朱安琪, 景元書**, 胡保文, 謝新喬, 李湘?zhèn)? 朱云聰

玉溪烤煙‘K326’主要化學(xué)成分生態(tài)預(yù)測模型*

朱安琪1, 景元書1**, 胡保文2, 謝新喬2, 李湘?zhèn)?, 朱云聰2

(1. 氣象災(zāi)害預(yù)報(bào)預(yù)警與評估協(xié)同創(chuàng)新中心/南京信息工程大學(xué)應(yīng)用氣象學(xué)院 南京 210044; 2. 紅塔煙草(集團(tuán))有限責(zé)任公司原料部 玉溪 653100)

為了解煙葉化學(xué)成分與生態(tài)因子之間的定量化關(guān)系, 提高烤煙品質(zhì)評價(jià)的智能化程度, 使用2009—2017年玉溪市9個(gè)烤煙‘K326’典型定位點(diǎn)煙葉主要化學(xué)成分(煙堿、總糖、還原糖、總氮、鉀、氯)數(shù)據(jù)與對應(yīng)不同生育期的生態(tài)因子(氣象和土壤)數(shù)據(jù), 分析得到生態(tài)因子影響綜合指數(shù), 在此基礎(chǔ)上建立了煙葉各化學(xué)成分機(jī)理生態(tài)預(yù)測模型。根據(jù)2018年生態(tài)因子數(shù)據(jù), 預(yù)測了各定位點(diǎn)煙葉主要化學(xué)成分含量, 并與實(shí)測值進(jìn)行比較。同時(shí), 使用相同的90個(gè)烤煙定位點(diǎn)數(shù)據(jù), 利用最大信息系數(shù)(maximum information coefficient, MIC)篩選輸入變量, 使用經(jīng)過灰狼算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)建立智能算法的煙葉化學(xué)成分生態(tài)預(yù)測模型。機(jī)理算法的生態(tài)預(yù)測模型2平均值為0.29, RMSE平均值為0.13, 只有還原糖RMSE略大于0.2; 智能算法的生態(tài)預(yù)測模型2均大于0.95, RMSE均小于0.1。結(jié)果表明智能算法的生態(tài)模型預(yù)測效果優(yōu)于機(jī)理算法的生態(tài)模型, 能夠?yàn)榭緹熎焚|(zhì)提升與調(diào)優(yōu)栽培管理提供一定理論支撐。

烤煙‘K326’; 化學(xué)成分; 生態(tài)因子; 預(yù)測模型

煙葉品質(zhì)高低是由煙葉內(nèi)在化學(xué)成分綜合作用決定的, 煙葉化學(xué)成分除了與自身的遺傳特性、栽培措施有關(guān)外, 還受到氣象、土壤等生態(tài)因子的影響[1-3]。對于單個(gè)生態(tài)因子(氣象或土壤)與煙葉化學(xué)成分的研究很多, 例如時(shí)鵬等[4]通過相關(guān)分析、逐步回歸分析對湖北恩施氣象因子與煙葉化學(xué)成分關(guān)系進(jìn)行研究, 發(fā)現(xiàn)在氣候因子中, 日照時(shí)數(shù)對煙葉化學(xué)成分影響最大, 降雨量次之, 積溫、平均溫度的影響最小, 這與石俊雄等[5]、陳偉等[6]研究結(jié)果類似, 認(rèn)為在南方地區(qū)日照時(shí)數(shù)與降水量是影響煙葉化學(xué)成分的主導(dǎo)因子。劉冰洋等[7]研究了氣象因子對不同烤煙()品種的影響, 分別對‘云煙87’和‘豫煙11號’的香味前體物質(zhì)與氣象因子進(jìn)行了關(guān)聯(lián)度分析, 發(fā)現(xiàn)‘豫煙11號’煙葉提取物含量受煙葉生長期間的日照時(shí)數(shù)影響較大, ‘云煙87’則受平均氣溫的影響較大。趙阿娟等[8]采用相關(guān)分析和逐步回歸分析, 分析了長沙植煙區(qū)土壤理化性質(zhì)與煙葉主要化學(xué)成分之間的關(guān)系, 其研究結(jié)果表明土壤交換性鈣含量與煙堿累積量呈負(fù)相關(guān), 土壤有效磷含量高不利于總氮的形成, 這與薛劍波等[9]、崔志燕等[10]的研究結(jié)果一致。王學(xué)杰等[11]綜合簡單相關(guān)分析和因子分析結(jié)果, 發(fā)現(xiàn)奉節(jié)植煙區(qū)土壤堿解氮含量與煙葉蛋白質(zhì)含量存在正向共變趨勢, 土壤有機(jī)質(zhì)含量與總糖、淀粉含量存在反向共變趨勢。梁兵等[12]對紅河植煙區(qū)同煙區(qū)煙葉品質(zhì)及土壤理化性質(zhì)進(jìn)行統(tǒng)計(jì)描述和相關(guān)性分析, 結(jié)果表明煙葉中氯含量變異極為明顯, 土壤交換性鎂、交換性鈣含量與煙葉鉀含量呈負(fù)相關(guān), 土壤有效錳含量與煙葉總氮含量呈負(fù)相關(guān)。上述研究多偏重于不同生態(tài)區(qū)域的單個(gè)生態(tài)因子(氣象或土壤)與煙葉化學(xué)成分的關(guān)系, 有關(guān)綜合生態(tài)因子(氣象和土壤)對煙葉化學(xué)成分影響, 以及通過量化分析和智能算法的模擬, 建立煙葉化學(xué)成分預(yù)測模型等方面尚缺乏深入研究。

