,87 1,81 7,08 63,71 2,55 5,67 26,56 2,60 1,23 5,38 0,98 7,73 5,6 0,93 6,9 12,92 1,39 1,45 1,42 0,73 p-érték 8,8E-17 4E-13 0,006 1,7E-09 1,1E-13 0,006 1,8E-07 6,2E-07 0,006 0,27 0,02 0,46 2E-10 0,02 0,50 3,3E-09 0,0004 0,19 0,16 0,24 0,70 F kritikus 1,86 2,63 1,49 1,89 3,89 1,88 1,88 3,89 1,88 1,88 3,89 1,88 1,88 3,89 1,88 1,88 3,89 1,88 1,88 3,89 1,88 0 hipotézis elvetve elvetve elvetve elvetve elvetve elvetve elvetve elvetve elvetve Helyes elvetve Helyes elvetve elvetve Helyes elvetve elvetve Helyes Helyes Helyes Helyes F 9,31 53,26 3,07 6,18 101,13 3,31 3,92 1,54 2,79 3,02 26,09 3,33 7,40 91,39 3,93 7,69 39,14 3,34 8,08 17,80 0,75 p-érték 6,7E-14 6,1E-29 3E-07 3,3E-08 1,8E-19 0,0005 7E-05 0,22 0,003 0, ,62E-07 0,0005 6E-10 4,8E-18 6,7E-05 2,3E-10 2,4E-09 0,0005 6,7E-11 3,7E-05 0,67 F kritikus 1,86 2,63 1,49 1,88 3,89 1,88 1,88 3,89 1,88 1,88 3,89 1,88 1,88 3,89 1,88 1,88 3,89 1,88 1,88 3,89 1,88 0 hipotézis elvetve elvetve elvetve elvetve elvetve elvetve elvetve helyes elvetve elvetve elvetve elvetve elvetve elvetve elvetve elvetve elvetve elvetve elvetve elvetve helyes F 5,41 16,82 1,61 5,31 10,54 1,66 5,79 3,89 2,01 4,06 11,82 3,08 2,41 26,91 0,71 1,71 42,23 1,10 1,98 2,43 1,17 p-érték 4,4E-08 2,4E-10 0,02 2E-07 0,001 0,08 3,4E-08 0,049 0,03 2E-05 0,0007 0,0007 0,008 4,9E-07 0,73 0,07 5,5E-10 0,36 0,03 0,12 0,31 F kritikus 1,81 2,63 1,46 1,83 3,89 1,83 1,83 3,89 1,83 1,83 3,89 1,83 1,83 3,89 1,83 1,83 3,89 1,83 1,83 3,89 1,83 0 hipotézis elvetve elvetve elvetve elvetve elvetve Helyes elvetve elvetve elvetve elvetve elvetve elvetve elvetve elvetve Helyes Helyes elvetve Helyes elvetve Helyes Helyes 7. TÁBLÁZAT Kéttényezős varianciaanalízis a fajták és az RERFSF valamint RERFBF tulajdonságpárokra

69 Fajták és héjszín+szürkült hússzín (RESF) H0 fajta : a fajták azonosak, a 2 tulajdonság héjszín+szürkült hússzín együttes értéke nem különíti el a fajtákat H0 RESF : az RESF jellemző értékek azonosak H0 fajta, RESF : fajták és RESF között nincs interakció Megállapítható, hogy mind a 4 vizsgált időszakban a fajták, a időszak kivételével p=0,27, szignifikáns különbséget mutatnak, H0 fajta elvetve. A 2 tulajdonság héjszín+szürkült hússzín együttesen szignifikáns különbséget mutat, H0 RESF elvetve. A tulajdonságra vonatkozóan a időszak jelenti a kivételt p=0,47. Itt is felmerül valamilyen olyan nem kívánatos tényező megjelenése, amely hatására a mérési eredmény torzul. A kölcsönhatás is szignifikáns különbsége mutat, H0 fajta,resf elvetve, a héjszín+szürkült hússzín tulajdonság fajtáról fajtára eltér. (A s időszakot nem számítva, p=0,46). Fajták és nyers hússzín+főtt hússzín (RFBF) H0 fajta : a fajták azonosak, a 2 tulajdonság nyers hússzín+főtt hússzín együttes értéke nem különíti el a fajtákat H0 RFBF : az RFBF jellemző értékek azonosak H0 fajta, RFBF : fajták és RFBF között nincs interakció Egyértelműen megállapítható, hogy mind a 3 vizsgált időszakban a fajták szignifikáns különbséget mutatnak, H0 fajta elvetve. A 2 tulajdonság nyers hússzín+főtt hússzín együttes értéke között szignifikáns az eltérés, H0 RFBF elvetve. A kölcsönhatás elfogadása - H0 fajta,rfbf - arra enged következtetni, hogy a nyers hússzín+főtt hússzín közötti tendencia fajtáról fajtára történő eltérése nem kifejezett. A időszakban kifejezetten erős a kölcsönhatás (p=6,7e-05), míg a másik 2 időszakban kifejezetten gyenge. 68

70 Fajták és nyers hússzín+szürkült hússzín (RFSF) H0 fajta : a fajták azonosak, a 2 tulajdonság nyers hússzín+szürkült hússzín együttes értéke nem különíti el a fajtákat H0 RFSF : az RFSF jellemző értékek azonosak H0 fajta,rfsf : fajták és RFSF között nincs interakció Egyértelműen megállapítható, hogy mind a 4 vizsgált időszakban a fajták szignifikáns különbséget mutatnak kivétel a időszakot, bár itt p=0,07 értéke nagyon közel van a kritikus p értékhez-, H0 fajta elvetve. A 2 tulajdonság nyers hússzín+főtt hússzín együttes értéke között szignifikáns az eltérés (3 időszakban is nagyon kifejezett az elkülönülés) kivétel a időszak p=0,47, ami igen magas érték-, H0 RFSF elvetve. A fajták és RFSF közötti interakció a 4 időszak adatai alapján felemás helyzetet mutat. A 2 őszi időszakban H0 fajta,rfsf elutasításra, míg a 2 tavaszi időszakban elfogadásra került. Ez arra enged következtetni, hogy a nyers hússzín+szürkült hússzín közötti tendencia fajtáról fajtára történő eltérése nem kifejezett. Fajták és főtt hússzín+szürkült hússzín (BFSF) H0 fajta : a fajták azonosak, a 2 tulajdonság főtt hússzín+szürkült hússzín együttes értéke nem különíti el a fajtákat H0 BFSF : az BFSF jellemző értékek azonosak H0 fajta,bfsf : fajták és BFSF között nincs interakció Megállapítható, hogy mind a 3 vizsgált időszakban a fajták nem mutatnak egyértelmű különbséget. Mivel a 3 időszakból 2 időszakban a H0 fajta hipotézis elvetésre került, így összességében H0 fajta t elvetjük. A 2 tulajdonság főtt hússzín+szürkült hússzín együttes értéke között szignifikánsan nincs eltérés, H0 BFSF elfogadjuk. A kölcsönhatás esetében egyértelmű a H0 fajta,bfsf hipotézis elfogadása. Megállapítható, ezt a változatot nem érdemes a továbbiakban vizsgálni. 69

