大豆叶绿素含量高光谱反演模型研究_宋开山

大豆叶绿素含量高光谱反演模型研究_宋开山
大豆叶绿素含量高光谱反演模型研究_宋开山

第22卷第8期2006年8月农业工程学报

T ransactions of the CSA E V ol.22 N o.8A ug. 2006

大豆叶绿素含量高光谱反演模型研究

宋开山,张 柏,王宗明※,刘焕军,段洪涛

(中国科学院东北地理与农业生态研究所,长春130012)

摘 要:叶绿素是植物体进行光合作用、进行第一性生产的重要物质,能够间接反映植被的健康状况与光合能力,同时也能反映植被受环境胁迫后的生理状态。高光谱遥感为快速、大面积监测植被的叶绿素变化提供了可能。该研究实测了不同水肥耦合作用下,大豆冠层的高光谱反射率与叶绿素含量数据,对二者进行了相关分析;采用特定叶绿素敏感波段建立了植被指数叶绿素估算模型;最后采用相关系数较大的波段作为神经网络模型的输入变量进行了叶绿素含量的估算。经对比发现叶绿素A 、B 与光谱反射率在可见光与近红外波段的相关系数的变化趋势基本一致,在可见光谱波段呈负相关,近红外波段呈正相关,红边处相关系数由负变正。特定色素植被指数可以提高大豆叶绿素估算精度(R 2>0.736),但是人工神经网络模型可以大大提高大豆叶绿素含量的估算水平,当隐藏层节点数为4时,R 2大于0.94,随着隐藏层节点数的增加,R 2可高达0.99,表明神经网络模型可以大大提升高光谱反演大豆叶绿素含量的能力。关键词:高光谱;叶绿素含量;植被指数;A N N -BP

中图分类号:S 127 文献标识码:A 文章编号:1002-6819(2006)08-0016-06宋开山,张 柏,王宗明,等.大豆叶绿素含量高光谱反演模型研究[J ].农业工程学报,2006,22(8):16-21.

Song K aishan,Zhang Bai,Wang Zongming ,et al.I nv er se model fo r est imating soy bean chlor ophy ll concentr ation using in-sit u collected canopy hy perspectral data [J ].T ransactio ns of the CSA E,2006,22(8):16-21.(in Chinese w ith English ab-str act )

收稿日期:2005-07-18 修订日期:2005-12-02

基金项目:中国科学院知识创新重大项目(KZXL -S W -19);自然科学基金项目(40401003)

作者简介:宋开山(1974-),男,博士,白山市人,主要研究领域为定量遥感与地物光谱特征研究。长春 中国科学院东北地理与农业生态研究所,130012

※通讯作者:王宗明(1976-),男,博士,主要从事生态定量遥感研究。长春市蔚山路3195号 中国科学院东北地理与农业生态研究所,130012。Email:zongmingw ang@https://www.360docs.net/doc/af13606273.html,

0 引 言

目前高光谱遥感在监测植被,尤其是农作物的叶绿素含量方面取得的了很大进展。主要因为自然和人为造成的环境胁迫因子会直接影响植被叶绿素含量,换言之植被叶绿素含量遥感监测能够提供植被生理状态的有效信息[1],同时叶绿素含量与植被的N 素含量、光合作用密切相关[2]。植被叶绿素含量的高光谱遥感监测首先是在叶片级别开展的[3,4],进而在冠层级别得到修正或

发展[5,6]

。通过特定实验条件与特定植被类型所建立的光谱植被指数在应用于其它植被类型或不同环境条件

下同种植被不同的生理状态时需要进行订正[7]

大量研究表明植被的生物物理、化学参数与光谱反

射率之间的关系基本上是非线性的[8,9]

,而神经网络对非线性问题的拟合有着无可比拟的优势,因此部分研究

者开始把神经网络引入到高光谱数据分析中来[10,11]

,提高了植被生理参数反演的精度,神经网络在植被生物化学参数高光谱遥感信息提取与模型建立方面则鲜有报道。

大豆是世界上重要的油料作物,在国外研究大豆光

谱特征及其生物物理、化学参数反演的报道很多。Gupta 首先研究了大豆叶片的光谱反射,为大豆光谱特征理解奠定了基础[12],而其他一些学者则研究了大豆在镁、砷、磷等胁迫下大豆光谱反射、透射和荧光及其形态特征的变化与响应[13,14],为研究大豆在环境胁迫因子影响下其光谱特征的变化提供了借鉴。Wang 等研究了在

碱土和灌溉耦合条件下大豆的高光谱特征[15]

。但是一直以来没有研究大豆在不同水肥胁迫条件下大豆叶表面的光谱特征。在中国,浙江大学部分学者较为深入研究了水稻生理参数的高光谱模型反演与估算、中国科学院遥感所与国家农业信息化工程技术研究中心部分学者则深入研究了水稻、小麦、玉米等作物的生物物理、化

学参数高光谱模型[16-18]

,由于地域与仪器设备的关系,对大豆的生理参数的高光谱反演研究则很少[19],将人工神经网络应用到高光谱估算模型在国内也处于研究

初期[20]

。在本文中将对比研究不同植被指数构建的回归模型与神经网络模型在反演大豆叶绿素变化的精度。

1 实验材料与方法

1.1 实验材料

2004年的主要光谱数据采集都在中国科学院海伦农业生态实验站进行。工作区主要集中于实验站综合试验场,地理位置在E 126°38″、N 47°26″,试验区面积为

18.62hm 2

。其中与本研究相关的试验为:“水肥耦合作用下大豆生长性状研究”,该试验共16个处理,小区面

积50.4m 2

(长12m ,宽4.2m ),随机排列,4次重复,试验地总面积3225.6m 2。小区与小区之间用防水材料隔离,小区池埂用钢筋混凝土浇灌。其中水分处理依次为:自然降水、适宜灌水、充足灌水、干旱处理;施肥处理依

16

次为:无肥、中肥、高肥、有机与无机结合。该实验方法和技术成熟,为本研究提供了稳定可靠的实验材料。

1.2 光谱采集方法

在所有选中的小区里,用标签确定两个位置作为光谱采集点,用ASD高光谱仪测定大豆冠层光谱反射率,在每个小区里采集光谱之前都要进行白板标定,测试的结果为大豆冠层光谱反射率,每个测试点采集10个光谱数据,最终将3个重复的平均值作为一个样本的结

果。所有的观测均选择在晴朗无风天气,每次测定时间为北京时间10:00~14:00(太阳高度角大于45°)。由于ASD光谱仪为长4.3m光纤式探测头,因此可以将传感器的探头固定在一个长3m左右的测试杆上,在杆的前端有卡槽,使探头固定后,手持时很容易达到垂直向下状态。就大豆而言,探头与冠层顶相距约2.5m左右。在本研究中,针对大豆的苗期、分枝期、花荚期、鼓粒期以及乳熟—成熟期进行了5次数据采集,共计获得55组有效数据(应获得60组数据,但是在乳熟—成熟期数据采集过程中,有部分大豆已枯黄)。

1.3 叶绿素测试方法

在每个小区中有标识的采样(光谱测试所对应的范围内)点处,由于大豆在不同生长期内,叶片的发育程度不一,因此在每期采集叶片时,以SPAD-502读数为标准,采集相对成熟的20个叶片作为一个小区的标准样,迅速放在保鲜箱里。由于实验站里有相关实验设备,因此样品采集完毕后,迅速带回实验室,用打孔器在样品叶片中间部位叶脉一侧取20个小圆,混合后再随机选取10个小圆,以电子天平秤每种样品鲜重。然后配置80∶20(丙酮∶蒸馏水)的提取液,闭光提取24h,以UV2550津岛分光光度计分别测OD=646.8nm,OD= 663.2nm,OD=470nm处的光密度,然后以Lichtenthaler公式计算叶绿素含量[1],再以公式换算成mg/g鲜叶重。

2 研究结果与讨论

2.1 大豆在各生长期冠层光谱反射率、微分光谱与叶绿素A、B的关系

图1是大豆在不同生长期叶绿素含量A与冠层光谱反射率、微分光谱的相关系数随着波长的变化趋势。由图1可以看出大豆在整个生长季的光谱反射率与叶绿素A的相关系数在可见光波段呈现负相关关系;在红边处相关系数陡然上升;在红边肩部达到最大值;近红外波段与红边肩部的相关关系基本持平;可见光波段的负相关绝对值大于近红外波段的相关系数。微分光谱在红边波段与叶绿素A含量的相关系数明显大于光谱反射率与叶绿素A含量的相关系数;在其他波段处微分光谱与大豆叶绿素A含量的相关系数则明显低于光谱反射率与叶绿素A的相关系数。微分光谱与大豆叶绿素A的相关系数在蓝边、绿边、红边处相对稳定;紫外、蓝光波段、近红外波段的相关系数波动较大。

图2是大豆在不同生长期叶绿素B含量与冠层光谱反射率、微分光谱的相关系数随着波长的变化趋势。可以看出大豆在整个生长季的光谱反射率与叶绿素B 的相关系数随着波长的变化趋势与叶绿素A在对应波段的相关系数基本一致,但是叶绿素B的相关系数略微低一些。二者与光谱反射率、微分光谱的相关性所表现出来的一致性与叶绿素A、叶绿素B的密切相关性有直接的关系(相关系数>0.97),因此叶绿素A与叶绿素B与光谱反射率的相关系数、线性回归的确定性系数随着波长的变化趋势基本一致。