為此, 本研究通過量化、解析煙葉化學(xué)成分與生態(tài)因子的相互關(guān)系, 引入烤煙‘K326’的各化學(xué)成分最適值與生態(tài)因子影響綜合指數(shù), 建立了云南烤煙‘K326’主要化學(xué)成分生態(tài)預(yù)測模型?？緹煛甂326’產(chǎn)量高、病害輕、性狀表現(xiàn)優(yōu)良、內(nèi)在品質(zhì)上佳, 在玉溪地區(qū)能夠充分體現(xiàn)品種優(yōu)勢, 其種植面積多年穩(wěn)定在80%左右, 是符合玉溪生產(chǎn)實(shí)際的良好研究對象。除此之外, 本文還借鑒前人利用BP神經(jīng)網(wǎng)絡(luò)具備處理任何復(fù)雜非線性映射強(qiáng)大功能的特點(diǎn), 構(gòu)建煙葉感官質(zhì)量、化學(xué)成分預(yù)測模型[13-15]的思路, 通過利用最大信息系數(shù)(maximum information coefficient, MIC)篩選輸入變量, 使用灰狼算法(grey wolf optimizer, GWO)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)對煙葉主要化學(xué)成分進(jìn)行預(yù)測。通過2種方法實(shí)現(xiàn)對烤煙‘K326’主要化學(xué)成分機(jī)理和智能算法的生態(tài)預(yù)測模型構(gòu)建, 為煙草品質(zhì)評價(jià)智能精準(zhǔn)化、煙葉品質(zhì)提升提供科學(xué)依據(jù)。

1 材料與方法

1.1 研究區(qū)域概況

玉溪市位于云南省中部(23°19′~24°53′N、101°16′~103°09′E), 總面積15 285 km2。玉溪是我國優(yōu)質(zhì)烤煙主產(chǎn)區(qū)和中式中高檔卷煙的主要原料基地, 烤煙‘K326’種植面積、總產(chǎn)量和總銷售量均居于全國前列, 被譽(yù)為“云煙之鄉(xiāng)”。玉溪市地勢西北高, 東南低, 地形復(fù)雜, 山地、峽谷、高原、盆地交錯(cuò)分布, 立體氣候的特征十分明顯。由于地貌類型復(fù)雜和不同生物氣候帶的交錯(cuò)分布, 以及母質(zhì)和巖石的多樣, 導(dǎo)致全區(qū)土壤類型多, 垂直分布從低海拔到高海拔大體可分為3個(gè)土壤帶: 赤紅壤帶、紅壤帶和棕壤帶。玉溪市植煙區(qū)主要集中在中亞熱帶和北亞熱帶, 冬季溫而不冷, 夏季暖而不熱, 煙區(qū)冬短無夏, 春季較長?？緹煷筇锓N植中、后期溫差較小, 雨量適中, 與全國多數(shù)煙區(qū)相比輻射量多光照充足, 且光譜中最易被烤煙吸收利用的紅光和藍(lán)紫光較多, 光譜季節(jié)變化與優(yōu)質(zhì)煙對光的需求配合一致。土壤質(zhì)地疏松、肥力中等、耕作層厚, 十分適宜于烤煙‘K326’生長。

1.2 數(shù)據(jù)來源

在玉溪市轄9個(gè)縣(區(qū))各選取1個(gè)具有代表性的烤煙‘K326’煙葉產(chǎn)質(zhì)量典型監(jiān)測點(diǎn), 集成一套2009—2018年數(shù)據(jù)齊全的定位監(jiān)測點(diǎn)數(shù)據(jù)庫, 即在同一監(jiān)測點(diǎn)包含氣象數(shù)據(jù)、土壤數(shù)據(jù)、煙草產(chǎn)質(zhì)量數(shù)據(jù), 作為氣象和土壤等主要生態(tài)要素與煙葉品質(zhì)關(guān)系綜合研究的基礎(chǔ)。氣象數(shù)據(jù)包括降水量、日照時(shí)數(shù)、平均氣溫、最高氣溫、最低氣溫、日較差、相對濕度、最小濕度; 土壤數(shù)據(jù)包括pH、有機(jī)質(zhì)、有效磷、速效鉀、全氮; 烤煙‘K326’化學(xué)成分?jǐn)?shù)據(jù)包括煙堿、總糖、還原糖、總氮、鉀、氯。

分別計(jì)算整個(gè)大田期及移栽伸根期(4月21日—5月30日)、旺長期(6月1—30日)、成熟期(7月1日—9月10日)平均氣溫、日照時(shí)數(shù)、降水量。

1.3 模型的建立及檢驗(yàn)

1.3.1 機(jī)理算法的化學(xué)成分生態(tài)預(yù)測模型構(gòu)建

以上述數(shù)據(jù)為基礎(chǔ), 對不同生態(tài)因子與煙葉化學(xué)成分含量的關(guān)系進(jìn)行相關(guān)分析, 表1分析結(jié)果表明, 生態(tài)因子與化學(xué)成分含量之間有顯著的線性相關(guān)關(guān)系。因此, 借鑒鐘楚等[16]對煙葉化學(xué)成分含量預(yù)測的建模思想, 依據(jù)線性相關(guān)理論和生態(tài)因子對煙葉化學(xué)成分的影響趨勢得到生態(tài)因子影響綜合指數(shù)(), 建立模型。

表1 玉溪烤煙‘K326’化學(xué)成分與生態(tài)因子的相關(guān)性

*:<0.05; **:<0.01.

