叶绿素 B的应用

背景^[1-3]

叶绿素B是一种化学物质，分子式是C55H70MgN4O6。叶绿素b是叶绿素的一种，作为光合作用的天线色素之一吸收并传递光能。叶绿素b比叶绿素a多一个羰基，因此更容易溶于极性溶剂。它的颜色是黄绿色，主要吸收蓝紫光。

叶绿素的可见光波段的吸收光谱，在蓝光和红光处各有一显著的吸收峰，吸收峰的位置和消光值的大小随叶绿素种类不同而有所不同。叶绿素a的吸收光的波长在420-663nm，叶绿素b的吸收波长范围在460-645nm。

叶绿素a和叶绿素b及衍生物的吸收光谱表明,它们在红光区(620~700nm)和蓝紫区(400~500nm)出现了较深的黑带，也就是说，这些光线被叶绿素强烈吸收；而在绿光区(520~580nm)没有黑带,即未被吸收，这也正是叶绿素是绿素的原因。戴荣继等人采用紫外检测器和二极管阵列的三维检测器多次尝试后,最终确定叶绿素a的发射波长为433nm，激发波长为664nm；叶绿素b的发射波长为469nm，激发波长为670nm。

叶绿素b存在于高等植物、绿藻、眼虫藻、管藻中，吸收光带在红光和蓝紫光。

大多以植物（如菠菜等）或干燥的蚕砂为原料提取叶绿素。

例如从蚕砂提取叶绿素可采用下述方法。有机溶剂提取：取洁净的蚕砂，用70%以上工业乙醇调成浆状，过滤出暗绿色溶液，再晾干而得。

另一种操作是将45份石油醚、15份甲醇、4份苯混合，与洁净的蚕砂混合调浆，过滤，滤液用水洗4次。在有机提取液中加少量硫酸钠除去残留水分，过滤，滤液回收溶剂后即得叶绿素。

物理法分离：将0.4mol/L稀蔗糖液和0.06mol/L磷酸钾稀溶液（pH为6-7）按1：1混合成缓冲介质。每2kg蚕砂加1L左右缓冲介质，混合均匀，用多层砂布滤出绿色的悬液，放入低温离心机离心5-10min，以水洗涤沉淀，再离心一次得叶绿素沉淀物。叶绿素用草酸处理，可得无镁的脱镁叶绿素，再引入镁转回成叶绿素。用强酸除去植醇和镁则得脱镁叶绿酸，植醇也可重新引入。水解则除去植醇和甲醇，得叶绿酸。大多以植物（如菠菜等）或干燥的蚕砂为原料提取叶绿素。例如从蚕砂提取叶绿素可采用下述方法。

有机溶剂提取：取洁净的蚕砂，用70%以上工业乙醇调成浆状，过滤出暗绿色溶液，再晾干而得。

另一种操作是将45份石油醚、15份甲醇、4份苯混合，与洁净的蚕砂混合调浆，过滤，滤液用水洗4次。在有机提取液中加少量硫酸钠除去残留水分，过滤，滤液回收溶剂后即得叶绿素。

物理法分离：将0.4mol/L稀蔗糖液和0.06mol/L磷酸钾稀溶液（pH为6-7）按1：1混合成缓冲介质。每2kg蚕砂加1L左右缓冲介质，混合均匀，用多层砂布滤出绿色的悬液，放入低温离心机离心5-10min，以水洗涤沉淀，再离心一次得叶绿素沉淀物。叶绿素用草酸处理，可得无镁的脱镁叶绿素，再引入镁转回成叶绿素。用强酸除去植醇和镁则得脱镁叶绿酸，植醇也可重新引入。水解则除去植醇和甲醇，得叶绿酸。

应用^[4][5]

用于基于高光谱技术的赣南脐橙叶片叶绿素含量估计与营养胁迫诊断研究

探究对叶绿素a和叶绿素b敏感的特征光谱;利用多种光谱指数与叶绿素的响应关系,选择对叶绿素高度相关、稳健的光谱指数构建叶绿素的反演模型;通过提取多种缺素叶片的光谱特征,探索快速、无损检测缺素状态的方法。

