水稻叶片叶绿素含量的变化与光合作用的关系

水稻叶片定长后叶绿素含量变化可分为缓降期和速降期。在缓降期中,叶片具有较高的光合速率和光合产物输出速率,以及较低的呼吸速率,缓降期越长,光合速率高值持续时间越长;在速降期中,叶片的光合速率和光合产物的输出速率下降,呼吸速率上升。缓降期可用来代表叶片一生中的光合速率高值持续期,速降期可代表衰老期。本文还讨论了与叶片光合特性有关的其它生理特性的变化。     

基于叶片反射光谱和叶绿素荧光估测水稻叶片含水量

水稻冠层叶片含水量(leaf water content, LWC)快速无损监测对指导稻田精准灌溉和提高水稻水分利用效率具有重要意义。试验设置3个不同水分处理(传统淹灌、轻度干湿交替-15 kPa、重度干湿交替-30 kPa),于水分敏感期(抽穗-灌浆期)动态监测顶1叶(L₁)、顶2叶(L₂)和顶3叶(L₃)的光谱数据和叶绿素荧光参数,通过全光谱波段筛选出水分敏感波段,建立新型植被指数,结合叶绿素荧光参数,以期建立基于叶位组合的水稻冠层LWC精准监测模型。结果表明：水稻叶片水分敏感波段在近红外波段(1 000～1 400 nm),所构建新型植被指数NDSII₍(1114,1387))较传统植被指数能更好地监测LWC;通过筛选与LWC有高相关性的荧光参数,基于实际光量子产量Y(Ⅱ)和植被指数NDSII₍(1114,1387))的耦合监测模型较单一植被指数NDSII₍(1114,1387))模型精度提高71.807%～83.976%。与单叶相比,L_2...     

杂交水稻叶片叶绿素含量与光谱吸收率的关系

通过大田小区试验,测定了5个供氮水平处理下,两个品种水稻完全展开的倒一叶和倒三叶在不同发育时期的高光谱吸收率及对应叶片的叶绿素含量,分析了叶片光谱吸收率及其与叶绿素含量的相关性并建立了回归模型。结果表明:水稻叶片在红外区域有弱吸收,从紫光到橙光区域有强吸收。叶绿素a与吸收光谱间不具显著相关性,叶绿素b与吸收光谱有显著的相关性,这说明可以用合适的高光谱吸收率来估算杂交水稻叶片的叶绿素含量。     

水稻温敏突变系1103s叶绿素间断失绿期叶片蛋白质变化与叶绿素含？…

以水稻１１０３ｓ和亲本８９０２ｓ为材料,研究在降温条件下植株间断失绿性状表达过程中叶绿体蛋白质谱带,蛋白质含量与蛋白酶活性,光合作用变化。结果表明,在降温条件下,随性状表达１１０３ｓ的叶绿素含量下降,叶绿素ａ／ｂ值上升;在叶绿体蛋白质谱带中,２０ＫＤ,２５ＫＤ,５０ＫＤ及主带含量减少。从同一叶片性状表达的绿区与黄区叶绿体蛋白质比较看,黄区缺少１８ＫＤ,这说明同一叶片不同区域叶绿体蛋白质低温反应不同     

基于PCA-WNN的玉米叶片叶绿素含量遥感反演建模方法

为寻找一种准确、非破坏性的叶绿素含量获取方法,实时掌握作物的生理状况,研究一种基于PCAWNN的玉米叶片叶绿素含量遥感反演模型。利用SVC HR-1024I光谱仪采集盆栽玉米叶片光谱,同时用SPAD-502便携式叶绿素计测定叶绿素含量。从包络线去除、微分处理后的光谱曲线中提取7个光谱特征参数(SCPs)并与修改型土壤调节植被指数(MSAVI)、归一化差值植被指数(NDVI)、修正植被指数(MVI)、比值植被指数(RVI)、差值植被指数(DVI)5种植被指数分别结合主成分分析(PCA),并提取前4个主分量作为小波神经网络(WNN)的输入因子,以Morlet母小波基函数作为激励函数,建立隐含层节点数为3的PCAWNN模型反演玉米叶片叶绿素含量。通过精度检验,表明7个SCPs与MSAVI组合的建模精度最高,验证小波神经网络反演玉米叶绿素含量的可行性以及其预测精度比BP神经网络更好。     