=0×[a×()+b] (1)

式中:為煙葉某化學(xué)成分含量的預(yù)測值(%),0為煙葉化學(xué)成分最適含量值(%), a和b均為常數(shù)。

煙葉不同生育期生態(tài)因子對煙葉化學(xué)成分的綜合影響, 最終決定了煙葉化學(xué)成分是否協(xié)調(diào)與最終煙葉品質(zhì)的高低。因而定義烤煙大田生長期氣象條件對某化學(xué)成分的影響綜合指數(shù):

()=×()+×()(2)

式中:()為煙葉化學(xué)成分含量的氣象因子影響綜合指數(shù),()為煙葉化學(xué)成分含量的土壤因子影響綜合指數(shù);和氣象因子與土壤因子的貢獻(xiàn)率, 采用組間均方與總體均方和的比值作為不同因素的貢獻(xiàn)率(表2)。

表2 氣象因子與土壤因子對煙葉化學(xué)成分貢獻(xiàn)率

式中:SV為氣象因子的標(biāo)準(zhǔn)化變量,M為氣象因子的觀測值,S為該氣象因子的標(biāo)準(zhǔn)差。()的正負(fù)表示氣象因子對煙葉該化學(xué)成分形成是正效應(yīng)(促進(jìn)效應(yīng))還是負(fù)效應(yīng)(不利效應(yīng)), 其絕對值的大小代表氣象因子對煙葉該化學(xué)成分形成影響力大小。w為氣象因子的權(quán)重系數(shù), 對各氣象因子與煙葉化學(xué)成分含量間的關(guān)系作偏相關(guān)分析, 以計(jì)算其權(quán)重系數(shù):

式中:r為氣象因子與煙葉化學(xué)成分含量的偏相關(guān)系數(shù)。在多要素所構(gòu)成的系統(tǒng)中, 當(dāng)研究某一個(gè)要素對另一個(gè)要素的影響或相關(guān)程度時(shí), 把其他要素的影響視作常數(shù)(保持不變), 即暫時(shí)不考慮其他要素影響, 單獨(dú)研究兩個(gè)要素之間相互關(guān)系的密切程度, 所得數(shù)值結(jié)果為偏相關(guān)系數(shù)[17]。()的計(jì)算步驟同上。

1.3.2 智能算法的化學(xué)成分生態(tài)預(yù)測模型構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)典型3層(輸入層、隱含層和輸出層)結(jié)構(gòu)就可以實(shí)現(xiàn)任意非線性映射[18]。MIC是由Reshef等[19]提出的一個(gè)統(tǒng)計(jì)學(xué)概念, 用來衡量變量和的線性或非線性強(qiáng)度。從23個(gè)生態(tài)因素中選取MIC值大于0.5的作為BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù), 以煙葉化學(xué)成分中煙堿、總糖、還原糖、總氮、鉀、氯含量等6項(xiàng)指標(biāo)含量分別作為網(wǎng)絡(luò)模型的輸出參數(shù)共建立6個(gè)預(yù)測模型, 隱含層的神經(jīng)元數(shù)目確定方法參考文獻(xiàn)[20], 并使用GWO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值[21], 使預(yù)測值更加接近真實(shí)值。

1.3.3 化學(xué)成分生態(tài)預(yù)測模型檢驗(yàn)

模型檢驗(yàn)采用常用的根均方差法(root mean square error, RMSE)對模擬值與觀測值之間的符合度進(jìn)行統(tǒng)計(jì)分析[22], 檢驗(yàn)?zāi)M函數(shù)的擬合度和可靠性。

式中:P、O分別表示觀測值與模擬值,為樣本容量。RMSE能很好地反映模型模擬值的預(yù)測性, RMSE<0.1表明模擬值與實(shí)際觀測值一致性非常好, 0.1~0.2之間較好, 0.2~0.3表明模擬效果一般, RMSE>0.3表明模擬值與實(shí)際值偏差大, 模擬效果差[23]。

2 結(jié)果與分析

2.1 機(jī)理算法的化學(xué)成分生態(tài)預(yù)測模型參數(shù)選擇

根據(jù)玉溪烤煙‘K326’的風(fēng)格特色及協(xié)調(diào)性確定煙葉化學(xué)成分最適含量值(0), 其最適含量值一般是范圍值。為了更好地增加模型穩(wěn)定性, 根據(jù)前人研究[16,24], 最終確定總糖和還原糖最適含量, 取最適含量范圍的上限值, 煙堿、總氮、鉀、氯最適含量取最適含量范圍的中間值, 結(jié)果如表3所示。

表3 玉溪烤煙‘K326’煙葉化學(xué)成分最適含量值(C0)

生態(tài)因子是特色煙葉(即內(nèi)在化學(xué)成分)形成的基礎(chǔ)條件, 其中氣象、土壤因子是最主要的影響因素[25-26]。根據(jù)以往研究和生產(chǎn)實(shí)際結(jié)合烤煙生育期, 最終確定了23個(gè)生態(tài)因子, 用來構(gòu)建機(jī)理算法的化學(xué)成分生態(tài)預(yù)測模型。

2.2 機(jī)理算法的化學(xué)成分生態(tài)預(yù)測模型結(jié)果

采用最小二乘法的Marquardt迭代原理, 求取式(1)模型的參數(shù)a和b。煙葉各化學(xué)成分含量的預(yù)測模型表達(dá)式分別為:

煙堿=2.5′[0.075′()煙堿+1.221]=20.939**,2= 0.262 (7)

總糖=28′[0.064′()總糖+1.035]=52.388*,2= 0.373 (8)

還原糖=22′[0.020′()還原糖+0.850]=13.837**,2=0.136 (9)

總氮=2.5′[0.038′()總氮+0.990]=23.205*,2= 0.209 (10)

鉀=2′[0.095′()鉀+0.863]=54.121**,2= 0.381 (11)

