張新顏，王 穎**，張 盼，王 偉，唐云輝

（1.重慶市江津現(xiàn)代農(nóng)業(yè)氣象試驗(yàn)站，重慶市江津區(qū)氣象局，重慶 402260；2.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室，陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點(diǎn)實(shí)驗(yàn)室，陜西楊凌 712100）

作物光合速率受多種因素影響，環(huán)境溫度、光照、CO2濃度等都對(duì)設(shè)施大棚內(nèi)作物的光合速率起到至關(guān)重要的作用。由于人工設(shè)施常受覆蓋材料、灰塵及結(jié)構(gòu)遮光等影響，設(shè)施內(nèi)部光照條件僅為外界環(huán)境的30%～70%，難以滿足作物生長(zhǎng)要求。尤其在冬季、早春和連陰雨季節(jié)，設(shè)施內(nèi)光環(huán)境參數(shù)（包括光質(zhì)和光子通量密度）通常低于光合作用最低需求，導(dǎo)致作物生長(zhǎng)發(fā)育減緩、各種病蟲(chóng)害發(fā)生幾率增加，造成落葉、發(fā)花數(shù)量少、花形花色不正、坐果率低等問(wèn)題，嚴(yán)重影響作物產(chǎn)量和品質(zhì)。

本項(xiàng)目針對(duì)重慶地區(qū)冬季設(shè)施作物溫度偏低、光照不足等問(wèn)題，提出一種基于機(jī)器學(xué)習(xí)算法的塑料大棚坐果期草莓光合速率預(yù)測(cè)模型研究。針對(duì)不同生長(zhǎng)階段、不同環(huán)境因素條件下作物光合能力的差異性，研究特定塑料大棚內(nèi)不同環(huán)境溫度、光照強(qiáng)度等多環(huán)境因子與光合速率之間的變化規(guī)律，基于SVR 算法建立光合速率預(yù)測(cè)模型，為后期的草莓光環(huán)境動(dòng)態(tài)按需調(diào)控研究奠定良好的基礎(chǔ)。

材料與方法

試驗(yàn)于2019 年3～5 月在重慶江津現(xiàn)代農(nóng)業(yè)氣象試驗(yàn)站簡(jiǎn)易塑料大棚內(nèi)進(jìn)行，供試草莓品種為‘紅顏’，定植于配備環(huán)境調(diào)控設(shè)備的簡(jiǎn)易塑料大棚，大棚面積約200 m2，移栽株數(shù)2100 株，試驗(yàn)期間進(jìn)行統(tǒng)一灌溉，均勻光照處理，待幼苗長(zhǎng)至定結(jié)果期，進(jìn)行試驗(yàn)測(cè)量。試驗(yàn)期間，進(jìn)行正常的溫室栽培管理，不噴施任何農(nóng)藥和激素。

選取生長(zhǎng)狀況差異較小、健壯無(wú)病害的草莓植株進(jìn)行試驗(yàn)，采用美國(guó)LI-COR 公司生產(chǎn)的LI-6400型便攜式光合儀測(cè)定凈光合速率，利用光合儀自帶的多個(gè)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)，滿足試驗(yàn)需求。其中，CO2注入模塊(6400-01) 設(shè)定CO2濃度為大氣CO2濃度400 μL/L?？販啬K分別設(shè)定溫度為20、24、28、32、36℃共5 個(gè)溫度梯度。LED光源模塊(6400-02B) 設(shè)定為（1000、900、800、700、600、500、400、300、100、50 μmol/(m2·s)共10 個(gè)光子通量密度梯度。試驗(yàn)均于晴朗天氣進(jìn)行測(cè)量，為避免作物“午休效應(yīng)”影響試驗(yàn)精度，在9:00～11:30 和14:00～17:00 兩個(gè)時(shí)間段內(nèi)進(jìn)行數(shù)據(jù)測(cè)定。獲取以氣溫、CO2濃度、光子通量密度為輸入，凈光合速率為輸出的多維大樣本數(shù)據(jù)。每組試驗(yàn)選取6 株幼苗重復(fù)測(cè)試6 次凈光合速率值，供試葉片選自植株功能葉位，避免新生葉及老化葉對(duì)數(shù)據(jù)的影響。

模型構(gòu)建

由于草莓不同葉位之間光合能力存在明顯的差異，并且各影響因子與光合速率之間具有明顯的非線性關(guān)系，故采用回歸型支持向量機(jī)構(gòu)建光合速率預(yù)測(cè)模型[1]。SVR 主要理論基礎(chǔ)是統(tǒng)計(jì)學(xué)習(xí)理論，其主要思想是建立一個(gè)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(fēng)險(xiǎn)最小化的近似實(shí)現(xiàn)?；貧w型支持向量機(jī)相對(duì)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)，具有針對(duì)小樣本數(shù)據(jù)訓(xùn)練誤差小、收斂速度快、避免局部最優(yōu)、預(yù)測(cè)精度高等優(yōu)點(diǎn)[2]。采用SVR 精準(zhǔn)構(gòu)建光合速率預(yù)測(cè)模型。其主要分為隨機(jī)選取訓(xùn)練集與測(cè)試集樣本數(shù)據(jù)并進(jìn)行歸一化處理，核函數(shù)選擇及參數(shù)確定，模型構(gòu)建及訓(xùn)練3 個(gè)步驟。

選取訓(xùn)練集與測(cè)試集樣本數(shù)據(jù)并進(jìn)行歸一化處理

試驗(yàn)共獲取樣本數(shù)據(jù)180 組，隨機(jī)選取144組樣本數(shù)據(jù)作為訓(xùn)練集，占總樣本數(shù)據(jù)的80%。剩余的36 組樣本數(shù)據(jù)作為測(cè)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(jìn)行訓(xùn)練可能導(dǎo)致網(wǎng)絡(luò)收斂較難，故對(duì)訓(xùn)練集及測(cè)試集數(shù)據(jù)進(jìn)行歸一化操作，歸一化區(qū)間為［0.2，0.9］，歸一化公式為：

