CC BY
11Вестник фармации №2 (72) 2016 SUMMARY
N. S. Fursa, G. N. Buzuk, N. A. Kuzmichova, A. S. Gorkova, Y. A. Konovalova STUDY OF PHENOLIC COMPOUNDS OF CHAMAEDAPHNE CALYCULATA LEAVES AND FLOWERS BY HPLC METHOD
As a result of HPLC analysis of Chamaedaphne calyculata leaves and flowers it was revealed, that phenolic compounds were represented mostly by hydroxycinnamic and hydroxybenzoic acids and significantly less by flavonoids, coumarins and phenolic glycosides. Each analyzed organ was characterized by its individual composition and amount of particular compounds. In leaves cinnamic, chlorogenic, neochlorogenic and p-anisic acids, dicoumarin, luteolin-7-glucoside prevailed; in flowers - o-coumaric and feru-lic acids, epigallocatechin gallate, coumarin, luteolin-7-glucoside.
Keywords: Chamaedaphne calyculata, phenolic compounds, leaves, flowers, HPLC.
ЛИТЕРАТУРА
1. Мазнев, Н. И. Высокоэффективные лекарственные растения. Большая энциклопедия / Н. И. Мазнев. - М.: Эксмо, 2012. - 608 с.
2. Биологическая активность видов семейства Ericaceae флоры Сибири и Дальнего Востока / М. В. Белоусов [и др.] // Растит. ресурсы. - 2006. - Т. 42, № 2. - C. 90-101.
3. Созинов, О. В. Ценопопуляция мирта болотного (Chamaedaphne calyculata
(L.) Moehch): взаимосвязь морфологии, фитохимического состава листьев и факторов среды / О. В. Созинов, Г. Н. Бузук, Н. А. Кузьмичева // Вестник фармации. -2009. - № 3 (45). - С. 1-10.
4. Шелюто, В. Л. Гвайаверин из Chamaedaphne calyculata / В. Л. Шелюто, В. И. Глызин // Химия природ. соед. -1975. - № 4. - С. 515.
5. Шелюто, В. Л. Флавоноиды Chamaedaphne calyculata / В. Л. Шелюто, В. И. Глызин, Т. А. Сафронова // Химия природ. соед. - 1973. - № 5. - С. 669.
6. Содержание арбутина в сибирско-дальневосточных видах сем. Ericaceae / М. В. Белоусов [и др.] // Растит. ресурсы. - 1992. - Т. 28, № 4. - C. 53-55.
7. Свободные фенолкарбоновые кислоты видов сем. Ericaceae / М. В. Белоусов [и др.] // Растит. ресурсы. - 1999. - Т. 35, № 3. - C. 74-81.
8. Таланов, А. А. Фармакогности-ческое изучение голубики болотной (Vaccinium uliginosum (L.): дис. ... канд. фармац. наук / А. А. Таланов. - Ярославль, 2013. - 176 с.
Адрес для корреспонденции:
210023, Республика Беларусь, г. Витебск, пр. Фрунзе, 27, УО «Витебский государственный ордена Дружбы народов медицинский университет», кафедра фармакогнозии c курсом ФПК и ПК, тел. раб.: 8(0212) 37-09-29, Бузук Г. Н.
Поступила 18.05.2015 г.
Г. Н. Бузук
ГРИДИНГ В БОТАНИЧЕСКОМ РЕСУРСОВЕДЕНИИ: МОДЕЛЬНЫЙ ЭКСПЕРИМЕНТ И МЕТОДИКА
Витебский государственный ордена Дружбы народов медицинский университет
Предложена методика определения продуктивности растений, в том числе лекарственных, с помощью компьютерного моделирования с применением геостатистического метода кригинга в сочетании со средствами анализа изображений. Методика основана на построении поверхности отклика на основе параметров растительности в ограниченном числе точек методом геостатической интерполяции с последующей оценкой полученной поверхности после фрагментации средствами анализа изображений.
Ключевые слова: проективное покрытие, гридинг, кригинг, лекарственные растения, лекарственное растительное сырье, растительный покров, континуум.
