CN113539353A - 确定暗适应下叶绿素荧光特征参数的方法及系统 - Google Patents
确定暗适应下叶绿素荧光特征参数的方法及系统 Download PDFInfo
- Publication number
- CN113539353A CN113539353A CN202110780614.6A CN202110780614A CN113539353A CN 113539353 A CN113539353 A CN 113539353A CN 202110780614 A CN202110780614 A CN 202110780614A CN 113539353 A CN113539353 A CN 113539353A
- Authority
- CN
- China
- Prior art keywords
- chlorophyll fluorescence
- data set
- dark
- characteristic parameters
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Biotechnology (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioethics (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明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Fv/Fm,Fj,Fi,Fo的方法,弥补了现有技术中确定Fv/Fm,Fj,Fi,Fo需要暗适应的缺陷。
Description
技术领域
本发明涉及光合作用过程中的叶绿素荧光检测技术领域,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。
背景技术
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。
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。
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Fv/Fm,Fo,Fj,Fi。其中Fo反映了暗适应后叶片暴露于光下的初始荧光,Fj反映质体醌A(QA -)的积累,Fi反映了PQ库的异质性有关,Fv/Fm表示暗适应下PSⅡ的最大量子产额,尤其Fv/Fm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(Fo)。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(Fm)。Fv=Fm-Fo,称为可变荧光。比值Fv/Fm=(Fm-Fo)/Fm,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。Fv/Fm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。
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Fv/Fm,Fj,Fi,Fo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Fv/Fm,Fj,Fi,Fo的方法目前在文献中尚未尝试。
发明内容
为此,本发明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Fv/Fm,Fj,Fi,Fo方法的缺陷。
为解决上述技术问题,本发明提供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。
在本发明的一个实施例中,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:
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:
在本发明的一个实施例中,所述叶绿素荧光特征参数包括Fv/Fm,Fj,Fi,Fo,其中所述Fv/Fm表示暗适应下PSⅡ的最大量子产额,Fj表示质体醌A(QA -)的积累,Fi表示PQ库的异质性,Fo表示暗适应后叶片暴露于光下的初始荧光。
在本发明的一个实施例中,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:
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{(xi,yi),i=1,2,…,m},其中xi∈Rm表示第i个训练样本的输入值,yi∈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。
在本发明的一个实施例中,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{(Xi,Yi),(i=1,2,…,n)},其中Xi表示第i个测试样本的输入值,Yi表示第i个测试样本的真实目标值,n表示测试数据集中的样本数量。
在本发明的一个实施例中,对所述训练数据集和测试数据集进行归一化处理的方法包括:
将所述训练数据集和测试数据集中的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的均值和标准差进行数据标准化,使所述暗适应下的叶绿素荧光特征参数和未暗适应下的叶绿素荧光信号处于同一数量级。
