摘要：以1年生三七（Panax notoginseng）為研究對象，通過正交試驗考察光、水、營養(yǎng)物質(zhì)對三七莖粗的影響，利用麻雀搜索算法（Sparrow search algorithm，SSA）優(yōu)化4種模型，分別為反向傳播神經(jīng)網(wǎng)絡(luò)（Back propagation neural network， BPNN）、長短期記憶神經(jīng)網(wǎng)絡(luò)（Long short term memory， LSTM）、隨機森林（Random forest， RF）和廣義回歸神經(jīng)網(wǎng)絡(luò)（General regression neural network， GRNN），并應(yīng)用這4種模型對三七莖粗進行預(yù)測。結(jié)果表明，光照、水肥等非生物因素對三七莖粗具有明顯影響，各因素對三七莖粗的影響程度依次為遮光層數(shù)gt;土壤含水量gt;礦源黃腐酸鉀含量gt;光照時長。SSA-GRNN模型的決定系數(shù)最高，為0.865 6，其次為SSA-RF模型、SSA-BPNN模型、SA-LSTM模型；SSA-GRNN模型的MAE和MSE分別為0.064 1、0.008 7，均低于SSA-BPNN模型、SSA-LSTM模型、SSA-RF模型；SSA-RF模型和SSA-LSTM模型的適應(yīng)度較大，且陷入了局部最優(yōu)的情況，從而無法達到全局最優(yōu)解，SSA-GRNN模型的適應(yīng)度最小且以最少的迭代次數(shù)達到了最佳的適應(yīng)度。

關(guān)鍵詞：三七（Panax notoginseng）；莖粗；神經(jīng)網(wǎng)絡(luò)模型；麻雀搜索算法；預(yù)測

中圖分類號：S274.3；S567.5+1；TP183" " " " "文獻標(biāo)識碼：A

文章編號：0439-8114（2024）08-0072-06

DOI：10.14088/j.cnki.issn0439-8114.2024.08.013 開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

Evaluation of four neural network models optimized based on sparrow search algorithm for predicting the stem thickness of Panax notoginseng

SHANG Xiao-jian，ZHANG Rui

（College of Water Conservancy/Key Laboratory of Urban and Rural Water Security， Water Conservation and Emission Reduction in Yunnan Province’s Universities/Yunnan International Joint Research and Development Center for Smart Agriculture and Water Security， Yunnan Agricultural University， Kunming" 650201， China）

Abstract： Taking 1-year-old Panax notoginseng as the research object， the effects of light， water， and nutrients on the stem diameter of Panax notoginseng were investigated through orthogonal experiments， sparrow search algorithm （SSA） was used to optimize four models， namely back propagation neural network （BPNN）， Long short term memory （LSTM）， random forest （RF）， and general regression neural network （GRNN）， and these four models were applied to predict the stem thickness of Panax notoginseng. The results showed that non-biological factors such as light， water， and fertilizer had a significant impact on the stem diameter of Panax notoginseng. The degree of influence of each factor on the stem diameter of Panax notoginseng was shading layergt;soil moisture contentgt;potassium fulvic acid content from mineral sourcesgt;light duration. The SSA-GRNN model had the highest coefficient of determination， which was 0.865 6， followed by the SSA-RF model， SSA-BPNN model， and SA-LSTM model；the MAE and MSE of the SSA-GRNN model were 0.064 1 and 0.008 7， respectively， which were lower than those of the SSA-BPNN model， SSA-LSTM model， and SSA-RF model；the fitness of SSA-RF model and SSA-LSTM model was relatively high， and they were trapped in local optima， making it impossible to achieve a global optimal solution. SSA-GRNN model had the lowest fitness and achieved the best fitness with the least number of iterations.

