油菜角果叶绿素含量传感检测技术在农业信息化中的应用研究

该文研究油菜叶绿素含量传感检测技术在农业信息化中的应用,探讨其在作物生长监测、营养管理与施肥优化、病虫害预测与防控等方面的重要性。通过分析突出该技术在提高农业生产效率、实现资源精细管理方面的广泛应用。最后,该文也讨论该技术面临的测量误差与精度问题、传感器的稳定性与耐久性等挑战,期望通过不断深化研究,该技术能够更好地服务于现代农业的可持续发展与智能化管理。

基于无人机多光谱的猕猴桃园冠层叶绿素含量检测方法

为实现对猕猴桃园区果树整体生长健康状况的快速、大规模监测,以猕猴桃园冠层叶片为研究对象,基于无人机拍摄果园多光谱图像,然后利用Pix4Dmapper软件拼接多光谱图像,获取果园的正射影像图,并进行辐射校正。切分正射影像为420个区域图像作为样本,采用最大类间方差法(Otsu)分割样本图像的冠层叶片与土壤背景,并实测每个样本的冠层SPAD值,构建冠层叶片多光谱数据集。采用箱线图法对数据集进行异常值检测,剔除异常样本;然后利用多光谱图像多通道的数据特点,提取图像的相邻通道变化率和23种常用植被指数,以及二者组合作为样本特征值,接着利用CARS、LARS、IRIV等3种特征筛选算法优选特征,分别结合偏最小二乘回归(PLSR)、支持向量回归(SVR)、岭回归(RR)、多元线性回归(MLR)和极限梯度提升树(XGBoost)、最小绝对收缩和选择算子回归(Lasso)、随机森林回归(RFR)、高斯过程回归(GPR)等8种方法构建模型,识别猕猴桃园冠层SPAD值;最后对比分析以不同样本特征构建的24个模型的性能,实验结果表明:以相邻通道变化率为特征建立的模型中,GPR模型性能最好,R^(2)、RMSE分别为0.770、3.044;以植被指数和相邻通道变化率组合特征建立的模型中,GPR模型性能也最好,R^(2)、RMSE分别为0.783、2.957;以植被指数为数据特征建立的XGBoost模型性能最优,R^(2)、RMSE分别为0.787、2.933;因此基于无人机遥感的智能检测模型能够对果园冠层叶绿素含量进行准确评估。

基于高光谱的猕猴桃叶片叶绿素含量智能检测研究

为准确实时分析猕猴桃树的生长健康状况,以陕西关中平原猕猴桃树为研究对象,构建叶片高光谱数据集;基于随机法和Kennard-Stone方法划分数据集,采用竞争自适应重加权采样算法(CARS)、主成分分析法(PCA)和迭代保留信息变量算法(IRIV)提取样本的特征波段;进而采用多元线性回归(MLR)、岭回归(RR)、偏最小二乘回归(PLSR)、支持向量回归(SVR)和随机森林回归(RFR)等方法建立叶片叶绿素含量智能检测模型。模型对比分析表明,基于CARS算法所提取的81个特征波段建立的CARS-RR模型预测效果最好,验证集上的R2为0.86,RMSE为2.71。因此,提出的智能检测模型能够基于光谱信息无损检测猕猴桃树叶绿素含量,进而分析果园整体健康状况,为后续果园精细化管理提供决策支撑。

基于光谱处理方法的棉花叶绿素含量高光谱反演研究

【目的】叶绿素含量可以用来评价棉花的长势情况,快速、准确和大面积监测棉花叶绿素含量,有助于实现精准农业。【方法】分别用0~2阶(步长为0.2)的分数阶微分处理和1~10尺度下的小波变换对田间测定的陆地棉和海岛棉等2种棉花的高光谱反射率进行处理,提高棉花叶绿素含量反演精度。通过分析不同处理方式的光谱与叶绿素含量之间的相关性,筛选得出敏感波段;并运用支持向量机回归和随机森林回归模型分别构建棉花叶绿素含量高光谱估算模型。【结果】(1)在全波段范围内,2种棉花325~1075 nm光谱反射率曲线整体变化趋势基本相同,其反射率均随着叶绿素含量的增加而增大。(2)经连续小波变换和分数阶微分变换后,2种棉花高光谱数据和叶绿素含量的相关性有所增强。使用随机森林回归和小波能量系数7对陆地棉叶绿素含量的反演效果最好,建模集决定系数(coefficient of determination,R^(2))为0.931,均方根误差(root mean square error,RMSE)为0.782,剩余预测偏差(residual prediction deviation,RPD)为2.162;使用随机森林回归和小波能量系数6对海岛棉叶绿素含量的反演效果最佳,建模集R^(2)为0.932,RMSE为1.198,RPD为2.687。【结论】本研究可为棉花叶绿素含量遥感估算提供技术参考。

