張 盼,張海輝,胡 瑾,辛萍萍,張 珍,王智永,張斯威
(西北農(nóng)林科技大學機械與電子工程學院,農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室,陜西省農(nóng)業(yè)信息感知與智能服務重點實驗室,楊凌 712100)
茄子屬無限生長型植物,其整株光合作用的強弱直接決定了干物質(zhì)積累的程度以及果實的產(chǎn)量和品質(zhì)[1]。相關研究表明,作物葉片光合作用強弱不僅與溫度、CO2體積濃度、光子通量密度等多個因子顯著相關,而且與葉位密切相關[2-6]。根據(jù)葉片在植株上著生部位不同,葉大體分為:頂葉、中部葉位葉片、下部葉位葉片。頂葉為初生葉,光合機構(gòu)發(fā)育不全,葉綠素含量較少,光合能力較弱。中下部葉位葉片發(fā)育較好,葉綠素含量較多,光合能力較強。但由于葉片遮擋造成光照強度衰減,中下部葉位葉片受光不足,導致作物整株光合能力受限,不能充分發(fā)揮各葉位葉片的光合能力,降低光合產(chǎn)出[7-9]。因此,眾多學者針對作物不同葉位之間光合能力的差異進行了研究。李偉等[10]研究了黃瓜幼苗不同葉位葉片光合特性對弱光的響應,認為不同葉位光合能力受光照影響較大。常瑩等[11]研究了半干旱地區(qū)玉米不同葉位光合特性的差異,認為種植密度不同,不同葉位受光不一致,導致作物整株不同葉位光合能力存在較大差異。
目前,國內(nèi)外學者在光合速率預測模型構(gòu)建方面進行了廣泛研究。張海輝等[12]研究了基于BP神經(jīng)網(wǎng)絡構(gòu)建的融合葉綠素含量的黃光幼苗光合速率預測模型,在融入生理因子的同時提高了模型精度。宋海聲等[13]研究了RBF神經(jīng)網(wǎng)絡在溫室光合速率預測模型中的應用,結(jié)果表明:在決定系數(shù)近似0.9742時,預測模型可行。但傳統(tǒng)神經(jīng)網(wǎng)絡存在多因子輸入時易陷局部最優(yōu)、收斂速度慢、模型精度低等問題[14-17]?;貧w型支持向量機相對于傳統(tǒng)神經(jīng)網(wǎng)絡,具有收斂速度快、避免局部最優(yōu)、預測精度高等優(yōu)點[18]。
本研究基于不同葉位之間存在的差異性,結(jié)合回歸型支持向量機的優(yōu)點,設計多因子嵌套試驗,構(gòu)建基于不同葉位的茄子花期光合速率預測模型,為后續(xù)作物植株間智能按需補光的研究奠定了良好基礎。
試驗于2017年2—3月在陜西省西安市閻良區(qū)蔬菜示范基地溫室大棚內(nèi)進行,供試茄子品種為‘陜紫1號’,選擇飽滿的茄子籽粒,進行常規(guī)的浸泡、催芽、低溫等處理,后續(xù)播種育苗均于大小為540 mm×280 mm×50 mm的50孔營養(yǎng)缽中進行。營養(yǎng)基質(zhì)均采用成分相同的專用基質(zhì),具體參數(shù)為:有機質(zhì)含量50%,腐殖酸含量20%,pH 5.5—6.5。期間進行統(tǒng)一灌溉,均勻光照處理。待幼苗長至定植期,進行移植,茄子植株長至花期時進行試驗測量。試驗期間,進行正常的溫室栽培管理,不噴施任何農(nóng)藥和激素。
圖1 基于回歸型支持向量機的光合速率模型建立Fig.1 SVR algorithm modeling flowchart