图1 大豆光谱反射率、微分光谱与叶绿素A的相关分析

F ig.1 R elationship betw een soybean reflectance,

der ivativ e and chloro phyll-A concentr at ion

图2 大豆光谱反射率、微分光谱与叶绿素B的相关分析

F ig.2 R elationship betw een soybean reflectance,

deriv ative and chlo rophy ll-B concentr ation

2.2 比值植被指数与大豆叶绿素A、B的关系

通常绿色植被在800nm左右的光谱反射率基本代表了植被近红外波段稳定的反射水平,而680nm处的反射率水平则基本代表了植被色素强吸收波段。因此以这两个波段构建比值植被指数是理想波段,但是对于绿色植被而言,680nm处是叶绿素A的强吸收波段,而叶绿素B的强吸收波段则要向短波长方向移动,因此由800nm与680nm构建的比值植被指数对叶绿素A是最为有效的。图3是RVI(R800/R680)与叶绿素A的回归结果。通过数据散点的分布状态可知线性回归是最佳拟合方程。散点分布较均匀,线性回归的确定性系数R2为0.8216,得到比较理想的结果。

由以上分析表明特定植被色素有其特定的吸收与反射光谱特征,特定色素植被指数正是基于这些特征波

17

 第8期宋开山等:大豆叶绿素含量高光谱反演模型研究

段来构建的,而这些特定植被指数只是对某一色素敏感,而对其他植被色素而言,基于这一植被指数建立的模型的反演精度就会降低。图4是Chapelle 构建的

RARSa (R 700/R 670)与叶绿素A 含量的回归关系[21]

。其中RARSa 中的下标代表这一植被指数是专门用来反演植被叶绿素A 含量的,Chapelle 所采用的是线性回归方法,但是在本研究中线性回归没有幂函数的回归结果理想,确定性系数低于0.6,因此在此采用了幂函数作为最佳回归方程,确定性系数R 2提高到0.77

图3 RV I (R 800/R 680)与叶绿素A 含量的关系Fig .3 Relationship between Chl -A and R

VI

图4 RA RSa (R 700/R 670)与叶绿素A 含量的关系Fig .4 Relationship between Chl -A and R AR Sa

635nm 正处于红波区短波的边缘,此波长是Chl -B 强吸收带[1],而Chl -A 的吸收相对较弱(叶绿素A 与B 在大部分可见光区的吸收带重叠)。因此Blackburn 于1998年构造了PSSR b (R 800/R 635)植被指数[3],这里依然采用PSSR b 建立叶绿素B 的反演回归函数,同时也是为了对比两年来采集的数据所建立的统计模型的差异。由图5可见,处于坐标中间部位的数据点偏离回归曲线较远,造成这种现象出现的原因有待进一步考证。经笔者研究发现特定植被指数都有其特定的使用范围,PSSR b (R 800/R 635)植被指数由于采用的叶绿素B 的吸收波段,因此构建的植被指数在估算叶绿素B 时,能够收到良好的反演精度,用同样的植被指数来反演叶绿素A 时,回归的确定性系数R 2大大降低(0.7054);类似的结果,以RVI (R 800/R 680)植被指数来反演叶绿素B ,同样会

大大降低的反演精度,回归确定性系数R 2

只有0.7131。以上结果表明特定植被色素的植被指数构建方法都是有针对性的,而这种构建方法只有在高光谱遥感中才得

以实现。图6也是由Blackburn 提出用于监测叶绿素B

含量的植被指数[3]

。所采用的波段全部位于红光吸收谷

与红边区,通过这种处理方式使得植被间的光谱比值差异变大,对叶绿素细微差异的容错能力增强,因此这个模型对监测叶绿素B 的效果比较理想。

以上只是通过4个植被指数来建立叶绿素A 、B 的估算模型,结果表明基于植被指数与作物生理参数建立的估算模型的回归确定性系数相差很大,在测试光谱时作物的生理状态以及测试时天空光照条件等等都影响最终的模型参数的确定,但是从目前的定量遥感研究进展来看,基于统计的定量遥感模型在解决局部问题、特定问题时是最为常见的建模方式,而且也是目前在解决实际问题时最为有效的而又可行的。基于辐射传输方程或几何光学原理建立的模型,有深厚的物理基础,但是模型的参数过于复杂,有些参数无法实时获取,因而限制了其应用性。

图5 叶绿素B 与PSSR b (R 800/R 635)的关系F ig .5 Relationship between Chl -B and PSSR b

图6 叶绿素B 与675nm/(650nm ×700nm )的关系

F ig.6 R elationship of Chl-B w ith R 675/(650nm ×700nm)

2.3 神经网络模型在估算大豆叶绿素A 、B 中的应用

人工神经网络是20世纪80年代中后期世界范围内迅速发展起来的一个前沿领域,因其良好的预测性和实用性被广泛应用于各个领域,尤其在遥感影像自动分类与定量分析方面得到了广泛应用[22,23]。由于BP 神经网络具有并行处理、非线性、容错性、自适应和自学习的特点,在数据拟合与模拟中有着无比的优越性。通常植被指数所囊括波段有一定的局限性,不同光谱波段之间的优势互补无法实现,因此本文中将尝试采用BP 神经网络,把多个波段的反射率作为输入矢量来预测大豆LAI 随光谱反射率的变化。

本研究采用的BP 神经网络模型是由M atlab 的Neural Net-work Toolbox 提供,网络共有3层,依次为

18农业工程学报2006年 

输入层、隐藏层和输出层。输入层为不同诊断波段的光谱反射率,中间层的神经元个数为2~8之间的可变因子;输出层神经元为1。中间隐藏层的激活函数为‘tansig’;输出层为‘purelin’函数,使得输出结果不局限在0~1之间;训练函数采用的是trainlm,该函数由Levenberg-Marquardt开发,其特点是运算高效,收敛快。在55个叶绿素数据中随机抽取30个作为训练样本的学习目标T,首先将760、680、550、430nm处的反射率作为输入矢量P,设置网络学习的迭代次数为300。

当神经网络训练完毕后,把所有样本的光谱数据作为输入矢量P,进行模拟所得预测叶绿素A与实测值进行拟合,结果如图7。由图可以看出随着隐藏层节点数的增加,人工神经的预测值与实测叶绿素A的含量之间的拟合程度越来越好,当隐藏层的节点数为2时,模拟的精度已经与常用的植被指数法建立的统计回归模型的接近;当隐藏层的节点为4时,实测值与预测值的线性回归的确定性系数R2已达0.9467,剩余残差RM SE只有0.0827mg/g;当隐藏层的节点数为6时,实测值与预测值的线性回归的确定性系数R2已经升至0.9898,剩余残差RMSE仅为0.0362mg/g,已经达到了较为理想的结果。虽然随着节点数的增加,模拟值与实测值的拟合程度依然在升高,但是不建议采用过多的隐藏节点数来实现预测精度的提高,因为数据量较小的时候可能出现过度拟合现象;在本模型中出现过度拟合的可能性较小,因为这里只采用了4个波段的反射率作为输入变量来实现叶绿素A的估算,只有输入较多波段的光谱数据时出现过度拟合的危险才会增加。

图8是叶绿素B的神经网络模拟结果与实测叶绿素含量之间的关系。可以看出,预测值与实测值的拟合程度依然是随着隐藏层节点数的增加而增加,当隐藏层节点数为4时,预测叶绿素B含量与实测值之间的线性回归的确定性系数R2已经高达0.9616,而剩余残差RM SE仅为0.04mg/g,与回归模型相比,精度有了显著提高。通过对比叶绿素A与叶绿素B的对应隐藏层节点数的预测结果看,当隐藏层节点为2时,叶绿素B 的预测结果不如叶绿素A,但是当隐藏层节点数为4时,已经明显优于叶绿素A的预测结果,这一结论将在下文中进一步得到证实。当隐藏层的节点数为6时,神经网络的模拟值与实测值之间的线性回归的确定性系数已经高达0.9920。随着神经网络隐藏层节点数继续增加,模拟的精度虽然仍有略微提高,但是可以看出当神经网络的隐藏层节点数为6时,

已经趋于稳定。

图7 节点数为4和6时,实测值叶绿素A与神经网络模拟值的关系

Fig.7 Relationship betw een A N N-BP pr edicted and measured chl-A w ith four

and six nodes in hidden

layer

图8 节点数为4和6时,实测值叶绿素B与神经网络模拟值的关系

Fig.8 Relationship between A NN-BP predicted and m easur ed chl-B with four

and six nodes in hidden layer

以上分析了隐藏节点数为4和6时的模拟精度,当

隐藏层的节点数为奇数时的R2、RSME的变化情况以

及二者的对比情况如表1。从表1中可以看出当人工神

经网络的隐藏层节点数由2增加的8时,对应R2、

RSM E的变化情况,基本上是随着节点数量的增加,网

络的模拟精度在不断增加,但也有个别情况下,节点数

增大反而预测精度略有下降。一般而言,当节点数为6

时,网络的模拟精度已经趋于稳定,节点数的增加对模

19 第8期宋开山等:大豆叶绿素含量高光谱反演模型研究

拟的精度不会有太大的提高,而且节点过多而又不提高反演精度时,可能出现过度拟合。

表1 隐藏层含有不同节点时,神经网络的模拟精度R2、RSM E的变化情况

T able1 A NN-BP prediction accuracy by R2and R SM E as criteria wit h different nodes in hidden layers

所采用波段为: 760nm 550nm 680nm 430nm

精度评价指标

隐藏层节点数

2345678

Chl-A

R20.86780.86240.94670.93880.98980.98430.9959 RM SE/mg g-10.13030.13290.08270.08870.03620.04490.0231

Ch l-B

R20.83790.94120.96160.96570.99200.98270.9985 RM SE/mg g-10.08210.04950.04000.03780.01820.02680.0078