基于机器学习的马铃薯叶片叶绿素含量估算

为了提高马铃薯叶绿素含量估算模型的精度,使用无人机平台搭载多光谱相机,获取对照处理和干旱处理下马铃薯关键生育期的遥感影像,选取13种植被指数作为叶绿素含量反演模型的输入变量,使用多元线性回归(MLR)、支持向量回归(SVR)、随机森林回归(RFR)、决策树回归(DTR)构建马铃薯叶绿素含量估算模型。首先分析了植被指数与叶绿素含量之间的相关性,结果表明,在对照处理块茎形成期,CIre、GNDVI、NDVIre、NDWI、GRVI、LCI与叶绿素含量之间的相关系数绝对值在0.5以上,且存在显著(p<0.05)或极显著(p<0.01)相关性;在马铃薯其他生育时期,13种植被指数与叶绿素含量之间的相关系数绝对值均在0.5以上,且存在极显著(p<0.001)相关性。然后对MLR、SVR、RFR和DTR等模型的精度进行比较,结果表明:SVR模型在对照处理块茎形成期、块茎膨大期和淀粉积累期的预测效果均是最佳,R 2和RMSE在块茎形成期为0.89和2.11,块茎膨大期为0.59和4.03,淀粉积累期为0.80和3.18;RFR模型在干旱处理块茎形成期、块茎膨大期和淀粉积累期的预测效果均是最佳,R 2和RMSE在块茎形成期为0.90和1.57,在块茎膨大期为0.87和2.16,在淀粉积累期为0.63和3.01。该研究为马铃薯叶绿素含量监测提供一种新的方法,后期可根据不同试验处理选择相应的估算模型。

基于双分支卷积网络的玉米叶片叶绿素含量高光谱和多光谱协同反演

针对智慧农业中叶绿素的精准预测问题,本文提出了基于双分支网络的玉米叶片叶绿素含量高光谱与多光谱协同反演的方法。使用欠完备自编码器进行数据降维,捕捉数据中最为显著的特征,使降维后的数据可以代替原始数据进行训练,从而加快训练效率,使用双分支卷积网络将多光谱数据用于填充高光谱数据信息,充分利用高光谱数据的空间细节信息,再结合1DCNN建立玉米叶片叶绿素含量预测模型。结果表明,与传统降维算法相比较,欠完备自编码器处理后预测结果最佳,决定系数R2为0.988,均方根误差(RMSE)为0.273,表明使用欠完备自编码器进行降维可以有效提高数据反演精度;与单一的高光谱数据反演模型和多光谱数据反演模型相比,双分支卷积网络预测模型均取得较优的预测结果,R2在0.932以上,RMSE均在1.765以下,表明基于双分支卷积网络的高光谱与多光谱图像协同反演模型可以有效地利用数据的特征;对于其他数据结合本文提及的双分支卷积网络模型进行反演,其R2均在0.905以上,RMSE均在2.149以下,表明该预测模型具有一定的普适性。

基于PROSAIL模型和Sentinel-2数据的陕北煤炭矿区植被叶绿素含量监测

为满足煤炭矿区植被叶绿素含量高精度动态监测需求,该文以陕北大柳塔矿区为研究区,首先分析PROSAIL模型对矿区典型植被欧李、野樱桃的适用性,然后根据PROSAIL辐射传输模型建立查找表,结合基于正则化的代价函数对欧李、野樱桃叶绿素含量进行反演,并利用SNAP软件反演结果与地面实测数据对PROSAIL模型反演结果进行验证,最后利用所构建模型反演得到2016—2019年大柳塔矿区植被叶绿素含量空间分布。结果表明:PROSAIL模型模拟光谱与地面实测光谱的绝对偏差平均值最大为0.016,该精度满足植被参数反演;PROSAIL模型反演得到的欧李、野樱桃叶绿素含量与地面实测数据的决定系数、均方根误差和相对均方根误差分别为0.679、1.926和4.625%,优于SNAP软件反演结果,反演得到的大柳塔矿区叶绿素含量时空变化与实际植被生态修复情况和土地利用覆盖类型一致。研究结果可为矿区植被叶绿素反演和生态修复效果评估提供技术参考。

