基于光脉冲诱导快相与弛豫荧光的光合作用参数测量技术

为了更准确获取反映植物生理状态的荧光动力学曲线,基于光合作用电子传递过程研究了植物光合作用参数测量技术.采用可变光脉冲技术将植物光合作用过程分段为快相与弛豫过程,并测量激发光诱导产生的荧光动力学曲线.对激发光带宽与响应时间进行了定量分析;对I-V转换单元与MFB滤波器进行了设计与仿真分析,获取快相荧光动力学信息;采用同步脉冲采样积分技术,对微弱弛豫荧光进行积分,实现了快相与弛豫荧光动力学曲线的完整测量,并结合非线性拟合算法获取光合作用参数.测试结果表明,系统信噪比达到23.8 dB;暗适应与光适应下,本系统所测Fv/Fm与Water-PAM测量结果的线性相关系数分别达到0.980和0.997.该研究结果为植物光合作用研究及过程参数测量提供了一种测量手段.     

基于荧光动力学参数的浮游植物有效光合反应中心浓度分析

浮游植物有效光合反应中心浓度与其生长环境、生理状态密切相关,文中以生物膜能流理论为基础,基于初始荧光效率(F_0)和功能吸收截面(σPSII)的荧光动力学参数研究了浮游植物有效光合反应中心浓度分析方法。利用该方法对不同生长条件下的蛋白核小球藻进行了测试,结果表明:正常生理状态下,荧光动力学参数法与同化系数法分析结果具有良好的一致性,相关系数R~2达到0.999;非正常生理状态下,荧光动力学参数法较同化系数法更能准确反映浮游植物光合活性(F_v/F_m)和光合单元尺寸(n_(PSⅡ))引起的有效光合反应中心浓度的变化;在短期胁迫条件下,荧光动力学参数法分析结果与F_v/F_m相关系数R~2可达0.920;在长期光照胁迫条件下的分析结果也能反映光照变化引起的浮游植物n_(PSⅡ)变化信息,且与已有研究成果相符。研究结果为浮游植物有效光合反应中心浓度的准确测量提供了一种新方法。     

Single-turnover and multiple-turnover measurement of phytoplankton photosynthesis parameters using variable light pulse induced fluorescence

Using a measurement system based on fluorescence induced by variable pulse light, photosynthesis parameters of chlorella pyrenoidosa are obtained, employing single-turnover and multiple-turnover protocols under darkadapted and light-adapted conditions. Under the light-adapted condition, σ00 PSI Iis larger, and F0 v∕F meSTTand F0 v∕F0 meMTTare smaller than those of the dark-adapted condition, but the corresponding parameters possess good linear correlations. FmeMTT, F0 meMTT, Fv∕FmeMTT, and F0 v∕F0 meMTT, which are measured using the multipleturnover protocol, are larger than those of the single-turnover protocol. The linear correlation coefficient between FmeSTTand FmeMTTis 0.984, and Fv∕FmeMTT? 1.18 Fv∕FmeSTT. The linear correlation coefficient between F0 meSTTand F0 meMTTis 0.995, and F00 v∕F0 meMTT? 1.36 F0 v∕F meSTT.     

基于偏最小二乘回归的藻类荧光光谱特征波长选取

针对藻类荧光光谱解析中常见的信息冗余和光谱相关性问题,基于偏最小二乘(PLS)的方法,提出了区间蒙特卡罗偏最小二乘(IMC-PLS)方法,有效地解决了特征波长的选取问题。根据特征色素荧光峰位置预选出特征区域,综合利用了此特征区域内单个波段的信息和不同的随机波段组合对于模型的贡献,基于荧光光谱的三线性特点,联合了发射波长和激发波长的信息。研究结果表明,与无信息变量消除算法(UVE)相比,IMC-PLS反演4种藻类浓度得到的平均相对标准偏差分别降低了0%、34.3%、55.9%、30.5%,选择出的特征波长数和运算时间分别减少了80.1%、81.3%,IMC-PLS方法有效地解决了实时监测问题,也为离散三维荧光光谱仪器的研制提供了理论支持。     

快速光脉冲藻类光合作用测量方法的激发条件研究（英文）

激发光强和激发持续时间是快速光脉冲藻类光合作用测量方法的关键实验条件.通过光脉冲激发实验,定量分析了不同平均激发光强下还原态初级电子受体的比例和发生再氧化的初级电子受体的比例.结果表明:快速光脉冲激发的最佳平均光强为30 000μmol quanta·m-2·s-1,最佳激发持续时间为70μs;30 000μmol quanta·m-2·s-1平均激发光强能够在70μs内还原96.08%的初级电子受体,且仅9.81%的初级电子受体发生了再氧化.     