Key words： Panax notoginseng； stem thickness； neural network model； sparrow search algorithm； forecast

三七（Panax notoginseng）屬五加科人參屬植物，其主要活性成分為皂苷，具有活血化瘀、止血、抗血栓、保護腦組織等作用。對于皂苷的提取，研究人員通常以三七塊根作為研究對象。由于三七廣泛種植，導(dǎo)致土壤的養(yǎng)分被不斷消耗，自毒代謝產(chǎn)物不斷積累，使得三七產(chǎn)量和品質(zhì)下降［1］。此外，三七莖葉每年采收量約為2 500 t，但可被有效利用的莖葉僅占20%。因此，對三七莖葉的研究勢在必行。黃朝蓉等［2］以三七莖葉為研究對象，發(fā)現(xiàn)莖葉中含有人參皂苷Rb1、Rb3和三七皂苷Fa、Fc等成分。陳雙等［3］用兩步硅膠柱層析法從30 g三七莖葉皂苷中得到8.58 g人參皂苷Rb3粗品。由于三七莖葉中含有豐富的藥用成分，經(jīng)濟價值突出。對三七莖粗進行預(yù)測，優(yōu)化三七光、水、肥方案配比，進而提高三七莖葉的產(chǎn)量，為醫(yī)藥行業(yè)提供更多的原材料以及為農(nóng)戶增加更多的收入［4-8］。由于影響因素之間相互作用且具有非線性關(guān)系，使得三七莖粗的預(yù)測變得比較困難［9］。

隨著機器學(xué)習(xí)技術(shù)的不斷發(fā)展，在農(nóng)業(yè)領(lǐng)域國內(nèi)外學(xué)者取得較多研究成果，主要使用隨機森林、多元回歸和人工神經(jīng)網(wǎng)絡(luò)等方法。這些機器學(xué)習(xí)算法可以幫助種植戶更好地理解種植過程中的各種環(huán)境因素，并提高生產(chǎn)效率和產(chǎn)量［10］。Jeong等［11］進行了小麥和馬鈴薯產(chǎn)量的預(yù)測，發(fā)現(xiàn)隨機森林模型預(yù)測的效果精準(zhǔn)。Liu等［12］在對玉米產(chǎn)量預(yù)測的試驗中發(fā)現(xiàn)，利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)將玉米產(chǎn)量與氣象因子、土壤因子及管理措施進行關(guān)聯(lián)并得出非線性函數(shù)，可以準(zhǔn)確預(yù)測玉米產(chǎn)量。崔興華等［13］利用人工神經(jīng)網(wǎng)絡(luò)技術(shù)實現(xiàn)了玉米產(chǎn)量預(yù)測，并提出在大田條件下精確灌溉施肥的新思路。范升旭等［14］的研究發(fā)現(xiàn)，采用粒子群-隨機森林方法可以準(zhǔn)確預(yù)測三七葉面積，為三七的精細(xì)管理和栽培決策提供了技術(shù)支持。

本研究基于植物工廠中三七的種植情況，通過機器學(xué)習(xí)技術(shù)建立光、水、肥與三七莖粗之間的關(guān)系，基于麻雀搜索算法（Sparrow search algorithm，SSA）優(yōu)化建立SSA-GRNN神經(jīng)網(wǎng)絡(luò)模型并對三七莖粗進行預(yù)測，分析對比SSA-BPNN模型、SSA-LSTM模型和SSA-RF模型的預(yù)測精度、適應(yīng)度曲線及誤差，以期提高光、水、營養(yǎng)物質(zhì)的利用效率，為三七的科學(xué)種植提供參考。

1 模型建立

1.1 材料

該試驗于2022年6—11月在云南農(nóng)業(yè)大學(xué)東校區(qū)的植物工廠進行，植物工廠內(nèi)的溫度為（21±2） ℃，相對濕度為60%～70%。選取生長健壯、均勻一致的1年生三七苗，花盆的內(nèi)徑為23 cm，深為21 cm，每盆3株。營養(yǎng)液配方為每升水加氯化銨（0.081 g）、四水硝酸鈣（0.154 g）、磷酸二氫鉀（0.192 g）、氯化鉀（0.111 g）。微量元素配方為每升水加硼酸（2.782 g）、氯化錳四水（1.979 g）、七水硫酸鋅（0.230 g）、五水硫酸銅（0.075 g）、鉬酸鈉（0.097 g）。土壤選擇廣州市生升農(nóng)業(yè)股份有限公司的育苗基質(zhì)土，土壤全氮含量為9.35 g/kg、全磷含量為0.89 g/kg，全鉀含量為4.45 g/kg，該土壤排水良好，滲透性較高。

