范升旭，楊春曦，楊啟良，韓世昌

基于粒子群-隨機(jī)森林算法和氣象數(shù)據(jù)的三七葉面積生長預(yù)測(cè)模型

范升旭1，楊春曦2*，楊啟良3，韓世昌2

1. 昆明理工大學(xué)化學(xué)工程學(xué)院，云南 昆明 650500 2. 昆明理工大學(xué)機(jī)電工程學(xué)院，云南 昆明 650500 3. 昆明理工大學(xué)農(nóng)業(yè)與食品學(xué)院，云南 昆明 650500

基于數(shù)據(jù)挖掘技術(shù)，建立三七葉面積生長預(yù)測(cè)模型，對(duì)于三七整個(gè)生長期的精準(zhǔn)管理與決策提供參考。基于粒子群-隨機(jī)森林算法，采用2018、2019年4～10月云南省紅河自治州瀘西縣三七種植基地棚內(nèi)氣象因子數(shù)據(jù)以及三七葉面積生長數(shù)據(jù)作為訓(xùn)練集和測(cè)試集構(gòu)建生長預(yù)測(cè)模型。通過特征工程中皮爾森系數(shù)分析可知，三七葉生長與土壤溫度、上方水蒸氣壓和下方水蒸氣壓等氣象因子呈正相關(guān)，其中土壤溫度正相關(guān)程度最大，其皮爾森相關(guān)系數(shù)在0.75～0.90；下方土壤熱通量與三七葉生長呈負(fù)相關(guān)，其皮爾森相關(guān)系數(shù)為?0.4～?0.3；通過粒子群優(yōu)化隨機(jī)森林算法訓(xùn)練的生長預(yù)測(cè)模型，其均方根誤差（root mean square error，RMSE）收斂時(shí)值為0.021 82，模型優(yōu)化后的三七葉生長預(yù)測(cè)模型決定系數(shù)2達(dá)到0.999 97。通過多種算法對(duì)比實(shí)驗(yàn)結(jié)果表明，粒子群-隨機(jī)森林算法構(gòu)建的三七葉面積生長預(yù)測(cè)模型具有較高的預(yù)測(cè)精度。該方法為三七葉的生長預(yù)測(cè)提供了新的研究思路。

預(yù)測(cè)模型；三七葉；氣象因子；特征工程；隨機(jī)森林；粒子群優(yōu)化

三七葉系五加科人參屬植物三七(Burk.) F. H. Chen的干燥葉，性溫、味辛，具有止血、消腫、定痛，治吐血、外傷出血、癰腫毒瘡等作用，主要生長區(qū)域?yàn)樵颇虾蛷V西等地，經(jīng)過初步統(tǒng)計(jì)，每年可采收三七葉約2500 t[1]。研究表明，三七葉可藥用也可食用，且毒性低、不良反應(yīng)小[2-3]。因此，研究三七葉生長期的氣象數(shù)據(jù)特征，獲得三七葉生長與氣象因子之間的關(guān)系，對(duì)指導(dǎo)三七葉生長栽培以及整個(gè)三七生長期的精準(zhǔn)管理與決策具有重要意義。

羅群等[4]指出三七在不同生長時(shí)期所需的光照、溫度、濕度、土壤等環(huán)境條件不同，其中，溫度持續(xù)過高或者過低都會(huì)對(duì)三七生長造成危害。熊凱等[5]提出影響三七生長的主要?dú)庀笠蜃佑刑杻糨椛洹⑴飪?nèi)溫濕度、土壤熱通量、飽和水蒸氣壓、土壤溫度、三七冠層上方溫濕度、飽和水蒸氣壓。目前，對(duì)影響三七生長因素的研究已經(jīng)取得一定成果。羅美佳等[6]提出光質(zhì)對(duì)三七生長、光合特性及有效成分均有顯著影響，其中紅光有利于三七的株高生長，青、黃、紫、藍(lán)光均有利于三七地下部分生物量的積累，藍(lán)、黃光有利于三七光合作用。張子龍等[7]指出連作土壤對(duì)三七種子的萌發(fā)及幼苗的生長均表現(xiàn)明顯的障礙效應(yīng)，化感（自毒）作用可能是造成三七連作障礙的原因之一。金航等[8]發(fā)現(xiàn)云南文山所產(chǎn)三七無論在質(zhì)量還是產(chǎn)量上均優(yōu)于廣西靖西的主要原因是云南文山具有全年日照充足、溫度適宜、降雨適中、時(shí)間變化合理等有利的氣象條件，有利于三七的生長以及有效成分和干物質(zhì)的積累。唐建楷等[9]指出不同灌水頻率和施肥量對(duì)三七形態(tài)指標(biāo)、凈光合速率、蒸騰作用、葉水勢(shì)、水分利用效率、有效成分積累及發(fā)病率有明顯影響。王朝梁等[10]認(rèn)為不同比例的自配肥可能增加三七的莖粗、葉面積和株高，改善其生物學(xué)性狀；不同比例自配肥處理的三七出苗率均達(dá)到差異顯著或極顯著水平，并且肥料中N∶P2O5∶K2O比例以1∶1∶2處理時(shí)三七出苗率最好。上述研究主要側(cè)重于探討影響三七生長的因素，鮮有綜合考慮多個(gè)氣象因子與三七葉生長之間的耦合關(guān)系，也未將氣象因子與三七葉生長的關(guān)系進(jìn)行定量分析。