選取長勢優(yōu)良的茄子植株60株,采用美國LI-6400XT型便攜式光合儀測定凈光合速率,利用光合儀自帶的多個子模塊按需控制葉片周圍的溫度、CO2體積濃度、光子通量密度等參數(shù),由頂葉向下依次選取第1、第3、第5、第7葉位的葉片作為待測樣本??販啬K分別設定18℃、22℃、26℃、30℃共4個溫度梯度; CO2注入模塊設定CO2體積濃度為400μL/L、700μL/L、1 000μL/L、1 300μL/L 共4個梯度; LED光源模塊設定0μmol/(m2·s)、20μmol/(m2·s)、50μmol/(m2·s)、100μmol/(m2·s)、200μmol/(m2·s)、300μmol/(m2·s)、500μmol/(m2·s)、700μmol/(m2·s)、900μmol/(m2·s)、1 000μmol/(m2·s)、1 100μmol/(m2·s)、1 200μmol/(m2·s)、1 300μmol/(m2·s)、1 500μmol/(m2·s)共14個光子通量密度梯度。試驗均于晴朗天氣進行測量,為避免植物“午休現(xiàn)象”對數(shù)據(jù)采集的影響,分別于9:00—11:30,14:30—17:00進行,每組試驗在隨機選取的3株植株上的同一葉位進行重復測試,采用嵌套方式,獲取以氣溫、CO2體積濃度、光子通量密度為輸入,凈光合速率為輸出的896組試驗樣本數(shù)據(jù)。
由于不同葉位之間光合能力存在明顯的差異性以及各影響因子與光合速率之間具有明顯的非線性關系,故采用回歸型支持向量機構(gòu)建光合速率預測模型[19]。SVR主要理論基礎是統(tǒng)計學習理論,其主要思想是建立一個分類超平面作為決策平面,使得正例和反例之間的隔離邊緣被最大化,即結(jié)構(gòu)風險最小化的近似實現(xiàn)。同時,SVR將低維樣本數(shù)據(jù)映射到高維空間,提高預測精度[20],為后期針對不同葉位光環(huán)境智能按需補光研究奠定良好基礎。
采用SVR以溫度、CO2體積濃度、光子通量密度為輸入,凈光合速率為輸出進行光合速率預測模型構(gòu)建,隨機選取訓練集及測試集樣本數(shù)據(jù),歸一化處理后采用徑向基核函數(shù)構(gòu)建最優(yōu)分類超平面,交叉驗證選取最佳核參數(shù)c,影響因子參數(shù)g,構(gòu)建回歸模型進行預測分析。方法流程圖如圖1所示。
本研究采用回歸型支持向量機(SVR)精準構(gòu)建光合速率預測模型。其主要分為隨機選取訓練集與測試集樣本數(shù)據(jù)并進行歸一化處理,核函數(shù)選擇及c、g參數(shù)確定,模型構(gòu)建及訓練三個步驟。
2.2.1 選取訓練集與測試集樣本數(shù)據(jù)并進行歸一化處理
試驗共獲取樣本數(shù)據(jù)896組,隨機選取716組樣本數(shù)據(jù)作為訓練集,占總樣本數(shù)據(jù)的80%。剩余的180組樣本數(shù)據(jù)作為測試集,占總樣本數(shù)據(jù)的20%。由于不同樣本數(shù)據(jù)之間差異較大,量綱不統(tǒng)一,直接進行訓練可能導致網(wǎng)絡收斂較難,故對訓練集及測試集數(shù)據(jù)進行歸一化操作,歸一化區(qū)間為[0.2,0.9],歸一化公式為:
y=xmin+0.7×(x-xmin)/(xmax-xmin)
(1)
式中:y為歸一化之后的數(shù)據(jù),x為樣本數(shù)據(jù),xmax、xmin為同一量綱數(shù)據(jù)序列最大及最小值。
2.2.2 核函數(shù)選擇及c,g參數(shù)確定
基于徑向基函數(shù)相對于線性函數(shù)、多項式函數(shù)在計算過程中隨參數(shù)的變化其復雜度不變這一特性[21-24],本文選取徑向基函數(shù)進行預測模型構(gòu)建。核參數(shù)c主要影響核函數(shù)形態(tài),影響因子g主要影響模型的預測精度,經(jīng)交叉驗證方法對不同組合條件下的c、g參數(shù)進行多次計算,最終確定最佳參數(shù)值c為3.35,g為0.3536。