1.2 正交試驗

考察三七生產(chǎn)過程中光、水、營養(yǎng)物質(zhì)配比對三七徑粗的影響，根據(jù)植物工廠和土壤的實際情況，設(shè)計4因素3水平的正交試驗（表1）。設(shè)置3個光照時長，分別為8、10、12 h，3個遮光措施分別為1層遮光（68%的透光率）、2層遮光（25%的透光率）、3層遮光（7%的透光率），灌溉制度主要考察土壤含水量，設(shè)置3個水平（40%、50%、60%），礦源黃腐酸鉀的添加量分別為54、72、90 mg/盆。所有處理均在相同時間灌溉施肥，待三七移栽成活后進行指標(biāo)檢測。

1.3 數(shù)據(jù)處理方法

1.3.1 廣義回歸神經(jīng)網(wǎng)絡(luò)模型 廣義回歸神經(jīng)網(wǎng)絡(luò)（General regression neural network，GRNN）是一種基于非線性回歸理論的神經(jīng)網(wǎng)絡(luò)［15］。在處理數(shù)據(jù)方面，GRNN通過激活神經(jīng)元找出試驗數(shù)據(jù)的隱含關(guān)系，使其具有較好的魯棒性和容錯性。因此，GRNN在分類、預(yù)測等領(lǐng)域被廣泛使用。但其訓(xùn)練時間長，需要大量數(shù)據(jù)且容易出現(xiàn)過擬合現(xiàn)象，導(dǎo)致單一的廣義回歸神經(jīng)網(wǎng)絡(luò)在測試集上表現(xiàn)較差。

本研究以光、水、營養(yǎng)物質(zhì)作為GRNN模型的輸入層，三七莖粗為輸出層，構(gòu)建的廣義回歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

模式層神經(jīng)元傳遞函數(shù)計算公式如下。

[Pi=exp-X-XiTX-Xi2σ2]" " " " " "（1）

式中，[Pi]表示第[i]個模式層節(jié)點上的輸出；[X]表示網(wǎng)絡(luò)輸入向量；[Xi表示]第[i]個模式層節(jié)點上的輸入向量；[σ表示]光滑因子。

求和層的神經(jīng)元為[SD]和[SNj]，計算公式如下。

[SD=i=1nPi]" " " " " " " "（2）

[SNj=i=1nyijPi]，[j=1，2，3，…，k]" " " " （3）

式中，[n表示]模式層的節(jié)點數(shù)；[yij表示]第[i]個輸出樣本中的第[j]個元素；[k]表示輸出向量[yi]的維度（即輸出向量中元素的個數(shù)）。

輸出層神經(jīng)元數(shù)的計算公式如下。

[yj=SNjSD]，[j=1，2，3，…，k]" " " " " " " "（4）

式中，[yj]為第[j]個神經(jīng)元的輸出向量。

1.3.2 麻雀搜索算法 麻雀搜索算法是一種新型的群智能優(yōu)化技術(shù)。麻雀種群中的發(fā)現(xiàn)者擁有較高的能量儲備并且負(fù)責(zé)搜索食物豐富的區(qū)域，可以為所有的加入者提供覓食區(qū)域和方向［16］。期間，發(fā)現(xiàn)者遇到捕食者會發(fā)出警報信號，從而將跟隨者拉入安全區(qū)域。為了搜尋更好的食物區(qū)域，發(fā)現(xiàn)者與跟隨者的身份可以相互轉(zhuǎn)換，跟隨者能量越低，越有可能擴大搜尋食物范圍，以此獲得更多的能量儲備。因此，發(fā)現(xiàn)者和跟隨者會通過環(huán)境的變化不斷更新自己所在的位置［17］。