71 A fenti eredmények tükrében egyértelmű, hogy a héjszín és bármely más tulajdonság kombinációja képes elkülöníteni a fajtákat. A nyers hússzín és a másik két hússzín elkülönítő képessége nem teljesen egyértelmű. Ezért érdemes még 2 esetet megvizsgálni, a héjszín a nyers hússzín és a főtt hússzín változatot, valamint a héjszín a nyers hússzín és a szürkült hússzín változatot. Várható, hogy a tulajdonsághármas, együttesen szintén jó elkülönítést ad. A 8. táblázat tartalmazza a kéttényezős varianciaanalízis eredményeit a fajták és a tulajdonságaikra. Változatok RERFSF RERFBF időszak Tényezők Fajták RERFSF KölHat Fajták RERFBF KölHat F 4,75 0,51 2,03 p-érték 0, ,47 0,03 F kritikus 1,88 3,89 1,88 0 hipotézis elvetve helyes elvetve F 8,91 33,31 1,99 9,13 31,47 2,05 p-érték 8,03E-13 8,84E-14 7,62E-03 3,72E-13 4,02E-13 5,68E-03 F kritikus 1,86 3,03 1,61 1,86 3,03 1,61 0 hipotézis elvetve elvetve elvetve elvetve elvetve elvetve F 7,23 60,16 3,32 7,38 72,78 3,40 p-érték 3,22E-10 1,16E-22 3,79E-06 1,88E-10 1,89E-26 2,40E-06 F kritikus 1,86 3,03 1,61 1,86 3,03 1,61 0 hipotézis elvetve elvetve elvetve elvetve elvetve elvetve F 4,60 20,58 1,72 6,24 13,16 1,13 p-érték 4,41E-06 4,25E-09 2,93E-02 1,15E-08 3,35E-06 0,32 F kritikus 1,86 3,03 1,61 1,86 3,03 1,61 0 hipotézis elvetve elvetve elvetve elvetve elvetve helyes 8. TÁBLÁZAT Kéttényezős varianciaanalízis a fajták és az RERFSF valamint RERFBF tulajdonsághármasokra Fajták és a héjszín főtt hússzín+szürkült hússzín (RERFBF) H0 fajta : a fajták azonosak, a 3 tulajdonság héjszín+ nyers hússzín+főtt hússzín együttes értéke nem különíti el a fajtákat H0 RERFBF : az RERFBF jellemző értékek azonosak H0 fajta,rerfbf : fajták és RERFBF között nincs interakció 70

72 Megállapítható, hogy mind a 4 vizsgált időszakban a fajták szignifikáns különbséget mutatatnak, H0 fajta elvetve. A p értékek nagyságrendje nagyon erős elkülönítést jelez. A 3 tulajdonság héjszín+főtt hússzín+szürkült hússzín együttes értéke szignifikáns különbséget mutat, H0 RERFBF elvetve. A kölcsönhatás különbsége arra enged következtetni, hogy a 3 tulajdonság (közötti tendencia) fajtáról fajtára eltér. Ez még akkor is igaz, ha a 2009 tavaszi időszakban nem mutatható ki különbség, de a megelőző két időszak p étéke erős elkülönítést mutat. Fajták és héjszín+nyers hússzín+szürkült hússzín (RERFSF) H0 fajta : a fajták azonosak, a 3 tulajdonság héjszín, nyers hússzín és a szürkült hússzín együttes értéke nem különíti el a fajtákat H0 RERFSF : az RERFSF jellemző értékek azonosak H0 fajta,rerfsf : fajták és RERFSF között nincs interakció Megállapítható, hogy mind a 4 vizsgált időszakban a fajták szignifikáns különbséget mutatnak, H0 fajta elvetve. A 3 tulajdonság héjszín, nyers hússzín és a szürkült hússzín együttes értéke szignifikáns különbséget mutat, H0 RERFSF elvetve. A p értékek nagyságrendje nagyon erős elkülönítést jelez. A kölcsönhatás szignifikáns különbsége arra enged következtetni, hogy a 3 tulajdonság közötti tendencia fajtáról fajtára eltér. A 3 tulajdonságra vonatkozó kéttényezős varianciaanalízis eredményeiből azt a következtetést vonhatjuk le, hogy a héjszín, nyers hússzín és a másik két tulajdonság bármelyike szignifikánsan magas elkülönítést ad mind a három H1 hipotézisre (H1 fajta, H1 3 jellemző, H1 fajta,3 jellemző ). Ebből következően, egyrészt elég lehet az SFD párosított t-próba vizsgálatoknál a 3 tulajdonság értékelése a 4 tulajdonság helyett, másrészt ez annyit jelent, hogy elég a kettő közül csak az egyik tulajdonságra az SFD értékét meghatározni! Praktikusan ez a héjszín, nyers hússzín és a szürkült hússzín, mivel ez nem igényel plusz energiaráfordítást és eszközt. 71

73 Összességében az egytényezős és kéttényezős varianciaanalízis vizsgálatok eredményei azt mutatják, hogy a fajták a tulajdonságok alapján elkülöníthetők, kivétel a főtt hússzín és szürkült hússzín esetet. Az elkülöníthetőség mértéke különböző, legerősebb a 4 tulajdonság együttes értéke, de a 3 tulajdonság együttes értéke is nagyon jó elkülönítést ad. Az esetek nagy többségében a fajták és tulajdonságok között interakció is létezik. A fentiekből következően a párosított t-próba vizsgálat elvégezhető FAJTÁN BELÜLI MINŐSÍTÉS Az SFD értékek a teljes (Totál=T), az R, G és B színterekre határoztam meg. Gyorsan feltűnt, hogy minden választott tulajdonságnál mind a totál mind az R, G, B térben is, és minden évben az adatok igen közeli értékeket vesznek fel. A 22. táblázatban prezentálom a különböző tulajdonságokra és vizsgált színterekre az átlagok minimumait és maximumait, a relatív eltérések értékeit. Egyidejűleg feltüntettem a fajták évenkénti értékei és a fajták közötti legkisebb szignifikáns értékhez tartozó átlagok különbségeit. Az adatok egyértelművé teszik, hogy a 13 fajtából 12 esetben a minimum és maximum értékek relatív eltérései nagyságrenddel nagyobbak, mint a legkisebb szignifikáns értékhez tartozó relatív eltérés. Ugyanez igaz a fajtán belüli évenkénti eltérésekre is. Ebből adódik, hogy a fajtán belüli minősítések matematikai lehetősége megszűnt. A fajtán belüli minőségi kimutathatóság lehetőségét nem vizsgáltam tovább FAJTÁK SFD ÉRTÉKE A továbbiakban az azonos fajták különböző évek közötti eltéréseit vizsgáltam, minden tulajdonságra és színtérre. Egyidejűleg elemezésre kerültek a tulajdonságok együtthatásai annak céljából, hogy kiderüljön melyek a totál értékhez tartozó meghatározó elemek a különböző tulajdonságok esetében. 72