2.2.3 模型構(gòu)建及訓練
基于隨機所得訓練集與測試集樣本數(shù)據(jù),采用徑向基核函數(shù),通過將低維空間的非線性不可分問題映射到高維空間,并在高維空間產(chǎn)生用于最優(yōu)分類的超平面,進行線性回歸決策分析。其中,決策函數(shù)為:
(2)
經(jīng)核函數(shù)對比,選擇徑向基核函數(shù)進行回歸函數(shù)構(gòu)建,其主要將非線性不可分樣本在特征空間中轉(zhuǎn)換為線性可分問題進行處理,其直接影響模型的性能。其表達式為:
K(xi,x)=exp(-σ×‖xi-x‖2)
(3)
式中:σ為寬度信息。
基于上述理論,將隨機選取的訓練集樣本數(shù)據(jù)代入決策函數(shù)進行模型訓練以及預測分析。
由于多維輸入可能導致模型精度不高,故選取合適的建模方法尤為重要。本研究利用BP神經(jīng)網(wǎng)絡、遺傳BP神經(jīng)網(wǎng)絡(GA-BP)、極限學習機、回歸型支持向量機等建模方法分別進行光合速率預測模型構(gòu)建,并對不同建模方法均方誤差、平均絕對誤差、平均相對誤差、決定系數(shù)R2進行相關分析比較。結(jié)果表明:SVR相對于其他算法具有明顯的精度優(yōu)勢,具體結(jié)果如表1所示。
表1 不同建模方法評價指標對比
試驗采用嵌套方式共獲取896組樣本數(shù)據(jù),其中716組用于構(gòu)建并訓練預測模型,剩余的180組樣本數(shù)據(jù)用于驗證預測模型。分別進行考慮不同葉位影響與不考慮不同葉位影響進行預測模型構(gòu)建,采用異校驗方式對預測模型進行驗證,可得光合速率實測值與預測值的相關性。
圖2 光合速率模型驗證Fig.2 Photosynthetic rate model validation
由圖2(a)分析可得,考慮不同葉位影響的光合速率實測值與預測值擬合公式為f(x)=1.001x+0.0188,決定系數(shù)為0.996,擬合直線斜率為1.001,縱軸截距為0.0188,均方誤差為0.2503,平均相對誤差為5.47%,平均絕對誤差為0.068。由圖2(b)分析可得,未考慮不同葉位影響的光合速率實測值與預測值擬合公式為f(x)=0.9239x+1.524,決定系數(shù)為0.8831,擬合直線斜率為0.9239,縱軸截距為1.1524,均方誤差為14.4765,平均相對誤差為26.77%,平均絕對誤差為0.4126。結(jié)果表明:考慮不同葉位影響的回歸型支持向量機構(gòu)建的光合速率預測模型,具有訓練誤差小,擬合度更好,線性度更高的特點,適于多維輸入的預測模型構(gòu)建。
本研究針對不同葉位之間光合特性的差異性,采用多因子嵌套試驗方式,獲取作物整株不同條件下不同葉位葉片凈光合速率,以此為基礎精準構(gòu)建作物整株光合速率預測模型。
通過采用多種建模方法進行光合速率預測模型構(gòu)建,對比各項模型精度評價指標,SVR模型決定系數(shù)為0.996,平均相對誤差為5.47%,明顯優(yōu)于其他建模方法。由于SVR可將非線性問題通過內(nèi)積核函數(shù)映射到高維空間進行線性處理,故模型精度較高,可靠性較強。
基于不同葉位之間的光合差異性,分別針對考慮葉位與不考慮葉位兩種情況采用回歸型支持向量機精準構(gòu)建光合速率預測模型。結(jié)果表明:融合葉位的光合速率預測模型優(yōu)于未融合葉位所得模型。不考慮葉位的情況下,由于不同葉位其他條件相同時光合速率輸出差異較大,模型精度較低。故考慮不同葉位構(gòu)建光合速率預測模型,可作為評價作物整株光合能力的標準,該研究為整株光環(huán)境精準調(diào)控研究奠定了良好基礎。