近年來，隨著大數(shù)據(jù)時(shí)代的快速發(fā)展，基于數(shù)據(jù)訓(xùn)練得到預(yù)測(cè)模型的機(jī)器學(xué)習(xí)方法被廣泛應(yīng)用于各個(gè)學(xué)科的研究中。其中，隨機(jī)森林[11]是一種在土地利用[12-13]、作物產(chǎn)量預(yù)測(cè)[14-15]、山體滑坡空間預(yù)測(cè)[16]、植株生長估測(cè)[17-18]等不同領(lǐng)域都取得較好應(yīng)用效果的機(jī)器學(xué)習(xí)算法。Kennedy等[19]設(shè)計(jì)了粒子群優(yōu)化算法，通過迭代遵循適應(yīng)度函數(shù)規(guī)則找到最優(yōu)解，目前已被廣泛應(yīng)用于算法以及函數(shù)優(yōu)化等領(lǐng)域。龍泉等[20]提出基于粒子群優(yōu)化back propagation神經(jīng)網(wǎng)絡(luò)處理風(fēng)電機(jī)組齒輪箱故障診斷，提高了神經(jīng)網(wǎng)絡(luò)的訓(xùn)練效率，加快了網(wǎng)絡(luò)的收斂速度。穆朝絮等[21]提出基于粒子群優(yōu)化的非線性系統(tǒng)最小二乘支持向量機(jī)預(yù)測(cè)控制方法，為非線性系統(tǒng)在數(shù)學(xué)模型未知的情況下設(shè)計(jì)出有效的預(yù)測(cè)控制器，且具有良好的自適應(yīng)能力和魯棒性。

本研究通過機(jī)器學(xué)習(xí)方法分析三七葉生長期的氣象因子的數(shù)據(jù)特征，進(jìn)而獲得主要影響三七葉生長的氣象因子特征，氣象因子是具有連續(xù)性、非線性的變量，隨機(jī)森林算法在處理這類數(shù)據(jù)上效果突出，性能穩(wěn)定且具有良好的抗干擾能力[22-25]。利用粒子群算法優(yōu)化隨機(jī)森林算法[26-28]構(gòu)建三七葉生長期的主要?dú)庀笠蜃訑?shù)據(jù)與三七葉面積生長數(shù)據(jù)的生長預(yù)測(cè)模型，為提高三七葉產(chǎn)量的環(huán)境調(diào)控和氣象預(yù)警提供理論依據(jù)和技術(shù)支持。通過集成多學(xué)科知識(shí)與技術(shù)交叉融合，揭示三七生長習(xí)性規(guī)律，監(jiān)控三七生長與環(huán)境變化全過程，為中藥資源新興交叉學(xué)科的創(chuàng)建提供可能性方向，也為三七生長環(huán)境精細(xì)化管理奠定良好的基礎(chǔ)[29]。

1 材料與方法

1.1 研究區(qū)域概況

試驗(yàn)于2018年3月至2019年11月在云南省紅河哈尼彝族自治州瀘西縣昆明理工大學(xué)三七控水減排提質(zhì)增效關(guān)鍵技術(shù)研究與示范基地（103°57'E，24°26'N）進(jìn)行。試驗(yàn)基地平均海拔1842 m，屬北亞熱帶低緯高原山地季風(fēng)氣候。試驗(yàn)期間，基地最高和最低氣溫分別為31 ℃和1 ℃，平均相對(duì)濕度58%。供試土壤為微酸性紅壤土，pH值6.0左右。試驗(yàn)基地為塑料大棚，采用塑料膜擋雨，頂部設(shè)置遮陽網(wǎng)，透光率為8.3%。三七田挖溝起壟，壟溝深0.40 m，每壟間距為0.50 m，每壟地長為18 m，寬為1.90 m，壟面均勻覆蓋5 mm干燥的松針，兩側(cè)埋設(shè)有黑色不透水薄膜。供試作物為2年生三七，種植間距為15 cm，種植密度為4.40×105株/hm2。

1.2 數(shù)據(jù)來源

三七生長高峰期在4～10月，因此選用2018年和2019年的4～10月三七葉面積的生長數(shù)據(jù)、氣象因子數(shù)據(jù)作為總樣本。氣象因子樣本數(shù)據(jù)每小時(shí)采集1次，樣本數(shù)據(jù)來源于三七種植基地?zé)o線氣象因子遠(yuǎn)程監(jiān)測(cè)系統(tǒng)，其組成如圖1所示。

