蒲六如,高 攀,2,李 斌,2,,2,胡 瑾,2

(1西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院,咸陽(yáng) 712100;2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,咸陽(yáng) 712100)

在植物生長(zhǎng)過程中,光照為植物的光合作用提供基本能量,是十分重要的環(huán)境因子[1];CO2為作物進(jìn)行光合作用提供主要原料,對(duì)增加作物產(chǎn)量和品質(zhì)具有重要作用;溫度也是影響光合速率與呼吸速率的重要參數(shù)[2]。光合作用是植物將光能轉(zhuǎn)換為可用于生命過程的化學(xué)能,并進(jìn)行有機(jī)物合成的生化反應(yīng)[3],是植物物質(zhì)積累與生理代謝的基本過程,直接影響干物質(zhì)累積程度[4]。同時(shí)凈光合速率(Pn)是評(píng)價(jià)植物生長(zhǎng)的一個(gè)重要指標(biāo)[5],對(duì)其精準(zhǔn)預(yù)測(cè)是現(xiàn)代設(shè)施農(nóng)業(yè)環(huán)境調(diào)控的基礎(chǔ),綜合考慮溫度、CO2濃度等對(duì)植物光合作用的影響,可以準(zhǔn)確預(yù)測(cè)不同環(huán)境中植物的生長(zhǎng)發(fā)育的Pn[1]。在光合作用研究中,葉綠素?zé)晒馐且粋€(gè)重要指標(biāo),不參加PSⅡ光化學(xué)反應(yīng)的光能輻射部分稱為固定熒光Fo,與植物葉片中的葉綠素含量有關(guān);參與PSⅡ光化學(xué)反應(yīng)的光能輻射部分稱為可變熒光產(chǎn)量Fv[6],與PSⅡ反應(yīng)中心相對(duì)活性大小相關(guān);二者比值為PSⅡ光化學(xué)反應(yīng)的PSⅡ光化學(xué)活性(Fv∕Fo)[7]。

目前,有關(guān)植物光合速率預(yù)測(cè)模型的建模方法研究已有很多,智能算法對(duì)光合速率建模精度等方面有較大提升[8]。李婷等[9]針對(duì)番茄采用BP神經(jīng)網(wǎng)絡(luò)建立了光合速率預(yù)測(cè)模型,適用于利用環(huán)境因子預(yù)測(cè)光合模型,是一種常用的神經(jīng)網(wǎng)絡(luò),能較好地預(yù)測(cè)光合速率[10],但是BP神經(jīng)網(wǎng)絡(luò)對(duì)于復(fù)雜數(shù)據(jù)的適應(yīng)性弱于隨機(jī)森林算法(RF)[11],且其未考慮植物葉片本身狀態(tài)差異對(duì)Pn的影響。張海輝等[12]考慮葉位對(duì)植物Pn的影響,融合葉位參數(shù)建立茄子光合速率預(yù)測(cè)模型,有效提高了光合速率預(yù)測(cè)模型適用性,但研究只針對(duì)葉位不同的植物葉片,并未考慮相同葉位的葉片在葉齡、健康、形態(tài)等方面存在不一致的情況,其對(duì)不同生理狀態(tài)葉片光合速率的預(yù)測(cè)存在缺陷。胡瑾等[13]選取PSⅡ反應(yīng)中心處于開放態(tài)時(shí)光化學(xué)的反應(yīng)效率(Fv∕Fm)表征植物內(nèi)部光合能力,有效提高了光合速率預(yù)測(cè)模型的精度,但是徐瀾等[14]研究表明,Fv∕Fo對(duì)環(huán)境因子的敏感度高,對(duì)植物光合能力的表征更準(zhǔn)確,可以更加準(zhǔn)確地反映植物光合機(jī)構(gòu)的狀態(tài)。