杨树不同功能叶片叶绿素含量变化研究

本文探讨了杨树不同功能叶片的叶绿素含量变化,以期为杨树功能叶片形态结构及生理特征的差异研究提供基础数据。结果表明,杨树不同方向功能叶片叶绿素含量表现为南部叶东部叶西部叶北部叶,同一枝上不同部位叶片的叶绿素含量呈现波浪型变化,不同叶位叶片的叶绿素含量表现为倒一叶倒二叶倒三叶。     

苹果梨叶片叶绿素含量的变化规律

对苹果梨不同枝类叶片叶绿素的含量和a/b比值进行了测定.结果表明,苹果梨不同枝类叶片叶绿素含量的年周期变化规律为:有果短枝叶片、无果短枝叶片和营养枝叶片的叶绿素含量均呈单峰曲线变化,高峰期分别出现在7月初、7月末和8月初;不同枝类叶片中叶绿素含量不同.总的来看,以无果短枝叶片叶绿素含量最高,其次为有果短枝,营养枝叶片叶绿素含量最低;不同枝类叶片中叶绿素a/b比值变化趋势基本一致,呈现双峰曲线变化,高峰值分别出现在7月初和9月末,9月初出现谷值.     

椪柑不同枝类叶片叶绿素含量变化研究

对椪柑不同枝类叶片叶绿素含量和a/b值变化进行了测定,结果表明:有叶顶花结果枝叶片中叶绿素含量最高,腋花果枝其次,营养枝最低.有叶顶花结果枝和腋花果枝叶片中叶绿素含量季节变化规律基本一致,营养枝有一定差异.两种结果枝叶绿素含量高峰期出现在8月底,而营养枝出现在8月初.各类枝叶片10月上旬后开始衰老.有叶顶花结果枝和腋花果枝叶片叶绿素a/b值呈高-低-高变化,营养枝叶片叶绿素a/b值在生长季变化较平稳.     

棉花冠层叶片叶绿素含量与高光谱参数的相关性

【目的】研究棉花冠层叶片叶绿素含量与高光谱参数的相关性,建立叶绿素含量估算模型。【方法】2014年,以鲁棉研28号为研究对象,测定不同施氮水平和生育期棉花冠层叶片叶绿素含量及350~2 500nm光谱反射率,以棉花冠层高光谱反射率与冠层叶片叶绿素含量为数据源,在分析叶绿素含量与原始高光谱反射率(R)、一阶导数光谱反射率(DR)、光谱提取变量和植被指数相关性的基础上,采用一元线性与多元逐步回归的方法构建了叶绿素含量估算模型,并对从中筛选的6种棉花冠层叶片叶绿素含量估算模型进行精度对比。【结果】1)棉花冠层叶片叶绿素含量在反射光谱766nm处相关系数达到最大值,相关系数r=0.836;对于一阶导数光谱,叶绿素含量的敏感波段发生在753nm处,r=0.878;2)以9种光谱提取变量与8种植被指数为自变量,建立叶绿素含量的估算模型,筛选出的特征变量为红边面积(SDr)、绿峰与红谷的归一化值((Rg-Rr)/(Rg+Rr))、绿峰幅值(Rg),仅采用8种常用植被指数建立估算模型,筛选出的变量为比值植被指数(RVI);3)所建立的6种模型中以基于一阶导数光谱反射率建立的多元逐步回归估算模型精度最高,均方根误差(RMSE)为1.075,相对误差(RE)为2.22%,相关系数(r)为0.952。【结论】采用原始光谱、一阶导数光谱、光谱提取变量及植被指数均可对棉花叶绿素含量进行监测,其中基于一阶导数光谱的多元逐步回归模型对叶绿素含量的估算效果最优。     

基于叶绿素荧光图像的辣椒叶片氮含量的预测

提取辣椒叶片的25个叶绿素荧光图像的特征参数,其中18个特征参数与氮含量呈极显著相关(P0.01)。用主成分分析法(PCA)提取主要特征参数,将其结果作为遗传算法优化的反向传播人工神经网络(BPNN)、广义回归神经网络(GRNN)和多元线性回归(MLR)模型的输入变量,分别建立辣椒叶片氮含量的预测模型,建模集的相关系数分别为0.959 2、0.963 3、0.943 5,预测集的相关系数分别为0.914 5、0.821 3、0.774 1。     