圖1 三七種植基地?zé)o線氣象因子遠(yuǎn)程監(jiān)測(cè)系統(tǒng)

采集的氣象因子數(shù)據(jù)包括太陽凈輻射（W/m2）、棚內(nèi)上下方溫度（℃）、棚內(nèi)上下方濕度（%）、棚內(nèi)上下方土壤熱通量（W/m2）、棚內(nèi)上下方飽和水蒸氣壓（kPa）、土壤溫度（℃）、三七冠層上下方溫度（℃）、三七冠層上下方濕度（%）、三七冠層上下方土壤熱通量（W/m2）和三七冠層上下方飽和水蒸氣壓（kPa）。分別在施肥水平F1：60 kg/hm2、F2：90 kg/hm2、F3：120 kg/hm2、F4：150 kg/hm2；灌水水平W1：100 m3/hm2，W2：150 m3/hm2，W3：200 m3/hm2組合搭配后共計(jì)12個(gè)區(qū)域進(jìn)行三七葉面積生長數(shù)據(jù)的采集。每月在各個(gè)區(qū)域貼有固定標(biāo)簽的三七植株里取3片長勢(shì)相近的葉片進(jìn)行葉面積均值計(jì)算統(tǒng)計(jì)。其中通過紙樣稱重法，對(duì)三七葉面積進(jìn)行測(cè)量，新取的三七葉片平鋪于標(biāo)準(zhǔn)網(wǎng)格紙上，在紙上描繪出葉片輪廓后剪下，稱質(zhì)量（1），面積為1（未知）；取標(biāo)準(zhǔn)網(wǎng)格紙，稱質(zhì)量（2），面積為2，則葉片面積1＝1×2/2，其余三七葉面積按此方法計(jì)算，從每年4月4日開始，至10月4日測(cè)定結(jié)束。共計(jì)18個(gè)氣象因子特征以及三七葉面積實(shí)測(cè)數(shù)據(jù)14 915個(gè)，樣本組數(shù)為785組，隨機(jī)分成2部分，75%（＝588）作為訓(xùn)練樣本建立模型，25%（＝197）作為測(cè)試樣本評(píng)價(jià)模型。傳感器節(jié)點(diǎn)和氣象因子采集系統(tǒng)布置圖見圖2，其中，圖2- a為傳感器節(jié)點(diǎn)實(shí)地安裝圖，圖2-b為傳感器節(jié)點(diǎn)結(jié)構(gòu)示意圖，節(jié)點(diǎn)1是信號(hào)采集系統(tǒng)；節(jié)點(diǎn)2是冠層上方溫濕度、土壤熱通量、飽和水蒸氣壓傳感器；節(jié)點(diǎn)3是太陽凈輻射傳感器；節(jié)點(diǎn)4是風(fēng)速、風(fēng)向傳感器；節(jié)點(diǎn)5是棚內(nèi)溫濕度、土壤熱通量、飽和水蒸氣壓傳感器；節(jié)點(diǎn)6是土壤溫度傳感器，埋于試驗(yàn)地地下；節(jié)點(diǎn)7是太陽能電源模塊。

a-傳感器節(jié)點(diǎn)實(shí)地安裝圖 b-傳感器節(jié)點(diǎn)結(jié)構(gòu)示意圖

1.3 數(shù)據(jù)預(yù)處理

由于采集系統(tǒng)中傳感器在長時(shí)間運(yùn)行過程中會(huì)出現(xiàn)數(shù)據(jù)缺失及其他異常數(shù)據(jù)，為保證特征在時(shí)間維度上一致，需要進(jìn)行數(shù)據(jù)清洗。同時(shí)，為了保證模型能夠更好地反映三七葉生長高峰期與氣象因子的關(guān)系，本研究需要將每年4～10月份采集的氣象因子數(shù)據(jù)提取出來進(jìn)行模型訓(xùn)練。

不同氣象因子往往具有不同的量綱和量綱單位，為了避免研究中不同氣象因子對(duì)三七葉生長的影響權(quán)重不同，從而導(dǎo)致模型評(píng)估不精確，需對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，原始數(shù)據(jù)經(jīng)過數(shù)據(jù)標(biāo)準(zhǔn)化處理后，各指標(biāo)處于同一數(shù)量級(jí)，可以進(jìn)行綜合對(duì)比評(píng)價(jià)。Min-max標(biāo)準(zhǔn)化也稱為離差標(biāo)準(zhǔn)化，是對(duì)原始數(shù)據(jù)的線性變換，使結(jié)果映射到[0，1]，轉(zhuǎn)換如公式（1）所示。

（1）

max為特征數(shù)據(jù)中最大值，min為特征數(shù)據(jù)中最小值，為歸一化前數(shù)據(jù)，*為歸一化后數(shù)據(jù)