麻雀搜素算法中地理位置好的發(fā)現(xiàn)者更容易獲取食物，其位置更新的計算公式如下。

[Xt+1i，j=Xti，j×exp-iα×itermax，" " " if" R2lt;STXti，j+Q×L，" " " " " " " "if" R2≥ST] （5）

式中，[Xt+1i，j]表示種群中第[t]+1代中第[i]個個體的第[j]維位置；[t]表示當(dāng)前迭代數(shù)；[itermax]表示最大的迭代次數(shù)；[Q]表示服從正態(tài)分布的隨機數(shù)；[α]表示隨機數(shù)，范圍為（0，1］；[L]表示1個[1×d]的矩陣；R2表示警戒值，范圍為［0，1］；ST表示警戒閾值，[ST∈[0.6，1]]，為安全值。當(dāng)[R2lt;ST]時，表示未發(fā)現(xiàn)捕食者，可以進行搜索覓食；當(dāng)[R2≥ST]時，表示周圍出現(xiàn)捕食者，預(yù)警其他麻雀逃往安全地區(qū)［18］。

麻雀種群中跟隨者更新位置的計算公式如下。

[Xt+1i，j=Q×expXtworst-Xti，ji2 ，" " " " " if" igt;n2Xt+1P+Xti，j-Xt+1P×A+×L，" "if" i≤n2] （6）

式中，[Xp]表示當(dāng)前全局最佳位置；[Xworst表示]全局最差的位置；[A]表示1個[1×d]的矩陣，矩陣內(nèi)的元素隨機進行1或-1的賦值；[A+=AT（AAT）-1]，其中T[表示]矩陣逆轉(zhuǎn)符號；i表示變量，用于控制位置更新的具體細(xì)節(jié)；n表示模式層中的結(jié)點總數(shù)。當(dāng)[igt;n/2]時，表明適應(yīng)度較低，第i個加入者需要飛往別處覓食。當(dāng)i[≤]n/2時，跟隨者前往發(fā)現(xiàn)者位置爭奪食物。

在本研究的模擬中有20%的麻雀會意識到危險，其數(shù)學(xué)表達式如下。

[Xt+1i，j= Xtbest+β×Xti，j-Xtbest ，" if figt;fgXti，j+K×Xti，j-Xtworstfi-fw+ε，" "if" fi=fg] （7）

式中，[Xtbest]表示麻雀處于最好、最安全位置；[β]表示服從均值為0、方差為1的正態(tài)分布隨機數(shù)， 作用是控制參數(shù)的步長； [K]為[[-1，1]]內(nèi)的隨機數(shù)；[fi]表示第[i]個麻雀的適應(yīng)度；[fg]表示當(dāng)前全局最佳的適應(yīng)度；[fw]表示當(dāng)前全局最差的適應(yīng)度；[ε]表示較小的數(shù)，防止分母為0。當(dāng)[figt;fg]表示此時的麻雀正處于邊緣且易受到危險，應(yīng)飛往當(dāng)前位置與最佳位置之間的任意位置。[fi=fg]時，表示麻雀意識到危險，它們會靠近以減小被捕食的風(fēng)險［19］。