氯=0.3′[0.257′()氯+1.019]=51.272**,2= 0.368 (12)

煙葉各化學(xué)成分含量預(yù)測模型的2平均值為0.2885, 處于一個(gè)較低的水平, 可能是由于生態(tài)因子對于煙葉化學(xué)成分的影響是一個(gè)復(fù)雜的系統(tǒng), 且除生態(tài)因子外栽培措施、自身的遺傳特性及各種因素之間的相互作用都會對化學(xué)成分形成產(chǎn)生一定的影響, 精確的數(shù)學(xué)關(guān)系式難以對這個(gè)系統(tǒng)進(jìn)行表達(dá)。煙葉各化學(xué)成分含量預(yù)測模型的值均達(dá)顯著水平, 其中總糖、鉀、氯的值大于50, 說明預(yù)測模型是有意義的。分別將各煙葉化學(xué)成分的生態(tài)影響因子權(quán)重系數(shù)和2018年相應(yīng)的生態(tài)因子標(biāo)準(zhǔn)化變量計(jì)算氣象因子影響綜合指數(shù)(), 然后代入以上各模型表達(dá)式中, 分別計(jì)算煙葉各化學(xué)成分含量, 結(jié)果見表4。

2.3 智能算法的化學(xué)成分生態(tài)預(yù)測模型參數(shù)選擇

由于MIC具有普適性、公平性的性質(zhì), 能夠更全面地找出生態(tài)因子與煙葉化學(xué)成分之間復(fù)雜關(guān)系,因此選取MIC>0.5的生態(tài)因子作為輸入?yún)?shù), 結(jié)果如表5所示。普適性是指在包含了樣本大部分信息時(shí), 能夠不限于特定的函數(shù)類型, 例如周期、指數(shù)、線性函數(shù)等, 基本上可以覆蓋所有的函數(shù)關(guān)系。公平性則是指在樣本量足夠大的情況下, 隨著噪音的增加, 不同類型關(guān)聯(lián)關(guān)系函數(shù)變化應(yīng)當(dāng)是相近的。

表4 玉溪烤煙‘K326’化學(xué)成分含量預(yù)測結(jié)果

在2009—2018年的90個(gè)樣本中隨機(jī)選擇70%作為訓(xùn)練樣本, 30%則作為驗(yàn)證樣本, 訓(xùn)練參數(shù)選取:最大訓(xùn)練次數(shù)為1000, 學(xué)習(xí)速率為0.1, 誤差精度為0.0001, 其余參數(shù)設(shè)定參考默認(rèn)值。針對BP神經(jīng)網(wǎng)絡(luò)收斂速度慢和容易陷入局部最值的缺點(diǎn), 選用GWO對BP神經(jīng)網(wǎng)絡(luò)的權(quán)重、閾值進(jìn)行優(yōu)化, 降低由其缺點(diǎn)帶來的不利影響。GWO參數(shù)設(shè)定狼群的數(shù)量為50, 最大迭代次數(shù)為500。

2.4 智能算法的化學(xué)成分生態(tài)預(yù)測模型結(jié)果

根據(jù)上述參數(shù)設(shè)定, 分別對煙葉化學(xué)成分煙堿、總糖、還原糖、總氮、鉀、氯這6個(gè)生態(tài)預(yù)測模型進(jìn)行訓(xùn)練和仿真。圖1a、c、e、g、i和k為煙葉6種化學(xué)成分實(shí)測值、BP神經(jīng)網(wǎng)絡(luò)模擬值、GWO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)之間的結(jié)果分析圖。圖中橫坐標(biāo)為化學(xué)成分驗(yàn)證集樣本量, 縱坐標(biāo)為含量, 即BP模擬值和優(yōu)化后BP模擬值與實(shí)測值線重合程度越高, 表明模擬效果越好。為了更加直觀地顯示GWO優(yōu)化后BP神經(jīng)網(wǎng)絡(luò)模擬值與優(yōu)化前模擬值的差別, 引入了絕對誤差, 圖1b、e、f、h、j和l所示優(yōu)化后的絕對誤差明顯小于優(yōu)化前。所有煙葉化學(xué)成分生態(tài)預(yù)測模型結(jié)果的2都大于95%, 除總氮外, 其他預(yù)測模型的2高達(dá)99%, 說明模型擬合程度極高, 能夠很好解釋化學(xué)成分變異性。雖然絕大部分優(yōu)化后的絕對誤差都小于優(yōu)化之前, 但仍然存在個(gè)別點(diǎn)優(yōu)化后絕對誤差大于優(yōu)化前, 如圖1k中第18個(gè)樣本點(diǎn)所示, 表明還可以繼續(xù)對GWO做出改進(jìn), 得到更接近實(shí)測值的預(yù)測模型。

2.5 兩種算法的化學(xué)成分生態(tài)預(yù)測模型驗(yàn)證

如表6所示機(jī)理化學(xué)成分生態(tài)預(yù)測模型, 雖然2不高, 但煙堿、鉀、氯的RMSE值皆小于0.1, 說明該模型模擬值與實(shí)際觀測值一致性高, 模擬效果非常好; 總糖、總氮的RMSE值在0.1~0.2之間, 說明模型模擬效果較好; 只有還原糖的RMSE值略大于0.2, 該模型模擬效果一般。智能算法的化學(xué)成分生態(tài)預(yù)測模型的2很高, 且所有模型的RMSE值都小于0.1, 其中氯的RMSE值更是小于0.01, 模型模擬結(jié)果非常好。雖然機(jī)理化學(xué)成分生態(tài)預(yù)測模型的模擬結(jié)果不如智能算法的模型那么理想, 但機(jī)理模型的參數(shù)都具有非常明確的物理意義, 能夠通過氣象、土壤因子影響綜合指數(shù)()、()了解其對煙葉化學(xué)成分產(chǎn)生了正效應(yīng)還是負(fù)效應(yīng), 這種效應(yīng)的影響程度又有多大。