1.4 模型構(gòu)建流程

1.4.1 皮爾森相關(guān)系數(shù)分析 皮爾森相關(guān)系數(shù)是一種線性相關(guān)系數(shù)，也是最常用的1種相關(guān)系數(shù)[30]。首先通過皮爾森系數(shù)判斷各氣象因子與三七葉生長之間的相關(guān)性。皮爾森相關(guān)系數(shù)(，)的取值范圍為[?1，1]，若取值在(0，1]，取值越大表示正相關(guān)性越強(qiáng)；若取值在[?1，0)，取值越小表示負(fù)相關(guān)性越大；取0值表示無相關(guān)性。皮爾森系數(shù)評(píng)價(jià)指標(biāo)如公式（2）所示。

（2）

(，) 表示與的協(xié)方差，() 為的方差，()為的方差

其次，去除掉氣象因子與三七葉生長相關(guān)性較弱的特征，提取與三七葉生長有相關(guān)特征的樣本導(dǎo)入到預(yù)測(cè)模型訓(xùn)練，達(dá)到降低維度，加快模型訓(xùn)練速度。

1.4.2 隨機(jī)森林回歸預(yù)測(cè)算法 隨機(jī)森林是由Breiman[11]提出的一種分類算法，其通過自助法（bootstrap）重采樣技術(shù)，從原始訓(xùn)練樣本中有放回地重復(fù)隨機(jī)抽取個(gè)樣本，生成新的訓(xùn)練樣本集合訓(xùn)練決策樹，然后按以上步驟生成棵決策樹組成隨機(jī)森林，新數(shù)據(jù)的分類結(jié)果按樹的投票數(shù)量決定。隨機(jī)森林算法的實(shí)質(zhì)是對(duì)決策樹算法的一種改進(jìn)，將多個(gè)決策樹合并在一起，每棵決策樹的建立依賴于獨(dú)立抽取的樣本，分類能力較弱。但產(chǎn)生大量的決策樹后，待測(cè)試的樣本數(shù)據(jù)可以通過每一棵樹的分類結(jié)果，經(jīng)統(tǒng)計(jì)后選擇最可能的分類，由于采用多棵決策樹并行的訓(xùn)練模型，因此每棵決策樹都可以選擇部分樣本及特征，能夠在一定程度上避免過擬合；同時(shí)，每棵決策樹隨機(jī)選擇樣本以及特征，使得隨機(jī)森林算法具有很好的抗噪能力，性能穩(wěn)定。

1.4.3 粒子群優(yōu)化隨機(jī)森林回歸預(yù)測(cè)算法 粒子群優(yōu)化算法[16]是通過無質(zhì)量的粒子來模擬鳥群里的鳥捕食行為設(shè)計(jì)的。其中每個(gè)粒子都具有2個(gè)屬性，即速度和位置。通過粒子的不斷搜索，得到最優(yōu)解，其中個(gè)體搜索最優(yōu)解為，群體最優(yōu)解為，粒子在迭代尋優(yōu)過程中，通過和不斷地更新自身的速度和位置，迭代過程如公式（3）所示。

（3）

通過已完成初始化的粒子群算法對(duì)隨機(jī)森林算法中初始參數(shù)進(jìn)行最優(yōu)值搜尋，可以避免算法訓(xùn)練模型中的初始參數(shù)采用人工經(jīng)驗(yàn)值設(shè)置導(dǎo)致的參數(shù)不確定性。粒子群算法智能選擇合適的決策樹數(shù)目（n_estimators）和決策樹最大深度（max_depth），可以保證在有效增強(qiáng)模型的預(yù)測(cè)能力的情況下，增強(qiáng)訓(xùn)練模型訓(xùn)練的泛化能力；再進(jìn)一步，選擇決策樹數(shù)目和決策樹最大深度2個(gè)參數(shù)作為粒子維數(shù)，可以有效減少粒子群算法搜索運(yùn)行時(shí)間，以及一定程度上增強(qiáng)搜尋效果。由于構(gòu)建的算法搜索區(qū)域?yàn)槎S空間，在確保能夠搜索到能優(yōu)化訓(xùn)練模型所需參數(shù)值的同時(shí)，又縮短了算法搜索運(yùn)行時(shí)間，從而保證算法效率。同時(shí)，選取隨機(jī)森林算法訓(xùn)練模型的均方根誤差（root mean square error，RMSE）作為粒子群算法的適應(yīng)度函數(shù)，RMSE越小，則表示模型的預(yù)測(cè)性能越精確。利用粒子群算法對(duì)適應(yīng)度函數(shù)RMSE進(jìn)行最小值尋優(yōu)，便可以確定隨機(jī)森林回歸模型達(dá)到搜尋條件時(shí)最佳性能所對(duì)應(yīng)的參數(shù)值。模型構(gòu)建流程圖見圖3。