ВВЕДЕНИЕ
Определение продуктивности растений, в том числе лекарственных, в естественных местах произрастания в настоящее время в основном проводится методом учетных площадок (УП). Его суть заключается в заложении на пробной площади (1111) учетных площадок размером 0,5-10 м2 различной формы (квадратной, прямоугольной или круглой) с последующим определением на них всей фитомассы или же массы определенных частей или органов исследуемых растений (лекарственного растительного сырья). Определение фи-томассы осуществляется непосредственно (метод учетных площадок) или косвенно через определение на У1 проективного покрытия (метод проективного покрытия) или числа особей (побегов или др. счетных единиц) - метод модельных экземпляров [1, 2].
Важным моментом определения урожайности лекарственного растительного сырья (ЛРС) является точность, с которой она определяется. Определение точности в полевых условиях весьма проблематично, поскольку исходная урожайность может быть точно установлена лишь при заготовке всего исследуемого вида в пределах ПП. На практике обычно ограничиваются статистической оценкой выборки УП, в большей или меньшей мере покрывающих определенную площадь ПП [1, 2].
При компьютерном моделировании нами была обнаружена общая тенденция уменьшения ошибки (то есть, повышение точности) при увеличении числа и размера УП и особенно проективного покрытия на ПП [3].
Что касается определения площади зарослей, то она сводится к приравниванию контура заросли к какой-либо подходящей геометрической фигуре (квадрату, прямоугольнику, трапеции, кругу и т.п.) с последующим расчетом ее площади после физического измерения необходимых параметров (длины, ширины, диаметра). Проведенные нами исследования позволили предложить способы повышения точности определения площади зарослей, основанные на использовании линий точек и линий пересечения [4].
Однако их применимость ограничена случаями, когда пятна (синузии) исследуемых видов четко ограничены. В ряде случаев из-за диффузного характера распределения видов в сообществах вследствие континуума растительного покрова границы контура однозначно определить затруднительно.
Растительный континуум - свойство растительности существовать в виде непрерывного покрова. Он проявляется в постепенном переходе растительных сообществ друг в друга при постепенном изменении условий внешней среды. Непрерывность растительного покрова является универсальным явлением. В связи с этим любые параметры, определяемые при характеристике растительного покрова в определенных точках или УП (проективное покрытие, биомасса и др.), представляют собой пространственные переменные.
В каждой точке или области растительного покрова с координатами х, у значение пространственной переменной г принимает конкретное значение. В общем случае в каждой точке или области (УП) могут быть измерены несколько величин, характеризующие не только растительный покров, но и условия местообитания (кислотность и богатство почвы элементами минерального питания, содержание гумуса и толщина гумусового слоя, влажность почвы и т.д.).
Значения пространственной переменной измеряют в пределах объектов конечных размеров по какой-либо сети.
Геометрия сети наблюдений характеризуется формой, расположением и плотностью сети. Сеть может быть одномерная - вдоль линии, двухмерная - по площади и трехмерная - в объеме.
Наблюдения могут размещаться по равномерной, кратной или неравномерной сети. Равномерная сеть характеризуется постоянным шагом h - равным расстоянием между пунктами наблюдений. В двухмерной сети имеется два постоянных шага М и h2, которые образуют ячейку сети площадью ^ = h1h2. Если М = h2, то сеть квадратная. Трехмерная сеть имеет три постоянных шага h2, h3, образующих ячейку объемом V = h1h2h3. У кратной сети расстояния между пунктами наблю-
дений непостоянные, но кратные шагу h.
Плотность сети - количество наблюдений на единицу длины, площади или объема объекта. Если сеть наблюдений отличается от равномерной, то можно говорить о средней плотности сети. Сеть может быть и неравномерной, что достаточно часто встречается на практике.
Для перехода от неравномерного распределения точек исходных данных к равномерному распределению в узлах сети (grid) применяют гридинг (griding). Цель гридинга - определение значений в узлах заданной правильной сети. Это метод интерполяции, который определяет неизвестные значения по данным ограниченного числа наблюдений с известным положением. Метод использует вариограммы, чтобы передать пространственные изменения, и минимизирует ошибки определяемых значений, которые оцениваются пространственным распределением оцениваемых значений. Вариограмма - это график, показывающий изменчивость параметра по мере увеличения расстояния между точками, который служит для описания пространственной корреляционной структуры данных.
Гридинг включает ряд последовательных операций: а) расчет эмпирической вариограммы по экспериментальным данным; б) аппроксимацию эмпирической ва-риограммы теоретической вариограммой (алгебраической функцией); в) составление системы уравнений гридинга на основе теоретической вариограммы, называемой моделью, и собственно сам расчет [5-9].