3 结 论

本研究在大豆关键生长期进行了5次实验,同步采集了大豆冠层光谱反射率与叶绿素数据;分别对获取的数据进行了单波段相关分析、植被指数回归分析、神经网络模拟,通过分析得出以下结论:

1)大豆冠层光谱反射率与大豆叶绿素A,B密切相关,在可见光波段呈负相关,黄光、红光波段的负相关系数绝对值大于蓝绿波段,而且在绿峰处存在一个低谷区;在近红外波段呈正相关,在整个近红外平台区,相关系数变化平稳;在红边区,相关系数由负迅速变正,而且在红边肩处达到稳定。

2)微分光谱在三边处与大豆叶绿素A,B关系密切,尤其在红边处的相关关系大于对应波段光谱反射率与叶绿素A,B的相关关系,并且红边处微分光谱的相关系数取得全局最大值;在其他波段微分光谱与大豆叶绿素A、B的相关系数波动较大。

3)比值植被指数RVI,PSSR,RARS与大豆叶绿素A,B关系密切,回归的确定性系数表明达到了显著水平,但各种植被指数都有其特定的反演对象,应根据需要来选择相应的植被指数来反演大豆叶绿素含量。

4)神经网络模型可以容纳更多的诊断波段参与大豆叶绿素A,B估算,大大提高了反演精度,随着隐藏层节点数的增加,神经网络的模拟精度基本呈上升趋势,当节点数为6时,基本可以收到良好的反演结果。

以上结果虽然是在实测大豆冠层光谱数据基础上得出的,但是对于其他作物或草本植被同样具有借鉴意义;本文神经网络模型经过了大样本数据的验证,表明将神经网络模型引入高光谱大豆叶绿素反演是可行且成功的。

[参 考 文 献]

[1] L ichtent haler H K.T he str ess concept in plants:An

intr oduction.Annals of the N ew Yo rk A cademy of Science,

1998,851:187-198.

[2] M y neni R B,Hall F G,Seller s P J,et al.T he interpreta-

tio n of special vegetation indexes[J].I EEE T rans on

G eoscience remot e sensing,1995,33:481-486.

[3] Blackburn G A.Spectral indices for estimating photosyn-

thetic pig ment co ncentratio ns:a test using senescent tr ee leaves[J].Inter national Journal of R em ote Sensing,1998,

19(4):657-675.

[4] Jacquemoud S,Bacour C,Po ilve H,et https://www.360docs.net/doc/af13606273.html,par ison of

four radiativ e transfer models to simulate plant canopies re-flectance:direct and inver se mode[J].R emo te Sensing En-v iro nment,2000,74(4):417-481.

[5] 刘伟东,项月琴,郑兰芬,等.高光谱数据与水稻叶面积指

数及叶绿素密度的相关分析[J].遥感学报,2000,4(4):

279-283.

[6] Haboudanea D,M iller J R,Pattey E,et al.Hy perspectral

vegetatio n indices and novel algor ithms for predict ing g reen LA I of cr op canopies:modeling and validation in the con-tex t of precision agr icultur e[J].R em ote Sensing of Envi-r onment,2004,90(1):337-352.

[7] M arkw ell J,Oster man J,M itchell J L.Calibr ation of the

M inolta SPA D-502leaf chlo rophy ll meter[J].Phot osy nthe-sis R esearch,1995,46:467-472.

[8] Kokaly R F,Clar k R N.Spectro scopic deter mination of

leaf biochemistr y using band-depth analysis of absor ptio n features and stepwise multiple linear reg ression[J].Remo te Sensing of Envir onm ent,1999,67:267-287.

[9] Curr an P J,Dungan J L,P et er son D L.Estimating t he fo-

liar biochemical concentr ation of leaves w ith r eflectance spectro met ry:T esting the K okaly and Clark methodolo gies [J].Remote Sensing of Envir onm ent,2001,76:349-359.

[10] Combal B,Baret F,Weiss M,et al.R etrieval of canopy

biophy sical var iables fr om bi-direct ional reflectance:using

pr ior info rmatio n to solve the ill-posed inv er se pro blem[J].

Remote Sensing of Env ironment,2003,84(1):1-15. [11] Go ng P,W ang,D X,L iang S.Inv er ting a cano py re-

flectance mo del suing a neural netw ork[J].International

Jour nal of Remot e Sensing,1999,20(1):111-122. [12] Gupt a R K,Wo olley J T.Spect ral proper ties of soybean

leaves[J].A gro n.J,1971,63:123-126.

[13] A dams M L,No rvell W A,P ev er ly J H,et al.Fluo res-

cence and reflectance char acter istics o f m ang anese deficient

so ybean leaves:Effects of leaf ag e and choice of leaflet[J].

Plant So il,1993,155/156:235-238.

[14] M ilton N M,A ger C M,Eisw erth B A,et al.A rsenic-

and Selenium-induced changes in spectral reflectance and

mor pholo gy o f soy bean plants[J].R em ote Sens.Environ,

1989,30(3):263-269.

[15] W ang D,Wilson C,Shannon M.Inter pretation of salinity

20农业工程学报2006年 

and ir rig ation effect s on soy bean canopy reflectance in visi-ble and near-infrared spectr um domain [J ].Inter national Jo ur nal of Remote Sensing ,2002,23(5):811-824.

[16] 王秀珍,黄敬峰,李云梅,等.高光谱数据与水稻农学参数

之间的相关分析[J ].浙江大学学报(农业与生命科学版),2002,28(3):283-288.

[17] 赵春江,黄文江,王纪华,等.不同品种、肥水条件下冬小

麦光谱红边参数研究[J].中国农业科学,2002,35(8):980-987.

[18] 黄文江,王纪华,刘良云,等.小麦品质指标与冠层光谱特

征的相关性的初步研究[J ].农业工程学报,2004,20(4):203-207.

[19] 宋开山,张 柏,李 方,等.高光谱反射率与大豆叶面积

及地上生物量的相关分析[J].农业工程学报,2005,21(1):36-40.

[20] 宋开山,张 柏,王宗明,等.玉米地上鲜生物量的高光谱

遥感估算模型研究[J ].农业系统科学与综合研究,2005,21(1):65-67.

[21] Chappelle E W ,K im M S ,M cM urtr ey J E .Ratio analysis

of reflectance spectra (RA RS ):an alg orit hm for the re-mote estimatio n of the concentrations of chlor ophy ll A ,chloro phyll B,and car oteno ids in so ybean leaves [J ].Remote Sens Envir on ,1992,39:239-247.

[22] K einer L E.A neur al net wor ks model for estimatio n sea

surface chlo rophy ll and sediments fro m T hematic M apper Imag er y [J ].Remote Sensing of Env ironment,1998,66:153-165.

[23] Danso n F M ,Row land C S.T raining a neural netw or k

w ith a canopy r eflectance model to estimate cr op leaf ar ea index [J].International Journal of R em ote Sensing ,2003,24(23):4891-4905.

Inverse model for estimating soybean chlorophyll concentration using

in -situ collected canopy hyperspectral data

Song Kaishan ,Zhan g Bai ,Wang Zongm ing ※

,Liu H u an jun ,D uan H ongtao

(N ortheast I nstitute of Geogr ap hy and A g ricultur al Ecology ,Chinese A cad emy of Sciences ,Changchun 130012,China )

Abstract :Chlorophyll is substance in vegetation for photosynthesis,ultimately affecting the net primary production,w hich can also indicate the healthy condition of vegetation living in a stressed environment.Hyperspectral remote sens-ing can provide a possibility for quick and accurate estim ation of vegetation chlorophy ll concentration in large areas.Soy bean canopy reflectance data collected w ith ASD spectroradiometers (350~1050nm ),w hich w ere cultivated in w ater —fertilizer coupled control conditions,and chlorophy ll content data w ere collected sim ultaneously.First,correla-tion betw een reflectance ,deriv ative reflectance ag ainst chl -A and chl -B w as conducted ;second ,RVI ,RARSa and PSSRb regressed against chl -A and chl -B ;and finally ,ANN -BP w as established for soybean chlorophy ll concentration

estim ation ,w hich had different nodes in hidden layers .It was found that soy bean canopy reflectance show s a negative relationship w ith chl -A and chl -B ,w hile it show s a positive relationship w ith chl -A and chl -B in near infrared region .

Reflectance derivative has an intimate relationship w ith chl -A and chl -B in blue ,green and red edge spectral region ,w ith the m ax im um correlation coefficient in red edge region .Chlorophyll specified absorption veg etation index has inti-mate relationship w ith chl -A and chl -B ,w ith regression determination coefficient R 2

greater than 0.736.ANN -BP

model can greatly improve soybean chlorophy ll concentration estimation accuracy .Determination coefficient (R 2

=0.94)obtained w ith four nodes in hidden lay ers ,how ever ,R 2still can be improved w ith nodes in hidden layers increas-ing ,and R 2

reached 0.98w ith six nodes in hidden layers .By above analysis ,it indicated that ,ANN -BP model can be applied to in -situ collected hy perspectral data for vegetation chlorophyll content estimation w ith quite accurate predic-tion ,and in the future ,ANN -BP model still should be applied to hyperspectral data for other veg etation biophysical and biochemical parameters estim ation .