表5 玉溪烤煙‘K326’化學(xué)成分與生態(tài)因子的最大信息系數(shù)

表6 兩種算法的玉溪烤煙‘K326’化學(xué)成分生態(tài)預(yù)測模型驗(yàn)證

3 討論與結(jié)論

已有的研究多針對單一的生態(tài)因子(氣象或土壤)對煙葉化學(xué)成分特性的影響, 缺乏對氣象、土壤因子綜合考量[4-12]。且以往研究中多是給出單個(gè)因子(如氣溫、降水等)與化學(xué)成分之間的回歸方程, 沒考慮到不同生育期氣象因子對煙葉化學(xué)成分的綜合影響[1,27]。本研究通過對2009—2018年烤煙定位點(diǎn)氣象、土壤、烤煙品質(zhì)數(shù)據(jù)進(jìn)行系統(tǒng)分析和綜合, 建立了生態(tài)因子影響綜合指數(shù)()與煙葉各化學(xué)成分之間的線性模型, 根據(jù)()的正負(fù)、大小可以定量了解生態(tài)因子對化學(xué)成分促進(jìn)或不利作用的程度。該模型除還原糖的RMSE值略大于0.2之外, 煙堿、總糖、總氮、鉀、氯的RMSE值皆小于0.17, 說明該模型在實(shí)際應(yīng)用中具有一定的可行性, 能夠在烤煙采烤結(jié)束前粗略地了解某一年景下玉溪烤煙成分特點(diǎn), 為后續(xù)工作安排提供科學(xué)依據(jù)。雖然煙葉各化學(xué)成分含量預(yù)測模型的值均達(dá)顯著水平, 但該模型的2普遍不高, 可能有以下幾方面的原因: 1)生態(tài)因子對煙葉化學(xué)成分的影響是一個(gè)復(fù)雜的系統(tǒng), 這種復(fù)雜影響表現(xiàn)光、溫、水及土壤等因子大小、分配、組合, 即使是相同的組合在烤煙不同生育期時(shí)的影響也不相同[26,28], 精確的數(shù)學(xué)關(guān)系式難以對這個(gè)系統(tǒng)進(jìn)行表達(dá)。盡管以往研究較為明確地闡述了煙葉化學(xué)成分形成的氣候、土壤特點(diǎn)[7,11], 但尚缺乏更多的試驗(yàn)結(jié)果作為支撐, 導(dǎo)致目前仍有較大的困難對這個(gè)系統(tǒng)進(jìn)行定量化的描述。2)文中分析的影響烤煙‘K326’各化學(xué)成分的主要生態(tài)因子雖然與化學(xué)成分的線性相關(guān)達(dá)顯著或極顯著水平, 但其相關(guān)系數(shù)低, 說明即使在相似的氣候條件下, 煙葉化學(xué)成分仍會有較大的差異。3)雖然生態(tài)因子是影響煙葉化學(xué)成分的重要因素, 但并非是唯一因素, 栽培措施、自身的遺傳特性及各種因素之間的相互作用都會對化學(xué)成分形成產(chǎn)生一定的影響[2], 因此在今后研究中應(yīng)更為全面選取影響因素。

針對上述機(jī)理生態(tài)預(yù)測模型精準(zhǔn)度、解釋性方面的不足, 選擇了可以處理復(fù)雜空間非線性系統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)對生態(tài)因子與化學(xué)成分進(jìn)行智能算法的建模。本研究放棄了以往研究中使用的相關(guān)系數(shù)[12], 而選用最大信息系數(shù)(MIC)來篩選輸入?yún)?shù)。這種方法的優(yōu)勢在于不限于特定的函數(shù)類型(如線性函數(shù)), 只要生態(tài)因子與化學(xué)成分具有顯著函數(shù)關(guān)系即可, 能最大程度地保證輸入?yún)?shù)的完整性。針對BP神經(jīng)網(wǎng)絡(luò)易陷入局部極小、收斂速度慢的缺點(diǎn), 在建模過程中使用了灰狼算法(GWO)優(yōu)化BP網(wǎng)絡(luò)的權(quán)重、閾值, 使最終結(jié)果更為精準(zhǔn)。但優(yōu)化后的BP網(wǎng)絡(luò)仍然存在極個(gè)別點(diǎn)的絕對誤差大于優(yōu)化之前, 在今后的研究中可以對GWO再做出一些改進(jìn)使預(yù)測結(jié)果更優(yōu)。

本文從機(jī)理算法和智能算法兩個(gè)方面對生態(tài)因子與煙葉化學(xué)成分進(jìn)行建模, 得到了兩個(gè)預(yù)測模型。機(jī)理生態(tài)模型參數(shù)具有明確的物理意義, 智能算法的生態(tài)模型預(yù)測結(jié)果精準(zhǔn)符合實(shí)測值, 兩個(gè)模型有各自的優(yōu)勢與缺陷。在實(shí)際生產(chǎn)中基于不同目的可以選擇不同模型, 若想了解生態(tài)因子對于化學(xué)成分的具體影響則選擇機(jī)理算法的預(yù)測模型, 若需得到精確的化學(xué)成分含量則選擇智能算法的預(yù)測模型。希望在今后的研究中能夠?qū)C(jī)理與智能算法的模型相結(jié)合, 構(gòu)建出在實(shí)際應(yīng)用中可行性更高、效果更好的模型。