1.3.3 SSA-GRNN模型 麻雀搜索算法可以優(yōu)化GRNN的參數(shù)，提高GRNN模型的性能。具體來說，通過在麻雀搜索算法中設(shè)置適應(yīng)度函數(shù)，將GRNN的性能作為目標(biāo)函數(shù)，利用麻雀搜索算法搜索到更優(yōu)的GRNN參數(shù)。在搜索過程中，麻雀群體通過個體學(xué)習(xí)和群體學(xué)習(xí)不斷地調(diào)整GRNN的參數(shù)，最后達到最優(yōu)解［20］。此外，麻雀搜索算法具有全局搜索能力強、收斂速度快等優(yōu)點，可以避免GRNN模型陷入局部最優(yōu)解的問題，同時也能夠找到更優(yōu)的解決方案。一般將GRNN模型中的參數(shù)作為搜索空間中的自變量，適應(yīng)度函數(shù)作為GRNN的性能評價指標(biāo)。通過不斷地搜索和調(diào)整參數(shù)，使適應(yīng)度函數(shù)逐漸逼近最優(yōu)解。SSA-GRNN模型流程如圖2所示。

結(jié)合植物工廠采集的54組樣本數(shù)據(jù)，將光照時長、遮光層數(shù)、光照度、土壤pH、土壤EC、灌溉和施肥制度作為模型的輸入，三七莖粗作為模型輸出。其中，35組為訓(xùn)練數(shù)據(jù)，19組為測試集，通過觀察真實值與預(yù)測值進行誤差對比。首先，通過MATLAB軟件，統(tǒng)一設(shè)置模型中的初始參數(shù)，其中，麻雀種群初始數(shù)量為10，最大迭代次數(shù)為30，上邊界為1，下邊界為0.001，發(fā)現(xiàn)者比例為0.8，能意識到危險的麻雀比例為0.2，預(yù)警值（ST）為0.6。然后，建立模型。最后，用均方根誤差（RMSE）、平均絕對誤差（MAE）、均方誤差（MSE）、決定系數(shù)（R2）以及殘差（[ei]）對模型進行評價，計算公式如下。

[R2=1-i=1nyi-yi2i=1ny-yi2]" " " " " " " " "（8）

[RMSE=1ni=1nyi-yi2]" " " " " " " （9）

[MSE=1ni=1nyi-yi2]" " " " " " "（10）

[MAE=1ni=1nyi-yi]" " " " "（11）

[ei=yi-yi] " " " " "（12）

式中，[yi]表示第[i]個三七莖粗的真實值；[yi]表示第[i]個三七莖粗的預(yù)測值；[y]表示三七莖粗的均值；[n]為樣本個數(shù)；R2為［0，1］，模型越接近1表示預(yù)測效果越好；RMSE、MAE、MSE越趨近于0表示模型預(yù)測精度越高。

1.4 數(shù)據(jù)統(tǒng)計與分析

數(shù)據(jù)整理采用 Excel 2016軟件，數(shù)據(jù)處理與分析采用MatlabR 2021a軟件。

2 結(jié)果與分析

2.1 三七環(huán)境因子的篩選與分析

各因素對三七莖粗的影響程度依次為遮光層數(shù)gt;土壤含水量gt;礦源黃腐酸鉀含量gt;光照時長。最優(yōu)組合為8 h光照、60%土壤含水量、72 mg/盆的礦源黃腐酸鉀及3層遮光。在4類大的環(huán)境因子基礎(chǔ)上進行細(xì)分，在遮光層數(shù)基礎(chǔ)上記錄光照度，在灌溉制度和施肥制度的基礎(chǔ)上增加土壤pH以及EC，以期對三七莖粗進行更為詳細(xì)的預(yù)測分析。

2.2 三七莖粗模型評價

利用麻雀搜索算法（Sparrow search algorithm， SSA）優(yōu)化4種模型，分別是反向傳播神經(jīng)網(wǎng)絡(luò)（Back propagation neural network， BPNN）、長短期記憶神經(jīng)網(wǎng)絡(luò)（Long short term memory， LSTM）、隨機森林（Random forest，RF）和廣義回歸神經(jīng)網(wǎng)絡(luò)（General regression neural network，GRNN），并應(yīng)用這4種模型對三七莖粗進行預(yù)測，結(jié)果如圖3所示。SSA-LSTM模型的決定系數(shù)（R2）最低，說明該模型對數(shù)據(jù)的變量與因變量關(guān)系的解釋能力較弱，導(dǎo)致預(yù)測能力較差，很難通過該模型來準(zhǔn)確預(yù)測因變量的值。而SSA-BPNN模型和SSA-RF模型的預(yù)測結(jié)果較接近，其決定系數(shù)分別為0.748 1和0.787 1，SSA-GRNN模型的決定系數(shù)最高，為0.865 6。結(jié)果表明，SSA-GRNN網(wǎng)絡(luò)模型的預(yù)測精度最高。