在本发明的一个实施例中,将所述训练数据集和测试数据集中未暗适应的叶绿素荧光信号和暗适应下的叶绿素荧光特征参数的均值和标准差进行数据标准化的方法包括:
所述数据标准化公式如下:
式中,μ表示所有样本数据的均值,σ表示所有样本数据的标准差,Z表示标准化之后的值。
在本发明的一个实施例中,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确定暗适应下的叶绿素荧光特征参数的机器学习模型包括:
以所述训练数据集中未暗适应的叶绿素荧光信号作为输入值,以所述训练数据集中暗适应下的叶绿素荧光特征参数为输出值,建立并训练所述模型。
在本发明的一个实施例中,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的方法包括:
用于检验模型输出预测的叶绿素荧光特征参数与原始获取到的暗适应下的叶绿素荧光特征参数之间的相关性R,R绝对值越高表示模型输出预测的叶绿素荧光特征参数与原始获取到的暗适应下的叶绿素荧光特征参数之间的相关性越强,即表示确定的模型性能越好。
此外,本发明还提供一种确定暗适应下叶绿素荧光特征参数的系统,包括:
获取模块,所述获取模块用于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;
数据整理模块,所述数据整理模块用于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;
模型训练模块,所述模型训练模块用于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;
模型测试模块,所述模型测试模块用于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;
模型评估模块,所述模型评估模块用于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。
本发明的上述技术方案相比现有技术具有以下优点:
本发明将暗适应下的叶绿素荧光特征参数和未暗适应下的叶绿素荧光信号组合划分为作为训练数据集和测试数据集,利用其得到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,通过该模型能够达到从未经过暗适应的叶绿素荧光信号中估算暗适应下的Fv/Fm,Fj,Fi,Fo值的能力,从而获得能够使用未经暗适应的叶绿素荧光信号确定暗适应下叶绿素荧光特征参数Fv/Fm,Fj,Fi,Fo的方法,弥补了现有技术中确定Fv/Fm,Fj,Fi,Fo需要暗适应的缺陷。
附图说明
为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施例并结合附图,对本发明作进一步详细的说明。
图1是本发明一种确定暗适应下叶绿素荧光特征参数的方法的流程示意图。
图2是本发明样本处理情况及相应的数据集符号示意图。
图3是本发明不同样品Fv/Fm在暗适应和未暗适应下的平均值和标准差示意图。
图4是本发明不同样本下LSSVM模型从未暗适应的叶绿素荧光信号中预测Fv/Fm的性能示意图。
图5是本发明A0组中LSSVM模型预测的Fv/Fm与实际Fv/Fm值的比较示意图。
图6是本发明A1组中LSSVM模型预测的Fv/Fm与实际Fv/Fm值的比较示意图。
图7是本发明A2组中LSSVM模型预测的Fv/Fm与实际Fv/Fm值的比较示意图。
图8是本发明A3组中LSSVM模型预测的Fv/Fm与实际Fv/Fm值的比较示意图。
图9是本发明B组中LSSVM模型预测的Fv/Fm与实际Fv/Fm值的比较示意图。
图10是本发明C组中LSSVM模型预测的Fv/Fm与实际Fv/Fm值的比较示意图。
图11是本发明A组中LSSVM模型预测的Fv/Fm与实际Fv/Fm值的比较示意图。
图12是本发明P组中LSSVM模型预测的Fv/Fm与实际Fv/Fm值的比较示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明,以使本领域的技术人员可以更好地理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例一
下面先对本发明实施例一公开的一种确定暗适应下叶绿素荧光特征参数的方法进行详细的阐述。
请参阅图1所示,本实施例提供一种确定暗适应下叶绿素荧光特征参数的方法,具体包括如下步骤。
S100: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,并在叶绿素荧光特征参数与叶绿素荧光信号之间建立机器学习映射关系模型。
示例中,可以使用叶绿素荧光仪器测量得到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,其中叶绿素荧光特征参数包括Fv/Fm,Fj,Fi,Fo,Fv/Fm表示暗适应下光系统Ⅱ的最大量子产额,Fj表示质体醌A(QA -)的积累,Fi表示PQ库的异质性,Fo表示暗适应后叶片暴露于光下的初始荧光。
S200: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。