[1] 劉先超, 馬君紅, 劉健康, 等. 四川地區(qū)生態(tài)因素與煙葉化學(xué)成分的關(guān)系[J]. 西南農(nóng)業(yè)學(xué)報(bào), 2014, 27(6): 2644–2649 LIU X C, MA J H, LIU J K, et al. Relationship between ecological factors and chemical components of tobacco leaves in tobacco planting area of Sichuan[J]. Southwest China Journal of Agricultural Sciences, 2014, 27(6): 2644–2649

[2] 劉燕, 闕勁松, 于良君, 等. 烤煙致香物質(zhì)含量的主要影響因素及其提高的可能途徑[J]. 中國農(nóng)學(xué)通報(bào), 2013, 29(22): 83–89 LIU Y, QUE J S, YU L J, et al. The main factors influencing the content of aromatic substance in flue-cured tobacco leaves and possible measures for improving its content[J]. Chinese Agricultural Science Bulletin, 2013, 29(22): 83–89

[3] 薛寶燕, 沈嘉, 姜超強(qiáng), 等. 兩種典型環(huán)境對烤煙香型風(fēng)格及致香物質(zhì)的影響[J]. 中國煙草科學(xué), 2016, 37(3): 1–7 XUE B Y, SHEN J, JIANG C Q, et al. Influence of two typical environments on flavor type and aroma substances of flue-cured tobacco[J]. Chinese Tobacco Science, 2016, 37(3): 1–7

[4] 時(shí)鵬, 申國明, 向德恩, 等. 恩施煙區(qū)主要?dú)夂蛞蜃优c烤煙煙葉化學(xué)成分的關(guān)系[J]. 中國煙草科學(xué), 2012, 33(4): 13–16 SHI P, SHEN G M, XIANG D E, et al. Relationships between main climatic factors and chemical components of flue-cured tobacco leaves in Enshi[J]. Chinese Tobacco Science, 2012, 33(4): 13–16

[5] 石俊雄, 陳雪, 雷璐. 生態(tài)因子對貴州煙葉主要化學(xué)成分的影響[J]. 中國煙草科學(xué), 2008, 29(2): 18–22 SHI J X, CHEN X, LEI L. Effects of ecological factors on chemical components of tobacco leaves in Guizhou[J]. Chinese Tobacco Science, 2008, 29(2): 18–22

[6] 陳偉, 王三根, 唐遠(yuǎn)駒, 等. 不同煙區(qū)烤煙化學(xué)成分的主導(dǎo)氣候影響因子分析[J]. 植物營養(yǎng)與肥料學(xué)報(bào), 2008, 14(1): 144–150 CHEN W, WANG S G, TANG Y J, et al. Analysis of the dominant climatic factors influencing the chemical compositions of flue-cured tobacco in different tobacco- growing areas[J]. Plant Nutrition and Fertilizer Science, 2008, 14(1): 144–150

[7] 劉冰洋, 張小全, 張鋆鋆, 等. 氣象因子對高香氣烤煙品種主要香味前體物含量的影響[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào), 2016, 24(9): 1214–1222 LIU B Y, ZHANG X Q, ZHANG Y Y, et al. Effects of meteorological factors on aroma precursors contents of high aroma flue-cured tobacco[J]. Chinese Journal of Eco- Agriculture, 2016, 24(9): 1214–1222

[8] 趙阿娟, 文婧, 丁春霞, 等. 長沙植煙區(qū)土壤理化性質(zhì)與煙葉常規(guī)化學(xué)成分相關(guān)性分析[J]. 作物研究, 2018, 32(6): 511–515 ZHAO A J, WEN J, DING C X, et al. Correlation analysis between physicochemical properties of soil and chemical composition of tobacco leaf in Changsha tobacco growing area[J]. Crop Research, 2018, 32(6): 511–515

[9] 薛劍波, 符云鵬, 尹永強(qiáng). 影響煙草中煙堿含量的因素及調(diào)控措施[J]. 安徽農(nóng)業(yè)科學(xué), 2005, 33(6): 1053–1055 XUE J B, FU Y P, YIN Y Q. Factor and controlling measures influencing the nicotine content in tobacco leaf[J]. Journal of Anhui Agricultural Sciences, 2005, 33(6): 1053–1055

[10] 崔志燕, 陳富彩, 張玲, 等. 不同施磷水平對煙葉氮磷鉀含量、光合特性和產(chǎn)質(zhì)量的影響[J]. 河南農(nóng)業(yè)大學(xué)學(xué)報(bào), 2016, 50(2): 171–175 CUI Z Y, CHEN F C, ZHANG L, et al. Effects of different phosphorus fertilizer applications on content of nitrogen, phosphorus and potassium, photosynthetic characteristics and yield of flue-cured tobacco[J]. Journal of Henan Agricultural University, 2016, 50(2): 171–175

[11] 王學(xué)杰, 李承榮, 王政, 等. 奉節(jié)煙區(qū)植煙土壤養(yǎng)分狀況及其與煙葉內(nèi)在質(zhì)量的相關(guān)性[J]. 貴州農(nóng)業(yè)科學(xué), 2016, 44(12): 28–32 WANG X J, LI C R, WANG Z, et al. Status of tobacco-growing soil nutrients in Fengjie production area and its relationship with quality of flue-cured tobacco leaves[J]. Guizhou Agricultural Sciences, 2016, 44(12): 28–32

