基于神經(jīng)網(wǎng)絡(luò)的黃瓜全程光合速率預測模型及建立方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于智能農(nóng)業(yè)技術(shù)領(lǐng)域，特別涉及一種基于神經(jīng)網(wǎng)絡(luò)的黃瓜全程光合速率 預測模型及建立方法。
【背景技術(shù)】
[0002] 黃瓜是我國栽培的主要蔬菜之一，黃瓜的品質(zhì)和產(chǎn)量與其進行光合作用的能力密 不可分。光合速率與葉綠素含量、溫度、C02濃度、光照強度、相對濕度等多個因子有著顯著 關(guān)系。其中，葉綠體是綠色植物進行光合作用的基礎(chǔ)細胞器，而葉綠素是葉綠體的基本組成 物質(zhì)，在植物光合作用中至關(guān)重要，其含量是植物光合作用能力、營養(yǎng)狀況和生長態(tài)勢的重 要指示因子，溫度影響作物體內(nèi)Rubisco活化酶的活性、氣孔導度，C02濃度直接影響作物進 行暗反應(yīng)速率和干物質(zhì)的積累，光照強度是光合作用的直接動力與推動力量，相對濕度影 響葉片氣孔導度等，且各因子間存在相互影響。因此，綜合考慮多個因子影響、建立多因子 耦合的全程光合速率預測模型，對優(yōu)化黃瓜光環(huán)境具有重要作用。
[0003] 近年來，眾多學者在建立光合速率模型方面已進行了相關(guān)研究，上述研究均考慮 了不同環(huán)境因子之間的關(guān)聯(lián)，但存在擬合度較低、擬合公式復雜、誤差較大等不足。而神經(jīng) 網(wǎng)絡(luò)具有非線性映射和自適應(yīng)學習能力等優(yōu)點，適宜擬合和預測非線性復雜系統(tǒng)模型，因 此基于神經(jīng)網(wǎng)絡(luò)的光合速率建模已成為研究熱點。近期出現(xiàn)了基于Hopfield網(wǎng)絡(luò)光合速 率模型、基于BP神經(jīng)網(wǎng)絡(luò)的溫室番茄葉片氣孔導度模型、基于WSN的番茄開花期單葉凈光 合作用速率預測模型，上述研究從不同角度將神經(jīng)網(wǎng)絡(luò)應(yīng)用于光合速率建模，但均未考慮 不同生長期對作物的影響，尚未建立起全程的黃瓜光合速率預測模型，且存在訓練過程較 慢，訓練誤差相差較大的不足。

【發(fā)明內(nèi)容】

[0004] 為了克服上述現(xiàn)有技術(shù)的缺點，本發(fā)明的目的在于提供一種基于神經(jīng)網(wǎng)絡(luò)的黃瓜 全程光合速率預測模型及建立方法，設(shè)計多因子嵌套試驗，將數(shù)據(jù)歸一化處理后采用BP神 經(jīng)網(wǎng)絡(luò)建模，在考慮原有環(huán)境與生理參量的前提下，創(chuàng)新性地將生長階段信息作為一維輸 入因子加以區(qū)分的黃瓜光合速率預測模型，通過對比驗證建立起全程的黃瓜光合速率預測 模型，為設(shè)施農(nóng)業(yè)的光環(huán)境調(diào)控建立基礎(chǔ)。
[0005] 為了實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：
[0006] 一種基于神經(jīng)網(wǎng)絡(luò)的黃瓜全程光合速率預測模型，該模型融合了生長期，模型公 式關(guān)
其中輸出信號?；表示神經(jīng)網(wǎng)絡(luò)計算得到的光合速率，輸入信 號X'=(X!，，χ2'，......，χ6'）τ;χ/、χ2'、χ3'、χ4'、χ5'、χ6' 分另ll為生長其月、溫度、C02 濃度、光照強度、相對濕度和葉綠素含量;m= 8、n= 6 ;Vl]是輸入層到隱含層的權(quán)值，《 ,是 隱含層到輸出層權(quán)值向量，
表示的是輸入層經(jīng)過權(quán)值調(diào)整到隱層的凈輸入量；
表示的是輸出層的輸入量。
[0007] 所述基于神經(jīng)網(wǎng)絡(luò)的黃瓜全程光合速率預測模型的建立方法，包括如下步驟：