示例中,将暗适应下的叶绿素荧光特征参数和未暗适应下的叶绿素荧光信号划分为训练数据集为{(xi,yi),i=1,2,…,m},其中xi∈Rm表示第i个训练样本的输入值,yi∈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;同样地,将暗适应下的叶绿素荧光特征参数和未暗适应下的叶绿素荧光信号划分为测试数据集为{(Xi,Yi),(i=1,2,…,n)},其中Xi表示第i个测试样本的输入值,Yi表示第i个测试样本的真实目标值,n表示测试数据集中的样本数量。
S300: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。
示例中,以训练数据集中未暗适应的叶绿素荧光信号作为输入值,以训练数据集中暗适应的叶绿素荧光特征参数作为输出值,建立模型并对模型进行训练。
S400: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。
S500: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。
示例中,所述评估用于检验模型输出预测的叶绿素荧光特征参数与原始获取到的暗适应下的叶绿素荧光特征参数之间的相关性R,R绝对值越高表示模型输出预测的叶绿素荧光特征参数与原始获取到的暗适应下的叶绿素荧光特征参数之间的相关性越强。即表示确定的利用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越好。
示例中,所述评估用于检验模型输出预测的叶绿素荧光特征参数的准确性的残差预测偏差RPD,对于大多数应用来说,RPD值小于1.5的模型被认为是不够的,而RPD值大于2.0的模型则表示具有良好的鲁棒性,即表示确定的利用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越好。
示例中,所述评估用于检验模型输出预测的叶绿素荧光特征参数与原始获取到的暗适应下的叶绿素荧光特征参数之间的相对误差RE,RE值越小,表示模型输出预测的叶绿素荧光特征参数与原始获取到的暗适应下的叶绿素荧光特征参数之间的误差越小,表示确定的利用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越好。
示例中,所述评估用于检验模型输出预测的叶绿素荧光特征参数与原始获取到的暗适应下的叶绿素荧光特征参数之间的均方根误差RMSE,RMSE值越小,表示模型预测的精度越高。
其中,在暗适应下的叶绿素荧光特征参数与所述未暗适应下的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模型在叶绿素荧光特征参数与叶绿素荧光信号之间建立机器学习映射关系模型如下:
其中,对训练数据集和测试数据集进行归一化处理的方法包括:
将训练数据集和测试数据集中暗适应下的叶绿素荧光特征参数与所述未暗适应下的叶绿素荧光信号的均值和标准差进行数据标准化,以使叶绿素荧光特征参数和叶绿素荧光信号处于同一数量级。具体的,叶绿素荧光信号和叶绿素荧光特征参数的数据标准化公式如下:
式中,μ表示所有样本数据的均值,σ表示所有样本数据的标准差,Z表示标准化之后的值。
上述本发明将暗适应下的叶绿素荧光特征参数与所述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,利用其得到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,通过该模型能够达到从未经过暗适应的叶绿素荧光信号中估算出暗适应下的Fv/Fm,Fj,Fi,Fo的值的能力,从而获得能够使用未经暗适应的叶绿素荧光信号确暗适应下的叶绿素荧光特征参数Fv/Fm,Fj,Fi,Fo的方法,弥补了现有技术中确定Fv/Fm,Fj,Fi,Fo需要暗适应的缺陷。
下面以具体应用场景对本发明一种确定暗适应下叶绿素荧光特征参数的方法进行详细的阐述。其中机器学习方法以支持向量机(LSSVM)为例,输出变量以暗适应下的Fv/Fm为例。
支持向量机(SVM)的基本思想是通过非线性映射将输入空间中的数据映射到高维特征空间,LSSVM是SVM的扩展,它采用不等式约束而不是等式约束,并将平方误差损失函数之和作为经验损失,最终将问题转换为线性矩阵问题。在本发明的应用场景中,使用LSSVM模型来映射暗适应下的叶绿色荧光参数Fv/Fm与未暗适应下的叶绿素荧光信号之间的关系。LSSVM回归方程表示如下:
根据结构风险最小化的原理,LSSVM模型的函数估计为公式(2):
式中,K表示核函数。根据Mercer条件,核函数为公式(3):
在此,核函数采用的是径向基函数(RBF),如公式(4)所示:
式中,τ表示高斯径向基核函数的参数。
对于训练数据集{(xi,yi),i=1,2,…,m},xi∈Rm表示第i个训练样本的输入值(在无暗适应下的叶绿素荧光信号),yi∈R表示第i个训练样本的目标值(暗适应下的Fv/Fm),m表示训练数据集中的样本数量。对于测试数据集{(Xi,Yi),(i=1,2,…,n)},Xi表示第i个测试样本的输入值(无暗适应下的叶绿素荧光信号),Yi表示第i个测试样本的真实目标值(暗适应下的Fv/Fm),n表示测试数据集中的样本数量。将Xi带入训练好的LSSVM模型(公式(2)),计算出相对应的Fv/Fm预测值,第i个Fv/Fm预测值被表示为YYi(i=1,2,…,n)。
在LSSVM模型的训练中,采用10倍交叉验证和网格优化方法对影响模型精度和复杂度的两个参数(正则化系数C和高斯径向基核函数参数τ)进行优化。