[12] 梁兵, 黃坤, 闕勁松, 等. 紅河植煙區(qū)煙葉品質(zhì)與土壤中微量元素含量關(guān)系研究[J]. 西南農(nóng)業(yè)學(xué)報(bào), 2017, 30(4): 824–829 LIANG B, HUANG K, QUE J S, et al. Relationship between quality of tobacco leaves and middle-micro elements in Honghe tobacco soil[J]. Southwest China Journal of Agricultural Sciences, 2017, 30(4): 824–829

[13] 聶銘, 周冀衡, 楊榮生, 等. 基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的烤煙鉀氯比預(yù)測模型[J]. 煙草科技, 2014, 47(6): 49–53 NIE M, ZHOU J H, YANG R S, et al. A model of BP neural network optimized on particle swarm algorithm for predicting ratio of potassium to chlorine in flue-cured tobacco[J]. Tobacco Science & Technology, 2014, 47(6): 49–53

[14] 邵惠芳, 許自成, 李東亮, 等. 基于BP神經(jīng)網(wǎng)絡(luò)建立烤煙感官質(zhì)量的預(yù)測模型[J]. 中國煙草學(xué)報(bào), 2011, 17(1): 19–25 SHAO H F, XU Z C, LI D L, et al. The establishment of BP neural network based models for predicting tobacco leaf sensory quality[J]. Acta Tabacaria Sinica, 2011, 17(1): 19–25

[15] 張明乾, 劉立博, 趙羨波, 等. BP神經(jīng)網(wǎng)絡(luò)煙葉化學(xué)成分預(yù)測模型構(gòu)建[J]. 貴州農(nóng)業(yè)科學(xué), 2020, 48(2): 136–139 ZHANG M Q, LIU L B, ZHAO X B, et al. Establishment of prediction model for tobacco chemical composition based on BP neural network[J]. Guizhou Agricultural Sciences, 2020, 48(2): 136–139

[16] 鐘楚, 李蒙, 朱勇. 基于氣象因子影響的云南烤煙主要化學(xué)成分預(yù)測[J]. 西南農(nóng)業(yè)學(xué)報(bào), 2013, 26(2): 535–540 ZHONG C, LI M, ZHU Y. Forecasting for main chemical compositions of flue-cured tobacco in Yunnan based on effects of meteorological factors[J]. Southwest China Journal of Agricultural Sciences, 2013, 26(2): 535–540

[17] 鄭培根, 劉梓修. 偏相關(guān)系數(shù)的定義及計(jì)算[J]. 江西財(cái)經(jīng)學(xué)院學(xué)報(bào), 1986, (1): 75–79 ZHENG P G, LIU Z X. Definition and calculation of partial correlation coeffcient[J]. Contemporary Finance & Economics, 1986, (1): 75–79

[18] GUO Z H, WU J, LU H Y, et al. A case study on a hybrid wind speed forecasting method using BP neural network[J]. Knowledge-Based Systems, 2011, 24(7): 1048–1056

[19] RESHEF D N, RESHEF Y A, FINUCANE H K, et al. Detecting novel associations in large data sets[J]. Science, 2011, 334(6062): 1518–1524

[20] 孫弋清. 基于進(jìn)退法的神經(jīng)網(wǎng)絡(luò)隱含層節(jié)點(diǎn)數(shù)的確定方法[J]. 現(xiàn)代商貿(mào)工業(yè), 2018, 39(35): 197–199 SUN Y Q. The method to determine the number of hidden layer nodes of neural network based on the advance and retreat method[J]. Modern Business Trade Industry, 2018, 39(35): 197–199

[21] MIRJALILI S, MIRJALILI S M, LEWIS A. Grey wolf optimizer[J]. Advances in Engineering Software, 2014, 69: 46–61

[22] RINALDI M, LOSAVIO N, FLAGELLA Z. Evaluation and application of the OILCROP-SUN model for sunflower in southern Italy[J]. Agricultural Systems, 2003, 78(1): 17–30

[23] JAMIESON P D, SEMENOV M A. Modelling nitrogen uptake and redistribution in wheat[J]. Field Crops Research, 2000, 68(1): 21–29

[24] 張曉兵, 夏琛, 項(xiàng)波卡, 等. 基于灰色關(guān)聯(lián)分析的云南煙葉化學(xué)成分適宜性評價(jià)[J]. 煙草科技, 2011, 44(10): 32–35 ZHANG X B, XIA C, XIANG B K, et al. Suitability evaluation of chemical components in Yunnan tobacco with grey incidence analysis[J]. Tobacco Science & Technology, 2011, 44(10): 32–35

[25] 李熙全, 代飛. 主要生態(tài)因素對煙葉質(zhì)量影響研究進(jìn)展[J]. 安徽農(nóng)業(yè)科學(xué), 2013, 41(2): 531–532, 537 LI X Q, DAI F. Research progress on the influence of main ecological factors on tobacco quality[J]. Journal of Anhui Agricultural Sciences, 2013, 41(2): 531–532, 537

[26] 文建川, 景元書. 煙草化學(xué)成分與氣象因子關(guān)系研究進(jìn)展[J]. 河南農(nóng)業(yè)科學(xué), 2019, 48(4): 1–8 WEN J C, JING Y S. Research progress on the relationship between tobacco chemical composition and meteorological factors[J]. Journal of Henan Agricultural Sciences, 2019, 48(4): 1–8

[27] 姬興杰, 孟寒冬, 左璇, 等. 河南煙區(qū)主要?dú)夂蛞蜃优c烤煙煙葉化學(xué)成分的關(guān)系[J]. 中國煙草科學(xué), 2017, 38(1): 35–41 JI X J, MENG H D, ZUO X, et al. Relationships between main climatic factors and chemical components of flue-cured tobacco leaves in Henan tobacco-growing areas[J]. Chinese Tobacco Science, 2017, 38(1): 35–41