Предложены различные варианты гридинга, в том числе метод взвешенных обратных расстояний (inverse distance weighting), тонкий сплайн (thin-plate spline), мультиквадратичный (multiquadric), кри-гинг (kriging) [7-8].
Зная значения параметров в каждой элементарной точке или ячейке после гридинга, можно определить (прогнозировать) параметры растительности, в том числе лекарственного растительного сырья в заданной области или диапазоне, суммировав параметры элементарных ячеек или построив контурное или объемное изображение исследованной территории.
Целью настоящей работы является разработка методики определения запасов ЛРС с использованием одного из методов гридинга, а именно кригинга.
Научные публикации МАТЕРИАЛЫ И МЕТОДЫ
Для оценки возможности применения кригинга при определении продуктивности лекарственных растений использовали компьютерное моделирование в программах Imagej, Past и Matlab.
В среде Imagej (http://rsbweb.nih.gov/ij) и Matlab были созданы цветные и черно-белые изображения зарослей растений с размером матрицы 100 х 100 пикселей (рисунки 1, 2).
Изображение состоит из квадратиков (пикселей), которые хорошо просматриваются при увеличении изображения, особенно черно-белого (рисунок 2) и могут служить аналогом УП. Заросль растений может быть представлена как состоящая из плотно прилегающих друг к другу УП, например, метровок, с определенными параметрами, в качестве которых могут выступать проективное покрытие, биомасса, средняя высота, диаметр или площадь поперечного сечения стебля, объем особи и др. или матрицы (таблицы), в ячейках или клетках которых содержатся определяемые параметры.
Задача заключается в определении проективного покрытия, биомассы или других исследуемых параметров заросли путем оценки ограниченного количества УП в пределах ПП или выдела, в нашем случае модельного изображения.
Для этого на изображение (ПП) накладывали сеть из точек, в узлах которой фиксировали координаты [x или lon (долгота), y или lat (широта)], а также параметры пикселей (УП) - проективное покрытие, биомасса или др. (z). В итоге получали матрицу, состоящую из трех столбцов, при этом первые два столбца содержат координаты УП на ПП, третий - значение определяемого параметра.
Кригинг проводили в программе Past (folk.uio.no/ohammer/past/). После открытия программы в нее вводили упомянутую выше матрицу данных, состоящую из трех столбцов (х, у, z), затем Menu ^ Geometry ^ Points with z-values (2D+z) ^ Gridding. В открывшемся окне отмечали Kriging и Cross-validate, затем Compute. После завершения расчета, отмечали Menu ^ Plot ^ Crop to points и копировали матрицу в буфер Menu ^ Numbers ^ Copy. Скопированная матрица, размером 101 х 101, содержит в первом столбце и первой строке
100 90 80 70 60 50 40 30 20 10
10 20 30 40 50 60 70 80 ЭО 100 Рисунок 1 - Исходное модельное изображение 1111 с растительностью
Рисунок 2 - Исходное изображение (черно-белый вариант) и фрагмент в низком разрешении
координаты, в остальной части - результаты кригинга. Можно посмотреть графическое представление результатов кригинга Menu ^ Plot или кросс-валидации Menu ^ Cross validation, или поэкспериментировать, подбирая наилучшую вариограмму Menu ^ Semivariogram ^ Compute, оценивая ее по величине Mean squared error (MSE).
У скопированной матрицы с результатами кригинга удаляли первую колонку и первую строку, содержащие координаты, а
также все строки и колонки матрицы с нулями, заменяли запятую в дробной части чисел на точку и сохраняли в виде текстового файла с разделителем Tab.
Дальнейшую обработку проводили с помощью программы Imagej (http:// rsbweb.nih.gov/ij). После открытия программы осуществляли загрузку сохранённого с результатами кригинга файла данных. Menu ^ File ^ Import ^ Text Image. Перед загрузкой файла снимали опцию Menu ^ Edit ^ Options ^ Conversions ^
Scale when converting. В противном случае при загрузке будет происходить шкалирование данных матрицы кригинга в диапазоне 0-255 (проективное покрытие может быть более 100%, что невозможно по определению).