数据归一化:为了减少原始数据之间不同维度或维度单位对数据分析的影响,对未暗适应的叶绿素荧光信号和暗适应下的Fv/Fm进行归一化处理,使其处于同一数量级。用于未暗适应的叶绿素荧光信号和暗适应下的Fv/Fm的标准化方法是零均值标准化方法(Z-score标准化方法)。将输入数据(在未暗适应下测得的叶绿素荧光信号)和目标数据(暗适应下得到的Fv/Fm)的均值和标准差进行数据的标准化,经过处理的数据符合标准正态分布,即其均值为0(μ=0),标准偏差为1(σ=1)。
其中Z-score标准化方法表示为公式(5):
式中,μ表示所有样本数据的均值,σ表示所有样本数据的标准差,Z表示标准化之后的值。
模型测试与评估:评估模型的泛化性能不仅需要一种有效的建模实验方法,还需要用于衡量模型泛化能力的性能指标。为了评价LSSVM模型的性能和泛化能力,使用以下指标来评估预测的Fv/Fm:(1)相对误差(RE),(2)均方根误差(RMSE),(3)相关系数(R)和(4)残差预测偏差(RPD)。RE,RMSE,R和RPD分别通过公式(6)-(9)计算。对于测试样品,RE表示预测得到的Fv/Fm值与暗适应下真实的Fv/Fm值之间的相对误差,RE值越小,表示预测得到的Fv/Fm值与暗适应下真实的Fv/Fm值之间的误差越小。RMSE表示根据未暗适应的叶绿素荧光信号通过LSSVM模型预测得到的Fv/Fm值与暗适应下真实的Fv/Fm值之间的偏差,RMSE值越小,表示预测精度越高。R用于检验预测得到的Fv/Fm值与暗适应下真实的Fv/Fm值之间的关系,表示两个者之间的相关程度,其绝对值越高表示两变量之间的相关性越强。R在趋向于1或-1时较强,而在趋向于0时较弱。RPD表示预测的Fv/Fm的准确性。对于大多数应用来说,RPD值小于1.5的模型被认为是不够的,而RPD值大于2.0的模型则表示具有良好的鲁棒性。
每种样本类型中80%的样本被随机选择作为训练数据集,剩余的20%作为测试数据集。采用10倍交叉验证的方法对LSSVM模型进行了精度检验,将LSSVM模型运行10次,得到RE、RMSE、R、RPD的平均值,并进行比较。
具体实验数据如下:关于一种从未暗适应的叶绿素荧光信号中确定Fv/Fm的方法共设计了三组实验。第一组实验是对水稻进行4种不同干旱时长处理。在2019年水稻生长季节的清晨,这些水稻植株从中国江苏的一个水稻生长地连根采集。为了减少水稻样本中水分变化对测量叶绿素荧光的影响,将水稻的根系完全浸入水中至少2小时。然后将根系放入20%聚乙二醇(PEG)中进行不同干旱时长(0小时、1小时、2小时和4小时)处理,以达到不同程度的干旱胁迫或生理状态改变。未干旱、干旱处理1小时、2小时和4小时的水稻植株样本数量分别是1339、1094、1328和1148。第二组实验采用的实验样本是314个山茶叶样本。第三组实验采用的实验样本是315个冬青卫毛样本。这些植物生长在江南大学(中国无锡)的校园里。采摘时间是在2021年4月的早晨。为了减少水分条件变化对采摘后的叶片产生影响,第二组和第三组的实验叶片放入水中漂浮至少一小时。
使用叶绿素荧光仪器在暗适应和未暗适应下测量叶绿素荧光信号,在暗适应的情况下测量Fv/Fm。对植物样本进行未暗适测量是在正常的环境照明下进行,而对植物样本进行暗适应测量前需要用暗适应夹对测量样本进行至少20分钟的暗适应处理后,再用叶绿素荧光仪器对暗适应后的植物样本进行叶绿素荧光测量。
为了探讨暗适应和未暗适应下的Fv/Fm值,比较了两种光照条件下(暗适应和未暗适应)Fv/Fm的平均值。图3显示了暗适应和未暗适应下的Fv/Fm的平均值和标准误差。从图3可以看出,暗适应下的Fv/Fm显著高于未暗适应下的Fv/Fm。换句话说,暗适应时测得的Fv/Fm与未暗适应时测得的Fv/Fm有显著差异。
从所有的衡量标准来看,该模型都能表现出了很好的预测能力。对于大多数样本类型,相对误差远远小于1.7%。结果表明,LSSVM模型预测的Fv/Fm值在大多数情况下与暗适应下真实的Fv/Fm值具有近乎完美的相关性。展示预测的Fv/Fm值与实际Fv/Fm之间的差异几乎可以忽略不计。数值也均远远大于2,说明该LSSVM模型具有良好的鲁棒性。
图5至图12将不同组LSSVM模型预测得到的Fv/Fm与实际Fv/Fm值进行了比较。结果表明,LSSVM模型预测的Fv/Fm与实际Fv/Fm值吻合较好。拟合的回归线具有很小的斜率和截距误差,如图5至图12中的方程所示,对于所有8个数据集,它们几乎与大多数样本类型的完美1:1线重合。数据点紧密地分布在理想直线上,这意味着预测值与实际值呈线性关系。所有样本类型的预测值与实际Fv/Fm值之间的R值均大于0.98,RMSE值小于0.0015。结果表明,LSSVM模型能有效地从未暗适应条件下叶绿素荧光中预测得到暗适应下的Fv/Fm。
实施例二
下面对本发明实施例二公开的一种确定暗适应下叶绿素荧光特征参数的系统进行介绍,下文描述的一种确定暗适应下叶绿素荧光特征参数的系统与上文描述的一种确定暗适应下叶绿素荧光特征参数的方法可相互对应参照。
本发明实施例二公开了一种确定暗适应下叶绿素荧光特征参数的系统,具体包括数据获取模块、数据处理模块、模型训练模块、模型测试模块和模型评估模块。
数据获取模块用于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,并在叶绿素荧光特征参数与叶绿素荧光信号之间建立机器学习映射关系模型。
数据处理模块用于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,并对训练数据集和测试数据集进行归一化处理。
模型训练模块用于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,以训练数据集中的未暗适应叶绿素荧光信号为输入值,以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。
