Fast detection of leaf pigments and isoprenoids for ecophysiological studies, plant phenotyping and validating remote‐sensing of vegetation
Notice bibliographique
Résumé
Rapid developments in remote‐sensing of vegetation and high‐throughput precision plant phenotyping promise a range of real‐life applications using leaf optical properties for non‐destructive assessment of plant performance. Use of leaf optical properties for assessing plant performance requires the ability to use photosynthetic pigments as proxies for physiological properties and the ability to detect these pigments fast, reliably and at low cost. We describe a simple and cost‐effective protocol for the rapid analysis of chlorophylls, carotenoids and tocopherols using high‐performance liquid chromatography ( HPLC ). Many existing methods are based on the expensive solvent acetonitrile, take a long time or do not include lutein epoxide and α‐carotene. We aimed to develop an HPLC method which separates all major chlorophylls and carotenoids as well as lutein epoxide, α‐carotene and α‐tocopherol. Using a C 30 ‐column and a mobile phase with a gradient of methanol, methyl‐tert‐butyl‐ether ( MTBE ) and water, our method separates the above pigments and isoprenoids within 28 min. The broad applicability of our method is demonstrated using samples from various plant species and tissue types, e.g. leaves of Arabidopsis and avocado plants, several deciduous and conifer tree species, various crops, stems of parasitic dodder, fruit of tomato, roots of carrots and Chlorella algae. In comparison to previous methods, our method is very affordable, fast and versatile and can be used to analyze all major photosynthetic pigments that contribute to changes in leaf optical properties and which are of interest in most ecophysiological studies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».