以巯基丙酸为稳定剂的水溶性CdTe量子点的水热合成及表征

以巯基丙酸(MPA)为稳定剂,采用水热合成方法在160 ℃下合成水溶性CdTe量子点。研究了不同反应时间及反应前驱体溶液的不同pH值对合成的CdTe量子点光学性质的影响。结果表明:所制得的CdTe量子点的荧光发射波长在510~661 nm范围内连续可调,并且CdTe量子点的光学性质强烈地依赖于反应前驱体溶液的pH值,最佳pH值为9。透射电子显微镜和X射线衍射分析表明所制备的CdTe量子点的形状接近于球形,粒径分布较均匀。与回流方法制备的水溶性量子点相比,高温条件下的水热合成方法简单,反应时间短,CdTe量子点生长速度快,100 min就可生长到3.5 nm,并且所制得的CdTe量子点荧光强度高,稳定性好,荧光量子产率也较高,最高可达44.6%。     

基于叶绿素荧光诱导动力学曲线的光合作用参数反演算法研究

快相叶绿素荧光诱导曲线中蕴含着丰富光合作用信息。该信息可以反映出植物的生存状态、病理以及受到胁迫时的生理变化趋势等多种信息。通过采集藻类荧光及诱导光信号, 拟合快相叶绿素荧光动力学曲线。基于最小二乘拟合方法,提出自适应最小误差逼近的方法对快相叶绿素荧光动力学曲线进行多元非线性回归拟合,实现F_o（固定荧光）、F_m（最大荧光产率）、σ_PSII（PSII的功能吸收截面）等细节参数的反演。实现了蛋白核小球藻光合作用参数反演,并实验了在Cu2+胁迫环境下,蛋白核小球藻的生理变化趋势。     

基于色素特征荧光光谱的浮游植物分类测量方法

光合作用色素组成是浮游植物分类的重要依据。通过对蓝藻、绿藻、硅藻、甲藻和隐藻等5个门类浮游植物三维荧光光谱的差异性分析,提取了与叶绿素a、叶绿素b、叶绿素c、类胡萝卜素、藻蓝蛋白和藻红蛋白等光合色素相关的36个特征荧光光谱点,提出了基于色素特征荧光光谱的不同门类浮游植物分类测量方法。对铜绿微囊藻、小球藻、桅杆藻、光甲藻和卵形隐藻的实验结果表明:色素特征荧光光谱法对5种藻类纯种样品的测量误差分别为5.15%、5.63%、7.90%、4.85%、6.55%,对优势藻类(质量分数高于50%)的测量误差分别为7.96%、8.69%、5.44%、10.78%、15.57%,对劣势藻类(质量分数低于30%)的测量误差分别为18.29%、17.52%、20.01%、29.11%、20.14%,测量结果准确度达到了三维荧光光谱法水平,但数据量和计算时间仅是三维荧光光谱法的1.1%和2.2%,是一种快速有效的浮游植物分类测量方法。     

基于反向传播神经网络的激光诱导荧光光谱塑料分类识别方法研究

塑料具有成本低、质量好,可塑性强等优点被广泛用于生产生活等领域,但废弃塑料处置不当容易引发二次污染。回收再利用有望成为解决废弃塑料污染问题的关键手段,其前提是对废料的准确分选。传统分选手段耗费时间,效率低下,难以实现废弃塑料的快速、经济、有效分类。激光诱导荧光技术是一种快速灵敏的光谱检测技术。具有操作简便,检测效率高,样品使用量小等优点常被应用于水体、土壤中油类,多环芳烃等有机污染物的快速识别与定量分析。利用激光诱导荧光技术可以快速采集不同塑料的荧光光谱,结合相应的模式识别算法,可实现塑料材质的快速准确识别。实验采集了8种塑料（ABS,HDPE,PA66,PLA,PP,PET,PS,PVC）共358组激光诱导荧光光谱,依据特征峰信息构建358×10的光谱矩阵。利用主成份分析法削减原光谱矩阵中的线性相关量,提高数据精度。结果显示前3个主成分的累计方差贡献值达98.085%,足以表征原光谱矩阵的主要信息。将降维的主成分PC1, PC2, PC3作为输入进行光谱分类,其中同种塑料光谱聚合度高,元素构成不同的塑料如PA66,PLA,HDPE和PVC的光谱分离度较好,而元素构成相同的塑料如PET和PLA的光谱分离度较差。PCA算法并不能准确的对未知塑料进行识别。BP-神经网络具有收敛速度快,预测精度高等特点被广泛用于模式识别和分类研究。将经PCA算法得到的简化特征矩阵作为BP-神经网络算法的输入集,其中随机抽取256组数据作为BP-神经网络算法模型的训练集,剩余的102组数据作为模型检测集。BP神经网络的隐藏层设定值为1,激活函数选择双极性Sigmoid函数,输出层为8种塑料样品。识别结果显示,102组数据中只有一组HDPE光谱数据被错识为PS,其余101组数据全部正确识别。8种塑料荧光光谱的综合识别准确率达到99%。研究结果表明激光诱导荧光技术结合BP-神经网络算法可实现不同材质塑料的快速准确识别。为实现废弃塑料的自动化智能分选,降低回收成本,减少废弃塑料危害提供新的参考。