16  快速ACi 曲线 (RACiR)

RACiR (sec. 1) 曲线已经证明了他的价值 (例如 J. R. Stinziano 等 2017; Joseph R. Stinziano 等 2018; Coursolle 等 2019)，Saathoff 和 Welles (2021) 介绍了使用 LI-6800 进行几种不同方式的二氧化碳响应曲线的测量，分别是 RACiR，DAT（Dynamic Assimiliation Technique）ACi 曲线与稳态 ACi 曲线（传统方式）。

Figure 16.1: 几种不同方式测量 ACi 曲线

在结果计算上，三者有一致也存在差异，但很难下结论哪种方式更准确，ACi 曲线测量时经典方式，但它使用的数据点非常少，而 RACiR 和 DAT 测量的快速 ACi 则有着 ‘海量’ 的数据点，在参数估计上有着相当大的优势，但很多不确定性值得进一步研究 (Saathoff 和 Welles 2021)。我们这里单纯从响应曲线拟合上看一下数据的情况。

16.1 使用 plantecophys 来拟合

我这里使用一个测量水稻的数据来进行演示，测量方式是使用的 DAT 技术的快速 ACi 曲线，正常情况下使用 plantecophys 分析 LI-6800 数据应该是这样：

Code
library("plantecophys")

dat_aci <- read.csv('data/racir_adyn.csv')

dat1 <- fitaci(
  dat_aci,
  varnames = list(
    ALEAF = "A",
    Tleaf = "TleafCnd",
    Ci = "Ci",
    PPFD = "Qin"
  ),
  alpha = 0.5,
  theta = 1
)

计算参数为：

Code
dat1$pars
Table 16.1: plantecophys 拟合 DAT 测量的参数
Estimate Std. Error
Vcmax 26.994837 0.1154895
Jmax 46.638084 0.1159879
Rd 1.380359 0.0214664

作图查看为：

Code
plot(dat1)
Figure 16.2: 使用 plantecophys 拟合 DAT 数据的图形

但是 plantecophys 是专用于 LI-6400 的参数，使用 LI-6800 修改参数略微麻烦，我于是将其 fitaci 函数略做修改，使其方便用于 LI-6800 (sec. 15.1.2):

Code
dat2 <- plantecophys2::fitaci(
  dat_aci,
  varnames = list(
    ALEAF = "A",
    Tleaf = "TleafCnd",
    Ci = "Ci",
    PPFD = "Qin"
  ),
  alpha = 0.5,
  theta = 1
)

Formula: ALEAF ~ acifun_wrap(Ci, PPFD = PPFD, Vcmax = Vcmax, Jmax = Jmax, 
    Rd = Rd, Tleaf = Tleaf, Patm = Patm, TcorrectVJ = Tcorrect, 
    alpha = alpha, theta = theta, gmeso = gmeso, EaV = EaV, EdVC = EdVC, 
    delsC = delsC, EaJ = EaJ, EdVJ = EdVJ, delsJ = delsJ, Km = Km, 
    GammaStar = GammaStar)

Parameters:
      Estimate Std. Error t value Pr(>|t|)    
Vcmax 26.99484    0.11549   233.7   <2e-16 ***
Jmax  46.63808    0.11599   402.1   <2e-16 ***
Rd     1.38036    0.02147    64.3   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.1347 on 295 degrees of freedom

Number of iterations to convergence: 6 
Achieved convergence tolerance: 7.457e-06

我们看一下结果：

Code
dat2$pars
Table 16.2: plantecophys 拟合 DAT 测量的参数
Estimate Std. Error
Vcmax 26.994837 0.1154895
Jmax 46.638084 0.1159879
Rd 1.380359 0.0214664

作图结果为：

Code
plot(dat2)
Figure 16.3: 使用 plantecophys2 拟合 DAT 数据的图形

主要区别是我让 plantecophys2 显示 summary 结果，这样对拟合效果的查看比较直观，再者稍微将图形的显示进行了修改，我感觉更符合我的审美一些。本质上没做改动，只是方便查看拟合结果和图形进行了微调。

16.2 使用 photosynthesis 来拟合

未运行结束代码

下面 photosynthesis 的代码，在我运行拟合过程中长时间不结束，估计是数据量大之后在某个算法上进行反复尝试的原因，为了避免卡在此处，下面的代码并没有运行结束。后面再进行测试 2024-03-26

这里不再做过多介绍，具体细节可以参考 @#sec-photosynthesis-aci：

Code
library(photosynthesis)

dat_aci$TLEAF <-dat_aci$TleafCnd + 273.15
fit <- fit_aci_response(dat_aci,
                         varnames = list(
                           A_net = "A",
                           T_leaf = "TLEAF",
                           C_i = "Ci",
                           PPFD = "Qin"
                         ))

拟合结果：

Code
reshape2::melt(fit[[1]])

使用相同的方式查看图形：

Code
fit[[2]]

本质上是使用的参数是 LI-6800 还是 LI-6400 得问题，使用 RACiR 还是 DAT，只是增加了拟合的数据量，无路如何，拟合点数量级的增长对拟合是有利无害的 sec. 1.1.1。