基于深度学习的龙眼叶片叶绿素含量预测的高光谱反演模型

【目的】探讨龙眼Dimocarpus longan Lour.叶片发育过程中叶绿素含量二维分布变化规律,实现无损检测病虫害对叶片叶绿素含量分布的影响,为评估嫩叶抗寒能力、龙眼结果期的施肥量和老熟叶的修剪提供参考。【方法】利用高光谱成像仪采集龙眼叶片在369~988 nm区间的高光谱图像,自动提取感兴趣区域,利用分光光度法测定叶片叶绿素含量。基于皮尔森相关系数(r)分析了龙眼叶片生长过程中各波段光谱响应与叶绿素含量之间相关性,建立偏最小二乘回归模型。分析了特征波段图像纹理特征与叶绿素含量相关性,将光谱特征和纹理特征结合导入深度学习中的稀疏自编码(SAE)模型预测龙眼叶片叶绿素含量,结合"图谱信息"的SAE模型预测龙眼叶片叶绿素含量的分布情况。【结果】龙眼叶片3个生长发育期相关系数的曲线均在700 nm附近出现波峰,嫩叶、成熟叶和老熟叶3个阶段相关性最高的波长分别为692、698和705 nm;全发育期的最敏感波段相关性远高于3个生长发育期,r达到0.890 3。回归模型中,吸收带最小反射率位置和吸收带反射率总和建立的最小二乘回归模型预测效果最好(R_c~2=0.856 8,RMSEc=0.219 5;R_v~2=0.771 2,RMSEv=0.286 2),其校正集和验证集的决定系数均高于单一参数建立的预测模型。在所有预测模型中,结合"图谱信息"的SAE模型预测效果最好(R_c~2=0.979 6,RMSEc=0.171 2;R_v~2=0.911 2,RMSEv=0.211 5),且预测性能受叶片成熟度影响相对较小,3个生长阶段R_v~2的标准偏差仅为最小二乘回归模型标准偏差的29.9%。【结论】提出了一种自动提取感兴趣区域的方法,成功率为100%。基于光谱特征的回归模型对不同生长阶段的叶片预测效果变化较大,而基于"图谱信息"融合的SAE模型预测性能受叶片成熟度影响相对较小且预测精度较高,SAE模型适用于不同成熟度的龙眼叶片叶绿素含量分布预测。     

东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。     

水稻不同叶位气体交换和叶绿素荧光研究

研究抽穗当天水稻不同叶位的气体交换参数-光响应曲线、叶绿素荧光参数-光响应曲线、光合色素含量及氮、磷含量的变化.结果表明,随着叶位下降,净光合速率(Pn)、气孔导度(Gs)、蒸腾速率(E)显著降低,在低光强((800 μmol·m-2·s-1)下,胞间CO2浓度(Ci)也随之降低,而更高光强时,下部2枚叶片表现出强劲的上升趋势,甚至远远超过上部2枚叶片,说明叶片衰老时Pn的下降主要不是由气孔因素引起的.初始荧光(Fo)的升高和PSⅡ最大光化学量子产量(Fv/Fm)的降低表明PSⅡ反应中心遭受失活或/和破坏.PSⅡ有效光化学量子产量(Fv'/Fm')、PSⅡ实际光化学量子产量(ΦPSⅡ)、光化学猝灭(qP)和表观电子传递速率(ETR)的下降说明无论是光能的吸收,还是光能的转化和传递均严重受抑,尽管非光化学猝灭(NPQ)和类胡萝卜素(Car)含量持续升高,但仍无法阻止叶绿素(Chl)的降解和氮(N)、磷(P)含量的下降.     

用水稻叶片含氮量及叶面积指数建立估产模式的探讨

运用水稻生长模拟模型ORYZAl,分析了不同时期的不同叶片含氮量及叶面积指数对产量的影响和花后物质生产与结实的关系,探讨了水稻生长模拟模型在水稻估产中应用的可能性。     

低叶绿素b水稻叶片自然衰老过程中光合作用与叶绿素荧光参数的变化

以水稻低叶绿素b突变体及其野生型(镇恢249)第5叶为材料,研究了水稻叶片自然衰老过程中净光合速率(Pn)、叶绿素荧光参数、Rubisco相对含量的变化.结果表明,叶片全展后随着衰老进程,突变体与野生型的Pn、叶绿素荧光参数以及Rubisco大小亚基相对含量都呈下降趋势.低叶绿素b突变体的净光合速率高于野生型且下降慢于野生型,但是二者叶绿素荧光参数之间差异不显著,而野生型Rubisco相对含量下降较突变体快,因此低叶绿素b对水稻第5叶衰老和Pn的影响主要表现在碳同化阶段.     