評價一個模型的好壞，除決定系數(shù)外，殘差也是重要的指標(biāo)。由圖4可知，SSA-LSTM的殘差范圍最大，為［-0.18，0.27］，SSA-GRNN模型的殘差范圍最小，為［-0.12，0.17］，模型預(yù)測精度最高。

由表2可知，SSA-GRNN模型的MAE和MSE分別為0.064 1、0.008 7，均低于SSA-BPNN模型、SSA-LSTM模型、SSA-RF模型，R2為0.865 6，均高于SSA-BPNN模型、SSA-LSTM模型、SSA-RF模型。結(jié)果表明，SSA-GRNN模型的預(yù)測精度最高。

4種模型的適應(yīng)度曲線如圖5所示。適應(yīng)度越小，模型的穩(wěn)定和泛化能力越強。SSA-RF和SSA-LSTM的適應(yīng)度較大，且陷入了局部最優(yōu)的情況，從而無法達到全局最優(yōu)解。SSA-GRNN的適應(yīng)度最小且以最少的迭代次數(shù)達到了最佳的適應(yīng)度。

綜上，SSA-GRNN具有更高的準(zhǔn)確度、更好的穩(wěn)定性及效率更高的全局最優(yōu)搜索能力。

3 小結(jié)與討論

三七是中國特有的名貴中藥材，其生長環(huán)境要求較嚴(yán)格。一旦遭受干旱、高溫、強光照等非生物因素的逆環(huán)境脅迫，就會影響三七的品質(zhì)和產(chǎn)量。光照、水肥等非生物因素對三七莖粗具有明顯影響，各因素對三七莖粗的影響程度依次為遮光層數(shù)gt;土壤含水量gt;礦源黃腐酸鉀含量gt;光照時長。其中，遮光層數(shù)的極差值最大，表明光照度對三七莖粗有很大的影響。最優(yōu)組合為8 h光照、60%土壤含水量、72 mg/盆的礦源黃腐酸鉀及3層遮光。SSA-GRNN模型的MAE和MSE分別為0.064 1、0.008 7，均低于SSA-BPNN模型、SSA-LSTM模型、SSA-RF模型，結(jié)果表明，SSA-GRNN模型的預(yù)測精度最高。在時間尺度方面，雖然本試驗用時6個月，但對中藥材三七種植而言，相對較短。三七分為1年生、2年生和3年生，本研究只選擇1年生三七作為試驗對象，因此，該方法無法對三七全生命周期的莖粗進行有效預(yù)測。

參考文獻：

［1］ 朱書生，何霞紅，楊 敏，等.三七連作障礙形成機制及優(yōu)質(zhì)生產(chǎn)技術(shù)［M］.北京： 科學(xué)出版社，2022.

［2］ 黃朝蓉，楊兆祥.三七莖葉中皂苷成分及藥理作用研究進展［J］.中國民族民間醫(yī)藥 ，2022，31（23）：51-58，82.

［3］ 陳 雙，劉春瑩，王亞芳，等.從三七莖葉皂苷中分離純化人參皂苷C-Mx1和Rb3［J］.大連工業(yè)大學(xué)學(xué)報，2017，36（4）：255-259.

［4］ 趙宏光，夏鵬國，韋美膛，等.土壤水分含量對三七根生長、有效成分積累及根腐病發(fā)病率的影響［J］.西北農(nóng)林科技大學(xué)學(xué)報（自然科學(xué)版），2014，42（2）：173-178.

