确定暗适应下叶绿素荧光特征参数的方法及系统技术方案

本发明专利技术涉及一种确定暗适应下叶绿素荧光特征参数的方法，包括获取暗适应下的叶绿素荧光特征参数与未暗适应下的叶绿素荧光信号并在两者之间建立机器学习模型映射关系；将叶绿素荧光特征参数和叶绿素荧光信号组合划分为训练数据集和测试数据集并进行归一化处理；利用训练数据集从未暗适应的叶绿素荧光信号中确定暗适应下叶绿素荧光特征参数的机器学习模型；利用归一化处理后的测试数据集对确定的模型进行测试，评估从未暗适应的叶绿素荧光信号中确定暗适应下的叶绿素荧光特征参数的模型性能。本发明专利技术从未经暗适应的叶绿素荧光信号中确定暗适应下的叶绿素荧光特征参数F

【技术实现步骤摘要】
确定暗适应下叶绿素荧光特征参数的方法及系统


[0001]本专利技术涉及光合作用过程中的叶绿素荧光检测
，尤其是指一种确定暗适应下叶绿素荧光特征参数的方法及系统。

技术介绍

[0002]光合作用是人类在内所有生物的食物、能量和氧气来源。当植物和藻类的叶绿体吸收太阳光时，捕光色素蛋白(天线)复合物(LHC)被激发，吸收的能量被转移到PSII或光系统I(PSI)反应中心。吸收的光能主要用于光合作用，但部分以叶绿素荧光或热的形式耗散。叶绿素荧光是光合作用过程中发出的微弱光，约占总吸收光的2％
‑
3％。PSI和PSII的天线复合体都能发射叶绿素荧光，但来自PSII的叶绿素荧光远高于PSI。在正常生理条件下，叶绿素荧光变化主要来源于PSII。此外，来自PSII的叶绿素荧光要比来自PSI的叶绿素荧光对环境和生理变化更加敏感。
[0003]影响PSII的环境因素或植物生理变化也会影响叶绿素荧光，因此叶绿素荧光可以作为一种快速、灵敏、无损的检测PSII状态、反应中心、氧化还原状态、光能耗散以及电子转移过程等指标。叶绿素荧光分析技术是研究各种胁迫对光合作用过程影响的最有效和最广泛应用技术之一，是对植物生理学的一种非破坏性的“内在”探测技术，此外特定的叶绿素荧光参数也可作为筛选作物品系的指标。
[0004]虽然叶绿素荧光已被用于许多研究当中，但叶绿素荧光测量的理论和解释相当复杂。从叶绿素荧光诱导动力学曲线(OJIP诱导曲线)上得出的一些非常重要的诱导特征参数F
v
/F
m<br/>，F
o
，F
j
，F
i
。其中F
o
反映了暗适应后叶片暴露于光下的初始荧光，F
j
反映质体醌A(Q
A
‑
)的积累，F
i
反映了PQ库的异质性有关，F
v
/F
m
表示暗适应下PSⅡ的最大量子产额，尤其F
v
/F
m
已被成功用作评价植物光合性能的敏感指标。为了确定这些参数值，需要在测量样品前对样品暗适应15
‑
30分钟以使得所有的PSII反应中心处于打开状态，只有这样才能测量到最小荧光(F
o
)。在连续光激发后，大多数PSII的反应中心关闭，此时叶绿素荧光达到最大值(F
m
)。F
v
＝F
m
‑
F
o
，称为可变荧光。比值F
v
/F
m
＝(F
m
‑
F
o
)/F
m
，反映了PSⅡ反应中心内的光能转换效率，或光合样品中PSII最大光化学量子产率或是最大PSII的光能转换效率。F
v
/F
m
被广泛用作植物光合性能的指标，也被用作反映非生物胁迫诱导的光抑制的关键诱导特征参数。
[0005]但在测量叶绿素荧光之前，需要对植物叶片进行超过15分钟的暗适应。这个过程不仅耗时而且很难实现自动化。因此，希望能找到一种从未经过暗适应的叶绿素荧光信号中确定F
v
/F
m
，F
j
，F
i
，F
o
的方法。暗适应下的叶绿素荧光信号与未经过暗适应叶片的叶绿素荧光信号之间的确切关系尚不明确，人工智能方法已被广泛应用于许多领域的隐性关系识别，但利用人工智能
‑
神经网络方法，从未经过暗适应的叶绿素荧光信号中确定F
v
/F
m
，F
j
，F
i
，F
o
的方法目前在文献中尚未尝试。