模型测试模块用于利用归一化处理后的测试数据集对模型进行测试,以测试数据集中的未暗适应的叶绿素荧光信号作为输入值,通过模型输出预测的叶绿素荧光特征参数。
模型评估模块用于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。
本实施例的一种确定暗适应下叶绿素荧光特征参数的系统用于实现前述的一种确定暗适应下叶绿素荧光特征参数的方法,因此该系统的具体实施方式可见前文中的一种确定暗适应下叶绿素荧光特征参数的方法的实施例部分,所以,其具体实施方式可以参照相应的各个部分实施例的描述,在此不再展开介绍。
另外,由于本实施例的一种确定暗适应下叶绿素荧光特征参数的系统用于实现前述的一种确定暗适应下叶绿素荧光特征参数的方法,因此其作用与上述方法的作用相对应,这里不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,上述实施例仅仅是为清楚地说明所作的举例,并非对实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
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。
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Fv/Fm,Fj,Fi,Fo,其中所述Fv/Fm表示暗适应下PSⅡ的最大量子产额,Fj表示质体醌A(QA -)的积累,Fi表示PQ库的异质性,Fo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{(xi,yi),i=1,2,…,m},其中xi∈Rm表示第i个训练样本的输入值,yi∈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{(Xi,Yi),(i=1,2,…,n)},其中Xi表示第i个测试样本的输入值,Yi表示第i个测试样本的真实目标值,n表示测试数据集中的样本数量。
6.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:对所述训练数据集和测试数据集进行归一化处理的方法包括:
将所述训练数据集和测试数据集中的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的均值和标准差进行数据标准化,使所述暗适应下的叶绿素荧光特征参数和未暗适应下的叶绿素荧光信号处于同一数量级。
8.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: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确定暗适应下的叶绿素荧光特征参数的机器学习模型包括:
以所述训练数据集中未暗适应的叶绿素荧光信号作为输入值,以所述训练数据集中暗适应下的叶绿素荧光特征参数为输出值,建立并训练所述模型。
9.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: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的方法包括:
用于检验模型输出预测的叶绿素荧光特征参数与原始获取到的暗适应下的叶绿素荧光特征参数之间的相关性R,R绝对值越高表示模型输出预测的叶绿素荧光特征参数与原始获取到的暗适应下的叶绿素荧光特征参数之间的相关性越强,即表示确定的模型性能越好。
10.一种确定暗适应下叶绿素荧光特征参数的系统,其特征在于,包括:
获取模块,所述获取模块用于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;
数据整理模块,所述数据整理模块用于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;
模型训练模块,所述模型训练模块用于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;
模型测试模块,所述模型测试模块用于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;
模型评估模块,所述模型评估模块用于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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780614.6A CN113539353B (zh) | 2021-07-09 | 2021-07-09 | 确定暗适应下叶绿素荧光特征参数的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110780614.6A CN113539353B (zh) | 2021-07-09 | 2021-07-09 | 确定暗适应下叶绿素荧光特征参数的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113539353A true CN113539353A (zh) | 2021-10-22 |
CN113539353B CN113539353B (zh) | 2023-04-07 |
Family