本模型構(gòu)建的實(shí)驗(yàn)平臺(tái)單機(jī)處理器為英特爾酷睿i5-4590，頻率為CPU 3.3 GHz，運(yùn)行內(nèi)存12 GB，操作系統(tǒng)為64位的Windows 7旗艦版，程序編譯語言為Python 3.7，編譯器為PyCharm。

1.5 模型評(píng)價(jià)指標(biāo)

采用4個(gè)指標(biāo)作為評(píng)價(jià)模型擬合程度的優(yōu)劣，即決定系數(shù)（coeffient of determination，2）、均方誤差（mean square error，MSE）、平均絕對(duì)誤差（mean absolute error，MAE）、RMSE。

圖3 模型構(gòu)建流程

（4）

（5）

（6）

（7）

式中(i) 表示第個(gè)三七葉面積數(shù)據(jù)的預(yù)測(cè)值，表示第個(gè)三七葉面積生長數(shù)據(jù)的真實(shí)值，表示三七葉面積生長數(shù)據(jù)均值，樣本個(gè)數(shù)為個(gè)。其中決定系數(shù)2取值范圍在[0，1]，數(shù)值越接近1表示模型擬合效果越好；MSE是測(cè)試集實(shí)際值與預(yù)測(cè)值之差的平方和，RMSE為均方誤差平方根， MAE是預(yù)測(cè)值與真實(shí)值之差的絕對(duì)平均值。MSE、MAE以及RMSE的數(shù)值越趨近于0表示模型預(yù)測(cè)精度越高。

2 結(jié)果與分析

2.1 氣象因子數(shù)據(jù)與三七葉面積生長數(shù)據(jù)間的皮爾森相關(guān)系數(shù)

不同氣象因子數(shù)據(jù)與三七葉面積生長數(shù)據(jù)之間的皮爾森相關(guān)系數(shù)見表1。

表1 三七葉面積生長與各氣象因子間皮爾森相關(guān)系數(shù)

由表1可知，土壤溫度、上方水蒸氣壓、下方水蒸氣壓、下方土壤熱通量4個(gè)氣象因子，對(duì)三七葉生長的影響較為顯著。其中，土壤溫度、上方水蒸氣壓、下方水蒸氣壓與三七葉片生長呈正相關(guān)，其皮爾森相關(guān)系數(shù)在0.75～0.90；下方土壤熱通量與三七葉片生長呈負(fù)相關(guān)，其皮爾森相關(guān)系數(shù)為?0.4～?0.3。

本研究所采用的氣象因子均是氣溫相關(guān)的統(tǒng)計(jì)量，從已有的結(jié)果可以知道，土壤溫度對(duì)三七葉生長影響較為顯著，這與羅群等[4]、崔秀明等[31]研究的實(shí)驗(yàn)結(jié)果相吻合。土壤溫度成為三七葉片生長過程的主要影響氣象因子，這可能歸咎于土壤溫度的變化會(huì)影響土壤呼吸，土壤呼吸又會(huì)影響三七根系的生理作用和營養(yǎng)物質(zhì)傳輸[32]，進(jìn)而影響三七葉片生長情況。

同時(shí)，由于所采用的氣象因子均是氣溫及氣溫基礎(chǔ)上的統(tǒng)計(jì)量，為了探討其他氣象因子與土壤溫度之間的關(guān)系，分別計(jì)算不同氣象因子與土壤溫度之間的皮爾森相關(guān)系數(shù)，見表2。由表2可知，上方水蒸氣壓和下方水蒸氣壓2個(gè)氣象因子與土壤溫度呈正相關(guān)關(guān)系較為顯著，其皮爾森相關(guān)系數(shù)在0.8～0.9。綜合表1、2可知與土壤溫度呈正相關(guān)的氣象因子對(duì)三七葉片生長具有明顯影響。

表2 土壤溫度與各氣象因子間皮爾森相關(guān)系數(shù)

2.2 三七葉生長預(yù)測(cè)模型構(gòu)建

經(jīng)過皮爾森系數(shù)分析后，為了降低特征維度，加快訓(xùn)練速度，去除掉氣象因子與三七葉片生長相關(guān)性較弱的特征變量，如上方潛熱通量、下方潛熱通量、上方顯熱通量以及下方顯熱通量，并提取與三七葉片生長有相關(guān)特征樣本導(dǎo)入至預(yù)測(cè)模型進(jìn)行訓(xùn)練，預(yù)測(cè)模型對(duì)比實(shí)驗(yàn)中的參數(shù)設(shè)置如表3所示。表3是未進(jìn)行智能算法尋優(yōu)的支持向量機(jī)[33]、k近鄰[34]、隨機(jī)森林[11]模型初始參數(shù)，均采用網(wǎng)格搜索確定。

2.3 三七葉生長預(yù)測(cè)模型評(píng)價(jià)