基于无人机多光谱的烤烟冠层叶绿素含量反演

叶绿素含量对作物的光合作用有直接影响,同时影响作物有机质的积累,成为监测作物生长的重要指标,烟草作为一种特殊的经济作物,快速监测其叶绿素含量具有重要意义。无人机遥感技术的发展为实现快速、无损监测提供了有利条件。为了探索一种快速便捷的估算烤烟冠层叶绿素含量的方法,实现方便高效的作物监测,利用SPAD-502型叶绿素仪测定烟草不同生育期叶绿素含量的实际值,并利用搭载多光谱相机的无人机采集对应时期烟草的光谱图像,研究不同施氮水平下烟草冠层叶绿素含量的变化规律,另外选取58种常用植被指数与冠层实测叶绿素含量进行相关性分析,选择与实测叶绿素含量极显著相关的11种植被指数,构建烟草冠层叶绿素含量逐步回归的随机森林模型。结果表明,不同施氮浓度下,旺长期叶绿素含量最高,同一生育期,叶绿素含量随施氮浓度的增加而上升;采用随机森林建立的烟草旺长期模型r^(2)为0.790,RMSE为2.140。本研究证明,叶绿素含量随施氮浓度增加而变化明显,2种建模方法中随机森林模型的精度优于逐步回归模型,研究为烟草叶绿素含量的快速估算提供了一种新的方法,为利用无人机平台进行作物监测提供了可行的参考。

基于MCC-GAPLS-PLSR的辣椒叶绿素含量高光谱定量反演

为了准确监测辣椒生长,本研究对辣椒冠层光谱反射率进行对数处理、倒数处理、倒数的对数处理、连续统去除处理、一阶微分处理、二阶微分处理,并与SPAD值进行相关性分析,用最大相关系数法(MCC)选取相关性较好的特征波段生成特征波段数据集,再用遗传算法-偏最小二乘法(GAPLS)进行降维得到最优特征波段组合,采用偏最小二乘法(PLSR)、反向传播神经网络(BPNN)、随机森林(RF)和最小二乘支持向量机(LSSVM)4种机器学习算法构建辣椒叶绿素含量反演模型。结果表明,最优波段和对应处理分别为700 nm(原始光谱)、699 nm(对数处理)、713 nm(连续统去除处理)、500 nm(二阶微分处理)、713 nm(二阶微分处理)。GAPLS的降维效果较好,与降维前相比PLSR模型的精度提升率最高,R^(2)、RPD分别提升了82.22%、136.98%,RMSE降低了29.96%。4种模型中,GAPLS降维处理后的PLSR模型的精度最好,R^(2)、RMSE和RPD分别为0.82、1.94、4.55。本研究构建的MCC-GAPLS-PLSR模型具有较好的反演潜力,适用于研究区辣椒叶片叶绿素含量测定,推动辣椒高效种植。

基于无人机多光谱影像与机器学习算法的棉花冠层叶绿素含量估算研究

【目的】利用无人机多光谱技术监测棉花冠层叶片的叶绿素含量。【方法】通过无人机获取新疆南疆地区棉花冠层的多光谱图像,选取7种植被指数,利用7种不同的反演方法估算棉花关键生育时期花铃期的叶绿素含量,包括基于线性回归(linear regression,LR)的一元线性回归、偏最小二乘回归(partial least squares regression,PLSR)、岭回归(ridge regression,RR)、最小绝对值收敛和选择算子(least absolute shrinkage and selection operator,LASSO)回归,以及支持向量回归(support vector regression,SVR)、K近邻回归(K nearest neighbors regression,KNNR)、随机森林回归(random forest regression,RFR)。【结果】与线性回归模型相比,RFR、SVR和KNNR算法提高了棉花冠层叶绿素含量估算模型精度,尤其是RFR算法,其模型验证集的决定系数为0.742,均方根误差为1.158 mg·L^(-1),相对分析误差为1.969。【结论】利用RFR机器学习方法构建的基于无人机多光谱影像的棉花冠层叶片叶绿素含量估算模型可及时、准确地判断棉花的生长状况,为棉田精准管理提供技术支撑。

