第 2 章 批量处理光合测定数据
对于多数人来讲，一个季节用光合仪测量的数据文件至少是两位数的，处理起来非常不方便，针对这个问题，简单写了一个批量读取 LI-6400 和 LI-6800 原始数据的包(因为现有的容易实现的读取 excel 格式的包还不支持 6800 和 6400 这种形式的公式计算)2，使用非常简单，同时也适合处理未关闭数据文件而导致的无法生成 excel 格式的数据时的问题。
2.1 安装
暂时只有我的 github repo 中的版本：
devtools::install_github("zhujiedong/readphoto")2.2 LI-6400 数据处理
2.2.1 LI-6400 数据的整合{#6400combine}
基本参数如下：
library(readphoto)
df64 <- read_bat_6400("./data/6400", header_line = 17, data_start = 27)数据输出如下所示(仅显示前8列数据)：
| files | Obs | HHMMSS | FTime | EBal. | Photo | Cond | Ci | |
|---|---|---|---|---|---|---|---|---|
| 1 | aci | 1 | 10:55:14 | 483.0 | 0 | 6.990 | 0.0831 | 251.0 |
| 4 | aci | 2 | 10:57:35 | 623.5 | 0 | 5.160 | 0.0853 | 192.0 |
| 7 | aci | 3 | 10:59:55 | 763.5 | 0 | 3.140 | 0.0881 | 136.0 |
| 10 | aci | 4 | 11:02:26 | 914.5 | 0 | 0.910 | 0.0927 | 81.9 |
| 13 | aci | 5 | 11:04:46 | 1055.0 | 0 | -0.167 | 0.0966 | 52.7 |
| 16 | aci | 6 | 11:07:23 | 1211.5 | 0 | 5.240 | 0.1010 | 305.0 |
| 19 | aci | 7 | 11:09:43 | 1352.0 | 0 | 6.610 | 0.1040 | 284.0 |
| 22 | aci | 8 | 11:12:04 | 1492.5 | 0 | 9.280 | 0.1050 | 438.0 |
| 25 | aci | 9 | 11:14:24 | 1633.0 | 0 | 10.200 | 0.1020 | 616.0 |
| 28 | aci | 10 | 11:16:44 | 1772.5 | 0 | 10.500 | 0.0943 | 795.0 |
| 31 | aci | 11 | 11:19:49 | 1958.0 | 0 | 10.700 | 0.0853 | 970.0 |
| 34 | aci | 12 | 11:22:09 | 2097.5 | 0 | 11.100 | 0.0812 | 1150.0 |
| 41 | aq | 2 | 10:12:52 | 737.5 | 0 | 6.450 | 0.0700 | 239.0 |
| 44 | aq | 3 | 10:15:12 | 878.0 | 0 | 6.450 | 0.0684 | 235.0 |
| 47 | aq | 4 | 10:17:32 | 1017.5 | 0 | 5.960 | 0.0655 | 241.0 |
如果想另存为 csv 格式：
write.csv(df64, "./combined.csv")header_line 表示你数据表头所在行，data_start 表示你数据起始行，Obs = 1 时所在行，不含表头。这个也要确认好了，不同的测量不能放在一起（当然一般不会出现这种情况，同一台仪器，处理数据当然是希望 aci 和 aci 在一起，lrc 和 lrc 在一起，调查测量和调查测量在一起），不同的测量可能起始行不同，这样就会报错，特别需要注意的是，目前路径写法仅支持 “/” 分隔，不能使用 “\“ 作为分隔。例如在数据放在 D 盘的 6400 文件夹下，那么写法应为”d:/6400”, 不能为 “d:\6400”, 尽管后者对 R 是合法的，主要是因为我要区分你不同数据来源的文件是哪个，也即下文提到的 df$files 列。
其中，数据的来源在表格中第一列，叫做 files，是数据来源的文件名（即你起的名字）,例如本例中你看到的 aci 是我之前数据里面 aci 响应曲线的数据。
这些数据可以用于后文相关的分析中，尤其是像 fitacis 这样的函数，因为本质上他们都是符合 tidyverse 样式的数据。
2.2.2 LI-6400 数据重计算
参数的重计算函数为 recomp_6400, 其参数除了 read_bat_6400 所包含的参数外，还有叶面积 S, 以及叶片正反面的气孔比例，默认值分别为 6 和 0.5。
library(readphoto)
x1 <- read_bat_6400("./data/6400")
y1 <- recomp_6400("./data/6400", header_line = 17, data_start = 27, S = 6, K = 0.5)
x1$Photo - y1$Photo## [1] -0.0008873753 0.0026900500 -0.0012036469 0.0003483414 0.0006122641