Key words :hyperspectral ;chlorophyll concentration ;veg etation index ;ANN -BP

21

 第8期宋开山等:大豆叶绿素含量高光谱反演模型研究

叶绿素的光敏性质探究

叶绿素的光敏性质探究(与二氢卟吩e4对比) 研究背景 光敏剂的光漂白(photobleaching)是指在光的照射下,光敏剂所激发出来的荧光强度随着时间推移逐步减弱乃至消失的现象,这是光动力诊断临床应用中考虑光剂量和检测需用时间的一个重要因素。 长波红光在组织中具有较大的穿透深度,从而能保证足够的治疗深度:大的吸光度能保证充分利用光能量和尽可能减少药物剂量;光敏剂吸光度的大小是决定药物剂量的理论依据。过多的光敏剂分布于癌组织中势必会影响光的穿透深度,然而使用过少的光敏剂又不能产生应有的疗效。因此,光敏剂的使用剂量要依据其吸光度的大小和肿瘤组织的大小来权衡。 对于同一种光敏剂,它的漂白时间将随入射光的光能流率的增大而减小。再次,除了与光敏剂的类型有关外,还与初始浓度和入射光源的波长有关。初始浓度越大,光漂白时间越长。 实验意义:探究不同浓度的叶绿素在不同光源、不同时间的照射下,其吸光度随时间的变化,探测其光漂白特性,为更好地在临床应用上要保持光敏剂的有效杀伤浓度,且控制好光敏剂的激发时间,这样才能保证治疗的效果。 初步设想: 探究叶绿素在不同浓度,不同光源,不同光照时间对光的敏感性:(1)用紫外检测得到叶绿素的紫外可见吸收光谱,与二氢卟吩e4的光谱图比较。(最好能同时测定荧光光谱) (2)在叶绿素的最大吸收波长处检测浓度为0.05 mg/ml ,0.1 mg/ml ,0.2 mg/ml ,0.3 mg/ml, 0.4mg/ml的叶绿素的吸光度,并制作曲线图,验证其是否符合朗伯-比尔定律。 (3)实验设置了不同的六组光源:白光、红外光、黄光、绿光、蓝光、紫外光,分别对0.4mg/ml的叶绿素待测样品进行垂直照射10min、20min、30min、40min、50min、60min、80min、100min,取照射后的各样品进行紫外-可见吸收光谱的检测,通过光谱的变化,探究光敏剂叶绿素明显的光漂白特性。

遮光后叶绿素含量升高和叶绿素a和b比值降低的原因

遮光后叶绿素含量升高和叶绿素a/b降低的原因 试题:如图,叶绿素的含量随着遮光比例的升高而升高,遮光后叶绿素a/b 降低,捕光能力上升。原因。 因为学生知道,光是叶绿素形成的必需条件,所以大部分学生都错误认为叶绿素含量随光照增强而增加。 从资料中可以看出,这些变化都是为了适应植物在遮光条件下的生长。 一、遮光后叶绿素含量为什么会升高 叶绿素含量受到光照、温度、矿质元素、逆境等外界因素及核基因、质基因等内在因素的共同影响,在外部因素中光对叶绿素的合成与分解起主导作用。植物体中叶绿素的合成和分解处于一个动态平衡中,叶片光照后,才能顺利地合成叶绿素,但形成叶绿素所要求光照强度相对较低,当然过弱也不利于叶绿素的生物合成,除680nm以上波长以外,可见光中各种波长的光照都能促使叶绿素形成,光过强反而会发生光氧化而受破坏。 植物中叶绿素和蛋白质结合为结合态叶绿素才能发挥作用,而自由态的叶绿素则会对细胞造成光氧化损伤。为了避免自由态叶绿素对细胞造成的光氧化损伤,植物必须快速降解这些物质。 在遮光条件下,集光色素蛋白在光合单位中的相对含量会增加,从而导致结合态叶绿素增加。与此同时,降低了叶绿素的降解和光氧化,所以遮光后叶绿素的含量会增加。 遮荫环境下,植物通过增加单位叶面积色素密度和叶绿素含量,有利于提高植株的捕光能力,吸收更多的光,提高光能利用率,是对弱光环境的一种适应。 二、遮光后叶绿素a/b降低 在不同生理条件下,叶绿素a和叶绿素b的合成、分解速度影响了叶绿素a/b的比值,但调节叶绿素a/b的比值主要通过“叶绿素循环”实现。叶绿素a 和叶绿素b的相互转化称为“叶绿素循环”。 在遮光条件下,叶绿素a向叶绿素b的转化加快,叶绿素a水解形成脱植基叶绿素a,脱植基叶绿素a再转化为脱植基叶绿素b,最后合成叶绿素b,从而降低了叶绿素a/b的比值。弱光下叶绿素b的相对含量增高是有其生理适应,有利于对弱光的利用。

叶绿素吸收光谱

叶绿素光合作用吸收光谱简述 一光合作用叶绿素简介 叶绿素是广泛存在于绿色植物中的最主要色素,是光合作用的捕光物质,在光合作用中发挥着重要的生理功能,光合作用是将太阳能转换为化学能,并 利用它把CO 2和H 2 0等无机物合成为有机物,同时放出0 2 的过程,是“地球上最重 要的化学反应”。因此长期以来,叶绿素和光合作用的研究一直是人们极关心的课题。例如在蛋白质进入叶绿体内的过程中Tic联合体所起的作用,主要生态因子对叶绿素a含量的影响及在不同水域各因子所起的作用,利用高光谱数据对作物群体叶绿素密度的估算等等。 叶绿素是一种复杂的有机大分子,它含有一个极性的卟啉“头”和一条非极性的叶醇“尾”。叶绿素的基本结构为卟吩,镁卟啉是绿色的基本源。叶绿素是镁卟啉的羟酸衍生物,它与叶绿醇、甲醇酯化生成叶绿素。目前人们发现的叶绿素已有许多种,包括叶绿素a,b,c,d和细菌叶绿素a,b,c等。 叶绿素a的分子式为C 55H 72 O 5 N 4 Mg,分子质量约为89kD(1 D=1.65×10-24g),它 是一个在C-7和C-8位置上带有2个氢原子的二氢卟啉与镁离子的配合物。叶绿素 b的分子式为C 55H 70 O 6 N 4 Mg,分子质量约为90kD,它也是二氢卟啉,与叶绿素a的差 别在于C-3位置上的甲基被醛基所取代。叶绿素a,b都是脂类化合物,不溶于水,溶于己烷、石油醚、丙酮等有机溶剂。当用有机溶剂提取叶绿素时,二者同时被提取出来。叶绿素a呈蓝绿色,叶绿素b呈黄绿色。在可见光范围内,二者的吸收光谱相互重叠较大,其吸收峰位于可见光的红光与蓝紫光。 二叶绿素吸收光谱 叶绿素吸收光的能力很强,如果把叶绿素溶液放在光源和分光镜之间,就可以看到有些波长的光线被吸收了。在光谱中就出现了暗带,这种光谱叫吸收光谱。 叶绿素两个最强烈的吸收区,一个是波长为640~660nm的红光部分,另一个是430~450nm的蓝紫光部分。此外,在光谱的橙光,黄光和绿光部分只有不明显的吸收带,其中尤以对绿光的吸收最少,所以叶绿素的溶液呈绿色。叶绿素 a(chl a)和叶绿素b(chl b)的吸收光谱很相似,但略有不同。

不同环境条件下植物叶绿素a、b含量地比较

一、实验课题名称:不同环境条件下植物叶绿素a、b含量的比较 二、选题背景或文献综述: 《植物生理学实验指导》(第四版)、《植物生理学》(第六版)、上网查阅相关资料 阴生植物也称“阴性植物”,是在较弱的光照条件下生长良好的植物,但并不是阴生植物对光照强度的要求越弱越好,而是必须达到阴生植物的补偿点,植物才能正常生长,阳生植物也称“阳性植物”,光照强度对植物的生长发育及形态结构的形成有重要作用,在强光环境中生长发育健壮,在阴蔽和弱光条件下生长发育不良的植物称阳性植物,这类植物要求全日照,并且在水分、温度等条件适合的情况下,不存在光照过强的问题。 阳生植物和阴生植物的区别:关于光的饱和点和补偿点光是光合作用的能量来源,光照强度直接影响光合速率,在其它条件都适宜的情况下,在一定范围内,光合速率随光照强度提高而加快,当光照强度高到一定数值后,光照强度再提高而光合速率不再加快,这种现象叫光饱和现象。开始达到光饱和现象的光照强度称为光饱和点,在光饱和点以下,随着光照强度减弱,光合速率减慢,当减弱到一定光照强度时,光合作用吸收二氧化碳量与呼吸释放二氧化碳的量处于动态平衡,这时的光照强度称为光补偿点。此时植物制造有机物量和消耗有机物量相等,不同类型植物的光饱和点和

补偿点是不同的,阳性植物的光饱和点和补偿点一般都高于阴性植物。 结构和特性的区别:阴生植物的叶片的疏导组织比阳生植物稀疏,以叶绿体来说,阳生植物有较大的基粒,基粒片层数目多的多,叶绿素含量也高,阴生植物在较低的光照条件下充分的吸收光线,叶绿素a/叶绿素b的比值小,能够强烈的利用蓝紫光,阳性植物叶片小而厚,表面具蜡质或绒毛,叶脉密,单位面积内气孔多,叶绿素含量高,体内含盐分多,渗透压高,可以抗高温干旱,阳生植物的气孔一般在叶片下表皮分布的数量多于上表皮,这样可以避免阳光直晒而减少水分散失,阳生植物的呼吸速率高于阴生植物。 区分阳生植物与阴生植物,主要是根据植物对光照强度需要的不同,阳生植物要求充分直射日光才能生长或生长良好,阴生植物适宜于生长在荫蔽环境中,它们在完全日照下反而生长不良或不能生长,阳生植物和阴生植物之所以能适应不同光照,是与它们的生理特征和形态特征不同有关,以光饱和点来说,阳生植物的光饱合点是全光照(即全部太阳光照)的100%,而阴生植物是全光照的10%~50%。因为阴生植物叶片的输导组织比阳生植物的稀疏,当光照强度增大时,水分对叶片的供给不足,阴生植物便不再增加光合速率,以叶绿体来说,阴生植物与阳生植物相比,前者有较大的基粒,基粒片层数目多,叶绿素含量较高,能在较低光照强度下充分