測(cè)試樣本集測(cè)試結(jié)果表明，不同模型預(yù)測(cè)三七葉面積生長數(shù)據(jù)的能力不同，結(jié)果如圖4所示。

表3 預(yù)測(cè)模型參數(shù)設(shè)置

圖4 不同預(yù)測(cè)模型預(yù)測(cè)結(jié)果對(duì)比圖

由圖4可知，k近鄰算法的預(yù)測(cè)值與測(cè)試實(shí)際數(shù)據(jù)相差較大，支持向量機(jī)、隨機(jī)森林預(yù)測(cè)模型的預(yù)測(cè)結(jié)果基本符合測(cè)試集數(shù)據(jù)真實(shí)分布變化趨勢(shì)，但模型之間都存在不同程度的偏差波動(dòng)。如表4所示，粒子群優(yōu)化隨機(jī)森林算法的MSE、MAE、RMSE值均小于其他預(yù)測(cè)模型，且決定系數(shù)2值大于其他預(yù)測(cè)模型，說明該算法具有更高預(yù)測(cè)精度。

采取隨機(jī)森林算法訓(xùn)練模型的RMSE作為粒子群算法的適應(yīng)度函數(shù)，RMSE越小，則表示模型的預(yù)測(cè)性能越強(qiáng)；迭代次（＝150）至RMSE收斂到最小，迭代過程如圖5所示。

表4 不同模型預(yù)測(cè)能力評(píng)價(jià)指標(biāo)表

圖5 適應(yīng)度函數(shù)與迭代次數(shù)間的關(guān)系

皮爾（R. Pearl）生長曲線[35]是描述生物生長與時(shí)間關(guān)系的模型，補(bǔ)充以皮爾生長曲線在施肥水平F1（60 kg/hm2）和灌水水平W1（100 m3/hm2）擬合填充三七葉面積數(shù)據(jù)，并以構(gòu)建的預(yù)測(cè)隨機(jī)森林模型進(jìn)行預(yù)測(cè)，結(jié)果如圖6所示。隨機(jī)森林模型對(duì)皮爾生長曲線模型處理下的三七葉面積進(jìn)行預(yù)測(cè)，RMSE為0.182 71，其中擬合曲線結(jié)果出現(xiàn)區(qū)域折線式上升，是預(yù)測(cè)模型訓(xùn)練中選取的三七葉面積數(shù)據(jù)采樣周期間隔導(dǎo)致，擬合結(jié)果說明該模型同樣符合常規(guī)植株生長預(yù)測(cè)趨勢(shì)。

3 討論

通過皮爾森系數(shù)篩選主要影響三七葉生長的氣象因子特征，篩選后的氣象因子數(shù)據(jù)以及對(duì)在不同灌水以及施肥水平下的三七葉面積生長數(shù)據(jù)導(dǎo)入到粒子群-隨機(jī)森林參數(shù)算法預(yù)測(cè)模型，該模型的決定系數(shù)2、MSE、MAE和RMSE均低于支持向量機(jī)以及k近鄰預(yù)測(cè)模型訓(xùn)練結(jié)果，得出粒子群-隨機(jī)森林模型具有更高預(yù)測(cè)精度。

圖6 皮爾生長曲線與隨機(jī)森林預(yù)測(cè)圖

三七葉片生長與土壤溫度、上方水蒸氣壓和下方水蒸氣壓等氣象因子密切相關(guān)，其中土壤溫度正相關(guān)程度最大。分析與土壤溫度強(qiáng)相關(guān)性的氣象因子，得到上方水蒸氣壓和下方水蒸氣與三七葉片生長呈強(qiáng)正相關(guān)性，而下方土壤熱通量與土壤溫度呈強(qiáng)負(fù)相關(guān)性。

本研究所提出的方法能在未來使種植人員得到較準(zhǔn)確的三七葉片長勢(shì)預(yù)測(cè)，為后期三七整個(gè)生長期的精準(zhǔn)管理與種植決策提供技術(shù)支撐，也為中藥資源新興交叉學(xué)科的創(chuàng)建提供了可能性方向。以地區(qū)經(jīng)濟(jì)藥用植物三七為研究對(duì)象，揭示其生長習(xí)性規(guī)律，服務(wù)于三七生產(chǎn)全過程，推動(dòng)三七規(guī)范化生產(chǎn)與品質(zhì)提升、促進(jìn)中藥資源全產(chǎn)業(yè)鏈的提質(zhì)增效和綠色發(fā)展，從而降低三七種植風(fēng)險(xiǎn)，提升三七產(chǎn)業(yè)經(jīng)濟(jì)效益。

利益沖突 所有作者均聲明不存在利益沖突

[1] 周家明, 崔秀明, 曾鴻超, 等. 三七莖葉的綜合開發(fā)利用 [J]. 現(xiàn)代中藥研究與實(shí)踐, 2009, 23(3): 32-34.

[2] 雷偉亞, 史栓桃, 余思暢, 等. 三七葉總皂甙的毒性研究 [J]. 云南醫(yī)藥, 1984, 5(4): 241-244.