## [6] -0.0113872639 -0.0020986076 0.0004962787 0.0188727482 -0.0294595908
## [11] -0.0436611445 -0.0339083408 0.0046772165 0.0036653298 0.0030397988
## [16] -0.0105901673 0.0040624956 0.0017317049 -0.0073252290 0.0054977377
## [21] 0.0039736503 0.0021704065 0.0046772165 0.0036653298 0.0030397988
## [26] -0.0105901673 0.0040624956 0.0017317049 -0.0073252290 0.0054977377
## [31] 0.0039736503 0.0021704065x1$Trmmol - y1$Trmmol## [1] -2.998596e-04 1.407338e-04 3.189451e-05 -4.586467e-04 -3.836822e-04
## [6] 5.402725e-04 -2.344852e-04 -7.684772e-05 5.979599e-04 -6.534341e-04
## [11] -6.779145e-04 2.469749e-04 3.812201e-04 2.313957e-04 3.508312e-04
## [16] -2.794358e-04 -5.406530e-04 5.230606e-04 -9.183370e-04 7.638850e-04
## [21] -2.578893e-04 2.203045e-04 3.812201e-04 2.313957e-04 3.508312e-04
## [26] -2.794358e-04 -5.406530e-04 5.230606e-04 -9.183370e-04 7.638850e-04
## [31] -2.578893e-04 2.203045e-04x1$Cond - y1$Cond## [1] -1.974217e-04 -3.594216e-04 -3.779119e-04 -3.806675e-04 -3.201411e-04
## [6] -1.483324e-04 -7.803345e-04 -2.671018e-04 1.028977e-04 -3.966192e-04
## [11] -3.190769e-04 -2.314266e-04 -2.746300e-04 1.094050e-05 -4.584791e-05
## [16] -1.084094e-04 -1.827768e-04 -1.344969e-04 -1.714096e-04 -8.180257e-05
## [21] -4.687906e-05 -1.000424e-04 -2.746300e-04 1.094050e-05 -4.584791e-05
## [26] -1.084094e-04 -1.827768e-04 -1.344969e-04 -1.714096e-04 -8.180257e-05
## [31] -4.687906e-05 -1.000424e-04x1$Ci-y1$Ci## [1] 0.434643936 -0.297820404 -0.308200950 -0.007847373 -0.035490198
## [6] 0.433706824 -0.416734067 -0.052089770 0.147655545 -0.315797917
## [11] -0.271335987 -0.228968795 0.356519198 0.311487646 0.052196075
## [16] 0.557128947 0.058563406 0.300198435 0.052607786 0.339000061
## [21] -0.252622980 -0.494554616 0.356519198 0.311487646 0.052196075
## [26] 0.557128947 0.058563406 0.300198435 0.052607786 0.339000061
## [31] -0.252622980 -0.494554616# half of original the area
y1 <- recomp_6400("./data/6400", header_line = 17, data_start = 27, S = 3, K = 0.5)
y1$Photo/x1$Photo## [1] 2.000254 1.998957 2.000767 1.999234 2.007333 2.004346 2.000635 1.999893
## [9] 1.996299 2.005611 2.008161 2.006110 1.998550 1.998863 1.998980 2.003671
## [17] 1.998391 1.999240 2.003866 1.995584 1.994199 2.010360 1.998550 1.998863
## [25] 1.998980 2.003671 1.998391 1.999240 2.003866 1.995584 1.994199 2.010360# test with random area less than six
area <- 6 - runif(32, 1, 3)
y1 <- recomp_6400("./data/6400", header_line = 17, data_start = 27, S = area, K = 0.5)
y1$Photo/x1$Photo## [1] 1.890741 1.442401 1.922837 1.460636 1.263409 1.414596 1.757261 1.521830
## [9] 1.291741 1.581095 1.452796 1.398753 1.884053 1.437109 1.228692 1.745059
## [17] 1.651811 1.603419 1.203926 1.310704 1.822923 1.804928 1.470240 1.768144
## [25] 1.900306 1.882726 1.906420 1.620766 1.682811 1.289687 1.447063 1.381292我们看到各个值之差非常小，因为我们使用的是相同的叶面积，理论上这两次读数的差异应为 0， 但在实际计算过程中，有小数点位数的影响，所以某些值不完全为 0，但该差值足够小。我们将所有的数据叶面积减半后，二者比值也约等于 2.