74 A 9. táblázatban a számláló a szignifikáns esetek számát, a nevező (vizsgált időszakok) az összes esetszámot tartalmazza. A lehetséges 78 esetből összesen 4 eset volt, amikor az évek között nem volt szignifikáns eltérés. Fajta neve TFV RE 15 BFV RF&BF 16 TFV RE&RF&SF 17 BFV RF&BF&SF 18 BFV RE&RF&SF 19 TFV RE&RF&BF&SF 20 Balatoni 4/6 2/3 5/6 2/3 5/6 3/3 rózsa Démon 5/6 2/3 5/6 2/3 4/6 2/3 Katica 2/4 1/1 2/3 1/1 2/3 1/1 Luca 5/6 3/3 3/6 1/3 3/6 3/3 White Lady 5/6 3/3 3/6 3/3 3/6 3/3 Cleopátra 3/3 1/1 2/3 1/1 3/3 1/1 Góliát 5/6 1/3 4/6 0/3 4/6 3/3 Kánkán 6/6 0/3 6/6 2/3 3/6 3/3 Rioja 5/6 2/3 2/6 0/3 2/6 2/3? Desiree 5/6 0/3 5/6 2/3 5/6 2/3 Hópehely 5/6 2/3 6/6 2/3 4/6 3/3 Lorett 3/6 2/3 6/6 2/3 3/6 3/3 Vénusz 5/6 2/3 6/6 2/3 3/6 3/3 9. TÁBLÁZAT A fajták évek közötti eltérései a tulajdonságok kombinációira Így megállapíthatóvá vált, hogy az esetek nagy részében az azonos fajtán belül is szignifikáns különbségek vannak. Ezért azt a következtetést vonhatjuk le, hogy a fajták azonosítását nem egy meghatározott SFD értékhez, hanem az adott év ismert SFD értékű kontrolljához kell viszonyítani. Ez a tény egyidejűleg arra enged következtetni, hogy a termesztési feltételek (kezdve a meteorológiai változóktól, a talajtani változókig, stb.) hatnak a burgonya választott vizsgálati tulajdonságaira, és ezáltal az SFD értékekre. 15 TFV RE= héjszín RGB szintér fraktál érték 16 BFV RF&BF= nyers~ és főtt hússzín Kék (Blue) altér fraktál érték 17 TFV RE&RF&SF= héjszín, nyers~ és szürkült hússzín RGB szintér fraktál érték 18 BFV RF&BF&SF= nyers~, főtt~ és szürkült hússzín Kék (Blue) altér fraktál érték 19 BFV RE&RF&SF= héjszín, nyers~ és szürkült hússzín Kék (Blue) altér fraktál érték 20 TFV RE&RF&BF&SF= héjszín, nyers~, főtt~ és szürkült hússzín RGB szintér fraktál érték 73

75 FAJTÁK ÉVENKÉNTI VIZSGÁLATA A vizsgálatokat a párosított t-próbával végeztem, melyek az egyes évek összefoglaló értékeit a táblázatok 21 tartalmazzák a 4 tulajdonság együttes értékeit figyelembe véve. BaRó Cleo Des Dém Gól Hóp Kat Kán Lorett Luca Rioja Vén White Lady átlag szórás Balatoni Rózsa Cleopátra Desiree Démon Góliát Hópehely Katica Kánkán Lorett Luca Rioja Vénusz White Lady 1,53E +00 8,94E- 01 B-XX 2,03 E+00 2,22 E-02 9,83 E-04 C-xx 2,03 E+00 2,37 E-02 1,06 E-03 4,58 D-xx 1,51 E+00 8,84 9,33 6,20 E-04 6,71 E-04 E-xx 1,52 E+00 8,89 9,68 7,87 E-04 8,51 E-04 9,66 F-xx 1,50 E+00 8,76 8,80 4,23 E-04 4,59 E-04 9,46 9,12 G-xx 1,51 E+00 8,96 9,13 7,55 E-04 8,16 E-04 9,79 9,45 9,68 H-xx 1,01 E+00 1,03 E+00 1,89 E-02 2,05 E-07 2,21 E-07 2,23 E-02 2,05 E-02 2,55 E-02 2,53 E-02 I-xx 2,02 E+00 3,31 E-02 1,24 E-03 0,11 E+00 2,87 7,90 E-04 1,00 E-03 5,42 E-04 9,54 E-04 2,57 E-07 J-xx 1,50 E+00 8,80 9,07 5,14 E-04 5,57 E-04 9,73 9,39 9,73 9,95 2,39 E-02 6,57 E-04 K-xx 1,52 E+00 8,90 9,78 8,46 E-04 9,15 E-04 9,55 9,89 9,01 9,34 1,99 E-02 1,07 E-03 9,28 L-xx 1,50 E+00 8,78 8,95 4,71 E-04 5,11 E-04 9,61 9,27 9,85 9,83 2,46 E-02 6,03 E-04 9,88 9,16 M-xx 1,51 E+00 8,83 9,29 5,98 E-04 6,48 E-04 9,95 9,61 9,51 9,84 2,26 E-02 7,63 E-04 9,78 9,50 9,66 N-xx 10. TÁBLÁZAT Párosított t-próba számított p értékei 2007 őszi időszakra (p 0 =5%) A 2007 év őszi időszakra a 78 értékből 40 esetben 51,3% - volt az elkülönülő fajták száma. A Kánkán fajta minden más fajtától elkülönült (100%), a Cleopátra és Lorett fajták csak a Desiree fajtától nem különült el (91,7%), míg a többi fajták mintegy egyharmadnyi mértékben különültek el (33,3%). Összességében negyede nagyon jó, míg kétharmaduk a közepesnél gyengébb elkülönülést mutatott. 21 A beszínezett cellák az elkülönülő értékeket jelölik 74

76 átlag szórás Balatoni Rózsa Cleopátra Desiree Démon Góliát Hópehely Somogyi sárga kifli Kánkán Lorett Luca Rioja Vénusz White Lady BaRó Cleo Des Dém Gól Hóp SoKi Kán 2,05 2,09 2,06 2,04 2,05 2,01 2,05 2,02 E+00 E+00 E+00 E+00 E+00 E+00 E+00 E+00 4,39 6,10 4,08 3,86 4,32 4,11 3,59 4,48 E-02 E-02 E-02 E-02 E-02 E-02 E-02 E-02 4,73 3,01 3,13 9,97 4,11 6,40 9,22 B-XX E-03 E-04 E-03 3,35 3,14 4,51 1,79 1,05 3,99 C-XX E-02 E-04 E-03 E-07 E-03 E-06 3,31 2,95 4,83 1,06 2,91 D-xx E-02 E-06 E-04 3,10 5,05 5,36 7,13 E-xx E-03 E+01 3,74 6,40 8,81 F-xx E-04 E-03 6,00 3,72 G-xx E-04 1,65 H-xx E-02 I-xx Loret t Luca Rioja Vén 2,00 2,03 2,00 2,02 E+00 E+00 E+00 E+00 4,84 5,10 3,96 3,87 E-02 E-02 E-02 E-02 7,01 3,24 1,91 2,32 E-06 E-02 E-06 E-03 4,36 2,13 2,20 9,04 E-09 E-05 E-09 E-07 7,34 2,02 8,34 3,53 E-08 E-03 E-09 E-05 9,37 1,76 2,96 2,48 E-05 E-05 E-02 6,25 3,16 1,62 2,15 E-06 E-02 E-06 E-03 1,47 2,54 1,51 5,09 8,87 5,84 1,59 3,75 E-06 E-02 E-06 E-03 2,80 7,61 2,44 7,73 E-02 E-02 1,91 8,69 3,87 J-xx E-02 E-02 1,69 5,57 K-xx E-02 3,32 L-xx E-02 M-xx White Lady 2,00 E+00 5,15 E-02 2,84 E-05 1,44 E-08 4,43 E-07 3,39 E-04 2,60 E-05 2,31 3,75 E-03 5,30 E-02 8,50 3,58 E-02 9,62 7,36 E-02 N-xx 11. TÁBLÁZAT Párosított t-próba számított p értékei 2008 tavaszi időszakra A 2008 év tavaszi időszakra a 78 értékből 58 esetben 74,4% - volt az elkülönülő fajták száma (Ebben az évben a Katica fajta nem állt rendelkezésre, helyette egyszeri alkalommal a Somogyi sárga kiflit vizsgáltam). A legjobb 75% fölötti elkülönülést a Balatoni rózsa, Desiree és Lorett fajták adták (92%, 75-75%). A többi fajta a Hópehely kivételével (50%) - a közepesnél jobb elkülönülést adott (66,7%). Összességében ezen időszak értékei mutatták a legjobb elkülönülést. A 2008 év őszi időszakra a 78 értékből 44 esetben 56,4% - volt az elkülönülő fajták száma. A Katica fajta minden más fajtától elkülönült (100%), a Hópehely, Vénusz gold és White Lady fajták 80% fölötti mértékben, míg a többi fajták a közepesnél gyengébb mértékben különültek el (33,3%). Összességében a fajták 40%-a nagyon jó, míg 60%-a a közepesnél gyengébb elkülönülést mutatott. 75