[3] 秦光和, 景簫, 王偉, 等. 三七莖葉毒理學(xué)安全性評(píng)價(jià) [J]. 毒理學(xué)雜志, 2020, 34(2): 179-181.

[4] 羅群, 游春梅, 官會(huì)林. 環(huán)境因素對(duì)三七生長影響的分析 [J]. 中國西部科技, 2010, 9(9): 7-8.

[5] 熊凱, 楊啟良, 楊春曦, 等. 基于病害高發(fā)期氣象因子的三七病害發(fā)生率預(yù)測(cè) [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2020, 36(24): 170-176.

[6] 羅美佳, 夏鵬國, 齊志鴻, 等. 光質(zhì)對(duì)三七生長、光合特性及有效成分積累的影響 [J]. 中國中藥雜志, 2014, 39(4): 610-613.

[7] 張子龍, 王文全, 楊建忠, 等. 三七連作土壤對(duì)其種子萌發(fā)及幼苗生長的影響 [J]. 土壤, 2010, 42(6): 1009-1014.

[8] 金航, 崔秀明, 朱艷, 等. 氣象條件對(duì)三七藥材道地性的影響 [J]. 西南農(nóng)業(yè)學(xué)報(bào), 2005, 18(6): 825-828.

[9] 唐建楷, 韓煥豪, 劉冰, 等. 灌水頻率和施肥量對(duì)三七有效成分積累與發(fā)病率的影響 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2020, 36(24): 55-63.

[10] 王朝梁, 陳中堅(jiān), 孫玉琴, 等. 不同氮磷鉀配比施肥對(duì)三七生長及產(chǎn)量的影響 [J]. 現(xiàn)代中藥研究與實(shí)踐, 2007, 21(1): 5-7.

[11] Breiman L. Random forest [J]., 2001, 45: 5-32.

[12] 馬玥, 姜琦剛, 孟治國, 等. 基于隨機(jī)森林算法的農(nóng)耕區(qū)土地利用分類研究 [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(1): 297-303.

[13] 劉舒, 姜琦剛, 馬玥, 等. 基于多目標(biāo)遺傳隨機(jī)森林特征選擇的面向?qū)ο鬂竦胤诸?[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2017, 48(1): 119-127.

[14] 王鵬新, 齊璇, 李俐, 等. 基于隨機(jī)森林回歸的玉米單產(chǎn)估測(cè) [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2019, 50(7): 237-245.

[15] 程千, 徐洪剛, 曹引波, 等. 基于無人機(jī)多時(shí)相植被指數(shù)的冬小麥產(chǎn)量估測(cè) [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2021, 52(3): 160-167.

[16] 余坤勇, 姚雄, 邱祈榮, 等. 基于隨機(jī)森林模型的山體滑坡空間預(yù)測(cè)研究 [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(10): 338-345.

[17] 李德, 陳文濤, 樂章燕, 等. 基于隨機(jī)森林算法和氣象因子的碭山酥梨始花期預(yù)報(bào) [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2020, 36(12): 143-151.

[18] 馮海寬, 楊福芹, 楊貴軍, 等. 基于特征光譜參數(shù)的蘋果葉片葉綠素含量估算 [J]. 農(nóng)業(yè)工程學(xué)報(bào), 2018, 34(6): 182-188.

[19] Kennedy J, Eberhart R. Particle swarm optimization [A] // Proceedings of ICNN’95-International Conference on Neural Networks [C]. Perth: IEEE, 1995: 1942-1948.

[20] 龍泉, 劉永前, 楊勇平. 基于粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的風(fēng)電機(jī)組齒輪箱故障診斷方法 [J]. 太陽能學(xué)報(bào), 2012, 33(1): 120-125.

[21] 穆朝絮, 張瑞民, 孫長銀. 基于粒子群優(yōu)化的非線性系統(tǒng)最小二乘支持向量機(jī)預(yù)測(cè)控制方法 [J]. 控制理論與應(yīng)用, 2010, 27(2): 164-168.

[22] Scornet E. On the asymptotics of random forests [J]., 2016, 146: 72-83.

[23] Delgado M F, Cernadas E, Barro S,. Do we need hundreds of classifiers to solve real world classification problems? [J]., 2014, 15(1): 3133-3181.

[24] Cutler D R, Edwards T C Jr, Beard K H,. Random forests for classification in ecology [J]., 2007, 88(11): 2783-2792.

[25] 韓敏, 朱新榮. 不平衡數(shù)據(jù)分類的混合算法 [J]. 控制理論與應(yīng)用, 2011, 28(10): 1485-1489.

[26] 王杰, 程學(xué)新, 彭金柱. 一種基于粒子群算法優(yōu)化的加權(quán)隨機(jī)森林模型 [J]. 鄭州大學(xué)學(xué)報(bào): 理學(xué)版, 2018, 50(1): 72-76.