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。

核函數(shù)選擇及參數(shù)確定

支持向量機(jī)是一種建立在結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則基礎(chǔ)上的新型學(xué)習(xí)機(jī)器，它可以用來(lái)解決非線性時(shí)間序列的預(yù)報(bào)問(wèn)題[3]。比較常用的參數(shù)選擇方法是試驗(yàn)法。本文選取徑向基函數(shù)進(jìn)行預(yù)測(cè)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(yù)測(cè)精度，利用試驗(yàn)法，經(jīng)交叉驗(yàn)證方法對(duì)不同組合條件下的c、g參數(shù)進(jìn)行多次計(jì)算，最終確定最佳參數(shù)值c為0.64，g為0.0313。

模型構(gòu)建及訓(xùn)練

基于隨機(jī)所得訓(xùn)練集與測(cè)試集樣本數(shù)據(jù)，采用徑向基核函數(shù)，通過(guò)將低維空間的非線性不可分問(wèn)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(jìn)行線性回歸決策分析。其中，決策函數(shù)為：

式中：f（x）為決策輸出，K（Xi，x）為核函數(shù)，x 為輸入信號(hào)，Xi為第i 訓(xùn)練樣本的輸入列向量，為拉格朗日乘子，為支持向量個(gè)數(shù)，b為偏置。

其中，徑向基核函數(shù)被用于進(jìn)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(wèn)題進(jìn)行處理，其直接影響模型的性能。其表達(dá)式為：

基于上述理論，將隨機(jī)選取的訓(xùn)練集樣本數(shù)據(jù)代入決策函數(shù)進(jìn)行模型訓(xùn)練以及預(yù)測(cè)分析，可得光合速率預(yù)測(cè)模型（圖1）。

圖1 光合速率預(yù)測(cè)模型

從圖1 可知，在相同溫度條件下，光合速率隨光照強(qiáng)度增大而增加，在光飽和點(diǎn)處獲得光合速率最大值，之后隨光照強(qiáng)度進(jìn)一步增加光合速率會(huì)隨之下降；當(dāng)光照強(qiáng)度一定時(shí)，隨溫度的變化光合速率也呈現(xiàn)先上升后下降的變化趨勢(shì)，以上變化趨勢(shì)與前人研究結(jié)果相符，說(shuō)明試驗(yàn)方案和預(yù)測(cè)模型結(jié)果的合理性。

光合速率預(yù)測(cè)模型驗(yàn)證

試驗(yàn)采用嵌套方式共獲取180 組樣本數(shù)據(jù)，其中144 組用于構(gòu)建并訓(xùn)練預(yù)測(cè)模型，剩余的36組樣本數(shù)據(jù)用于驗(yàn)證預(yù)測(cè)模型。采用異校驗(yàn)方式對(duì)預(yù)測(cè)模型進(jìn)行驗(yàn)證，可得光合速率實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)性。其中決定系數(shù)為0.9552，直線斜率為0.9761，截距為0.2756（圖2）。結(jié)果表明，本模型充分考慮了各因子之間的交互作用，采用回歸型支持向量機(jī)構(gòu)建的光合速率預(yù)測(cè)模型，其擬合度較好，模型精度高。

圖2 光合速率預(yù)測(cè)模型驗(yàn)證

結(jié)論

本研究針對(duì)草莓光飽和點(diǎn)隨溫度動(dòng)態(tài)變化的特點(diǎn)，建立了一種基于回歸型支持向量機(jī)構(gòu)建的塑料大棚草莓光合速率預(yù)測(cè)模型，為光環(huán)境調(diào)控提供理論依據(jù)，本方法可擴(kuò)展應(yīng)用于不同作物、不同階段的光合優(yōu)化調(diào)控模型研究與建立，具體結(jié)論如下：

（1）由于草莓不同葉位之間光合能力存在明顯的差異，并且各影響因子與光合速率之間具有明顯的非線性關(guān)系，故本研究針對(duì)草莓功能葉位采用回歸型支持向量機(jī)構(gòu)建光合速率預(yù)測(cè)模型，構(gòu)建了以溫度、光照強(qiáng)度為輸入，光合速率為輸出的草莓光合速率預(yù)測(cè)模型。

（2）回歸型支持向量機(jī)構(gòu)建的光合速率預(yù)測(cè)模型，進(jìn)行了光合速率實(shí)測(cè)值與預(yù)測(cè)值的相關(guān)性分析，相關(guān)分析決定系數(shù)為0.9552，直線斜率為0.9761，截距為0.2756。結(jié)果表明，其光合速率實(shí)測(cè)值與光合速率預(yù)測(cè)值之間擬合度良好，訓(xùn)練誤差小，擬合度好，線性度高。

本項(xiàng)目將物聯(lián)網(wǎng)數(shù)據(jù)、氣象數(shù)據(jù)與農(nóng)業(yè)生產(chǎn)模型相關(guān)聯(lián)，以典型作物為切入點(diǎn)構(gòu)建作物生產(chǎn)氣象條件需求模型，建立了溫光耦合模型的智能預(yù)測(cè)預(yù)警決策算法，明確了設(shè)施農(nóng)業(yè)精細(xì)化服務(wù)指標(biāo)模型，實(shí)現(xiàn)了塑料大棚溫度精準(zhǔn)化、智能化的預(yù)報(bào)及預(yù)警服務(wù)，提升了設(shè)施農(nóng)業(yè)服務(wù)水平。