基于叶片双层辐射传输机理的水稻叶绿素含量反演

水稻是主要的粮食作物,对其生长发育过程中叶绿素含量进行精准监测,在指导田间管理方面具有十分重要的意义。叶片辐射传输模型能够有效地模拟水稻叶片光谱信息,描述叶片各参数对光谱反射率的影响,具有较强的机理性,可作为基于物理驱动方式反演水稻叶片叶绿素含量的重要机理模型。PIOSL(PROSPECT consider the internal optical structure of the leaves)模型假设叶片内部是由两层不同的光学特性层叠加而成,其叶片内部结构的假设更加符合植物的实际生长状况。为了验证PIOSL模型反演水稻叶片叶绿素的可行性,并为作物理化参量反演提供新思路,该研究利用此模型对水稻叶片叶绿素含量开展反演研究。首先利用PIOSL模型构建查找表,筛选查找表中与实测光谱较为接近的模拟样本数据,利用SVM(support vector machine)构建分类预测模型,判定查找表中随机生成的参数组合是否符合叶片实际情况,并构建新的查找表数据集。将改进后的查找表按7:3的比例随机拆分为训练集和测试集,通过WOAELM(whale optimization algorithm,WOA;extreme learning machine,ELM)模型反演水稻叶片叶绿素含量。结果表明:基于PIOSL-WOA-ELM构建的反演模型,模型R2和RMSE分别为0.977和2.356μg/cm^(2),与PROSPECT-WOA-ELM模型的反演精度均在0.9以上,且优于传统的多元回归模型。由此看来,利用PIOSL-WOA-ELM模型对水稻叶片叶绿素含量进行反演是可行的,可为精准反演水稻叶绿素在叶片中的分布提供新的思路,进而科学有效地开展田间管理。

连续小波结合随机森林算法估算互花米草叶片叶绿素含量

叶绿素含量是检测植物生理状态的关键指标,精准估算互花米草叶绿素含量对于表征其组分含量性状与量化其生理状态具有重要的意义。以独流减河湿地互花米草实测高光谱反射率和叶绿素含量为数据源,采用连续投影算法(sequential projection algorithm,SPA)对原始光谱及其数学变换和连续小波变换光谱进行特征提取,基于随机森林回归(random forest regression,RFR)算法建立互花米草叶片叶绿素含量的高光谱估算模型。结果表明:(1)连续小波分解低尺度下互花米草光谱时间分辨率更精确且频率更高,对应的小波函数较窄,可以更好区分光谱间差异,突出特征光谱信息。(2)除倒数(1/R)和对数的一阶微分[(logR)′]外,光谱数学变换与连续小波分解方法可有效反应光谱细节特征,且小波分解效果总体上优于数学变换,小波分解L10尺度与一阶微分(R′)分别与叶绿素含量的相关性达到0.78和0.77。(3)一阶微分(R′)、倒数的一阶微分[(1/R)′]、对数(logR)变换和连续小波分解可提升光谱对互花米草叶片叶绿素含量的估算能力,其中基于一阶微分R′(R^(2)=0.776,RMSE=0.510,RPD=1.893)和连续小波分解下L2、L3与L4多尺度相结合构建的模型(R^(2)=0.871,RMSE=0.305,RPD=3.846)分别为两种处理下的最优模型。研究表明高光谱技术可以作为互花米草叶片叶绿素含量的无损检测手段,连续小波分解后多尺度结合建立的高光谱估算模型可更加准确估算互花米草叶片叶绿素含量。

基于影像分割的覆膜玉米叶绿素含量反演

【目的】快速、准确监测覆膜玉米叶绿素含量,探明将影像地膜和阴影背景像元剔除能否提高光谱和纹理特征反演叶绿素含量的精度。【方法】以无人机多光谱遥感影像数据为基础,以覆膜玉米苗期、拔节期、抽雄期和灌浆期叶绿素含量为对象,使用监督分类分割影像背景像元和玉米像元,分析背景像元对玉米冠层光谱的影响,计算全像元和玉米像元影像的光谱特征和纹理特征并筛选较优变量输入,利用偏最小二乘、支持向量机和BP神经网络3种机器学习算法建立玉米叶绿素含量的反演模型。【结果】(1)苗期、拔节期、抽雄期和灌浆期多光谱影像中的背景像元对玉米冠层的光谱均有显著影响。(2)基于玉米像元影像提取的光谱特征、纹理特征和光谱特征+纹理特征为变量输入的反演精度均优于全像元影像(最佳模型建模R^(2)提高0.078,RMSE和MAE分别降低0.060和0.055 mg·g^(-1),验证R^(2)提高0.109,RMSE和MAE分别降低0.075和0.047 mg·g^(-1))。(3)基于玉米像元影像的光谱特征+纹理特征为变量输入的建模精度比仅使用光谱特征或纹理特征为变量输入的建模精度提升显著;其中光谱特征+纹理特征为变量输入的BP神经网络模型精度最高(验证R^(2)、RMSE、MAE分别为0.690、0.468 mg·g^(-1)、0.375 mg·g(-1))。【结论】采用剔除背景像元的无人机多光谱影像光谱和纹理特征数据并结合BP神经网络可较好地实现覆膜玉米叶绿素含量的反演,研究结果可为无人机遥感快速、准确反演覆膜玉米叶绿素含量提供理论参考。