YSI(多参数水质检测仪)测定叶绿素a浓度的准确性及误差探讨解析

上肠ksd.(湖泊科学),2010,22(6):965-968 http:∥www.jlakes.org.E-mail:jhk∞@IligIas.ac.cn @20lOby如£册耐矿kksc泐鲫 YSI(多参数水质检测仪)测定叶绿素a浓度的准确性及误差探讨‘刘苑1”,陈宇炜H。,邓建明1’2 (1:中国科学院南京地理与湖泊研究所湖泊与环境国家重点实验室,南京210008) (2:中国科学院研究生院,北京lo0049) 摘要:Ysl(多参数水质检测仪)由于其快速、轻便的特点,已广泛应用于野外水体中时绿素a的测定.通过将Y跚溯得的叶绿素a值与分光光度法测定值进行比较,对Ysl6600水质测定的准确性和数据采集进行评估.结果显示,Ysl测定值多数偏低。且与分光光度法测定值之间存在显著性差异;时间上,冬季比夏季具有更大的线性相关性.分段同归结果显示,随着叶绿素a浓度不断增大.两组数据的差值也不断增大.YsI测定误差产生于3个方面:(1)测定前YsI校准方法的不同;(2)其它种类具有荧光特性色素的存在;(3)YsI自身结构. 关键词:叶绿素a浓度;YSI;分光光度法;误差 DisCussiOn0naccuracyanderrOrSforphytopIanI∞nchlorophy¨-aconcentra埘0nanaIySiSusingYSl(MuItI-parameterwateranalyzer) U[UYu觚1r,C胍NYhweil&DENGJi柚min91.2 巧scie,lces.Nn嘲i他2、000s.P.Rcht舱)(1:胁把研k幻加fo秽巧上4妇&妇懈4耐勖佃研珊跏f,觑l咖g肺咄姚可&珊,印砂研d肠彻咖,劭加甜PAc扭娜(2:G,眦妇纪&幻Dz盯cJ咖e卵A棚d唧矿&£伽,&驴f,增l(-D049,P.尼西f,埘) Abst陀ct:YsI(Mlllti?pa强ln曲盱waler锄aly蹭r)is诵delyusedto山把皿i肿phytlDm锄kton 6eIdschl啪phyll-aconcentr撕加inm蛐ybec舢卵0fitsrapidne睇锄dportablene鹄.Tbepu叩∞e0ftllis咖由i8t0evalu砒etIlee伍c卵y0ft王leYSIEn“姒蛐entalMo_Ili试ngsye锄hw栅qIlalityⅡ地a棚他眦“tsanddalacouectionbycompfariItgtw0group邑0fdala憾illg蚰啪ltory耐}

不同环境条件下植物叶绿素a、b含量的比较(分光光度法测定)

一、实验课题名称 不同环境条件下植物叶绿素a、b含量的比较(分光光度法测定) 二、文献综述 1.叶绿素a的生物合成过程 起始物是谷氨酸,之后为5-氨基酮戊酸,两分子的ALA缩合形成胆色素原(PBG),4分子PBG相互连结形成原中卟啉IX.原卟啉IX与Mg结合形成Mg-原卟啉原IX,光下E环的环化形成,D环的还原作用和叶绿醇尾部的连接完成了整个合成过程,合成过程中的许多步骤在图中已省略 2.影响叶绿素形成的条件 (1)光光是影响叶绿素形成的主要条件。从原叶绿素酸酯转变为叶绿酸酯需要光,而光过强,叶绿素又会受光氧化而破坏。黑暗中生长的幼苗呈黄白色,遮光或埋在土中的茎叶也呈黄白色。这种因缺乏某些条件而影响叶绿素形成,使叶子发黄的现象,称为黄化现象(etiolation)。 也有例外情况,例如藻类、苔藓、蕨类和松柏科植物在黑暗中可合成叶绿素,其数量当然不如在光下形成的多;柑橘种子的子叶及莲子的胚芽在无光照的条件下也能形成叶绿素,推测这些植物中存在可代替可见光促进叶绿素合成的生物物质。 (2)温度叶绿素的生物合成是一系列酶促反应,受温度影响。叶绿素形成的最低温度约2℃,最适温度约30℃,最高温度约40℃。秋天叶子变黄和早春寒潮过后秧苗变白,都与低温抑制叶绿素形成有关。高温下叶绿素分解大于合成,因而夏天绿叶蔬菜存放不到一天就变黄;相反,温度较低时,叶绿素解体慢,这也是低温保鲜的原因之一。 (3)营养元素叶绿素的形成必须有一定的营养元素。氮和镁是叶绿素的组成成分,铁、锰、铜、锌等则在叶绿素的生物合成过程中有催化功能或其它间接作用。因此,缺少这些元素时都会引起缺绿症(chlorosis),其中尤以氮的影响最大,因而叶色的深浅可作为衡量植株体内氮素水平高低的标志。 (4)氧缺氧能引起Mg-原卟啉IX或Mg-原卟啉甲酯的积累,影响叶绿素的合成。 (5)水缺水不但影响叶绿素生物合成,而且还促使原有叶绿素加速分解,所以干旱时叶片呈黄褐色。 通过对室外旱池处理条件下的甘薯叶片叶绿素含量变化的研究,结果表明,水分胁迫下甘薯品种叶片中叶绿素a、b及总叶

叶绿素a测定实验报告

叶绿素a测定实验报告 (一)实验目的及意义 水体富营养化可以通过跟踪监测水中叶绿素的含量来实现,其中叶绿素a是所有叶绿素中含量最高的,因此叶绿素a的测定能示踪水体的富营养化程度。 (二)水样的采集与保存 1.确定具体采样点的位置 2.在采样点将采样瓶及瓶盖用待测水体的水冲洗3-5遍 3.将采样瓶下放到距水面0.5-1m处采集水样2.5L 4.在采样瓶中加保存试剂,每升水样中加1%碳酸镁悬浊液1mL 5.将采样瓶拧上并编号 6.用GPS同步定位采样点的位置 (三)仪器及试剂 仪器: 1.分光光度计 2.比色池:10mm 3.过滤装置:过滤器、微孔滤膜(孔径0.45μm,直径60mm) 4.研钵 5.常用实验设备 试剂: 1.碳酸镁悬浮液:1%。称取1.0g细粉末碳酸镁悬浮于100mL蒸馏水中。每次使用时要充分摇匀 2.乙醇溶液 (四)实验原理 将一定量的试样用微孔滤膜过滤,叶绿素会留在滤膜上,可用乙醇溶液提取。 将提取液离心分离后,测定750、663、645、630mm的吸光度,计算叶绿素的浓度。 (五)实验步骤 1.浓缩:在一定量的试样中添加0.2mL碳酸镁悬浮液,充分搅匀后,用直径60mm 的微孔滤膜吸滤.过滤器内无水分后,还要继续抽吸几分钟.如果要延时提取,可把载有浓缩样品的滤膜放在干燥器里冷冻避光贮存。 2. 提取:将载有浓缩样品的滤膜放入研钵中,加入7mL乙醇溶液至滤纸浸湿的程度,把滤膜研碎,再少量地加乙醇溶液,把滤膜完全研碎,然后用乙醇溶液将已磨碎的滤膜和乙醇溶液洗入带刻度的带塞离心管中,使离心管内提取液的总体积不超过10mL,盖上管塞,置于的暗处浸泡24h。 3.离心:将离心管放入离心机中,以4000r/min速度离心分离20min。将上清液移入标定过的10mL具塞刻度管中,加少量乙醇于原提取液的离心管中,再次悬浮沉淀物并离心,合并上清液。此操作重复2-3次,直至沉淀不含色素为止,最后将上清液定容至10mL。 4.测定:取上清液于10mm的比色池中,以乙醇溶液为对照溶液,读取波长750,663,645和630mm的吸光度。