ID=78127416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110780614.6A Active CN113539353B (zh) | 2021-07-09 | 2021-07-09 | 确定暗适应下叶绿素荧光特征参数的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113539353B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003088736A1 (en) * | 2002-04-19 | 2003-10-30 | Midwest Research Institute | Fluorescence technique for on-line monitoring of state of hydrogen-producing microorganisms |
US20100068750A1 (en) * | 2006-09-13 | 2010-03-18 | Sergey Iosifovich Pogosjan | Method for fluorometrically determining photosynthesis parameters of photoautotropic organisms, device for carrying out said method and a measurement chamber |
CN102435590A (zh) * | 2011-08-30 | 2012-05-02 | 上海泽泉科技有限公司 | 叶绿素荧光诱导曲线测量中光化光强度的确定方法 |
CN106546567A (zh) * | 2016-10-31 | 2017-03-29 | 浙江大学 | 基于叶绿素荧光成像技术的植物干旱胁迫诊断方法及装置 |
CN107389548A (zh) * | 2017-08-02 | 2017-11-24 | 浙江大学 | 一种油菜产量的早期预测方法及油菜角果遮光装置 |
CN110554017A (zh) * | 2019-09-30 | 2019-12-10 | 福建农林大学 | 一种植物叶绿素荧光参数的校正方法和装置 |
CN110596055A (zh) * | 2019-05-30 | 2019-12-20 | 浙江大学山东工业技术研究院 | 基于叶绿素荧光成像技术的柑橘黄龙病检测方法 |
WO2020086840A1 (en) * | 2018-10-24 | 2020-04-30 | Faculty Physicians And Surgeons Of Loma Linda University School Of Medicine | Uv light illuminated surgical covering apparatus and method |
CN111665225A (zh) * | 2020-01-03 | 2020-09-15 | 南京农业大学 | 一种基于叶绿素荧光成像技术判别黄瓜不同病害胁迫的方法及装置 |
-
2021
- 2021-07-09 CN CN202110780614.6A patent/CN113539353B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003088736A1 (en) * | 2002-04-19 | 2003-10-30 | Midwest Research Institute | Fluorescence technique for on-line monitoring of state of hydrogen-producing microorganisms |
US20100068750A1 (en) * | 2006-09-13 | 2010-03-18 | Sergey Iosifovich Pogosjan | Method for fluorometrically determining photosynthesis parameters of photoautotropic organisms, device for carrying out said method and a measurement chamber |
CN102435590A (zh) * | 2011-08-30 | 2012-05-02 | 上海泽泉科技有限公司 | 叶绿素荧光诱导曲线测量中光化光强度的确定方法 |
CN106546567A (zh) * | 2016-10-31 | 2017-03-29 | 浙江大学 | 基于叶绿素荧光成像技术的植物干旱胁迫诊断方法及装置 |
CN107389548A (zh) * | 2017-08-02 | 2017-11-24 | 浙江大学 | 一种油菜产量的早期预测方法及油菜角果遮光装置 |
WO2020086840A1 (en) * | 2018-10-24 | 2020-04-30 | Faculty Physicians And Surgeons Of Loma Linda University School Of Medicine | Uv light illuminated surgical covering apparatus and method |
CN110596055A (zh) * | 2019-05-30 | 2019-12-20 | 浙江大学山东工业技术研究院 | 基于叶绿素荧光成像技术的柑橘黄龙病检测方法 |