节瓜果肉叶绿素含量的主基因+多基因遗传分析

【目的】对节瓜果肉叶绿素含量进行主基因+多基因遗传分析,研究果肉颜色与叶绿素含量的关系及遗传机理,为选育优质节瓜品种奠定基础。【方法】该研究利用节瓜自交系J16(白肉)和FJ5(绿肉)形成P_(1)、P_(2)、F_(1)、F_(2)4个世代群体,通过肉眼观察节瓜果肉颜色并测量其叶绿素含量,利用遗传模型分析软件包对果肉叶绿素含量进行遗传模型的分析,得出极大似然函数值和最小赤池信息量准则(AIC)值。随后选择3个AIC值最小的模型作为备用模型并进行适合性检验。最后计算出最优遗传模型的一、二阶遗传参数,并对主基因、多基因等遗传效应值进行分析。【结果】叶绿素含量是节瓜绿色果肉形成的关键因素,节瓜F_(1)代果肉颜色和叶绿素含量介于亲本之间且稍偏向于白肉亲本(P_(1)),F_(2)代果肉颜色和叶绿素含量表现为数量性状特征。果肉叶绿素含量最适遗传模型为MX2-ADI-ADI,即2对加性-显性-上位性主基因+加性-显性-上位性多基因模型。在一阶遗传参数中,2对主基因的加性效应绝对值之和(d_(a)+d_(b))大于2对显性效应绝对值之和(ha+hb),且d_(a)>d_(b),表明第1对主基因的负向加性效应为主。在上位性遗传效应中,以基因加性-加性互作正向效应为主。二阶遗传参数表明,主基因遗传方差为32.1590,多基因遗传方差为1.1540,同时主基因和多基因遗传率分别为93.69%和3.36%。【结论】节瓜果肉颜色性状的主基因遗传率均远大于多基因遗传率,以主基因遗传为主。因此,在节瓜果肉颜色育种过程中要重视利用主基因,可在早期世代进行选择以及采用组合育种的途径对节瓜进行改良。

玉米与棉花间作对作物株高、叶绿素含量及根长密度的影响

间作是我国传统农业的重要组成部分,通过不同种植模式改善作物群体结构,充分利用光、水、热、气、肥资源,提高土地利用率。为探索棉花与玉米不同种植模式对作物生长发育的影响,2023年在新疆石河子开展了玉米-棉花间作、单作玉米和单作棉花3种种植模式的试验,以玉米品种新玉93号、棉花品种新陆早74号为研究对象,调查分析6月11日、6月30日、7月9日、7月20日、7月30日、8月9日作物株高、叶片叶绿素含量、根长密度等的变化。结果显示:间作玉米株高提升4.25%~18.71%;单作玉米叶绿素含量在7月20日、8月9日分别显著增加21.40%、31.36%;间作玉米0~<20 cm土层根长密度在6月11日、7月9日分别显著增加28.61%和43.11%,20~40 cm土层根长密度在6月11日、6月30日、7月9日和8月9日分别显著增加28.56%、33.95%、26.81%和21.63%。间作棉花株高降低5.12%~12.27%;单作棉花叶绿素含量在6月30日、7月9日、7月30日分别显著增加10.76%、16.05%、19.36%;间作棉花0~<20 cm土层根长密度在6月30日、7月9日、7月20日和7月30日分别显著增加22.85%、26.96%、38.11%、31.77%,20~40 cm土层根长密度6月30日、7月9日、7月20日和7月30日、8月9日分别显著增加84.42%、32.37%、64.52%、94.05%、47.03%。结果表明,间作导致棉花株高和叶绿素含量降低,根长密度增加,玉米株高和根长密度增加,叶绿素含量降低,初步揭示了间作模式对玉米和棉花主要生长指标产生的不同影响,可为优化相关农业生产提供参考。