研究得到的主要结论和取得的主要成果如下:（1）使用400-1000 nm范围内的原始光谱（Raw Spectral,RS）,一阶导数光谱（First Derivative Spectral,FDS）和二阶导数光谱（Second Derivative Spectral,SDS）,采用1.67 nm和3.41 nm两种输出波段间隔,通过四种回归方法（偏最小二乘回归（Partial Least Squares Regression,PLSR）,人工神经网络（Artificial Neural Network,ANN）,普通最小二乘法（Ordinary Least Squares Regression,OLSR）和逐步线性回归（Stepwise Linear Regression,SLR））对脐橙叶片的叶绿素总量进行预测。在建模中,全光谱数据作为PLSR和ANN的模型输入向量,有效波长作为OLSR和SLR的模型输入向量。

研究结果表明,波段间隔1.67 nm比波段间隔3.41 nm的预测性能要更好,全波段数据建立的PLSR和SLR预测模型性能较好,其中,F-RS-PLSR模型表现出了对叶绿素含量的估计,训练集决定系数（C-R2）=0.92,测试集决定系数（V-R2）=0.96,训练集均方根误差（C-RMSE）=0.05,测试集均方根误差（V-RMSE）=0.19,训练集剩余预测偏差（C-RPD）=17.00,测试集剩余预测偏差（V-RPD）=3.63,总体而言,利用全波段的PLSR具有的建模效果。

（2）基于原始光谱、一阶导数光谱和二阶导数光谱,分别利用PLSR和支持向量机（Support Vector Machine,SVM）建立了叶绿素a、b的预测模型。实验结果表明,SVM模型对叶绿素含量的预测效果要优于PLSR。其中,导数数据对叶绿素a预测效果好,V-R~2=0.999,C-RMSE=0.004 mg/g,V-RMSE=0.004 mg/g,而原始光谱数据（相关系数为0.5）对叶绿素b获得了较好的建模效果,R2=0.965,C-RMSE=0.003 mg/g和V-RMSE=0.003 mg/g。

（3）利用RS数据、FDS数据和SDS数据,构建了19个已发表同时在估算植物叶片叶绿素含量有较好反演效果的指标。通过随机森林（Random Forest,RF）、决策树（Decision Tree,DT）Adaboost（AR）、PLSR和SVM回归方法,比较单一光谱指标和多个光谱指标组合对脐橙叶片中叶绿素a、叶绿素b和叶绿素总量的预测准确性。实验结果显示,无论是使用单光谱指数还是使用多个光谱指数作为输入矢量,AR都是的回归方法。

另外,在对叶绿素a含量（R2=0.966,RMSE=0.121）和叶绿素总量（R2=0.969,RMSE=0.144）预测效果方面,多个光谱指数组合是优于单一光谱指数。然而,利用单一光谱指数对叶绿素b的预测结果相对较好（R2=0.931,RMSE=0.045）。总体而言,多光谱指数适用于叶绿素a和叶绿素的估计,而单一光谱指数适用于叶绿素b的检索。

参考文献

[1]Identifying Freshness of Spinach Leaves Stored at Different Temperatures Using Hyperspectral Imaging[J].Susu Zhu,Lei Feng,Chu Zhang,Yidan Bao,Yong He.Foods.2019(9)

[2]Assessment of External Properties for Identifying Banana Fruit Maturity Stages Using Optical Imaging Techniques[J].Jiajun Zhuang,Chaojun Hou,Yu Tang,Yong He,Qiwei Guo,Aimin Miao,Zhenyu Zhong,Shaoming Luo.Sensors.2019(13)

[3]Estimating Total Leaf Chlorophyll Content of Gannan Navel Orange Leaves Using Hyperspectral Data Based on Partial Least Squares Regression.[J].Zhongzheng Peng,Lixin Guan,Yubo Liao,Suyun Lian.IEEE Access.2019

[4]Spectral difference analysis and identification of different maturity blueberry fruit based on hyperspectral imaging using spectral index[J].Ma Hao,Zhao Kaixuan,Jin Xin,Ji Jiangtao,Qiu Zhaomei,Gao Song.International Journal of Agricultural and Biological Engineering.2019(3)

[5]彭中正.基于高光谱技术的赣南脐橙叶片叶绿素含量估计与营养胁迫诊断[D].赣南师范大学,2020.