利用高光谱技术反演作物叶绿素浓度

利用高光谱技术反演作物叶绿素浓度 摘要:高光谱技术作为一种新兴光谱技术,被广泛应用于植物的无损检测中,植被叶片叶绿素含量的估测就是其中之一。利用可见-近红外成像光谱仪采集不同生育期玉米和大豆的冠层“图谱”数据,在逐步提取影像中光照土壤、阴影土壤、光照植被、阴影植被四种组分光谱的基础上,通过选取的敏感波段构建光谱植被指数和叶绿素密度进行波段自相关分析,探讨各个分量对作物叶绿素密度反演的影响。 关键词:高光谱技术;叶绿素;反演 0 引言 植物通过光合作用获取营养物质,在植物光合作用中,植物细胞中的叶绿体占据了重要的地位,而叶绿体中的色素有叶绿素(叶绿素a,叶绿素b 和叶绿素a+b)与类胡萝卜素(胡萝卜素和叶黄素)。其中,叶绿素是植物光合作用中最重要的色素,其作为主要吸收光能的物质,直接影响植物光合作用的光能利用率。叶片单位面积的叶绿素含量是植物总体生长状况的一个重要指标。叶片叶绿素含量的测定可以用来检测和研究植物突变、压力和营养状态,作物压力和萎黄病的检测对精细农业具有重要的潜在影响[1]。 随着光谱技术的发展,其被应用到各个领域。而高光谱技术作为光谱技术的一种,由于具有众多优点,在光谱检测方面应用十分广泛,备受人们的青睐。人类肉眼的视觉范围在380~780 nm 之间,而高光谱的波段非常宽,一些高光谱仪器的波段达350~2 500 nm。因此,通过高光谱技术可以对绿色植物进行叶绿素的检测和定量分析。本文对高光谱技术在植物,特别是在经济作物的叶绿素含量检测和定量分析中的应用加以概述[2]。 1 成像系统简介及数据处理 1.1 高光谱成像技术简介 高光谱成像技术是在多光谱成像的基础上发展而来的,在较宽的波段范围内,利用成像光谱仪对目标物体进行连续成像,从而获得每个像元的数十或数百条光谱信息。其成像特点是:光谱范围广(200~2 500nm)、超多波段(上百个波段)、高的高光谱分辨率(几个nm)、波段窄(≤10-2λ)和图谱合一等。由于所获得的图像信息不仅可以反映物体的大小、形状、缺陷等外部特征,而且不同物体因结构和成分的不同使光谱吸收也不同,从而可以用于物体内部的物理结构和化学成分的检测。 高光谱成像检测装置主要由光源、光谱相机(成像光谱仪+CCD)、装有图像采集卡的计算机组成,如图1所示[3]

叶绿素理化性质及含量

实验报告 课程名称: 植物生理学(乙)指导老师: 廖敏 成绩: 实验名称: 叶绿素理化性质和含量 实验类型: 定量探究型 同组学生姓名: 方昊 一、实验目的和要求(必填) 三、主要仪器设备(必填) 五、实验数据记录和处理 七、讨论、心得 二、实验内容和原理(必填) 四、操作方法和实验步骤 六、实验结果与分析(必填) 一、实验目的和要求 掌握植物中叶绿体色素的分离和性质鉴定、定量分析的原理和方法; 二、实验内容和原理 以青菜为材料,提取和分离叶绿体色素并进行理化性质测定和叶绿素含量 分析。原理如下: 1. 叶绿素和类胡萝卜素均不溶于水而溶于有机溶剂,常用95%的乙醇或80%的丙酮提取; 2. 叶绿素是二羧酸酯,与强碱反应,形成绿色的可溶性叶绿素盐,就可与有机溶剂中的类胡萝卜素 分开; 3. 在酸性或加温条件下,叶绿素卟啉环中的Mg++可依次被H+和Cu++取代形成褐色的去镁叶绿素和绿色的铜代叶绿素; 4. 叶绿素受光激发,可发出红色荧光,反射光下可见红色荧光; 5. 叶绿素吸收红光和蓝紫光,红光区可用于定量分析,其中645和663用于定量叶绿素a 、b 及总量,而652可直接用于总量分析。 专业:农业资源与环境 姓名: 吴主光 学号: 3110100403 日期: 2013.10.17 地点: 生物实验中心 装 订 线

三、主要仪器设备 1. 天平(万分之一)、可扫描分光光度计、离心机、研具、各种容(量)器、洒精灯等 四、操作方法、实验步骤以及实验现象 定性分析: 鲜叶5g+95%30ml(逐步加入),磨成匀浆 过滤入三角瓶中,观察荧光现象:透射光绿色,反射光红色。 皂化反应(3ml):加KOH数片剧烈摇均,加石油醚5ml和H2O1ml分层后观察:上层呈黄色,为类胡萝卜素,吸收蓝紫光;下层呈绿色,为叶绿素,吸收红光和蓝紫光。 取代反应(1):加醋酸约2ml,变褐(去镁叶绿素);取1/2加醋酸铜粉加热,变鲜绿色,为铜代叶绿素。 取代反应(2):鲜叶2-3cm2,加Ac-AcCu 20ml加热,观察: 3 min变为褐绿色的去镁叶绿素, 5 min后,变为深绿色的铜代叶绿素。 叶绿素和类胡萝卜素的吸收光谱测定: 皂化反应的上层黄色石油醚溶液(稀释470nm OD 0.5-1) 反复用石油醚粹取,直到无类胡萝卜素,离心得叶绿素(盐)(稀释663nm OD 0.5-1) 在400-700nm处扫描光谱,分别测定类胡萝卜素和叶绿素的吸收峰. 叶绿素定量分析:鲜叶0.1g,加1.9mlH2O,磨成匀浆,取0.2ml加80%丙酮4.8ml,摇匀,4000转离心3min,上清液在645,652,663测定OD,计算Chla,Chlb 和Chl总量的值。 五、实验数据记录和处理

植物叶绿素测定方法

叶绿素含量的测定 一、原理 根据叶绿体色素提取液对可见光谱的吸收,利用分光光度计在某一特定波长测定其吸光度,即可用公式计算出提取液中各色素的含量。根据朗伯—比尔定律,某有色溶液的吸光度A与其中溶质浓度C和液层厚度L成正比,即A=αCL式中:α比例常数。当溶液浓度以百分浓度为单位,液层厚度为1cm时,α为该物质的吸光系数。各种有色物质溶液在不同波长下的吸光系数可通过测定已知浓度的纯物质在不同波长下的吸光度而求得。如果溶液中有数种吸光物质,则此混合液在某一波长下的总吸光度等于各组分在相应波长下吸光度的总和。这就是吸光度的加和性。今欲测定叶绿体色素混合提取液中叶绿素a、b和类胡萝卜素的含量,只需测定该提取液在三个特定波长下的吸光度A,并根据叶绿素a、b 及类胡萝卜素在该波长下的吸光系数即可求出其浓度。在测定叶绿素a、b时为了排除类胡萝卜素的干扰,所用单色光的波长选择叶绿素在红光区的最大吸收峰。 二、材料、仪器设备及试剂 (一)材料:新鲜(或烘干)的植物叶片。 (二)仪器设备:1)分光光度计;2)电子顶载天平(感量0.01g);3)研钵;4)棕色容量瓶; 5)小漏斗;6)定量滤纸;7)吸水纸; 8)擦境纸;9)滴管。 (三)试剂:1)95%乙醇(或80%丙酮)(v丙酮:v乙醇=2:1的95%水溶液);2)石英砂;3)碳酸钙粉。暗中2h,0.5g,25ml 三、实验步骤 1)取新鲜植物叶片(或其它绿色组织)或干材料,擦净组织表面污物,剪碎(去掉中脉),混匀。 2)称取剪碎的新鲜样品 0.2g ,共3份,分别放入研钵中,加少量石英砂和碳酸钙粉及2~3ml 95%乙醇,研成均浆,再加乙醇10ml,继续研磨至组织变白。静置3~5m 3)取滤纸1张,置漏斗中,用乙醇湿润,沿玻棒把提取液倒入漏斗中,过滤到25ml棕色容量瓶中,用少量乙醇冲洗研钵、研棒及残渣数次,最后连同残渣一起倒入漏斗中。 4)用滴管吸取乙醇,将滤纸上的叶绿体色素全部洗入容量瓶中。直至滤纸和残渣中无绿色为止。最后用乙醇定容至25ml,摇匀。 5)把叶绿体色素提取液倒入光径1cm的比色杯内,以95%乙醇为空白,在波长663nm 和645nm下测定吸光度。在波长663nm、645nm下或652nm测定吸光度。 四、实验结果计算 叶绿素a的含量 = 12.7 ? OD 663 – 2.69 ? OD 645 叶绿素a的含量 = 22.9 ? OD 645 – 4.86 ? OD 663 叶绿素a、b的总含量 = 8.02 ? OD 663 + 20.20 ? OD 645

植物生理学实验-叶绿素a b测定

叶绿素a,b含量测定 [实验目的]熟悉在未经分离的叶绿素溶液中测定叶绿素a和b的方法及其计算。 [实验原理]在叶绿素a和b的吸收光谱曲线中,红波波长范围内,叶绿素a的最大吸收峰在663nm,叶绿素b的最大吸收峰在645nm。吸收曲线彼此又有重叠。 根据Lambert—Beer定律,最大吸收峰不同的两个组分的混合液,它们的浓度C与光密度OD之间有如下关系:OD1=Ca·ka1+Cb·kb1 (1) OD2=Ca·ka2+Cb·kb2 (2) Ca为组分a的浓度(g/L) Cb为组分b的浓度(g/L) OD1为在波长λ1(即组分a的最大吸收峰波长)时,混合液的光密度OD值。 OD2为在波长λ2(即组分b的最大吸收缝波长)时,混合液的光密度OD值。 ka1,kb1,ka2,kb2分别为组分a,b的比吸收系数,即组分a(b)的浓度为(1g/L)时,其在相应波长(λ1,λ2)时的光密度OD值。 叶绿素A和B的80%丙酮溶液,当浓度为1时,比吸收系数K值如下表: 将表中数值代入上式(1),(2)并整理的: Ca=0.0127OD663-0.00269OD645 Cb=0.0229OD645-0.00468OD663 若把Ca,Cb的浓度单位从原来的g/L改为mg/L,则上式可改写为下列形式: Ca=12.7OD663-2.69OD645 (3) Cb=22.9OD645-4.68OD663 (4) Ct=Ca+Cb=8.02OD663+20.21OD645 (5) Ct为叶绿素总浓度,单位为g/L。 利用(3),(4),(5)式即可计算出叶绿素A和B及总叶绿素的浓度(g/L)。 [器材与试剂] 1.实验仪器:高级型分光光度计,离心机,台天平,剪刀,研钵,漏斗,移液管 2.实验试剂:丙酮,碳酸钙 3.实验材料:植物叶片 [实验步骤] 1.色素的提取:取新鲜叶片,剪去粗大的叶脉并剪成碎块,称取0.5G放入研钵中加纯丙酮5ML,少许碳酸钙和石英砂,研磨成匀浆,再加80%丙酮5ML,将匀浆转入离心管,并用适量80%丙酮洗涤研钵,一并转入离心管,离心后弃沉淀,上清液用80%丙酮定容至20ML。 2.测定光密度:取上述色素提取液1ml,加80%丙酮4ml稀释和转入比色杯中,以80%丙酮为对照,分别测定663nm,645nm处的光密度值。 3.按公式分别计算色素提取液中叶绿素A,B及叶绿素总浓度。再根据稀释倍数分别计算每克鲜重叶片中色素的含量。 [注意事项] 1.由于植物子叶中含有水分,故先用纯丙酮进行提取,以色素提取液中丙酮的最终浓度近似80%。 2.由于叶绿素A,B的吸收峰很陡,仪器波长稍有偏差,就会使结果产生很大的误差,因此最好能用波长较正确的高级型分光光度计。 [实验作业] 1.试比较阴生植物和阳生植物的叶绿素A和叶绿素B的比值有无不同。 2.分光光度法和比色法有何不同? 3.叶绿素A和叶绿素B在红光区和蓝光区都有最大吸收峰,能否用蓝光区的最大吸收峰波长进行叶绿素A和叶绿素B 的定量分析,为什么?