[27] 王小楊, 羅多, 孫韻琳, 等. 基于ABC-SVM和PSO-RF的光伏微電網(wǎng)日發(fā)電功率組合預(yù)測(cè)方法研究 [J]. 太陽能學(xué)報(bào), 2020, 41(3): 177-183.

[28] 王東風(fēng), 孟麗. 粒子群優(yōu)化算法的性能分析和參數(shù)選擇 [J]. 自動(dòng)化學(xué)報(bào), 2016, 42(10): 1552-1561.

[29] 段金廒, 宿樹蘭, 嚴(yán)輝, 等. 2016—2020年我國中藥資源學(xué)學(xué)科建設(shè)及科學(xué)研究進(jìn)展與展望 [J]. 中草藥, 2021, 52(17): 5151-5165.

[30] 馬瑞, 周謝, 彭舟, 等. 考慮氣溫因素的負(fù)荷特性統(tǒng)計(jì)指標(biāo)關(guān)聯(lián)特征數(shù)據(jù)挖掘 [J]. 中國電機(jī)工程學(xué)報(bào), 2015, 35(1): 43-51.

[31] 崔秀明. 三七GAP研究與實(shí)踐 [M]. 昆明: 云南科技出版社, 2003: 32-35.

[32] 李玉強(qiáng), 趙哈林, 趙學(xué)勇, 等. 土壤溫度和水分對(duì)不同類型沙丘土壤呼吸的影響 [J]. 干旱區(qū)資源與環(huán)境, 2006, 20(3): 154-158.

[33] Bouboulis P, Theodoridis S, Mavroforakis C,. Complex support vector machines for regression and quaternary classification [J]., 2015, 26(6): 1260-1274.

[34] Weinberger K, Saul L. Distance metric learning for large margin nearest neighbor classification [J]., 2009, 10: 207-244.

[35] 吳強(qiáng), PENG Yuanying, 馬恒運(yùn), 等. 森林生態(tài)系統(tǒng)服務(wù)價(jià)值及其補(bǔ)償校準(zhǔn): 以馬尾松林為例 [J]. 生態(tài)學(xué)報(bào), 2019, 39(1): 117-130.

Prediction model ofleaf area growth based on particle swarm-optimization random forest algorithm and meteorological data

FAN Sheng-xu1, YANG Chun-xi2, YANG Qi-liang3, HAN Shi-chang2

1. Faculty of Chemical Engineering, Kunming University of Science and Technology, Kunming 650500, China 2. Faculty of Mechanical and Electrical Engineering, Kunming University of Science and Technology, Kunming 650500, China 3. Faculty of Agriculture and Food, Kunming University of Science and Technology, Kunming 650500, China

Based on data mining technology, the growth prediction model of Sanqi () leaf area was established to provide reference for accurate management and decision-making ofduring the whole growth period.Based on the particle swarm-random forestalgorithm, the meteorological factor data in the shed ofplanting, Luxi County, Honghe Autonomous Prefecture, Yunnan Province from April to October 2018 and 2019 and leaf area growth data ofwere used as the training set and test set of machine learning methods to build a growth prediction model.After doing the Pearson coefficient analysis of the characteristic engineering, the simulation results showed that the leaf growth ofwas positively correlated with meteorological factors such as soil temperature, upper water vapor pressure and lower water vapor pressure. The positive correlation degree of soil temperature was the largest one with 0.75—0.90 Pearson correlation coefficient. On the contrary, the soil heat flux below was negative correlated with the leaf growth of, and the Pearson correlation coefficient was ?0.4—?0.3. For the prediction model trained by the proposed particle swarm-random forest algorithm, the convergence value of the root mean square error (RMSE) was 0.021 82, and the coefficient of determination2ofleaf growth prediction model reaches 0.999 97 after model optimization.The comparative results among different algorithms showed that the prediction model ofleaf area growth constructed by particle swarm optimization random forest algorithm has high prediction accuracy. Meanwhile, the combined algorithm proposed in this paper provides a new idea for the growth prediction research of stems and leaves of.

predication model; leafof(Burk.) F. H. Chen; meteorological factors; characteristic engineering; random forest; particle swarm optimization

R282

A

0253 - 2670(2022)10 - 3103 - 08

10.7501/j.issn.0253-2670.2022.10.021

2022-02-20

國家自然科學(xué)基金項(xiàng)目（62063011，51979134，51779113）；云南省科技廳科技計(jì)劃項(xiàng)目（202001AU070032）

范升旭，碩士研究生，研究方向?yàn)闄C(jī)器學(xué)習(xí)算法與大數(shù)據(jù)技術(shù)研究。E-mail: 2507197269@qq.com

通信作者：楊春曦，教授，碩士研究生導(dǎo)師，主要從事于無線傳感器網(wǎng)絡(luò)以及大數(shù)據(jù)技術(shù)研究工作。E-mail: ycx@kmust.edu.cn

[責(zé)任編輯 潘明佳]