2.3 LI-6800 数据的处理 {#6800data}
LI-6800 的数据我们可以直接处理 Excel 即可，读取我这里有两种方案，一种是 R 读取方案，一种是 python 读取方案，之所以这么复杂，是因为 LI-6800 的 Excel 格式较为复杂，不被常用的软件包所支持。我们分开来看两种方式：
2.3.1 R 下 Excel 格式读取的重计算 {##6800xlconnect}
偶然发现了 XLConnect 软件包的一个功能（以前知道这个软件包，但忽视了），那就是直接读取 LI-6800 Excel 格式的数据并重计算，我将其写成了函数，放在了我的 readphoto 软件包里，软件包的安装：
remotes::install_github("zhujiedong/readphoto")当然，最近连我自己安装 github 的软件包都经常出问题，如果大家同样遇到问题，可以按照下面的方式安装：
remotes::install_git("https://gitee.com/zhu_jie_dong/readphoto")其中：
path 是 Excel 文件的路径；
start_row 是数据开始的行号；
S 为修改的叶面积，默认值为 6，如果叶面积无需更改，则使用默认的 NULL。如果使用 aperture 更改了面积，且叶片能够充满叶室，比方说是 2 \(cm^2\)，该值必须输入一个长度和测量值数量完全一致的向量，例如有 3 个测量值，我们输入 S 的长度则为 3，例如，一共有三个测量值，只有第一个叶片没充满叶室，面积为 1.5，其他的为 2，则输入方式为 S = c(1.5, 2, 2)。
我们直接使用下面的例子解释，导入的数据是 6 cm2 的默认面积：
library(readphoto)
df6 <- xlconnect_read("./data/aci-xlc.xlsx")
df6$A## [1] 24.7381184 18.1379358 10.8055345 3.0239340 -0.9144044 26.9519572
## [7] 27.5088717 40.9101889 50.1393342 55.3865984 58.0662751 59.3556428df3 <- xlconnect_read("./data/aci-xlc.xlsx", S = rep(3, 12))
df6$A/df3$A## [1] 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5 0.5df_random <- xlconnect_read("./data/aci-xlc.xlsx", S = rnorm(12, 3, 0.1))
df6$A/df_random$A## [1] 0.4703268 0.5052066 0.5075169 0.5063254 0.5166228 0.4393696 0.4790926
## [8] 0.5081278 0.5143876 0.4945837 0.5079758 0.4884164光合速率的倍数的变化在预期之内。
2.3.3 批量处理 csv 文件
如果还是比习惯用 R，我们来处理上面的 csv 文件即可。其实没什么特别的，就是需要批量导入后添加一个分组标签即可。以下为示例：
files_csv <- list.files("./data/csvdata", full.names = TRUE)
files_csv## [1] "./data/csvdata/racirtest1.csv" "./data/csvdata/rcirtest3.csv"add_remark <- function(path){
df <- read.csv(path)
df$remarks <- gsub(".csv", "", basename(path))
return(df)
}
list_csv <- lapply(files_csv, add_remark)
df_remark <- do.call(rbind, list_csv)
n <- ncol(df_remark)
head(df_remark[,(n-3):n])## H2O_r_sp SS_s SS_r remarks
## 1 20 96.8399 99.4131 racirtest1
## 2 20 96.8405 99.4111 racirtest1
## 3 20 96.8409 99.4112 racirtest1
## 4 20 96.8411 99.4125 racirtest1
## 5 20 96.8413 99.4125 racirtest1
## 6 20 96.8411 99.4118 racirtest1tail(df_remark[,(n-3):n])## H2O_r_sp SS_s SS_r remarks
## 443 20 97.0539 99.6148 rcirtest3
## 444 20 97.0531 99.6159 rcirtest3
## 445 20 97.0533 99.6146 rcirtest3
## 446 20 97.0527 99.6133 rcirtest3
## 447 20 97.0534 99.6146 rcirtest3
## 448 20 97.0527 99.6146 rcirtest3到此为止已经整理为所谓的 tidy data 了，用 tidyverse 也好，用 base 语法也好，总之是比较容易处理的数据了，例如上面其实是 RACiR 数据了，有两个，那么当然可以使用 plantecophys::fitacis 来一条命令搞定所有数据的拟合了。
这里需要注意的是使用 xlconnect_read 也可以使用类似的操作，但我觉得不如这种方法省事，故而只列出来这一种，有需要的也可以按照类似方法处理即可。