bp点(BP点怎么测量)原创

可能是去年底使用了 Coursolle et al. (2019) 这样的方法修改后，进行 RACiR 数据的分析，这次是对其做了修改。

 

可能是去年底使用了  Coursolle et al. (2019) 这样的方法修改后，进行 RACiR 数据的分析，这次是对其做了修改其实年初就已经使用 LI-6800 的 BP 程序，将测量方法自动化，并修改了一下  Coursolle et al. (2019) 的方法，不记录最初稳定二氧化碳的数据，因为他的数据中，下图三角形区域的数据是完全无用的，不需要记录。

这种方式使原来的方式进行直接批量删除是不可取的容易出错或者残留无效数据针对这个情况我进行的修改和测试为：使用 BP 进行测量，目前我已经完成 BP 相关的程序，本节的示例则是基于我实测的验证数据来进行（相关测试已经录好视频，可能后面公司公众号会推，如有 BP 自动测量 RACiR 的需要，请跟我们公司联系）。

这个程序也是基于 @Coursolle12019 的方法，测量步骤和修改如下：在接近外界的  浓度下进行诱导，控制 reference 的  420 ppm ，控制水分 reference 为 20

，此处不做修改使用自动控制，在 2 min 时间内，将    的 reference 气路浓度，下降到 20，然后等待 10-15 s 的时间此处的修改为，不记录这些数据，减少数据处理的麻烦 例如上图中三角形区域的数据。

运行自动控制，将  的 reference 浓度由 20 上升到 1520 ppm （仅作为测试范围，并非绝对），本步骤不做修改，记录数据，此为所需要数据实际上主要的修改就是将这个步骤自动化，需要人为操作的步骤仅仅是点 start 按键启动整个测量。

对于软件包的修改：主要的修改：独立的 xls_read 函数用于读取 excel 格式数据并修改叶面积独立的“清洗”空叶室数据的函数 tidy_data_empty独立的“清洗"带叶片测量数据的函数 tidy_data

将数据的清洗使用 A 值的一个上限和一个下限来解决使用的方法如下（有使用标准 ACi 测量数据的比较内容）：查看相邻数据的差值设置数据的清洗其实比较简单，主要利用相邻的两个测量 A 值的差值来进行，为方便确定差值，针对空叶室和带叶片测量的数据，单独设定了两个函数，来确定合理的过滤范围，这样说太抽象，我们导入数据后直接看图：。

1. 导入数据：此函数本质上是 xlconnect_read，如无需修改叶面积，则使用默认值如果需要修改叶面积，需要输入 S 参数，叶面积修改值必须和 A 的值一一对应，否则因为叶面积错误，则导致其他的错误，例如上面修改叶面积为原来的一半：。

library(racir)library(plantecophys)empty <- xls_read("data/racir-empty.xlsx")leaf <- xls_read("data/racir-leaf.xlsx"

)#  标准的aci数据aci <- xls_read("data/aci-curve.xlsx")half_leaf <- xls_read("data/racir-leaf.xlsx", S = leaf$S/

2)head(half_leaf$A/leaf$A)tail(half_leaf$A/leaf$A)

修改面积仅作演示用，如无需修改，则不要输入面积选项2. 关于空叶室的数据过滤范围的选取:check_delta_empty(empty, delta_max = 0.5, lower_A = -1)

这里首先不要被第二幅图的波动所迷惑，主要是坐标轴差异太小然后第一幅图中，这里设定了一个最大最小光合速率的范围（阈值，upper_A 和 lower_A），默认最大值是 2 以及最小值是 -2，上面我使用了最小值为 -1，也就是删除小于 -1 的光合速率，最大值 2 并不是删除，二是寻找 -2 < A < 2 范围的数据，从这里面找一个最小值，保留这一行的数据到测量数据结束。

另一个阈值删除相邻两个A值过大差值的数据的阈值（delta_max），对于这个阈值，LI-6800 其实并不敏感，因为本身数据非常稳定3. 关于带叶片测量的数据过滤范围的选取:check_delta(leaf, delta_max = 0.5, lower_A = -1)。

带叶片的数据同上，没有特殊的参数，从右图的数据来看，他在修正之前的光合速率，符合我们的预期4. 确定范围后数据的清洗:tidy_leaf <-tidy_data(leaf, delta_max = 0.5,

lower_A = -1)tidy_empty <-tidy_data_empty(empty, delta_max = 0.5,lower_A = -1)### 修正带叶片测量数据z <-correct_leaf

(tidy_empty, tidy_leaf)4. 拟合后的数据：fit_racir <- fitaci(z,               varnames =list(                   ALEAF = 

"A",                   Tleaf = "Tleaf",                   Ci = "Ci",                   PPFD  = "Qin",

                   Rd = "Rd"                ))fit_normal <- fitaci(aci,               varnames =list(

                   ALEAF = "A",                   Tleaf = "Tleaf",                   Ci = "Ci",                   PPFD  = 

"Qin",                   Rd = "Rd"                 ))ACi 曲线作图：

RACiR 作图：

当然，拟合重合度是非线性拟合的原因，与测量无关。RAiR 的结果：

ACi 的结果：

此处的数据和视频里的数据以及函数的参数略有差别，因为我修改了一下 racir 软件包的过滤条件，使得筛选数据更符合要求本身因为不是同一时间测量，测量 RACiR 时叶片的气孔导度略到，因此，其略大符合预期。

数据的重合程度 （实际上 RACiR 数据点要浓密的多，我使用了透明度为 80%，这样看上去仍然颜色非常深，这是 RACiR 采集数据点达到几百个的原因ACi 测量点为 50-2000 ppm，RACiR 为 20-1520 ppm）：。

library(RColorBrewer)library(latex2exp)line_col <-brewer.pal(2,"Set1")racir_col <-scales::alpha(line_col

[1], 0.2)aci_col <-line_col[2]plot(z$Ci,z$A,cex = 2.3,col = racir_col,pch = 20,xlim = c(50,1400),ylim

 = c(-1,38),xlab = TeX($C_i$ $(\\mumol \\cdotmol^{-1})$),ylab = TeX(A $(\\mumol \\cdotmol^{-1})$))points

(aci$Ci,aci$A,cex = 2.3,col = aci_col,pch = 20)legend(10,35,legend = c("RACiR","ACi"),col = c(racir_col,

aci_col),pch = 20,bty = "n",pt.cex = 2.3)

在线版本同步更新：http://zhu_jie_dong.gitee.io/photoanalysis/https://zhujiedong.github.io/photoanalysis/