［5］ 杜彩艷，普繼雄，孫 曦，等.鉀肥種類及用量對三七養(yǎng)分吸收和產(chǎn)量及品質(zhì)的影響［J］.中國土壤與肥料，2022（4）：192-200.

［6］ 寸 竹，張金燕，陳軍文.氮添加對二年生三七生長、光合特性及皂苷含量的影響［J］.生態(tài)學(xué)雜志，2020，39（4）：1101-1111.

［7］ 羅美佳，夏鵬國，齊志鴻，等.光質(zhì)對三七生長、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.

［8］ 程曉奕，張 鑫，崔晟榕，等.光質(zhì)和光照度對三七種子萌發(fā)和幼苗生長的影響［J］.江蘇農(nóng)業(yè)科學(xué)，2018，46（9）：136-139.

［9］ 王 靜，匡雙便，周 平，等.二年生三七農(nóng)藝和質(zhì)量性狀對環(huán)境光強的響應(yīng)特征［J］.熱帶亞熱帶植物學(xué)報，2018，26（4）：375-382.

［10］ SAEED K，LIZHI W，V S A. A CNN-RNN framework for crop yield prediction［J］. Frontiers in plant science，2019，10：1750.

［11］ JEONG J H， RESOP J P， MUELLER N D， et al. Random forests for global and regional crop yield predictions［J］.PLoS one，2016，11（6）：e0156571.

［12］ LIU J， GOERING C E， TIAN L.A neural network for setting target corn yields［J］.Journal of electronic packaging： Transactions of the ASME， 2001，44（3）：705-713.

［13］ 崔興華，靳 晟，姚芷馨，等.基于麻雀搜索算法和廣義回歸神經(jīng)網(wǎng)絡(luò)的玉米產(chǎn)量預(yù)測［J］.數(shù)學(xué)的實踐與認(rèn)識，2022，52（7）：88-96.

［14］ 范升旭，楊春曦，楊啟良，等.基于粒子群-隨機森林算法和氣象數(shù)據(jù)的三七葉面積生長預(yù)測模型［J］.中草藥，2022，53（10）：3103-3110.

［15］ 王慧瑩，吳亮紅，梅盼盼，等.果蠅優(yōu)化廣義神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率短期預(yù)測［J］.電子測量與儀器學(xué)報，2019，33（6）：177-183.

［16］ XUE J K，BO S.A novel swarm intelligence optimization approach： Sparrow search algorithm［J］.Systems science amp; control engineering，2020，8： 22-34.

［17］ 胡建華，黃宇龍，張 堅，等.基于麻雀搜索算法優(yōu)化雙隱含層BP神經(jīng)網(wǎng)絡(luò)的張力減徑鋼管壁厚預(yù)測［J］.塑性工程學(xué)報，2022，29（8）：145-151.

［18］ 聶曉華，劉一丹，梁樂樂，等. 一種改進麻雀搜索算法優(yōu)化三相SAPF直流側(cè)控制方法［P］. 中國專利：113363963B，2022-05-20.

［19］ 方奇文，劉海鵬，王 蒙，等.改進麻雀搜索算法在光伏陣列MPPT中的應(yīng)用［J］.電機與控制應(yīng)用，2022，49（7）：87-94，103.

［20］ 成霄楠.基于改進麻雀搜索算法及組合模型的光伏發(fā)電功率超短期預(yù)測研究［D］.河北保定：河北大學(xué)，2023.

基金項目：2022年水利部重大科技項目（SKS-2022057）；2022年云南省重點研發(fā)計劃項目（202203AC100004）

作者簡介：商曉劍（1997-），男，浙江紹興人，碩士，主要從事智慧農(nóng)業(yè)研究，（電話）13735235462（電子信箱）624543272@qq.com；通信作者，

張 瑞（1986-），女，云南昆明人，副教授，碩士，主要從事智慧農(nóng)業(yè)技術(shù)分析研究，（電子信箱）zhangrui_linkin@hotmail.com。