Затем проводили оценку результатов кригинга. Для этого в Menu ^ Analyze ^ Set Measurements отмечают Area, Standard deviation, Min&Max grey value, Integrated density, Mean grey value, Modal grey value, Median, Area fraction, Limit to threshold (обязательно!). После приступали непосредственно к измерениям. Menu ^ Image ^ Adjust ^ Threshold. В открывшемся дополнительном окне выбирали необходимый диапазон значений параметра в матрице кригинга (z) или нажав Set вводили конкретные значения. Далее Ctrl-M (быстрый доступ) или Analyse ^ Measure. В результате выводится таблица с результатами расчетов. Повторяя эту процедуру и последовательно выделяя диапазоны области, можно получить послойные результаты, например, срез продуктивности для конкретной территории или ПП.
Расчеты могут быть ускорены применением макроса:
run("Conversions...", " "); run("Text Image... ", "open=[D:\\Images\\ Betula 2009\\tcolpp4\\Ppast.txt]"); run("Set Measurements...", "area mean modal median min integrated area_fraction limit redirect=None decimal=3"); rename("IsoPhot");
min=newArray (1,6,11,21,31,41,51,61,71, 81,91);
max=newArray (5,10,20,30,40,50,60,70,80, 90,100);
for (i=0;i<11;i++) { selectWindow("IsoPhot"); run("Duplicate...", " "); selectWindow("IsoPhot-1"); setThreshold(min[i], max[i]); run("Measure");
close(); }
selectWindow("IsoPhot");
В макросе во второй строке указывали путь к файлу с результатами кригинга: [D:\\Images\\Betula 2009\\tcolpp4\\Ppast. txt]. Переменные min и max содержат вектор верхних и нижних значений для расчета слоев. Они могут редактироваться по необходимости. Полученные результаты расчетов приведены в таблице 1.
Эффективность процедуры кригинга определяли по величине коэффициента корреляции между матрицами исходного изображения и после кригинга.
РЕЗУЛЬТАТЫ И ОБСУЖДЕНИЕ
Полученные данные о влиянии количества УП на ПП на корреляцию матриц исходного изображения и после кригинга представлены на рисунке 3.
Как видно из данных, представленных на рисунке 3, значение коэффициента корреляции резко увеличивается до 100 точек (точка соответствует УП), а затем выходит
MinThr MaxThr Area IntDen Mean Median Mode Min Max %Area
1 5 632 1752 2,8 2,6 1,0 1,0 5,0 6,32
6 10 383 3056 8,0 7,9 6,1 6,1 10,0 3,83
11 20 649 9927 15,3 15,1 11,0 11,0 20,0 6,49
21 30 853 21807 25,6 25,5 21,0 21,0 30,0 8,53
31 40 1017 36246 35,6 35,7 31,0 31,0 40,0 10,17
41 50 1026 46484 45,3 45,1 41,0 41,0 50,0 10,26
51 60 485 26561 54,8 54,4 51,0 51,0 60,0 4,85
61 70 172 11156 64,9 64,5 61,0 61,0 69,9 1,72
71 80 9 644 71,6 71,5 71,1 71,1 72,6 0,09
81 90 0 0 0,0 0,0 0,0 0,0 0,0 0
91 100 0 0 0,0 0,0 0,0 0,0 0,0 0
Сумма 5226 52,26
Обозначения: MinThr и MaxThr, Min и Max - заданные и найденные нижние и верхние значения слоев, Area - площадь слоя, %Area - относительная площадь слоя, IntDen - сумма значений параметра по слоям и их среднее (Mean), медиана ( Median) и мода (Mode).
Таблица 1 - Сводная таблица статистических данных по ПП
Рисунок 3 - Зависимость коэффициента корреляции между матрицами исходного изображения и после кригинга и числом точек (числом УП в сети) на 1111
практически на плато. Отсюда следует, что процедура кригинга достаточно эффективна, поскольку позволяет определять параметры 1111 посредством оценки показателей, измеренных примерно на 1% площади 1111 (ПП, как это отмечалось ранее, состоит из 100 х 100 = 10 000 У1).
Зависимость коэффициента корреляции от числа точек (рисунок 3) хорошо аппроксимируется функцией Михаэлис-Ментен:
y = a . x /(b + x) = Michaelis-Menten
a b R2 AIC RMSE
0,953844 5,60347 0,99 0,39 0,030
Таким образом, проведенные модельные эксперименты показали достаточно высокую эффективность процедуры кригинга.
В полевых условиях методика может быть реализована в следующих вариантах. Первый предусматривает оценку значительных по площади территорий и включает использование GPS. Первоначально с использованием программы Ozi-explorer и Grid (http://www.oziexplorer3. com/) на космоснимок исследуемой территории наносят регулярную сеть из точек (рисунок 4).