77 76 BaRó Cleo Des Dém Gól Hóp Kat Kán Lorett Luca Rioja Vén White Lady átlag 1,94 E+00 1,94 E+00 1,95 E+00 1,95 E+00 1,94 E+00 1,91 E+00 1,99 E+00 1,94 E+00 1,95 E+00 1,93 E+00 1,95 E+00 1,89 E+0 0 1,90 E+00 szórás 5,00 E-02 5,70 E-02 5,57 E-02 5,51 E-02 5,69 E-02 7,56 E-02 6,71 E-02 3,93 E-02 3,78 E-02 6,17 E-02 3,40 E-02 5,32 E-02 6,24 E-02 Balatoni Rózsa B-XX 7,41 5,27 5,41 9,26 4,53 E-02 2,18 E-03 5,35 4,86 2,10 5,97 2,93 E-05 1,18 E-03 Cleopátra C-xx 3,65 3,75 6,90 9,60 E-02 1,43 E-03 8,36 3,17 3,73 3,92 2,56 E-04 4,96 E-03 Desiree D-xx 9,82 6,13 1,57 E-02 1,13 E-02 2,06 9,57 7,89 E-02 8,14 6,81 E-06 2,94 E-04 Démon E-xx 6,27 1,62 E-02 1,06 E-02 2,12 9,78 8,13 E-02 8,34 6,79 E-06 3,00 E-04 Góliát F-xx 4,62 E-02 3,80 E-03 5,02 5,93 2,04 7,07 5,89 E-05 1,57 E-03 Hópehely G-xx 3,32 E-05 9,35 E-02 8,97 E-03 3,90 1,15 E-02 1,37 3,90 Katica H-xx 3,49 E-04 5,26 E-03 1,68 E-04 3,21 E-03 1,76 E-08 3,85 E-07 Kánkán I-xx 1,30 4,08 1,72 5,28 E-05 2,69 E-03 Lorett J-xx 5,03 E-02 8,18 3,33 E-07 5,97 E-05 Luca K-xx 6,47 E-02 7,56 E-03 5,76 E-02 Rioja L-xx 3,81 E-07 7,64 E-05 Vénusz M-xx 5,08 White Lady N-xx 12. TÁBLÁZAT Párosított t-próba számított p értékei 2008 őszi időszakra BaRó Cle o Des Dém Gól Hóp Kat Kán Lorett Luca Rioja Vén White Lady átlag 1,97E +00 1,95E +00 1,96E +00 1,97E +00 1,96 E+00 1,95 E+00 1,97E +00 1,97 E+00 1,97 E+00 1,94 E+00 1,92 E+00 1,95 E+00 szórás 4,11E -02 3,86E -02 4,10E -02 4,16E -02 3,53E -02 4,75 E-02 4,18E -02 4,05 E-02 5,31 E-02 2,90 E-02 4,05 E-02 3,83 E-02 Balatoni Rózsa B-XX 3,25E -03 7,51 E-02 6,64E -01 8,21 E-02 5,41 E-02 5,51E -01 5,96 5,33 7,78 E-04 5,58 E-07 8,84 E-03 Cleopátra C- XX Desiree D-xx 2,41E -01 1,21 E-02 1,52 4,32 1,92 E-02 1,42 E-02 5,32 E-02 9,09 1,22 E-02 7,09 Démon E-xx 1,79 8,65 7,73 2,38 2,03 3,54 1,56 4,78 E-04 4,13 Góliát F-xx 2,03 1,27 8,71 9,29 8,06 3,92 E-03 3,67 E-06 2,95 E-02 Hópehel y G-xx 6,45 2,74 2,32 4,06 7,96 E-02 1,10 E-04 2,91 Katica H-xx 1,70 1,44 2,61 3,37E -01 2,92 E-03 6,48 Kánkán I-xx 9,40 9,18 6,95 E-03 7,43 E-06 4,47 E-02 Lorett J-xx 8,65 4,58 E-03 4,09 E-06 3,43 E-02 Luca K-xx 2,99 E-02 1,13 E-04 1,01 Rioja L-xx 7,11 E-03 5,92 Vénusz M-xx 4,29 E-03 White Lady N-xx 13. TÁBLÁZAT Párosított t-próba számított p értékei 2009 tavaszi időszakra

78 A 2009 év tavaszi időszakra a 66 értékből 32 esetben 48,5% - volt az elkülönülő fajták száma (Ebben az évben a Desiree fajta nem állt rendelkezésre). A Vénusz gold fajta minden más fajtától elkülönült (100%), ugyanakkor a többi fajta közepes (54,5% és 9% között) vagy annál rosszabb mértékben különült el. Összességében ezen időszak értékei mutatták a legrosszabb elkülönülést. Valamennyi tulajdonságra és színtérre vonatkozó, az egyes fajták közötti eltérések értékeinek évenkénti összesítését foglaltam össze a 14. táblázatba TFV 1 50,6% Kánkán=100% 74,4% Cleopátra=100% 58,4% Katica=100% 48,5% Vénusz=100% RFV 2 41,6% 56,4% 57,1% 13,6% Kánkán=100% Balatoni rózsa=100% Katica=100% GFV 3 41,6% 49,4% 42,9% 18,2 % Kánkán=100% BFV 4 51,9% 31,2% 57,1% 51,5 % Kánkán=100% Katica=100% Kánkán=100% TFVRE 5 59,0% 56,4% 43,6% 56,1% RFVRE 6 40,3% 33,8% 29,5% 28,8% Balatoni rózsa=100% Lorett=100% GFVRE 7 10,4% 11,7% 26,9% 16,7% Whyte Lady=100% BFVRE 8 57,1% 38,5% 20,5% 43,,9% TFVRF 9 49,2% 59,7% 56,1% 22,7% Góliát=100% RFVRF 10 43,1% 64,1% 43,1% 18,2% GFVRF 11 37,9% 21,8% 33,8% 22,79% BFVRF 12 27,7% 53,2% 32,3% 57,6% Whyte Lady=100% TFVBF 13 57,7% 56,4% 20,0% Vénusz=100% RFVBF 14 69,2% 29,9% 34,8% GFVBF 15 11,7% 20,8% 21.2% BFVBF 16 55,1% 44,2% 39,4% TFVSF 17 53,8% 37,2% 53,8% 27,3% RFVSF 18 44,2% Balatoni rózsa=100%, Desiree=100% 44,9% 40,3% Cleopátra=100% 77 24,2% Vénusz=100% GFVSF 19 2,6% 18,2% 22,1% 31,8% Cleopátra=100% Vénusz=100% BFVSF 20 71,4% 47,4% Balatoni Rózsa=100% TFVRF&SF 21 29,2% 52,6% Desiree=100% RFVRF&SF 22 18,2% 55,1% Balatoni Rózsa=100%, Desiree=100% 50,6% 33,3% 59,1% 24,2% Katica=100% 42,4% 0,0%