[0008] 步驟1，獲取實驗數(shù)據(jù)，過程如下：
[0009] 采用營養(yǎng)缽育苗，待黃瓜幼苗長成二葉一心，選擇長勢均勾、莖橫徑在0. 6~ 0. 8cm之間、株高10cm以內(nèi)的黃瓜幼苗進行試驗，選取范壯的黃瓜幼苗150株作為試驗樣 本，待黃瓜處于開花結(jié)果期，選取開花節(jié)位距龍頭約50厘米的植株150株作為開花結(jié)果期 的試驗樣本；
[0010] 測定凈光合速率，過程中利用控溫模塊設(shè)定16、20、24、28、32°(：共5個溫度梯度； 利用C02注入模塊設(shè)定二氧化碳體積比為300、600、900、1200、1500μL/L共5個梯度；利用 LED光源模塊獲得 0、20、50、100、200、300、500、700、1000、1200、1500ym〇V(m2 .s)共 11 個 光子通量密度梯度，以嵌套方式共進行275組試驗，每組試驗在隨機選取的3株植株上做重 復測試，試驗中記錄葉室相對濕度，并記錄被測葉片葉綠素含量，從而形成以葉綠素含量、 溫度、C02濃度、光照強度、相對濕度為輸入，凈光合速率為輸出的1650組試驗數(shù)據(jù)，即幼苗 期825組，開花結(jié)果期825組；
[0011] 步驟2,建立模型
[0012] 步驟2.1訓練方法
[0013]輸入信號為X'= (x/，x2'，......，x6'）T;x/、x2'、x3'、x4'、x5'、x6' 分別為生長 期、溫度、C02濃度、光照強度、相對濕度和葉綠素含量，輸出信號T^表示通過神經(jīng)網(wǎng)絡(luò)計算 得到的光合速率，對應(yīng)實測光合速率為教師信號Td，通過BP梯度訓練法建立加入生長期作 為一維因子的全程黃瓜幼苗光合速率模型；
[0014] 步驟2. 2訓練過程
[0015] 隨機分配輸入層到隱含層權(quán)值向量初始值V和隱含層到輸出層權(quán)值向量初始值 w;運行bp神經(jīng)網(wǎng)絡(luò)程序，輸入訓練集樣本（.r,ipi并根I
計算 網(wǎng)絡(luò)的輸出τ。；
[0016] 基于教師信號TjP網(wǎng)絡(luò)輸出信號?\，系統(tǒng)總誤差
，式 中，廠'為訓練樣本真實值，？f為訓練樣本網(wǎng)絡(luò)輸出值，Ρ為訓練樣本個數(shù)，1為輸出層個數(shù)；
[0017] 基于教師信號Td、網(wǎng)絡(luò)輸出信號?；、隱含層到輸出層權(quán)值向量和隱含層的輸出分 量，輸出層誤差信號s°=OVTJUl-T上神經(jīng)元誤差信號 < 二故V?,,.丨V//-.VJ，式中， ω,為隱含層到輸出層的權(quán)值向量，y,為各層的輸出；
[0018] 采用LM訓練法進行網(wǎng)絡(luò)訓練，輸入層到隱含層的權(quán)值向量& + =成Λ)， 隱含層到輸出層權(quán)值ω，=Δω，式中，q為學習率，Δω為權(quán)值調(diào)整向量，AW =_(JnTJn+nnI)W，，是用來近似目標函數(shù)的Hessian矩陣，I為單位矩陣，ηn 為LM訓練法內(nèi)部大于0的參數(shù)，用于加快網(wǎng)絡(luò)的訓練速度，當rin接近零時，LM算法接近高 斯-牛頓法；隨著nn不斷增大，LM算法近似于最速下降法；
[0019] 步驟2. 3模型建立
[0020] 當Eres小于設(shè)定的誤差值或者學習次數(shù)達到設(shè)定步數(shù)時，訓練停止得到最終預測 模型。
[0021] 所述步驟2. 2中，
[0022] 對訓練集樣本U)進行0. 2~0. 9區(qū)間的歸一化處理，設(shè)置神經(jīng)網(wǎng)絡(luò)隱層節(jié)點 數(shù)為10,隨機分配輸入層到隱含層權(quán)值向量初始值V和隱含層到輸出層權(quán)值向量初始值W; 然后運行BP神經(jīng)網(wǎng)絡(luò)程序，輸入訓練集樣本7：p;并根據(jù)
·算隱層節(jié)點 的輸出7];根_