Полученные точки загружают в GPS-навигатор. Затем, уже в полевых условиях, следуя от точки к точке, определяют интересующий показатель, например, проективное покрытие. Его определяют глазомерно или же делают по фотографиям растительности [10-12]. В этом плане хорошо зарекомендовала себя навигационная программа Locus Pro под Android (при выходе на точку возможна привязка фото к координатам точки). Затем в условиях лаборатории по фотографиям растительности определяют проективное покрытие исследуемого вида или видов, проводят кригинг, а затем, имея калибровку с использованием функции Weibull [13-15], проводят окончательный расчет продуктивности. По данным матрицы кригинга можно построить контурные изображения продуктивности (рисунок 5), которые могут быть легко откалиброваны с помощью программы Oziexplorer и « врезаны» в соответствующие карты (Генштаб, Google Satelite, OpenCycleMap и др.) для последующего использования в навигаторах, навигационных программах и ГИС.
Второй вариант применим для небольшой территории, например, при изучении зарослей редких или инвазионных видов растений. Сначала с помощью GPS дела-
ется точка привязки. От точки привязки с помощью шнура или лазера строго на север и восток отмечают направление (аналог широты и долготы). Затем, следуя по участку вдоль или поперек отмеченных направлений, через равные интервалы от них проводят определение интересующего показателя, например, проективного покрытия. Можно также измерять расстояние от точки привязки и угол от линии направления. В зависимости от удобства используют полярные или декартовы коор-
динаты или проводят их трансформацию. В конечном итоге получают локальные координаты (^у) и значение исследуемого параметра (г). Полученные данные обрабатывают, как описано выше.
Третий вариант может быть реализован как экспрессный с целью снижения затрат времени и труда. Через ПП или выдел прокладывают 6-10 параллельных равноудаленных линий пересечения, следуя по которым по азимуту или GPS-навигатору через равные интервалы (5-
Рисунок 4 - Космоснимок участка территории с нанесенной сетью точек
Рисунок 5 - Контурное изображение после кригинга по 100 (10 х 10) точкам исходного изображения (рисунок 1) до (слева) и после (справа) фрагментации
50 м или шагов) отмечают обилие исследуемого вида или видов (например, брусники, толокнянки, черники) глазомерно в баллах (0-3). Затем по полученным данным проводят кригинг и, в конечном итоге, строят карту продуктивности вида или видов на исследованной территории, хотя менее точную и детальную, чем в первых двух случаях. Затраты времени резко снижаются при увеличении числа исполнителей до числа линий пересечения (6-10).
Для кригинга нет необходимости в использовании регулярной сети точек или УП. При получении данных следует лишь избегать их возможной сгрупированности (кластеризации), что особенно актуально для полевых условий при ограниченной видимости или проходимости местности. Количество точек или УП может быть снижено при использовании адаптивной стратегии отбора проб [16].
Кригинг также может применяться для выявления связи продуктивности растений с экологическими факторами. Для этого сначала проводят кригинг для параметров растительности (например, проективного покрытия, урожайности на УП, высоты и диаметра стебля, объема особи и т.д.), затем экологических факторов (например, рН почвы, содержание в ней гумуса, влажности, электропроводности почвы и пр.). Потом оценивают сходство полученных матриц. Величина индекса сходства (SIIM) или корреляции для матриц служит мерой связи параметров растительности и экологических факторов. Матрицы могут быть легко трансформированы в вектора, с которыми можно проводить все виды статистического анализа, включая регрессионный.
В заключение следует отметить, что возможность обработки экспериментальных данных с использованием кригинга заложена в таких мощных программах, как ArcGis, Surfer, Statgraphics и др.
Однако преимущество использования программ Past и Imagej заключается в том, что они имеют свободную лицензию, легкодоступны через интернет, имеют простой пользовательский интерфейс, а Im-agej вдобавок и открытые коды, что делает возможным написание скриптов, ускоряющих или оптимизирующих обработку экспериментальных данных.
Научные публикации ЗАКЛЮЧЕНИЕ
В результате компьютерного моделирования предложены варианты методики определения продуктивности растений, в том числе лекарственных, с помощью геостатистического метода кригинга и средств анализа изображений, позволяющие проводить прогноз и определение интересующего показателя по всей области исследования.