[28] 易建華, 彭新輝, 鄧小華, 等. 氣候和土壤及其互作對湖南烤煙還原糖、煙堿和總氮含量的影響[C]//中國煙草學(xué)會六屆三次理事會暨學(xué)術(shù)年會論文集. 長沙, 2011: 112–119 YI J H, PENG X H, DENG X H, et al. Effects of climate, soil and their interactions on reducing sugar, nicotine and total nitrogen contents of flue-cured tobacco in Hunan[C]. Sixth Third Council and Annual Conference of the Chinese Tobacco Society. Changsha, 2011: 112–119

Ecological prediction model of main chemical components of Yuxi flue-cured tobacco ‘K326’*

ZHU Anqi1, JING Yuanshu1**, HU Baowen2, XIE Xinqiao2, LI Xiangwei2, ZHU Yuncong2

(1. Collaborative Innovation Center of Meteorological Disaster Forecasting Warning and Assessment / College of Applied Meteorology, Nanjing University of Information Science & Technology, Nanjing 210044, China; 2. Raw Material Department, Hongta Tobacco Co., Ltd., Yuxi 653100, China)

Due to national policies and adjustments to the industrial structure, the tobacco industry has implemented “quality optimization, planting regionalization, and technological intelligence” process requirements. To better meet these requirements, understand the quantitative relationships between tobacco chemical components and ecological factors, and improve the intelligence degree of flue-cured tobacco quality evaluation, it is necessary to develop an ecological prediction model of the chemical composition of tobacco leaves that corresponds with the actual production of Yuxi flue-cured tobacco. While prior research has only considered the impact of a single ecological factor (weather or soil) on the chemical composition of tobacco leaves, this study used the main chemical components (nicotine, total sugar, reducing sugar, total nitrogen, potassium, and chlorine) of flue-cured tobacco ‘K326’ in nine typical locations from 2009 to 2017 in the Yuxi area and ecological data (weather and soil) corresponding to the different growth periods. These factors were analyzed to obtain a comprehensive index of the influential ecological factors and to establish an ecological prediction model of the chemical composition mechanisms of tobacco leaves. Using the ecological data from 2018, the content of main chemical components in the tobacco leaves was predicted and compared with the observed values. Data from 90 flue-cured tobacco samples were used to calculate the maximum information coefficient (MIC) to screen the input variables; this method ensures the integrity of the input parameters and is not limited to specific function types (e.g., a linear function) as long as there is a significant functional relationship between the ecological factors and chemical components. To overcome the shortcomings of the back-propagation (BP) neural network (i.e., it is easy to fall into local minima and slow convergence speed), the Grey Wolf optimizer was used in the modeling process to optimize the weights and thresholds of the neural network. To establish an intelligent algorithm for the tobacco leaf chemical composition ecological prediction model, the absolute error was used to intuitively show the difference between the simulated value of the BP neural network optimized by the Grey Wolf algorithm and that before optimization. The results showed that the prediction model of the mechanism algorithm could judge the degree of influence of the ecological factors on the tobacco chemical composition and indicate whether the influence was positive (promoting effect) or negative (adverse effect) by the size and the positive and negative values of the comprehensive index. The average2value of the ecological prediction model of the mechanism algorithm was 0.29, the average root mean square error (RMSE) was 0.13, and only the RMSE of the reducing sugar was slightly greater than 0.2. These results indicated that the model understood the chemical composition characteristics of Yuxi flue-cured tobacco under particular ecological conditions in a given year. The absolute error of the ecology-ical prediction model of the optimized intelligent algorithm was significantly smaller than that before optimization, indicating a better simulation effect for the optimized intelligent algorithm of the ecological prediction model. All2values were greater than 0.95, and the2values of the other prediction models (except for total nitrogen) were as high as 0.99. This suggested a very high degree of fit and that the model did well to explain the variability in the chemical composition; each RMSE was less than 0.1, and some values were less than 0.01, suggesting accurate prediction results.

Flue-cured tobacco ‘K326’; Chemical compositions; Ecological factors; Prediction model

10.13930/j.cnki.cjea.200860

朱安琪, 景元書, 胡保文, 謝新喬, 李湘?zhèn)? 朱云聰. 玉溪烤煙‘K326’主要化學(xué)成分生態(tài)預(yù)測模型[J]. 中國生態(tài)農(nóng)業(yè)學(xué)報(bào)(中英文), 2021, 29(5): 880-889

ZHU A Q, JING Y S, HU B W, XIE X Q, LI X W, ZHU Y C. Ecological prediction model of main chemical components of Yuxi flue-cured tobacco ‘K326’[J]. Chinese Journal of Eco-Agriculture, 2021, 29(5): 880-889

S572; P49

* 國家自然科學(xué)基金項(xiàng)目(41575111)、江蘇省高校優(yōu)勢學(xué)科建設(shè)工程(PAPD)項(xiàng)目(2017-NY-038)和紅塔煙草集團(tuán)有限責(zé)任公司項(xiàng)目(S-6019001)資助

景元書, 主要從事農(nóng)業(yè)氣象和生態(tài)環(huán)境研究。E-mail: jingyshu@163.com

朱安琪, 研究方向?yàn)檗r(nóng)業(yè)氣象、生態(tài)環(huán)境。E-mail: 2499295176@qq.com

2020-10-23

2020-12-16

* This study was supported by the National Natural Science Foundation of China (41575111), the Priority Academic Discipline Development of Jiangsu Higher Education Institutions (2017-NY-038) and Hongta Tobacco Group Co., Ltd. Project (S-6019001).

, E-mail: jingyshu@163.com

Oct. 23, 2020;

Dec. 16, 2020