79 GFVRF&SF 23 24,2% 46,8% Desiree=100% BFVRF&SF 24 31,8% 59,7% 38,2% Katica=100% TFVRF&BF 25 65,4% 50,0% Katica=100% RFVRF&BF 26 65,4% 42,4% Balatoni Rózsa=100%, Katica=100% Cleopátra=100% GFVRF&BF 27 37,2% 30,3% Balatoni rózsa=100% Katica=100% 78 40,9% 31,8% Balatoni Rózsa=100%, 47,0% 30,3% Vénusz=100% 1,5% 15,2% BFVRF&BF 28 66,7% 14,5% 57,6% TFVRF&RE 29 51,3% 45,5% 54,5% 53,0% Kánkán=100% Katica=100% RFVRF&RE 30 25,8% 35,9% 50,0% 21,2% Balatoni rózsa=100% Katica=100% GFVRF&RE 31 25,8% 27,3% 40,9% 12,1% Katica=100% BFVRF&RE 32 36,4% 50,6% 25,5% 51,5% TFVRE&SF 33 47,4% 50,6% 25,5% 50,0% Kánkán=100% RFVRE&SF 34 23,1% 55,1% 27,3% 30,3% Balatoni rózsa=100% GFVRE&SF 35 5,2% 45,5% 24,2% 16,7% BFVRE&SF 36 60,3% 49,4% 42,4% 33,3% TFVRE&BF 37 36,4% 48,5% Katica=100% 54,5% Vénusze=100% RFVRE&BF 38 43,6% 27,3% 19,7% Balatoni rózsa=100% GFVRE&BF 39 23,4% 27,3% 10,6% BFVRE&BF 40 41,6% 31,8% 40,9% TFVBF&SF 41 38,5% Cleopátra=100% RFVBF&SF 42 55,1% Balatoni rózsa=100% Desiree=100% GFVBF&SF 43 41,6% Desiree=100% 68,2% 25,8% 43,9% Kánkán=100% 34,8% 37,9% 27,3% Vénusze=100% BFVBF&SF 44 54,5% 60,6% 45,5% Kánkán=100% TFVRE&RF&BF 45 50,6% 47,0% Katica=100% 50,0% Vénusz=100% RFVRE&RF&BF 46 46,2% 43,9% 12,1% Balatoni rózsa=100% GFVRE&RF&BF 47 29,5% 24,2% 10,6% Balatoni rózsa=100% BFVRE&RF&BF 48 53,2% 22,7% 48,5% TFVRE&BF&SF 49 53,8% Desiree=100% 68,2% 45,5% Vénusz=100% RFVRE&BF&SF 50 57,7% 40,9% 27,3% Balatoni rózsa=100% GFVRE&BF&SF 51 49,4% 47,0% 19,7% BFVRE&BF&SF 52 49,4% 59,1% 42,4% Kánkán=100% TFVRE&RF&SF 53 46,2% Kánkán=100% 62,8% 54,5% Katica=100% 48,5% Vénusz=100% RFVRE&RF&SF 54 29,5% Balatoni rózsa=100%, Kánkán=100% GFVRE&RF&SF 55 37,7% Kánkán=100% 53,8% Balatoni rózsa=100% 45,5% Katica=100% 50,6% 33,3% Katica=100% 19,7% 15,2%

80 BFVRE&RF&SF 56 52,6% Kánkán=100% 62,3% 39,4% Katica=100% TFVRF&BF&SF 57 50,0% 66,7% Katica=100% RFVRF&BF&SF 58 56,4% 45,5% Balatoni rózsa=100% Katica=100% Desiree=100% GFVRF&BF&SF 59 44,2% 39,4% Katica=100% 53,0% 31,8% Vénusz=100% 0,0% 22,7% BFVRF&BF&SF 60 58,4% 59,1% 59,1% 14. TÁBLÁZAT A fajták évenkénti elkülöníthetőségének értékelése az SFD értékek és a tulajdonságok összefüggés vizsgálata alapján (t-próba) A 14. táblázat alapját képező táblázatok részletes adatai az elektronikus-mellékletben vannak feltüntetve. Megállapítható, hogy függetlenül a tulajdonságtól vagy a vizsgált színtértől nincs olyan eset, melyben a fajták elkülönítése teljes egészében megvalósulna. Minden évben van azonban olyan fajta, amely 100%-san elkülöníthető, de a fajták és tulajdonságaik évente változtak. Ugyanakkor az sem állapítható meg, hogy a különböző tulajdonságok és a színterek eredményeinek variációjával az elkülönítés nem lehetséges. A 16. gyakorisági táblázatban a vizsgált időszakokban a fajták egymással szembeni elkülönülését mutatom be a 4 tulajdonságra vonatkozóan. A táblázat átlója felett az elkülönült értékek darabszáma, míg az átló alatt az elkülönülés százalékos értéke látható (a halványlilával színezett értékek a legalább 50%-s elkülönülést jelentik). Ezt a százalékos értéket felfoghatjuk valószínűségi értékként, amely megmutatja egy éven belül milyen lesz a fajták egymással szembeni várható elkülönülése. A táblázatból az is kitűnik, hogy a fajták elkülöníthetőségéről csak egymáshoz viszonyítva van értelme beszélni. Vannak olyan párosítások (5 db) Balaton rózsa+démon, Góliát, Démon+Góliát, Luca XL, Hópehely+Luca XL - amelyek egyetlen egyszer sem különültek el egymástól. Találunk azonban olyan eseteket (4 db) Vénusz Gold+Cleopátra, Desiree, Lorett, White Lady+Lorett - amelyek minden időszakban elkülönültek. A táblázat utolsó 2 oszlopa azt mutatja, hogy az adott fajta hányszor különült el a 4 időszak összesítésében legalább 50%-ban 79

81 (darabban és százalékosan), narancssárgával jelölve az 50%-t el nem ért fajtákat, mely csak 2 esetben fordult elő (Katica, Luca XL). Ugyanezt az értéket rangsorolva az 15. táblázat jeleníti meg. Fajta db % Desiree 11 92% Lorett 11 92% Vénusz 11 92% Cleopatra 10 83% Kánkán 9 75% Balatoni Rózsa 8 67% Góliát 8 67% Rioja 8 67% White Lady 8 67% Démon 6 50% Hópehely 6 50% Katica 5 42% Luca 5 42% 15. TÁBLÁZAT A vizsgált időszakokban a fajták egymással szembeni elkülönülésének gyakorisági rangsora a 4 tulajdonságra vonatkozóan 80

82 Balatoni rózsa Cleopatra Desiree Démon Góliát Hópehely Katica Kánkán Lorett Luca Rioja Vénusz White Lady db % Balatoni rózsa % Cleopatra 67% % Desiree 50% 33% % Démon 0% 67% 50% % Góliát 0% 67% 50% 0% % Hópehely 50% 67% 75% 50% 50% % Katica 25% 67% 50% 25% 25% 25% % Kánkán 50% 67% 75% 25% 50% 25% 50% % Lorett 50% 33% 50% 50% 50% 50% 50% 50% % Luca 25% 67% 50% 0% 25% 0% 25% 25% 50% % Rioja 50% 67% 50% 25% 50% 25% 25% 75% 50% 50% % Vénusz 75% 100% 100% 75% 75% 25% 50% 75% 100% 50% 75% % White Lady 75% 100% 75% 50% 75% 0% 25% 75% 75% 25% 25% 75% 8 67% 16. TÁBLÁZAT A vizsgált időszakokban a fajták egymással szembeni elkülönülésének gyakorisági táblázata a 4 tulajdonságra vonatkozóan (darabban, és százalékosan)