SUMMARY
G. N. Buzuk GRIDING IN THE BOTANICAL RESOURCES: MODEL EXPERIMENT AND TECHNIQUE
Using computer simulation technique of determining the productivity of plants, including medicinal, with application of geostatisti-cal kriging method in combination with image analysis tools is proposed. The technique is based on building response surfaces based on parameter estimation of vegetation in a limited number of points interpolation geostatic method followed by assessment received surface after fragmentation by means of image analysis.
Keywords: projective cover, griding, kriging, medicinal plants, herbal raw material, vegetation cover, continuum.
ЛИТЕРАТУРА
1. Буданцев, А. Л. Ресурсоведение лекарственных растений: Метод. пособие к произв. практике для студентов фармацевт. факульт. / А. Л. Буданцев, Н.П. Харитонова // М-во здравоохранения Рос. Федерации, С.-Петерб. гос. хим.-фармацевт. акад., СПб, 1999. - 56 c.
2. Методы изучения лесных сообществ / Е. Н. Андреева [и др.]. - СПб. НИИХимии СПбГУ, 2002. - 240 c.
3. Бузук, Г. Н. Влияние размера, количества и формы учетных площадок на точность определения проективного покрытия / Г.Н. Бузук. - Вестник фармации. -2015. - № 1. - С. 33-37.
4. Бузук, Г.Н. Пути минимизации ошибок при определении площади зарослей лекарственных растений/ Г.Н. Бузук // Вестник фармации. - 2014. - № 3. -С. 31-38.
5. Щеглов, В. И. Практические методы крайгинга / В. И. Щеглов. - М., 1989. - 51 с.
6. Hengl, T. A. Practical Guide to Geosta-tistical Mapping of Environmental Variables / Т. А. Hengl. - European Communities, 2007. -143 p.
7. Геостатистика: теория и практика /
B. В. Демьянов, Е. А. Савельева; под ред. Р.В. Арутюняна. - М.: Наука, 2010. - 327 с.
8. Элементарное введение в геостатистику / М. Каневский [и др.]. - М., 1999. -136 с.
9. Кошель, С. М. Методы цифрового моделирования: кригинг и радиальная интерполяция / С. М. Кошель, О. Р. Мусин // Информационный бюллетень ГИС-Ассоциации. - 2000. - № 4(26) -5(27). -
C. 32-33.
10. Бузук, Г. Н. Определение проективного покрытия и урожайности при использовании фото точек (photo point method) / Г. Н. Бузук // Вестник фармации. - 2013. -№3. - С. 74-80.
11. Бузук, Г. Н. Методы учета проективного покрытия: сравнительная оценка с использованием фото площадок / Г. Н. Бу-зук, О. В. Созинов // Известия Самарского научного центра Российской академии наук. - 2014. - № 5. - С. 1644-1649.
12. Созинов, О. В. Оптимизация геоботанического метода уколов в условиях масштабирования площади учета / О. В. Созинов, Г. Н. Бузук // Научные ведомости БелГУ. Серия Естественные науки. -2014. - № 17. - С. 64-69.
13. Бузук, Г. Н. Характер связей между проективным покрытием и урожайностью
побегов брусники в сосняке зеленомош-ном / Г. Н. Бузук // Вестник фармации. -2013. - № 4. - С. 44-49.
14. Бузук, Г. Н. Применение функций роста и асимптотических функций при определении проективного покрытия и урожайности лекарственных растений / Г. Н. Бузук // Вестник фармации. - 2014. -№1. - С. 59-67.
15. Кузьмичева, Н. А. Линейные и нелинейные связи урожайности и проективного покрытия лекарственных растений / Н. А. Кузьмичева, Г. Н. Бузук, Е. В. Лома-ко // Вестник фармации. - 2015. - № 1. -С. 24-28.
16. Балюк, Ю. А. Адаптивная стратегия отбора проб для оценки пространственной организации сообществ почвенных животных урбанизированных территорий на различных иерархических уровнях / Ю. А. Балюк [и др.] // Биологический вестник Мелитопольского государственного педагогического университета имени Богдана Хмельницкого. - 2014. - № 3. -С. 8-33.
Адрес для корреспонденции:
210023, Республика Беларусь, г. Витебск, пр. Фрунзе, 27, УО «Витебский государственный ордена Дружбы народов медицинский университет», кафедра фармакогнозии c курсом ФПК и ПК, тел. раб.: 8(0212) 37-09-29, е-mail: buzukg@mail.ru Бузук Г. Н.
Поступила 25.04.2016г.