紫外-可见吸收光谱法测定芒果叶中的芒果苷和叶绿素

【目的】建立可定量分析芒果叶中芒果苷和叶绿素含量的紫外-可见吸收光谱法,为今后综合开发利用广西芒果叶资源提供参考依据。【方法】采用紫外-可见吸收光谱法测定芒果叶中芒果苷和叶绿素的吸光值,然后通过芒果苷的线性回归方程和Arnon公式换算出芒果苷和叶绿素含量,同时测定广西百色市11个芒果品种叶片中的芒果苷和叶绿素含量。【结果】258.5 nm是芒果苷标准品和芒果叶提取物中芒果苷含量的最佳测定波长。采用紫外-可见吸收光谱法测定芒果苷含量时,其回归方程（y=0.0697x-0.0009）在4.120-41.200μg/mL范围内的线性关系良好（R2=0.9998）,且准确性高、重复性好、检测结果稳定。以其测定广西百色市11个芒果品种叶片中的芒果苷和叶绿素,发现芒果苷含量范围为11.493-16.675μg/mL,其中以红象牙的含量较低,台牙和农院五号的含量较高;叶绿素总含量范围为4.83-8.77 mg/mL,其中以红贵妃和金煌芒的含量相对较高,四季蜜芒和农院五号的含量较低。【结论】紫外-可见吸收光谱法可用于评价芒果叶药材质量。     

粳稻冠层叶绿素含量PSO-ELM高光谱遥感反演估算

目的 叶绿素含量是表征粳稻生长状态的重要指示信息,利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。方法 以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础,利用连续投影算法(SPA)进行有效波段的提取,提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入,利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中,针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C₁、C₂)、速度位置相关系数(m)这5个参数进行了优化。结果 确定了最优参数：p为80,w为0.9~0.3线性递减,C₁和C₂分别为2.80和1.10,m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887,均方根误差分别为1.824和0.783。结论 利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型,前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。     

基于图像特征的水稻叶片全氮含量估测模型研究

探究水稻叶片生长外部颜色、几何形态特征与其全含氮量之间的定量描述关系,可以快速且准确地诊断水稻氮素营养状况。研究筛选了全氮含量估测敏感叶位,并比较了基于多元线性回归和机器学习方法的水稻敏感叶位全氮含量估测模型,为构建高性能的氮素营养定量诊断模型提供思路和方法。水稻田间试验于2017—2018年在江西省南昌市成新农场进行,供试水稻品种为两优培九,设置4个施氮水平(施氮水平从低到高为0、210、300和390 kg·hm^-2)。在水稻幼穗分化期和齐穗期,分别扫描获取水稻顶部第一完全展开叶叶片(顶1叶)、顶部第二完全展开叶叶片(顶2叶)以及顶部第三完全展开叶叶片(顶3叶)图像,共4 800张图像。通过图像处理技术获取25项水稻扫描叶颜色和几何形态特征,采用多元线性回归进行全氮含量估测,筛选出两个时期的敏感叶位,并应用机器学习方法建立水稻敏感叶位的全氮含量估测模型。与人工测量相比,通过图像处理方法获取的水稻叶片长宽平均相对误差分别为0.328%、3.404%;幼穗分化期顶3叶和齐穗期顶2叶较其他同期叶位更为敏感,且以幼穗分化期顶3叶最为敏感;应用机器学习建立的水稻敏感叶位全氮含量估测模型略优于多元线性回归模型,且采用BP神经网络建模最佳,幼穗分化期顶3叶模型验证集的RMSE_v=0.089、MRE_v=0.034、 $R^{2}_{v}$=0.887,齐穗期顶2叶模型验证集的RMSE_v=0.132、MRE_v=0.046、$R^{2}_{v}$=0.820。幼穗分化期顶3叶和齐穗期顶2叶的叶片图像特征最具有代表性,进行全氮含量估测更具可行性,可作为水稻氮素营养诊断的有效叶位。