83 Egy másik megközelítésben is készíthetünk rangsort, mégpedig ha a százalékos értékek átlagának rangsorát vizsgáljuk. (17. táblázat) Fajta % Vénusz 73% Cleopatra 67% Desiree 59% White Lady 56% Lorett 55% Kánkán 53% Rioja 47% Balatoni Rózsa 43% Góliát 43% Hópehely 37% Katica 37% Démon 35% Luca 33% 17. TÁBLÁZAT A vizsgált időszakokban a fajták elkülönülésének %-os értékek átlagának rangsora a 4 tulajdonságra vonatkozóan A két rangsor nagyon hasonló, és azt mutatja, hogy vannak olyan fajtáink melyek jó elkülönülő képességűek Vénusz, Desiree, Cleopátra, White Lady -, míg más fajták Démon, Hópehely, Katica, Luca XL ezzel a képességgel csekély mértékben rendelkeznek. Az összesített rangsort a keszthelyi fajták közül a Vénusz Gold vezeti (92%, 73%), egyedül a Hópehellyel szembeni elkülönülése alacsony értékű (25%). A többi fajta Balatoni rózsa, Góliát, Kánkán, Lorett, Rioja - elkülönülése átlagosnak mondható. Érdekes tény, hogy a Lorett és a Luca XL milyen karakteres elkülönülési képességet mutat, bár tudjuk, hogy genetikai szempontból édestestvérek. Hangsúlyozom ezek a rangsorok csak iránymutatást adnak a várható elkülöníthetőségre, de az igazi elkülönülést csak a fajták páronkénti vizsgálatával tudjuk meghatározni. Meg kell még jegyezni, hogy a módszer visszaellenőrzésére kettős vakpróba mellett két fajta azonosítását kíséreltem meg 2009 tavaszi időszakra vonatkozóan. A mintavételezés időpontja május elején volt. 82

84 Az egyik fajtát White Lady- sikerült azonosítani, míg a másik fajtát Démon nem, ami felhívta a figyelmet arra, hogy a felvételezések időpontját a fajtatulajdonságok figyelembe vételével kell megválasztani KLASZTER-ANALÍZIS Az irodalom áttanulmányozása után választottam ki a klaszter eljárásokból a nem-hierarchikus eljárást, a paraméterek közül (előzetes vizsgálatok eredményeként) a globális optimalizáció metódust, hasonlósági arány együtthatót (4), maximális klaszterszám (12-13 mérési időszaktól függően) és 10 ismétléses futási számot alkalmaztam. Az eljárásban használt értékek a mérési adatok átlagai voltak. Az eredmények a következők: Cluster SIMILARITY RATIO TFV RFV GFV BFV BRCV 22 0, , , ,03025 CLUSTER 1 Balatoni Balatoni Balatoni Balatoni CLUSTER 2 Cleopátra Desiree Cleopátra Cleopátra Cleopátra Desiree CLUSTER 3 Démon Desiree Desiree Démon CLUSTER 4 Góliát Démon Démon Góliát CLUSTER 5 Hópehely Góliát Góliát Hópehely CLUSTER 6 Katica Hópehely VénuszGold Hópehely LucaXL Katica CLUSTER 7 Kánkán Katica Katica Kánkán CLUSTER 8 Lorett Kánkán Kánkán Lorett CLUSTER 9 LucaXL Lorett Lorett LucaXL CLUSTER 10 Rioja LucaXL Rioja Rioja CLUSTER 11 VénuszGold Rioja VénuszGold VénuszGold CLUSTER 12 WhiteLady WhiteLady WhiteLady WhiteLady 18. TÁBLÁZAT A klaszterezés eredménye a 4 tulajdonság együttes értékelésekor (2007 őszi időszak) Cluster SIMILARITY RATIO TFV RFV GFV BFV BRCV 0,0733 0, , ,03872 Balatoni rózsa Balatoni rózsa CLUSTER 1 Góliát Balatoni Balatoni Góliát CLUSTER 2 Cleopátra Cleopátra Cleopátra Cleopátra 22 BRCV = Best Result Criteria Value 83

85 Hópehely CLUSTER 3 Démon Démon Démon Démon CLUSTER 4 Desiree Desiree Desiree Desiree CLUSTER 5 Hópehely Góliát Góliát Hópehely CLUSTER 6 Kánkán Hópehely Kánkán Kánkán Kánkán CLUSTER 7 LucaXL LucaXL LucaXL LucaXL CLUSTER 8 Rioja Rioja Rioja Rioja CLUSTER 9 Lorett Lorett Lorett Lorett CLUSTER 10 VénuszGold VénuszGold VénuszGold VénuszGold CLUSTER 11 WhiteLady WhiteLady WhiteLady WhiteLady CLUSTER 12 Cluster TÁBLÁZAT A klaszterezés eredménye a 4 tulajdonság együttes értékelésekor (2008 tavaszi időszak) SIMILARITY RATIO TFV RFV GFV BFV BRCV 0,0001 0, , ,00011 CLUSTER 1 Balatoni rózsa Balatoni rózsa Balatoni rózsa Balatoni rózsa Góliát CLUSTER 2 Cleopátra Cleopátra Cleopátra Cleopátra Desiree Desiree CLUSTER 3 Démon Desiree Kánkán Desiree CLUSTER 4 Góliát Démon Démon Démon CLUSTER 5 Hópehely Góliát Góliát Hópehely CLUSTER 6 Kánkán Hópehely Hópehely Katica CLUSTER 7 Katica Katica Katica Kánkán CLUSTER 8 Lorett Kánkán Rioja Lorett Lorett CLUSTER 9 LucaXL Lorett LucaXL LucaXL CLUSTER 10 Rioja LucaXL Rioja Rioja CLUSTER 11 VénuszGold VénuszGold VénuszGold VénuszGold CLUSTER 12 WhiteLady WhiteLady WhiteLady WhiteLady CLUSTER TÁBLÁZAT A klaszterezés eredménye a 4 tulajdonság együttes értékelésekor (2008 őszi időszak) Cluster SIMILARITY RATIO TFV RFV GFV BFV BRCV 0,03 0, , ,01288 Balatoni rózsa CLUSTER 1 Balatoni rózsa Balatoni rózsa Balatoni Démon CLUSTER 2 Démon Katica Démon 84 Démon Katica Desiree

86 CLUSTER 3 Desiree Desiree Desiree Góliát CLUSTER 4 Góliát Góliát Góliát Hópehely CLUSTER 5 Hópehely Hópehely Hópehely Kánkán CLUSTER 6 Kánkán Kánkán Kánkán Katica CLUSTER 7 Lorett Katica Lorett Lorett CLUSTER 8 LucaXL Lorett LucaXL LucaXL CLUSTER 9 Rioja LucaXL Rioja Rioja Rioja CLUSTER 10 VénuszGold VénuszGold VénuszGold VénuszGold CLUSTER 11 WhiteLady WhiteLady WhiteLady WhiteLady CLUSTER TÁBLÁZAT A klaszterezés eredménye a 4 tulajdonság együttes értékelésekor (2009 tavaszi időszak) A táblázatok értékelésénél figyelemmel kell lennünk a BRCV 23 értékének nagyságára, amely tulajdonképpen a számítások során kapott legjobb hasonlósági arány koefficiens értéke. Ez az érték [0,1] intervallumba esik, és 1 jelöli a teljes egyezést. [22.]. Ezt az értéket százalékosan is kifejezhetjük, így jellemezve a fajták közötti hasonlóság mértékét. Az elkülönülés mértéke ((1-BRCV)*100) minden időszakra és értékre magasabb 90%-nál. A 2008 őszi időszak esetén még ezt is jóval meghaladta 99% feletti. Miután a mérési adatok átlagaival történt az elemzés, így ezek a magas értékek torzítást tartalmaznak, minden bizonnyal nem ilyen magas fokú a tényleges elkülönülés. Ezt figyelembe véve is megállapítható, hogy a fajták elkülönítése minden évben megtörtént és a totál érték (TFV) és egy másik szintér adatainak összevetésével az elkülönítés teljes lesz ORDINÁCIÓ FŐKOMPONENS ANALÍZIS Az elkülönülés szemléltetésére bemutatom a több dimenziós eredmények síkbeli ábrázolását leképező módszer (Eigen-analízis) eredményeként az adatokat ábrázoló szóródási diagrammokat ( ábrák). A diagramokon a vízszintes tengely a Főkomponens analízis (PCA) eredményeként meghatározott a héjszínt képviselő értékeket xre, míg a függőleges tengely a további három komponens együttes értékét 23 Best Result Criteria Value = legjobb számított határérték 85