CN110554017A (zh) * | 2019-09-30 | 2019-12-10 | 福建农林大学 | 一种植物叶绿素荧光参数的校正方法和装置 |
CN111665225A (zh) * | 2020-01-03 | 2020-09-15 | 南京农业大学 | 一种基于叶绿素荧光成像技术判别黄瓜不同病害胁迫的方法及装置 |
Non-Patent Citations (3)
Title |
---|
FILIPPO BUSSOTTI 等: "Selection of chlorophyll fluorescence parameters as indicators of photosynthetic efficiency in large scale plant ecological studies", 《ECOLOGICAL INDICATORS》 * |
李斌 等: "基于可见-近红外光谱的茄子叶绿素荧光参数Fv/Fm预测方法", 《光谱学与光谱分析》 * |
杨虎 等: "遮荫对水稻冠层叶片SPAD 值及光合、形态特性参数的影响", 《植物营养与肥料学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113539353B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Rahaman et al. | Advanced phenotyping and phenotype data analysis for the study of plant growth and development | |
CN109472004B (zh) | 气候变化和人类活动对水文干旱影响的综合评估方法、装置及系统 | |
Jiang et al. | Three-dimensional time-lapse analysis reveals multiscale relationships in maize root systems with contrasting architectures | |
Yun | Prediction model of algal blooms using logistic regression and confusion matrix | |
CN114219847B (zh) | 基于物候特征的作物种植面积确定方法、系统及存储介质 | |
CN110579186A (zh) | 基于逆高斯过程反演叶面积指数的农作物长势监测方法 | |
Hariri et al. | Tipburn disorder detection in strawberry leaves using convolutional neural networks and particle swarm optimization | |
CN117726240A (zh) | 一种基于卷积神经网络的质量评价分类方法及系统 | |
CN117669394B (zh) | 一种山区峡谷桥梁长期性能综合评估方法及系统 | |
CN113539353B (zh) | 确定暗适应下叶绿素荧光特征参数的方法及系统 | |
Newton | Development of an integrated decision-support model for density management within jack pine stand-types | |
CN117236515A (zh) | 一种预测城市行道树胸径生长趋势的方法、预测系统及电子设备 | |
CN116205918B (zh) | 基于图卷积的多模态融合半导体检测方法、装置及介质 | |
CN116720079A (zh) | 基于多特征融合的风力发电机故障模式识别方法及系统 | |
CN117035174A (zh) | 一种木麻黄单木地上生物量的估算方法与系统 | |
CN114330114B (zh) | 基于量子支持向量机的铍青铜合金腐蚀速率预测方法 | |
CN103761530B (zh) | 一种基于相关向量机的高光谱图像解混方法 | |
CN113435115B (zh) | 一种荧光光谱特征波长筛选方法、装置、计算机设备及可读储存介质 | |
CN112184037B (zh) | 一种基于加权svdd的多模态过程故障检测方法 | |
CN114792007A (zh) | 代码检测方法、装置、设备、存储介质和计算机程序产品 | |
Rochayani et al. | Finding biomarkers from a high-dimensional imbalanced dataset using the hybrid method of random undersampling and lasso | |
CN114864015A (zh) | 水体富营养化检测方法、装置、设备及存储介质 | |
CN110837875B (zh) | 地表覆盖数据质量异常判断方法及装置 | |
Bertoni et al. | A non-deterministic approach to forecasting the trophic evolution of lakes | |
CN117574161B (zh) | 基于生成对抗网络的地表参量估算方法、装置及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |