張海輝 張 盼 胡 瑾 來海斌 高 攀 李 斌

(1.西北農(nóng)林科技大學機械與電子工程學院, 陜西楊凌 712100；2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室, 陜西楊凌 712100；3.陜西省農(nóng)業(yè)信息感知與智能服務重點實驗室, 陜西楊凌 712100)

0 引言

黃瓜是我國主要設(shè)施作物之一，屬喜光而耐陰性植物，其干物質(zhì)積累的程度以及果實的優(yōu)產(chǎn)優(yōu)質(zhì)主要決定于整株的光合作用[1-3]。相關(guān)研究表明，作物整株光合作用不僅與外界溫度、CO2濃度、光照強度等環(huán)境因子顯著相關(guān)，同時與不同葉位的光合能力密切聯(lián)系[4-7]。花果期黃瓜植株一般分為頂葉、中部葉位、下部葉位3部分，頂葉為初生葉，光合機構(gòu)發(fā)育不健全，光系統(tǒng)中的葉綠素含量較少，光合能力較弱，中下部葉位多為功能葉，光合機構(gòu)發(fā)育較完善，光系統(tǒng)中葉綠素含量較多，光合能力較強[8-9]。傳統(tǒng)補光多以功能葉位光合能力為基準采用冠層補光方式，由于葉片遮擋以及光照強度隨距離增加而衰減，造成頂葉補光過多，中下部葉位受光不足，導致整株光合積累受限，不能充分利用不同葉位的光合能力以實現(xiàn)光能優(yōu)化利用和最優(yōu)光合積累[10-11]。

近年來，眾多學者針對不同葉位光合特性差異性進行了相關(guān)研究[12-16]。研究表明不同葉位光合能力存在明顯差異，但未能針對此差異性進行作物光環(huán)境調(diào)控模型構(gòu)建。

目前，光環(huán)境優(yōu)化調(diào)控模型以光合速率生理模型為基礎(chǔ)，在預測算法及建模方法方面已開展研究[17-18]。張海輝等[19]研究了融合葉綠素含量的BP神經(jīng)網(wǎng)絡(luò)光合速率模型，通過加入生理因素提高模型精度。殷鑒等[20]以春秋茬溫室番茄為研究對象，采用無線傳感器網(wǎng)絡(luò)獲取的環(huán)境因子數(shù)據(jù)為輸入，功能葉位光合速率為輸出，研究構(gòu)建了光合速率預測模型。胡瑾等[21]研究了番茄幼苗光合速率模型，采用遺傳算法動態(tài)獲取光飽和點，以此構(gòu)建光合作用優(yōu)化調(diào)控模型。葉子飄等[22]研究了一種針對光響應和CO2響應的新模型，發(fā)現(xiàn)該模型可實現(xiàn)丹參的光和CO2響應數(shù)據(jù)高精度擬合,且可直接獲取主要光合參數(shù)。以上研究通常以作物功能葉光合能力為標準構(gòu)建模型，未考慮頂葉光合機構(gòu)發(fā)育不全以及不同葉位光合特性差異。因此，研究融合葉位參數(shù)的作物立體光環(huán)境調(diào)控模型，已成為設(shè)施作物高效調(diào)控的關(guān)鍵。

本文將以構(gòu)建融合葉位的多因子耦合黃瓜花果期整株光合速率預測模型為基礎(chǔ)，設(shè)計基于粒子群尋優(yōu)算法的光飽和點尋優(yōu)方法，動態(tài)計算不同葉位目標光強，從而建立以最大光合速率為目標的黃瓜立體光環(huán)境優(yōu)化調(diào)控模型，以期為設(shè)施作物整株光環(huán)境按需精準調(diào)控提供理論基礎(chǔ)。

1 材料與方法

1.1 試驗材料

田間試驗于2017年10—12月在陜西省咸陽市涇陽縣蔬菜產(chǎn)業(yè)綜合服務區(qū)示范基地進行，供試黃瓜品種為“博耐14-3”，育種時選取飽滿籽粒進行浸泡、催芽、低溫等常規(guī)處理，于540 mm×280 mm×50 mm的50孔營養(yǎng)缽進行育苗。育苗基質(zhì)營養(yǎng)含量為有機質(zhì)含量50%以上、腐殖酸含量20%以上、pH值為5.5～6.5。育苗期間進行統(tǒng)一灌溉、施肥及均勻光照處理。待黃瓜幼苗長至定植期，移植于基地東2號溫室內(nèi)，待黃瓜幼苗長至花果期時進行整株不同葉位凈光合速率測量試驗。試驗期間，進行正常溫室栽培管理，不施用農(nóng)藥及激素。

1.2 試驗方法

試驗主要設(shè)計不同葉位多環(huán)境因子嵌套試驗，選取長勢優(yōu)良的黃瓜植株60株作為試驗樣本，采用美國LI-COR公司生產(chǎn)的LI-6800型便攜式光合儀測定樣本凈光合速率。為有效避免作物“午休現(xiàn)象”對試驗樣本數(shù)據(jù)可靠性的影響，于每天09:00—11:30和14:30—17:00進行試驗。從植株頂葉向下依次選取第1、3、5、7、9、11葉位葉片作為試驗樣本。設(shè)施內(nèi)溫度、CO2濃度、光照強度等環(huán)境因素日變化幅度大，經(jīng)相關(guān)性分析可得(表1)，其對作物光合作用影響顯著，因此本文選用以上環(huán)境參數(shù)開展試驗研究和模型構(gòu)建。采用光合儀自帶子模塊按需控制被測葉片周圍的溫度、CO2濃度、光照強度等參數(shù)。其中，控溫模塊設(shè)定18、20、24、28、32、36℃共6個溫度梯度；CO2注入模塊設(shè)定CO2體積比為300、600、900、1 200 μmol/mol共4個濃度梯度；根據(jù)相關(guān)研究表明，黃瓜光飽和點約為990 μmol/(m2·s)左右，綜合考慮設(shè)施黃瓜光飽和點以及設(shè)施內(nèi)部光照強度變化范圍[23-24]，利用LED光源模塊設(shè)定0、20、50、100、200、300、500、700、900、1 000、1 100、1 200、1 300、1 500 μmol/(m2·s)共14個光照強度梯度；濕度模塊設(shè)定葉室內(nèi)部相對濕度為50%。共進行2 016組試驗，每組試驗隨機選取3株進行測量，形成容量為6 048組的試驗樣本數(shù)據(jù)集。

表1 各環(huán)境因子與凈光合速率的相關(guān)性Tab.1 Correlation between various environment factors and net photosynthetic rate

注：** 表示在0.01水平(雙側(cè))上顯著相關(guān)。

2 模型構(gòu)建

本文分3步建立設(shè)施作物立體光環(huán)境優(yōu)化調(diào)控模型。首先，基于不同葉位光合數(shù)據(jù)進行光合速率預測模型構(gòu)建。其次，采用粒子群尋優(yōu)算法對整株不同葉位于不同環(huán)境因子組合條件下的光飽和點進行尋優(yōu)。最后，基于尋優(yōu)所得光飽和點構(gòu)建目標光強數(shù)據(jù)集，采用回歸型支持向量機(Regression support vector machine，SVR)進行立體光環(huán)境優(yōu)化調(diào)控模型構(gòu)建。

2.1 融合葉位的多因子耦合光合速率預測模型構(gòu)建

基于試驗所得光合速率樣本數(shù)據(jù)，綜合考慮模型精度，選取合適建模方法是保證立體光環(huán)境精準調(diào)控的關(guān)鍵。由于SVR算法在模型訓練過程中具有訓練誤差小、建模精度高、泛化能力強等特點[25]，本文采用SVR進行模型構(gòu)建，建模流程如圖1所示。

圖1 回歸型支持向量機建模流程圖Fig.1 Flow chart of regression support vector machine modeling

首先，隨機選取訓練集與測試集并進行歸一化處理。試驗共獲取樣本數(shù)據(jù)2 016組，隨機選取1 613組樣本數(shù)據(jù)(占總樣本80%)作為訓練集，以此進行后續(xù)模型構(gòu)建。剩余403組樣本數(shù)據(jù)(占總樣本20%)作為測試集，用于模型驗證。由于不同樣本數(shù)據(jù)之間量綱差異較大，直接進行訓練可能導致網(wǎng)絡(luò)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[-1,1]，歸一化公式為

y=2(x-xmin)/(xmax-xmin)-1

(1)

式中y——歸一化后的數(shù)據(jù)

xmax、xmin——同一量綱數(shù)據(jù)序列最大值和最小值

由于徑向基核函數(shù)具有計算過程參數(shù)變化而復雜度不變特性，本文選取其進行模型構(gòu)建。核參數(shù)c主要影響核函數(shù)形態(tài)，影響因子g主要影響模型預測精度，經(jīng)交叉驗證方法進行多次經(jīng)驗計算獲取最佳參數(shù)值c為1.024，g為0.125。

最后，模型訓練及構(gòu)建。針對1 613組樣本，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。決策函數(shù)為

(2)

其中K(x,xi)=exp(-σ‖xi-x‖2)

(3)

式中σ——寬度信息

f(x)——決策輸出b——偏置

K(x,xi)——核函數(shù)

x——輸入信號

xi——第i訓練樣本的輸入

l——支持向量個數(shù)

2.2 基于粒子群算法的目標光照強度尋優(yōu)

粒子群算法是通過模擬鳥群覓食行為而發(fā)展起來的基于群體協(xié)作的隨機搜索算法，其具有可調(diào)參數(shù)少、收斂速度快、可有效避免陷入局部最優(yōu)值等優(yōu)勢[26-28]。因此，考慮到模型復雜度以及期望精度，采用粒子群優(yōu)化算法進行黃瓜整株不同葉位光飽和點數(shù)據(jù)集獲取。該算法以凈光合速率預測模型為適應度函數(shù)，獲取不同葉位、溫度、CO2濃度條件下的目標光照強度數(shù)據(jù)集，流程圖如圖2所示。

圖2 粒子群尋優(yōu)算法流程圖Fig.2 Flow chart of particle swarm optimization algorithm

(1)粒子群初始化。由于尋優(yōu)區(qū)間分別為步長為1的葉位的區(qū)間為[1,11],步長為1的溫度區(qū)間[18,36]℃、步長為50的CO2濃度區(qū)間[300,1 200] μmol/mol，目標光照強度區(qū)間為[0,1 500] μmol/(m2·s)。在解空間中，初始化粒子群的位置為Xi=(xi1,xi2,xi3)，速度為Vi=(vi1,vi2,vi3)，粒子數(shù)為20，保證初始種群在解空間均勻分布。

(2)調(diào)用適應度函數(shù)。以光合速率預測模型為適應度函數(shù)，采用個體和全局最優(yōu)值相結(jié)合的方法進行粒子坐標更新。找到粒子在每一代中適應度最優(yōu)值，將其對應坐標作為個體最優(yōu)值。找到種群在每一代中適應度最優(yōu)值，將其對應坐標作為全局最優(yōu)值。

圖3 不同葉位光合速率預測模型驗證Fig.3 Verification of different leaf positions photosynthetic rate prediction models

(3)速度及位置更新。粒子根據(jù)個體最優(yōu)值和全局最優(yōu)值實時更新自身速度，更新公式為

vid=ωvid+c1r1(pid-xid)+c2r2(pgd-xgd)
(i=1,2,…,m;d=1,2,…,D)

(4)

式中vid——第i個粒子第d維的速度

ω——慣性因子d——粒子維數(shù)

c1、c2——學習因子，通常取c1=c2=2

r1、r2——[0,1]之間隨機數(shù)

xid——第i個粒子第d維的位置

pid——個體最優(yōu)值

pgd——全局最優(yōu)值

粒子根據(jù)更新后速度調(diào)整自己位置，更新公式為

xid=xid+αvid
(i=1,2,…,m;d=1,2,…,D)

(5)

式中α——約束因子

2.3 黃瓜立體光環(huán)境優(yōu)化調(diào)控模型構(gòu)建

基于上述三維尋優(yōu)方法，得到以葉位、溫度、CO2濃度為輸入，光飽和點為輸出的3 971組目標光強數(shù)據(jù)集。由于SVR算法具有建模精度高、模型可移植性好的特點，可滿足后期嵌入式設(shè)備運行應用等需求，故仍然選取此方法進行黃瓜立體光環(huán)境優(yōu)化調(diào)控模型構(gòu)建。

隨機選取總樣本數(shù)據(jù)的80%(即3 177組)作為訓練集，進行后續(xù)模型構(gòu)建。選取總樣本數(shù)據(jù)的20%(即794組)作為測試集，進行后續(xù)模型驗證。對訓練集及測試集數(shù)據(jù)進行歸一化操作，然后選取徑向基核函數(shù)參與模型訓練，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，確定最佳參數(shù)值c為3.35，g為0.353 6，以此完成黃瓜整株光環(huán)境優(yōu)化調(diào)控模型構(gòu)建。

3 結(jié)果與分析

3.1 光合速率預測模型驗證結(jié)果

為了驗證葉位對預測模型精度影響，針對訓練集采用相同建模方法，構(gòu)建考慮/不考慮葉位因子的光合速率預測模型，并以異校驗方式采用訓練集和測試集進行兩個模型對比驗證，結(jié)果如圖3所示。其中考慮葉位因子的訓練集(L1)及測試集(L2)光合速率實測值及預測值相關(guān)性如圖3a所示，結(jié)果表明其決定系數(shù)分別為0.996 4、0.996 0；均方根誤差分別為0.704 9、0.745 9 μmol/(m2·s)；直線斜率分別為0.998 7、0.981 8；截距分別為0.057 8、0.109 1。未考慮葉位因子的訓練集(L1)及測試集(L2)光合速率實測值及預測值相關(guān)性如圖3b所示，結(jié)果表明其決定系數(shù)分別為0.924 7、0.904 9；均方根誤差分別為3.069 0、3.536 0 μmol/(m2·s)；直線斜率分別為0.911 4、0.904 4；截距分別為1.402 0、1.571 0?？梢姡柧毤皽y試集擬合所得直線均基本重合，且考慮葉位因子所構(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。

3.2 立體光環(huán)境優(yōu)化調(diào)控模型結(jié)果及驗證

基于目標光強數(shù)據(jù)集構(gòu)建了以葉位、溫度、CO2濃度為輸入，光飽和點為輸出的黃瓜立體光環(huán)境優(yōu)化調(diào)控模型。其中，第1、3、5、7、9、11葉位不同環(huán)境因子組合條件下的光環(huán)境優(yōu)化調(diào)控模型如圖4所示。

圖4 黃瓜整株不同葉位需光模型Fig.4 Light model of different leaf positions of cucumber

采用測試集對黃瓜立體光環(huán)境優(yōu)化調(diào)控模型進行異校驗,驗證結(jié)果如圖5所示。分析可得其決定系數(shù)為0.999 3，均方根誤差為2.349 μmol/(m2·s)，直線斜率為0.998 5，截距為1.006 0，光飽和點實測值與預測值相關(guān)性較高，可實現(xiàn)設(shè)施作物立體光環(huán)境的高效精準調(diào)控。

圖5 立體光環(huán)境優(yōu)化調(diào)控模型驗證Fig.5 Verification of stereoscopic light environment optimization control model

4 討論

由圖4可發(fā)現(xiàn)，不同葉位光合特性存在顯著差異，而光合特性與植株本身發(fā)育及衰老程度導致不同葉位主要光合器官葉綠素含量差異性、葉片表面氣孔導度等因素密切聯(lián)系。其中，葉綠素作為光合作用的主要參與元素，其一定程度上直接決定了光合能力[29]。因此，本文補充測量試驗期黃瓜不同葉位葉綠素含量，分析其變化規(guī)律與光合特性相互關(guān)系，以期探明作物立體補光的生理依據(jù)。在前述60株試驗樣本中選取長勢基本一致、健康無病害的黃瓜植株20株，采用SPAD-502型葉綠素儀測量黃瓜整株1、3、5、7、9、11葉位葉片頂部、中部、底部3點的葉綠素含量，計算平均值作為該葉位葉綠素值，共獲得數(shù)據(jù)120組。為避免外界自然光太強對數(shù)據(jù)產(chǎn)生影響，試驗在陰天或者遮光條件下進行。測量所得植株不同葉位葉綠素如圖6所示。

圖6 不同葉位葉綠素含量分布Fig.6 Distribution of chlorophyll contentat different leaf positions

由圖6可知，不同葉位葉綠素含量存在明顯差異，由頂葉至老葉，葉綠素含量呈現(xiàn)先顯著上升，再平緩，然后緩慢下降的趨勢。葉綠素含量存在數(shù)值較高的局部平坦區(qū)，位于第5、7葉位區(qū)間。獲取溫度為18、20、24、28、32、36℃，CO2濃度為600 μmol/mol條件下不同葉位光合速率響應曲線如圖7所示。

由圖7分析發(fā)現(xiàn)，葉位1、3、5光合能力顯著提升，葉位5與葉位7光合能力表現(xiàn)基本一致，且為整株光合最優(yōu)葉位所在，葉位9與葉位11光合能力有所下降，該結(jié)果與圖6所示不同葉位葉綠素含量分布結(jié)果一致，證明不同葉位葉綠素含量與光合特性具有強關(guān)聯(lián)性。同時，可發(fā)現(xiàn)葉位9與葉位11光合能力較圖6所示葉綠素含量有更大程度降低，其與葉片衰老、光合機構(gòu)機能降低等因素相關(guān)。因此，在滿足冠層光合需求的同時，針對適宜葉位區(qū)間的精準補光可實現(xiàn)作物整株光合作用最優(yōu)，為設(shè)施藤蔓作物立體補光提供了良好的理論依據(jù)。

圖7 不同葉位光合速率響應曲線Fig.7 Photosynthetic rate response curves of different leaf positions

5 結(jié)論

(1)以葉位、溫度、CO2濃度、光照強度等多因子耦合所得凈光合速率為基礎(chǔ)，采用SVR算法構(gòu)建所得光合速率預測模型決定系數(shù)為0.996 0，能以較高精度擬合多因子與光合速率之間的關(guān)系。

(2)提出了基于粒子群尋優(yōu)算法的目標光照強度尋優(yōu)方法，可得不同葉位最大光合速率及最優(yōu)目標光照強度，融合SVR算法構(gòu)建以光飽和點為目標值的黃瓜花果期立體光環(huán)境優(yōu)化調(diào)控模型。驗證結(jié)果表明，其決定系數(shù)為0.999 3，擬合所得直線斜率為0.998 5，縱坐標截距為1.006 0，均方根誤差為2.349 μmol/(m2·s)，可滿足立體光環(huán)境按需調(diào)控的要求，為設(shè)施作物優(yōu)產(chǎn)優(yōu)質(zhì)奠定了良好基礎(chǔ)。

(3)基于葉綠素的驗證試驗表明，不同葉位葉綠素含量與光合特性具有強關(guān)聯(lián)性，為設(shè)施藤蔓類作物立體光環(huán)境調(diào)控提供一定理論支撐。