技术实现思路

[0006]为此，本专利技术所要解决的技术问题在于克服现有技术缺少从未经过暗适应的叶绿
素荧光信号中确定暗适应下的F
v
/F
m
，F
j
，F
i
，F
o
方法的缺陷。
[0007]为解决上述技术问题，本专利技术提供一种确定暗适应下叶绿素荧光特征参数的方法，包括：
[0008]获取暗适应下的叶绿素荧光特征参数与未暗适应下的叶绿素荧光信号，并在所述叶绿素荧光特征参数与所述叶绿素荧光信号之间建立机器学习映射关系模型；
[0009]将暗适应下的叶绿素荧光特征参数与未暗适应下的叶绿素荧光信号组合划分为训练数据集和测试数据集，并对所述训练数据集和测试数据集进行归一化处理；
[0010]利用归一化处理后的所述训练数据集建立从未暗适应的叶绿素荧光信号中确定暗适应下的叶绿素荧光特征参数的机器学习模型，以所述训练数据集中的未暗适应叶绿素荧光信号为输入值，以所述训练数据集中的暗适应下的叶绿素荧光特征参数为输出，对建立的模型进行训练；
[0011]利用归一化处理后的所述测试数据集对所述模型进行测试，以所述测试数据集中的未暗适应的叶绿素荧光信号作为输入值，通过所述模型输出预测的叶绿素荧光特征参数；
[0012]对所述模型输出的预测叶绿素荧光特征参数进行反归一化处理，将反归一化处理后模型输出的预测叶绿素荧光特征参数与原始获取到的叶绿素荧光特征参数进行评估，并确定从未暗适应的叶绿素荧光信号确定暗适应下的叶绿素荧光特征参数的模型性能。
[0013]在本专利技术的一个实施例中，在所述叶绿素荧光特征参数与所述叶绿素荧光信号之间建立机器学习映射关系模型包括：
[0014]使用LSSVM模型在暗适应下的叶绿素荧光特征参数与未暗适应的叶绿素荧光信号之间建立机器学习映射关系模型如下：
[0015][0016]式中，x表示未暗适应的叶绿素荧光信号；f(x)表示相对应的输出；表示将x映射到高维特征空间的非线性映射函数；w表示高维特征空间的权重向量；b表示偏差变量。
[0017]在本专利技术的一个实施例中，所述叶绿素荧光特征参数包括F
v
/F
m
，F
j
，F
i
，F
o
，其中所述F
v
/F
m
表示暗适应下PSⅡ的最大量子产额，F
j
表示质体醌A(Q
A
‑
)的积累，F
i
表示PQ库的异质性，F
o
表示暗适应后叶片暴露于光下的初始荧光。
[0018]在本专利技术的一个实施例中，将未暗适应的叶绿素荧光信号与暗适应下的叶绿素荧光特征参数组合划分为训练数据集的方法包括：
[0019]将暗适应下的叶绿素荧光特征参数和未暗适应的叶绿素荧光信号组合划分为训练数据集为{(x
i
，y
i
)，i＝1，2，
…
，m}，其中x
i
∈R
m...

【技术保护点】

【技术特征摘要】
1.一种确定暗适应下叶绿素荧光特征参数的方法，其特征在于，包括：获取暗适应下的叶绿素荧光特征参数与未暗适应下的叶绿素荧光信号，并在所述叶绿素荧光特征参数与所述叶绿素荧光信号之间建立机器学习映射关系模型；将暗适应下的叶绿素荧光特征参数与未暗适应下的叶绿素荧光信号组合划分为训练数据集和测试数据集，并对所述训练数据集和测试数据集进行归一化处理；利用归一化处理后的所述训练数据集建立从未暗适应的叶绿素荧光信号中确定暗适应下的叶绿素荧光特征参数的机器学习模型，以所述训练数据集中的未暗适应叶绿素荧光信号为输入值，以所述训练数据集中的暗适应下的叶绿素荧光特征参数为输出，对建立的模型进行训练；利用归一化处理后的所述测试数据集对所述模型进行测试，以所述测试数据集中的未暗适应的叶绿素荧光信号作为输入值，通过所述模型输出预测的叶绿素荧光特征参数；对所述模型输出的预测叶绿素荧光特征参数进行反归一化处理，将反归一化处理后模型输出的预测叶绿素荧光特征参数与原始获取到的叶绿素荧光特征参数进行评估，并确定从未暗适应的叶绿素荧光信号确定暗适应下的叶绿素荧光特征参数的模型性能。2.根据权利要求1所述的确定暗适应下叶绿素荧光特征参数的方法，其特征在于：在所述叶绿素荧光特征参数与所述叶绿素荧光信号之间建立机器学习映射关系模型包括：使用LSSVM模型在暗适应下的叶绿素荧光特征参数与未暗适应的叶绿素荧光信号之间建立机器学习映射关系模型如下：式中，x表示未暗适应的叶绿素荧光信号；f(x)表示相对应的输出；表示将x映射到高维特征空间的非线性映射函数；w表示高维特征空间的权重向量；b表示偏差变量。3.根据权利要求1或2所述的确定暗适应下叶绿素荧光特征参数的方法，其特征在于：所述叶绿素荧光特征参数包括F
v
/F
m
，F
j
，F
i
，F
o
，其中所述F
v
/F
m
表示暗适应下PSⅡ的最大量子产额，F
j
表示质体醌A(Q
A
‑
)的积累，F
i
表示PQ库的异质性，F
o
表示暗适应后叶片暴露于光下的初始荧光。4.根据权利要求1所述的确定暗适应下叶绿素荧光特征参数的方法，其特征在于：将未暗适应的叶绿素荧光信号与暗适应下的叶绿素荧光特征参数组合划分为训练数据集的方法包括：将暗适应下的叶绿素荧光特征参数和未暗适应的叶绿素荧光信号组合划分为训练数据集为{(x
i
，y
i
)，i＝1，2，
…
，m}，其中x
i
∈R
m
表示第i个训练样本的输入值，y
i
∈R表示第i个训练样本的目标值，m表示训练数据集中的样本数量。5.根据权利要求1所述的确定暗适应下叶绿素荧光特征参数的方法，其特征在于：将暗适应下的叶绿素荧光特征参数和未暗适应的叶绿素荧光信号组合划分为测试数据集的方法包括：将暗适应下的叶绿素荧光特征参数和未暗适应的叶绿素荧光信号组合划分为测试数据集为{(...

【专利技术属性】
技术研发人员：郭亚，夏倩，付丽疆，袁山，汤浩，仝德之，
申请(专利权)人：绿视芯科技无锡有限公司，
类型：发明
国别省市：