87 képviselő értékeket yrfbfsf jelöli. A főkomponens analízist a nemhierarchikus klaszter analízissel történő összehasoníthatóság okán - szintén a mérési adatok átlagával végeztem el. A Scatter-diagramok jól illusztrálják a fajták elkülöníthetőségét. Egyrészt arról ad információt, hogy az egyes fajták páronként milyen mértékben különölnek el, ezt az őket összekötő egyenes hosszával jellemezhetjük. Ha ezeket az értékeket összevetjük a szignifikancia vizsgálatok eredményeivel, megállapíthatjuk, hogy az eredmények inkább egymást erősítő hatását tapasztalhatjuk. Másrészt csoportokat képezhetünk a diagramon való elhelyezkedésük és egymáshoz viszonyított helyzetük alapján, mellyel későbbiekben hasonlóságot, különbözőséget állapíthatunk meg. Érdemes elgondolkodni az olyan eseteknél, amikor az adott fajták azonos x értéket, vagy y értéket vesznek fel. 16. ÁBRA 61 A 4 tulajdonság SFD átlagainak szóródási diagramja (2007 év őszi időszak) 86

88 17. ÁBRA 62 A 4 tulajdonság SFD átlagainak szóródási diagramja (2008 év tavaszi időszak) 18. ÁBRA 63 A 4 tulajdonság SFD átlagainak szóródási diagramja (2008 év őszi időszak) 87

89 19. ÁBRA 64 A 4 tulajdonság SFD átlagainak szóródási diagramja Katica és Vénusz gold fajták nélkül(2008 év őszi időszak) 20. ÁBRA 65 A 4 tulajdonság SFD átlagainak szóródási diagramja (2009 év tavaszi időszak) 88

90 A főkomponens analízist végeztem a mért értékeken is 2009 év tavaszi időszakra. A számított Eigen-értékek százalékosan kifejezve rendre a következők: héjszín 33,02%, nyershússzín 27,66%, főtt hússzín 20,75%, szürkült hússzín 18,57%. Ezek az értékek az egyes tulajdonságok súlyának felel meg az elkülönülés részvételében. Az eredményt a 21. ábra jeleníti meg. Az x és y tengelyeken a négytulajdonságból képzett új változók, komponensek értékei szerepelnek. Értelemszerűen x-nek tekinthetjük a héjszín+nyers hússzínt, míg y-nak a főtt hússzín+szürkült hússzínt. A diagramon első ránézésre nem különíthetők el a fajták. Őszintén szólva az eddigi eredmények tükrében ezt nem is vártam. Itt is alkalmazhatjuk azonban a fajták párosított vizsgálatát, mint a t-próbák esetén. A t-próbák eredményeként a legjobb elkülönülést a Vénusz Gold, míg a legrosszabb elkülönülést a Luca XL fajta mutatta. A Vénusz Gold a párosított t-próbák alapján (lásd 15. táblázat) a legtöbb fajtától magas szinten különül el, legjobban a Cleopátra, Desiree, Balatoni rózsa, míg legrosszabbul a Hópehelytől Balatoni rózsa Desiree Démon Góliát Hópehely Katica Kánkán Lorett Luca XL Rioja Vénusz gold White Lady 21. ÁBRA A 4 tulajdonság SFD értékeinek szóródási diagramja valamennyi fajtára (2009 év tavaszi időszak) 89

91 A 2009 tavaszi időszakban a Vénusz Gold mindegyik fajtától elkülönült, kivétel a White Lady. Ennek szemléltetéseként bemutatom a Vénusz Gold - Balatoni rózsa (22. ábra) és a Vénusz Gold White Lady scattergramját (a többi diagram a mellékletben található ábrák) p VG-BR =0,56E Vénusz Gold Balatoni rózsa 22. ÁBRA A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz Gold Balatoni rózsa fajtákra (2009 év tavaszi időszak) p VG-WL =0, Vénusz gold White Lady 23. ÁBRA A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz Gold White Lady fajtákra (2009 év tavaszi időszak) 90

92 A legrosszabbul elkülönülő fajtának a 4 időszakra vonatkozóan a Luca XL bizonyult. A 2009 tavaszi időszakra nézve a Vénusz Gold esetén, mint elkülönülő fajta a 24. ábra, míg a Kánkán, mint a legrosszabbul elkülönülő fajta 25. ábra mutatja az elkülönülést p VG-LXL =0,11E Vénusz Gold Luca XL 24. ÁBRA A 4 tulajdonság SFD értékeinek szóródási diagramja Vénusz Gold Luca XL fajtákra (2009 év tavaszi időszak) p LXL-Ká =0, Y 50 X Luca XL Kánkán 25. ÁBRA A 4 tulajdonság SFD értékeinek szóródási diagramja Luca XL - Kánkán fajtákra (2009 év tavaszi időszak) 91

93 A diagramokon feltüntetett pf1-f2 érték a t-próba során számított érték az adott fajtákra vonatkozóan. A 23. ábra és 24. ábra különbözősége jól mutatja az elkülönülés jellegét, teljesen elkülönülő halmazoktól, a teljesen egymást fedő halmazokig minden változat megtalálható. Megállapítható, hogy a főkomponens analízis (PCA) eredményei összhangban vannak a t-próba eredményeivel. Ennél fogva kijelenthető, hogy a célul kitűzött feladat megvalósítható. A vizsgálati időszakok számának növekedésével, és az alkalmazott módszerek finomításával több és pontosabb mérési adatok állhatnak rendelkezésünkre, melynek eredményeképpen eljuthatunk egészen a gyakorlati alkalmazhatóságig (pl. jogtalan fajtahasználat kiderítése). Ehhez a vizsgálatokat tovább kell folytatni. Mindenesetre az bizonyos, hogy a kutatói munkában jelen dolgozatban foglaltak jól hasznosíthatóak A BB UU RR GG OO NN YY AA NN EEM EE SS Í TT ÉÉ SS I NN FF OO RRM AA TT I KK AA I RR EE NN DD SS ZZ EE RR EE Jelen informatikai rendszer létrehozását az indokolja, hogy a PE Burgonyakutatási Központjában a nemesítéssel kapcsolatos adatok nyilvántartása, hagyományos módon, nemesítési naplókban, a kísérleti adatok egy része már Excel táblázatokban van rögzítve. Ezek a tárolási módok a kutatók számára azonban nehézkessé teszik az adatok közötti implicit összefüggések gyors feltárását. A nemesítési munka során sok olyan kérdés merül fel, amely a ma használatos korszerű adattárolásokkal, könnyen s nagy gyorsasággal megválaszolható. Az informatikai rendszer KeSoTu 24 - célja a nemesítési munka során keletkező adatok (pedigré, genotípus tulajdonságok, termesztési adatok, kísérleti adatok, stb.) relációs adatbázisban történő tárolása, a felhasználói igényeket kielégítő lekérdezések elkészítése. További cél a 24 Keszthely Solanum tuberosum 92