汁算輸出層的輸出；通過
判斷神 經(jīng)網(wǎng)絡(luò)是否達到訓練精度，如果未達到則重新選擇樣本開始訓練，反之訓練停止，模型建立 完成。
[0023] 本發(fā)明建立環(huán)境因子和植物生理因子與光合速率的映射，從而可以有效的進行光 環(huán)境的調(diào)控，對作物的增產(chǎn)具有重要意義。
[0024] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：
[0025] 1)提出了基于神經(jīng)網(wǎng)絡(luò)的黃瓜全程光合速率預測模型，通過加入一維生長期輸入 量，有效區(qū)分了黃瓜幼苗期與開花結(jié)果期的光合速率值在不同條件下的差異，訓練過程中 可有效越過局部平坦區(qū)，沒有出現(xiàn)反復震蕩，收斂迅速、精度高于混合生長期的預測模型。
[0026] 2)用LM訓練法建立的神經(jīng)網(wǎng)絡(luò)預測模型，其決定系數(shù)為0. 9897,具有良好擬合效 果，可實現(xiàn)針對植物不同生長期光合速率值的預測。構(gòu)建的全程黃瓜幼苗光合速率預測模 型可為黃光幼苗期光環(huán)境調(diào)控提供理論。
[0027] 本發(fā)明提出的全程光合速率預測模型可為黃瓜光環(huán)境調(diào)控提供理論依據(jù)，可擴展 應(yīng)用于不同作物的光合優(yōu)化調(diào)控模型建立，以提高溫室作物的光合能力。
【附圖說明】
[0028] 圖1是本發(fā)明基于神經(jīng)網(wǎng)絡(luò)算法流程圖。
[0029] 圖2是本發(fā)明不同生長期的誤差變化曲線。
[0030]圖3是本發(fā)明模型驗證中光合速率實測值與模擬值之間的相關(guān)性示意圖。
【具體實施方式】
[0031] 下面結(jié)合附圖和實施例詳細說明本發(fā)明的實施方式。
[0032] 本發(fā)明一種基于神經(jīng)網(wǎng)絡(luò)的黃瓜全程光合速率預測模型的建立過程如下：
[0033]1、材料與方法
[0034] 本試驗于2014年4月至7月在西北農(nóng)林科技大學科研溫室進行。供試黃瓜品種 為"長春密刺"，在培養(yǎng)皿中將已經(jīng)浸脹的種子進行催芽，待要萌發(fā)時進行低溫處理，在50 孔（540mm280mm50mm)穴盤內(nèi)采用營養(yǎng)缽育苗。育苗基質(zhì)為農(nóng)業(yè)育苗專用基質(zhì)。幼苗培 育期間，保持水肥充足，待黃瓜幼苗長成二葉一心，選擇長勢均勻、莖橫徑在〇. 6~0. 8cm之 間、株高l〇cm以內(nèi)的黃瓜幼苗進行試驗。選取范壯的黃瓜幼苗150株作為試驗樣本。試驗 期間，進行正常的田間栽培管理，不噴施任何農(nóng)藥和激素，待黃瓜處于開花結(jié)果期，選取開 花節(jié)位距龍頭約50厘米的植株150株作為開花結(jié)果期的試驗樣本。
[0035] 采用美國LI-C0R公司生產(chǎn)的Li-6400XT型便攜式光合儀測定凈光合速率，在試 驗過程中采用光合儀選配的多個子模塊按需控制葉片周圍的溫度、C02濃度、光照強度等參 數(shù)。其中，利用控溫模塊設(shè)定16、20、24、28、32°(：共5個溫度梯度；利用〇) 2注入模塊設(shè)定 二氧化碳體積比為300、600、900、1200、1500μL/L共5個梯度；利用LED光源模塊獲得0、 20、50、100、200、300、500、700、1000、1200、1500ym〇V(m2 .s)共 11 個光子通量密度（Photo fluxdensity,PFD)梯度，以嵌套方式共進行275組試驗，每組試驗在隨機選取的3株植株 上做重復測試，試驗中記錄葉室相對濕度，并采用日本柯尼卡公司的SPAD-502P1US型葉綠 素儀記錄被測葉片葉綠素含量，從而形成以葉綠素含量、溫度、C02濃度、光照強度、相對濕 度為輸入，凈光合速率為輸出的1650組試驗數(shù)據(jù)，即幼苗期