顾及竹龄的毛竹叶片叶绿素含量的高光谱估算研究

【目的】毛竹(Phyllostachys edulis)是1种具有较高经济效益和固碳能力的植物,高光谱遥感在植被研究中的应用使得估算叶绿素含量成为可能,对其进行研究具有重要的意义。【方法】该文选取3组不同年龄各5株毛竹叶片样本测定叶绿素含量和高光谱特征参数,采用光谱分析仪对毛竹叶片的光谱特性与叶绿素含量进行相关分析,分别建立了毛竹叶片绿峰反射率、红边内最大一阶微分值、绿峰反射率与红谷反射率的归一化值、红边内一阶微分的总和与蓝边内一阶微分的总和的比值等高光谱参数数据及叶绿素含量相关性的线性模型和指数模型,并对模型的稳定性和预测能力进行了检验。【结果】综合各年龄的毛竹叶片叶绿素的最佳光谱估算模型为红边内一阶微分的总和(SDr)与蓝边内一阶微分的总和(SDb)的归一化值,该指数函数模型为:y=1.8239exp(2.9336×x),相关系数R=0.543。【结论】高光谱反演实现对毛竹叶绿素含量的精确、快速和非破坏性监测,可为毛竹林遥感监测、健康评估和科学管理提供理论依据。

基于室内实验的小白菜叶绿素含量遥感估算模型研究

为探究不同生长阶段叶绿素含量与叶片光谱的定量关系,本文采用室内遥感仿真实验的方法,探究小白菜生长期和成熟期叶绿素含量与叶片光谱反射率之间的函数模型。通过小白菜水分胁迫实验,采用可分性度量指标和多项式拟合的数学方法,分别构建生长期和成熟期叶绿素含量估算模型。结果表明:叶片光谱反射率与叶绿素含量具有较强相关性,其中550nm(绿光)和710nm(红光)相关性最强;叶绿素含量与光谱反射率存在一次线性函数关系,其模型准确度在各生长阶段均达到80%。该函数模型对植被生长状况监测及估产具有一定帮助。

水稻叶绿素含量的QTL及其与环境互作分析

研究的主要目的是通过QTL分析对水稻叶片叶绿素含量进行遗传剖析。应用由247个株系组成的珍汕97B/密阳46重组自交系群体及其含207个分子标记的连锁图谱。分别在2002年和2003年考察亲本和重组自交系群体剑叶、倒二叶、倒三叶叶绿素a和b的含量,采用QTLMapper1.6统计软件进行QTL定位、上位性分析及其与环境的互作效应分析。在4个标记区间共检测到控制不同叶位叶绿素a、b含量的8个QTL,单个QTL的表型变异贡献率为1.96%～9.77%,其中2个QTL与环境之间存在显著互作;检测到9对影响叶绿素a、b含量的加性×加性上位性互作,其中1对具有显著的上位性×环境互作效应。与该群体产量性状QTL的研究结果相比较,发现每个产量性状都有QTL与控制叶绿素含量的QTL位于相同的染色体标记区间。

不同玉竹品种主要农艺性状及叶绿素含量比较

以郴州地区3个不同玉竹品种(高禾尾参、猪屎尾参1和猪屎尾参2)为研究对象,比较不同玉竹品种农艺性状(株高、地径、叶长和叶宽)和叶绿素含量(叶绿素a、叶绿素b和叶绿素总含量)的差异,评价不同品种玉竹的种苗质量。结果表明,高禾尾参、猪屎尾参1和猪屎尾参2各物候期农艺性状及叶绿素含量有一定差异,其中高禾尾参生长性状表现较好,其株高、地径、叶长等生长指标高于其他两个玉竹品种,叶绿素含量较高,种质优势明显;猪屎尾参2植株发育相对迟缓,株高、地径、叶长、叶绿素含量等均低于其他两个玉竹品种。

甘蓝型油菜叶片叶绿素含量测定方法的优化及不同时期叶绿素含量比较

为准确、高效地获取批量材料叶片叶绿素含量,以春性甘蓝型油菜为材料,设置不同测定方法(研磨法和浸提法),探究其对叶片叶绿素含量测定的影响。结果表明:研磨法过程繁琐,容易造成误差,不适宜大量样本的叶绿素含量测定;而浸提法操作相对简便,丙酮无水乙醇(1︰1)浸提液在浸提17 h时提取效果较好。同时,比较苗期和花期叶片叶绿素含量发现,相同材料花期叶片叶绿素含量显著高于苗期。本研究优化了甘蓝型油菜叶片叶绿素的提取方法,为后续研究提供了技术支持。