基于辐射传输模型的叶绿素含量定量反演(精)

生态学杂志ChineseJournalofEcology 2006,25(5):591~595 基于辐射传输模型的叶绿素含量定量反演*施润和1,2** 庄大方牛铮王汶 21343(1中国科学院地理科学与资源研究所,北京100101; 北京100101;4中国科学院研究生院,北京100049;中国科学院遥感应用研究所,中国人民大学环境学院,北京100872) 摘要利用基于叶片内部辐射传输机制的PROSPECT模型模拟大量不同生化含量和叶肉结构的叶片光谱,研究利用高光谱植被指数定量反演叶绿素含量的可行性和精度,并比较各指数的稳定性和抗干扰能力。结果显示,各指数在对叶绿素的敏感性方面相差不大,除三角植被指数(TVI)外,其它指数均随叶绿素含量的增加而减小。叶片水分含量的差异对各指数的影响很小,干物质次之,叶肉结构影响最大。在抵抗干物质影响和叶肉结构影响方面,结构无关色素指数(SIPI)明显优于其它四种指数,吸收中心波深归一化后的面积指数(ABNC)次之。通过使用叶片光学模型的模拟光谱来研究叶绿素含量变化的光谱响应及其影响因素和反演策略,具有较强的理论性和普适性。研究结果与实际观测相吻合,方法简单易行。 关键词辐射传输模型,叶绿素,高光谱,植被指数,反演 中图分类号 Q945 11 文献标识码 A 文章编号 1000-4890(2006)05-0591-05 Quantitativeinversionofchlorophyllcontentbasedonradiativetransfermodel.SHIRunhe,Z HUANGDafang1,NIUZheng3,WANGWen4(1InstituteofGeographicalSciencesandNatu ralResourcesResearch,ChineseAcademyofSciences,Beijing100101,China;2GraduateUni versityofChineseAcademyofSci ences,Beijing100049,China;3InstituteofRemoteSensingApplications,ChineseAcademyo fSciences,Bei jing100101,China;4SchoolofEnvironmentandNaturalResources,RenminUniversityofChi na,Beijing100872).ChineseJournalofEcology,2006,25(5):591~595. PROSPECTmodelisawell knownleafopticalmodelbasedontheradiativetransferprocesseswithinaleaf,whichwasusedi nthispapertosimulatetheleafreflectancespectraofchlorophyll,water,anddrymattercon tentsandmesophyllstructureparameters,aimedtoinvestigatethefeasibilityandprecisionofhy perspectralvegetationindices(VIs)inchlorophyllprediction,andtheirresistantperformances againstleafwater,drymatter,andmesophyllstructure.Atotalof5widely usedVIsforpredictingchlorophyllcontent,i.e.Chloro phyllAbsorptionRatioIndex(CARI),TriangularVegetationIndex(TVI),PhotochemicalRef lectanceIndex(PRI),Structured IndependentPigmentIndex(SIPI),andAreaofBandNormalizationtotheCenterofAb sorptionFeature(ABNC),wereconsidered.ThesimulationresultsshowedthatalltheVIsexce

(完整word版)叶绿素含量的测定

叶绿素含量的测定 一、原理 根据叶绿体色素提取液对可见光谱的吸收,利用分光光度计在某一特定波长测定其吸光度,即可用公式计算出提取液中各色素的含量。 根据朗伯—比尔定律,某有色溶液的吸光度A 与其中溶质浓度C 和液层厚度L 成正比,即A =αCL 式中:α比例常数。当溶液浓度以百分浓度为单位,液层厚度为1cm 时,α为该物质的吸光系数。各种有色物质溶液在不同波长下的吸光系数可通过测定已知浓度的纯物质在不同波长下的吸光度而求得。 如果溶液中有数种吸光物质,则此混合液在某一波长下的总吸光度等于各组分在相应波长下吸光度的总和。这就是吸光度的加和性。今欲测定叶绿体色素混合提取液中叶绿素a 、b 和类胡萝卜素的含量,只需测定该提取液在三个特定波长下的吸光度A ,并根据叶绿素a 、b 及类胡萝卜素在该波长下的吸光系数即可求出其浓度。在测定叶绿素a 、b 时为了排除类胡萝卜素的干扰,所用单色光的波长选择叶绿素在红光区的最大吸收峰。 已知叶绿素a 、叶绿素b 的80%丙酮溶液在红外区的最大吸收峰分别位于663、645nm 处。已知在波长663nm 下叶绿素a 、叶绿素b 在该溶液中的吸光系数的分别为82.04和9.27;在波长645nm 处的吸光系数分别为16.75和45.60。根据加和性原则列出以下关系式: A663=82.04Ca+9.27Cb (1) A645=16.76Ca+45.60Cb (2) 式(1) (2)A 663nm 和A645nm 为叶绿素溶液在663nm 和645nm 处的吸光度,C a C b 分别为叶绿素a 、叶绿素b 的浓度,以mg/L 为单位。 解方程(1) (2)组得 C a =12.72 A 663—2.59 A 645 (3) C b =22.88 A 645—4.67 A 663 (4) 将C a +C b 相加即得叶绿素总量C T C T = C a 十C b =20.29A 645—8.05 A 663 (5) 从公式(3)、(4)、(5)可以看出,,就可计算出提取液中的叶绿素a 、b 浓度另外,由于叶绿素a 叶绿素b 在652nm 的吸收峰相交,两者有相同的吸光系数(均为30.5),也可以在此波长下测定一次吸光度(A 652)而求出叶绿素a 、叶绿素 b 总量 所测定材料的单位面积或单位重量的叶绿素含量可按下式进行计算: C T = 5 .341000 652 A (6) 有叶绿素存在的条件下,用分光光度法可同时测出溶液中类胡萝卜素的含量。Licht-enthaler 等对Arnon 进行了修正,提出了 80%丙酮提取液中3种色素含量的计算公式: C a =12.21A 663—2.59 A 646 (7)

测定叶绿素a和b的方法及其计算完整版

测定叶绿素a和b的方 法及其计算 Document serial number【NL89WT-NY98YT-NC8CB-NNUUT-NUT108】

实验二十五测定叶绿素a和b的方法及其计算 一目的要求: 熟悉在未经分离的叶绿体色素溶液中测定叶绿素a和b的方法及其计算。 二实验原理: 如果混合液中的两个组分,它们的光谱吸收峰虽然有明显的差异,但吸收曲线彼此有些重叠,在这种情况下要分别测定两个组分,可根据Lambert-Beer定律,通过代数方法,计算一种组分由于另一种组分存在时对光密度的影响,最后分别得到两种组分的含量。 如图z-4叶绿素a和b的吸收光谱曲线,叶绿素a的最大吸收峰在663nm,叶绿素b在645nm,吸收曲线彼此又有重叠。 图z-4 叶绿素a和b的吸收光谱曲线 横坐标为波长(nm),纵坐标为比吸收系数 根据Lambert-Beer定律,最大吸收光谱峰不同的两个组分的混合液,它们的浓度C与光密度OD之间有如下的关系: OD1=Ca·ka1+Cb·kb1 (1) OD2=Ca·ka2+Cb·kb2 (2) 式中:Ca为组分a的浓度,g/L。 Cb为组分b的浓度,g/L。 OD1为在波长λ1(即组分a的最大吸收峰波长)时,混合液的光密度OD值。 OD2为在波长λ2(即组分b的最大吸收峰波长)时,混合液的光密度OD值。

ka1为组分a的比吸收系数,即组分a当浓度为1g/L时,于波长λ1时的光密度OD值。 kb2为组分b的比吸收系数,即组分b当浓度为1g/L时,于波长λ2时的光密度OD值。 ka2为组分a(浓度为1g/L),于波长λ2时的光密度OD值。 kb1为组分b(浓度为1g/L),于波长λ1时的光密度OD值。 从文献中可以查到叶绿素a和b的80%丙酮溶液,当浓度为1g/L时,比吸收系数k值如下: 将表中数值代入上式(1)、(2),则得: OD663=×Ca+×Cb OD645=×Ca+×Cb 经过整理之后,即得到下式: Ca= OD645 Cb= OD663 如果把Ca,Cb的浓度单位从原来的g/L改为mg/L,则上式可改写为下列形式: Ca= OD645 (3) Cb= OD663 (4) CT= Ca+ Cb= OD663+ OD645 (5) (5)式中CT为总叶绿素浓度,单位为mg/L。 利用上面(3)、(4)、(5)式,即可计算出叶绿素a和b及总叶绿素的浓度 (mg/L)。 [附注]一般大学教学实验室所用的分光度计多为721型,属低级类型,其单色光的半波宽要比中级类型的751型宽得多,而叶绿素a和b吸收峰的波长相差仅18nm(663-645nm),难以达到精确测定。此外有时还由于仪器本身的标称波长与实际波长不符,

水体叶绿素a测定方法

叶绿素a的测定方法——乙醇+分光光度法 1、水样的保存 水样注入水样瓶后,应放置在阴凉处,并避免阳光直射。若水样的进一步处理需要较长时间(大于12h),则应置于0℃~4℃低温下保存。水样量视水体中浮游植物多少而定,一般应采0.5~2L。 2、抽滤 在抽滤装置的滤器中放入GF/C滤膜。抽滤时负压应不大于50kPa。抽滤完毕后,用镊子小心地取下滤膜,将其对折(有藻类样品的一面向里),再用普通滤纸吸压,尽量去除滤纸上的水分。如不立即提取,应将滤膜放在黑暗低温条件下保存。在普通冰箱冷冻室中可存放几天,在-20℃低温冰箱中可保存30天。 3、提取 研磨可用玻璃研钵。将滤膜剪碎放入研钵,加入90%乙醇溶液7~8ml,研磨3~5分钟直至变为匀浆。将研磨后的匀浆移入具塞带刻度的离心管中。用少量提取液冲洗研钵或匀浆器,冲洗液并入离心管中,使终容积略小于10ml。盖上关塞,摇动后置于黑暗低温处进行提取至少6-24h。 4、离心 将装有提取液的离心管放入离心机中,转速3500~4000rpm,离心10~15min。将上层叶绿素提取液移入定量试管中,再用少量提取液清洗、离心二次取得提取液。最后将提取液定容到10ml。如果大批样品需同步操作时,可减少离心步骤,直接在提取液中浸泡滤膜6-24h,取其清液即可。 5、测定 用90%乙醇溶液作为参照液(参照比色皿中盛放90%乙醇溶液,并用90%乙醇调分光光度计零点)。测定定容后的提取液在665nm和750nm处的吸光度,并计算两个吸光度的差记为A1;然后向比色皿中加入1滴1mol/L的盐酸酸化,酸化5—10min(可以用不同时间实验再进行调整)后再次测定酸化后的提取液在665和750nm处的吸光度,并且把酸化后的两个吸光度的差记为A2.则提取液中叶绿素a的浓度为: Chla=27.9×(A1-A2)×V提取液/V 脱镁叶绿素浓度为: Chla=27.9×(1.7 A2-A1)×V提取液/V 其中Chla为水样中的叶绿素a含量,单位为ug/L;V提取液为提取液的最终定容体积,单位为mL;V为抽滤水样的体积,单位为L。

对于叶绿素荧光全方面的研究

对于叶绿素荧光全方面的研究 叶绿素荧光现象的发现 将暗适应的绿色植物突然暴露在可见光下后,植物绿色组织发出一种暗红色,强度不断变化的荧光。荧光随时间变化的曲线称为叶绿素荧光诱导动力学曲线。最直观的表现是,叶绿素溶液在透射光下呈绿色,在反射光下呈红色的现象。其本质是,叶绿素吸收光后,激发了捕光色素蛋白复合体,LHC将其能量传递到光系统2或光系统1,期间所吸收的光能有所损失,大约3%-9%的所吸收的光能被重新发射出来,其波长较长,即叶绿素荧光。 叶绿素荧光动力学研究的特点 1、叶绿素荧光动力学特性包含着光合作用过程的丰富信息 光能的吸收和转换 能量的传递与分配 反应中心的状态 过剩光能及其耗散 光合作用光抑制与光破坏 2、可以对光合器官进行“无损伤探查” 3、操作步骤简单快捷 光合作用的光抑制 光抑制是过剩光能造成光合功能下降的过程。过剩光能指植物所吸收的光能超出光化学反应所能利用的部分。过去人们把光抑制与光破坏等同起来,认为发生了光抑制就意味着光和机构遭到破坏。甚至把光抑制、光破坏、光氧化等,沦为一体。 光抑制的基本特征表现为: 光合效率下降说明叶片吸收的光能不能有效地转化为化学能。光破坏:PSII 是光破坏的主要场所,破坏也可能发生在反应中心也可能发生在与次级电子受体结合的蛋白上。发生光破坏后的结果:电子传递受阻、光合效率下降。当过剩的光能,不能及时有效地排散时,会对光合机构造成不可逆的伤害,如光氧化、光漂白等等。一切影响二氧化碳同化的外界因素,如低温、高温、水分亏缺、矿质元素亏缺等都会减少对光能的利用,导致过剩光能增加,进而加重光破坏。 植物防御破坏的措施 1、减少对光能的吸收 增加叶片的绒毛、蜡质 减少叶片与主茎夹角 2、增强代谢能力 碳同化 光呼吸 氮代谢 3、增加热耗散 依赖叶黄素循环的热耗散 状态转换 作用中心可逆失活 光合作用

叶绿素吸收光谱

叶绿素吸收光谱公司内部档案编码:[OPPTR-OPPT28-OPPTL98-OPPNN08]

叶绿素光合作用吸收光谱简述 一 光合作用叶绿素简介 叶绿素是广泛存在于绿色植物中的最主要色素,是光合作用的捕光物质,在光合作用中发挥着重要的生理功能,光合作用是将太阳能转换为化学能,并利用它把CO 2和H 20等无机物合成为有机物,同时放出02的过 程,是“地球上最重要的化学反应”。因此长期以来,叶绿素和光合作用的研究一直是人们极关心的课题。例如在蛋白质进入叶绿体内的过程中Tic 联合体所起的作用,主要生态因子对叶绿素a 含量的影响及在不同水域各因子所起的作用,利用高光谱数据对作物群体叶绿素密度的估算等等。 叶绿素是一种复杂的有机大分子,它含有一个极性的卟啉“头”和一条非极性的叶醇“尾”。叶绿素的基本结构为卟吩,镁卟啉是绿色的基本源。叶绿素是镁卟啉的羟酸衍生物,它与叶绿醇、甲醇酯化生成叶绿素。目前人们发现的叶绿素已有许多种,包括叶绿素a ,b ,c ,d 和细菌叶绿素a ,b ,c 等。 叶绿素a 的分子式为C 55H 72O 5N 4Mg ,分子质量约为89kD(1 D=×10-24g), 它是一个在C-7和C-8位置上带有2个氢原子的二氢卟啉与镁离子的配合物。叶绿素b 的分子式为C 55H 70O 6N 4Mg ,分子质量约为90kD ,它也是二氢卟 啉,与叶绿素a 的差别在于C-3位置上的甲基被醛基所取代。叶绿素a ,b 都是脂类化合物,不溶于水,溶于己烷、石油醚、丙酮等有机溶剂。当用有机溶剂提取叶绿素时,二者同时被提取出来。叶绿素a 呈蓝绿色,叶绿素b 呈黄绿色。在可见光范围内,二者的吸收光谱相互重叠较大,其吸收峰位于可见光的红光与蓝紫光。 二 叶绿素吸收光谱 叶绿素吸收光的能力很强,如果把叶绿素溶液放在光源和分光镜之间,就可以看到有些波长的光线被吸收了。在光谱中就出现了暗带,这种光谱叫吸收光谱。

测定叶绿素a和b的方法及其计算

实验二十五测定叶绿素a和b的方法及其 计算 一目的要求: 熟悉在未经分离的叶绿体色素溶液中测定叶绿素a和b 的方法及其计算。 二实验原理: 如果混合液中的两个组分,它们的光谱吸收峰虽然有明显的差异,但吸收曲线彼此有些重叠,在这种情况下要分别测定两个组分,可根据Lambert-Beer定律,通过代数方法,计算一种组分由于另一种组分存在时对光密度的影响,最后分别得到两种组分的含量。 如图z-4叶绿素a和b的吸收光谱曲线,叶绿素a的最大吸收峰在663nm,叶绿素b在645nm,吸收曲线彼此又有重叠。 图z-4 叶绿素a和b的吸收光谱曲线 横坐标为波长(nm),纵坐标为比吸收系数

根据Lambert-Beer定律,最大吸收光谱峰不同的两个组分的混合液,它们的浓度C与光密度OD之间有如下的关系: OD1=Ca·ka1+Cb·kb1 (1) OD2=Ca·ka2+Cb·kb2 (2) 式中:Ca为组分a的浓度,g/L。 Cb为组分b的浓度,g/L。 OD1为在波长λ1(即组分a的最大吸收峰波长)时,混合液的光密度OD值。 OD2为在波长λ2(即组分b的最大吸收峰波长)时,混合液的光密度OD值。 ka1为组分a的比吸收系数,即组分a当浓度为1g/L时,于波长λ1时的光密度OD值。 kb2为组分b的比吸收系数,即组分b当浓度为1g/L时,于波长λ2时的光密度OD值。 ka2为组分a(浓度为1g/L),于波长λ2时的光密度OD 值。 kb1为组分b(浓度为1g/L),于波长λ1时的光密度OD 值。 从文献中可以查到叶绿素a和b的80%丙酮溶液,当浓度为1g/L时,比吸收系数k值如下:

相关文档
最新文档