94 mérés, kiértékelés eredményeként keletkező adatok adatbázisban történő közvetlen tárolása 25. Az adatbázisban szereplő tulajdonságok kiválasztásának szempontjait részben az OMMI (Rátkai et al., 2004)[20.] fajta leírása adta, részben pedig a keszthelyi nemesítők szempontjai határozták meg. Az adatbázisban szereplő értékek szintén ebből a forrásból, illetve a keszthelyi fajták esetén a Burgonyakutató Központ nemesítési naplóiból, illetve kiadványából származnak. A képek forrása az internet, de a keszthelyi fajták esetén saját készítésűek. Cél olyan adatbázis építése, mely lehetőséget ad, elsősorban a burgonyanemesítőknek az egyes fajták tulajdonságainak rögzítésére, megjelenítésére (értékek, képek), tulajdonság szerinti csoportosításra, kiválasztásra. Az adatbázis relációs modelljét az 28 ábra és a 29. ábra szemlélteti. (Siki, 1995)[35.], (Tímár et al., 2007)[47.], (Ullman et al., 2008)[59.], (Demeter, 1999)[69.] Az informatikai rendszer MS VisualStudio (VS) 2005 fejlesztői környezetben került megírásra. (Novák et. al., 2002)[46.], (Demeter, 2008)[62.], (Campbell et al., 2005)[63.], Power et al., 2007[64.], Foxall, 2007[65.], [67.] (Holzner, 2002)[68.] Az adatbázis MS SQL Express Serveren érhető el (Wynkoop, 2002)[45.], ezzel biztosítva a több felhasználós elérési lehetőséget. A felhasználói felületet a VS eszközrendszere biztosítja (Menus&Toolbars, Containers, Common Controls). Külön említést érdemel az adatkezelés eszköztára (Data Toolbox), melynek komponensei (Dataset, DataGridView, BindingSource, BindingNavigator), képezik az alkalmazás működésének alapját. 25 A doktori disszertációnak nem célja a teljes körű informatikai rendszer megalkotása. Ez egy hosszabb fejlesztői munka eredménye lehet. 93

95 A KESOTU PROGRAM FELÉPÍTÉSE A program 3 főrészből áll: 1. Fajta és genotípus tulajdonságok, az ehhez kapcsolódó adatok kezelése a. Genotípus adatok: ebben a modulban lehet a fajták és genotípusok tulajdonságait rögzíteni, módosítani, megtekinteni (21. ábra) 26. ÁBRA Genotípus törzsadatok beviteli képernyő b. Tulajdonság alapadatok: a fajtákhoz kapcsolódó tulajdonságok, kategóriák a hazai és nemzetközi szakirodalomban elfogadott értékek karbantartása történik ebben a részben. A tulajdonságok 3 csoportba lettek besorolva az alábbiak szerint. 94

96 c. Termőképesség és gumójellemzők (22. ábra) 27. ÁBRA Termőképesség és gumójellemzők beviteli képernyő 95

97 d. Ellenállóság Betegségek (23. ábra) 28. ÁBRA Ellenállóság Betegségek beviteli képernyő 96

98 e. Felhasználási érték (24. ábra) 29. ÁBRA Felhasználási érték beviteli képernyő 2. Nemesítési naplóhoz kapcsolódó adatok kezelése a. Minta: a burgonyagumó állapot megnevezései b. Ültetési célok: a fajták/genotípusok kísérleti időszakon belüli ültetési céljainak megnevezései c. Ültetések: az adott évben az egyes fajták/genotípusok ültetési adatainak rögzítése, karbantartása d. Minősítési időszak: őszi vagy tavaszi e. Bírálatok: a minősítési időszaknak megfelelő bírálati adatok rögzítése, karbantartása 97

99 3. Különféle lekérdezések (25. ábra) (Hernandez, 2009)[57.] (Czenky, 2005)[58.] (Celko, 2002)[60.] (Celko, 2003)[61.] a. Fajta/genotípus rosta-szita (geroszi): ebben a modulban jelenleg- 8 tulajdonság egymástól független és egymástól függő szűrése végezhető el. A szűrési alapvariációk száma 2 8 =256. Az összes variációk száma az alapvariáció és a tulajdonságok értékeinek szorzata, mely így es nagyságrendű. 30. ÁBRA Fajta/genotípus rosta-szita (geroszi) lekérdezés képernyő A képernyőn megjelenő lista, paraméteres lekérdezés eredménye. A paraméter értékeinek beállítását - rosta~/szitaszövés - a képernyőn az egyes tulajdonságok mellé rendelt szűrések be/kikapcsolásával, illetve a tulajdonságértékek kiválasztásával érhetjük el. Az alábbi kódrészlet a geroszi működését szemlélteti: a választás memóriaváltozó egy 8 karakteres string, mely az aktuális szűrési állapotot prezentálja. 98

100 Select Case választás Case " " Héjszín+Hússzín+Tenyészidő Me.FajtákTableAdapter.FB_HéjHúsTenyészidő(Me.KeSoTuDataS et.fajták, CB_Héjszín.SelectedValue, CB_Hússzín.SelectedValue, CB_Tenyészidő.SelectedValue) End Select A CB_Héjszín.SelectedValue, CB_Hússzín.SelectedValue, CB_Tenyészidő.SelectedValue legördülő listaelemek (combobox) aktuális értékei adódnak át paraméterként az FB_HéjHúsTenyészidő SQL-lekérdezésnek. A teljes utasítás a következő: SELECT Anya, Apa, F1, F2, FJ_azon, Fajtanév, [Főzési típus], Gr, Gumóforma, Gumóméret, Hajlam, Héjszín, Hússzín, Keményítő, Ko, Lb, Mech_tk, Megjegyzés, Piacosság, Rezisztencia, SFD_chips, SFD_fél, SFD_fél_főtt, SFD_fél_ny, SFD_gumó, Stab, Struk, SzüFőtt, SzüNy, Tenyészidő, Termés, Tárolhatóság, Törzsszám, Virágszín, VÉ_termés, betakarítás, kép_bokor, kép_bokoralj, kép_chips, kép_egész, kép_fél, kép_fél_főtt, kép_fél_ny, kép_kosár, kép_láda, kép_szf, kép_virág, m_év, Éip, Íz, ültetés FROM Fajták WHERE (Héjszín AND (Hússzín AND (Tenyészidő 99

101 A szűrés eredményét a 26. ábra mutatja: 31. ÁBRA Szűrési paraméterek beállítása után megjelenő eredmény képernyő b. Családfa: a családfa különféle szintjén elhelyezkedő családtagok rokoni kapcsolatai tárhatók fel. Jelenleg a szülő-gyerek kapcsolat készült el. Az 27. ábra az NDK 71.17/6N+B apa gyermekeinek tulajdonságait mutatja. A modul a szűrőfeltételek beállításától függően alkalmas anyai leszármazottak, apai leszármazottak, és közös leszármazottak megjelenítésére. 100

102 32. ÁBRA Szűrési paraméterek beállítása után megjelenő eredmény képernyő A burgonya nemesítés informatikai rendszere, mint keretrendszer alapvetően késznek mondható, bár a tesztelési fázis még nem fejeződött be. Miután moduláris felépítésű, így a kutatók igényeinek megfelelően bővíthető. Az elmúlt évek nemesítési adatainak rögzítése az elkövetkező időszakban történik meg. Fejlesztési lehetőségként kínálkozik a nyilvános adatok publikálása az Interneten. 101