對(duì)植物的光合速率進(jìn)行研究不能只考慮外部的環(huán)境因素或葉位因素,也要考慮植物的內(nèi)部生理狀態(tài),建立融合葉片內(nèi)部狀態(tài)與外部環(huán)境因子的植物光合速率預(yù)測(cè)模型是當(dāng)前亟待解決的問題。本研究在已有植物光合速率預(yù)測(cè)模型研究的基礎(chǔ)上,引入反映植物內(nèi)部狀態(tài)的關(guān)鍵熒光參數(shù)PSⅡ光化學(xué)活性Fv∕Fo、耦合光照強(qiáng)度、溫度和CO2濃度等外部環(huán)境因子建立茄子光合速率預(yù)測(cè)模型,并設(shè)計(jì)多因子嵌套試驗(yàn),獲取1 320組光合速率數(shù)據(jù)樣本。采用RF算法,利用上述數(shù)據(jù)樣本進(jìn)行訓(xùn)練,得到最終光合速率預(yù)測(cè)模型,實(shí)現(xiàn)對(duì)不同生理狀態(tài)茄子葉片光合速率的精準(zhǔn)預(yù)測(cè),以期為設(shè)施農(nóng)業(yè)環(huán)境因子調(diào)控奠定基礎(chǔ)。

1 材料與方法

1.1 試驗(yàn)材料

試驗(yàn)以茄子(Solanum melongenaL.)品種‘長(zhǎng)茄305’為試驗(yàn)對(duì)象,在西北農(nóng)林科技大學(xué)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(34°7′39″N,107°59′50″E,海拔648 m)進(jìn)行。將試驗(yàn)對(duì)象置于CO2人工氣候箱(達(dá)斯卡特,RGL-P500D-CO2)中,并用基質(zhì)(Pindstrup substrate,丹麥)栽培的方式進(jìn)行培育。CO2人工氣候箱內(nèi)相關(guān)環(huán)境參數(shù)具體設(shè)置為:光周期晝夜分別為14 h、10 h,溫度晝夜分別為25℃、16℃,空氣相對(duì)濕度晝夜分別為60%、50%,CO2濃度為400μmol∕mol。將長(zhǎng)勢(shì)相同的優(yōu)良四葉一心茄子苗54株隨機(jī)平均分成6組,培養(yǎng)于6組不同光照環(huán)境,光合光子通量密度(Photosynthetic photon flux density,PPFD)依次為50μmol∕(m2·s)、90μmol∕(m2·s)、140μmol∕(m2·s)、220μmol∕(m2·s)、280μmol∕(m2·s)、340μmol∕(m2·s),并控制其他環(huán)境因子和管理方式相同。由于不同植株擺放位置不同、同一植株不同枝葉的伸展不一,其與光源距離有差異,葉片實(shí)際接受有效光量子輻射不同。處理15 d至茄子植株葉片形態(tài)產(chǎn)生明顯差異,確保同時(shí)存在形態(tài)不一的厚小和薄大的葉片。選取各培養(yǎng)箱中差異明顯的植株為試驗(yàn)樣本進(jìn)行試驗(yàn)數(shù)據(jù)采集。

1.2 試驗(yàn)方法

每片茄子葉片暗熒光參數(shù)皆利用MINI-PAM-Ⅱ型調(diào)制葉綠素?zé)晒鈨x(WALZ公司,德國(guó))測(cè)取,首先利用暗適應(yīng)葉片夾將茄子葉片暗適應(yīng)20 min,然后利用儀器設(shè)定的程序進(jìn)行暗熒光參數(shù)測(cè)定,并記錄Fv∕Fo值。對(duì)應(yīng)葉片的光合參數(shù)是利用LI-6800型便攜式光合速率測(cè)試儀(美國(guó))進(jìn)行測(cè)試,光合測(cè)試與熒光測(cè)量位于葉片同一位置。以溫度為依據(jù)劃分5個(gè)溫度組,分別為34℃、31℃、28℃、25℃、22℃。每個(gè)培養(yǎng)箱中分別取出1個(gè)葉片,共6個(gè)葉片放入同一個(gè)溫度組中。測(cè)量試驗(yàn)環(huán)境由光合速率測(cè)試儀的不同模塊設(shè)定。在嵌套試驗(yàn)中設(shè)置葉室CO2濃度分別為1 300μmol∕mol、1 000μmol∕mol、700μmol∕mol、400μmol∕mol共4個(gè)梯度;PPFD設(shè)定為1 500μmol∕(m2·s)、1 300μmol∕(m2·s)、1 000μmol∕(m2·s)、700μmol∕(m2·s)、600μmol∕(m2·s)、500μmol∕(m2·s)、400μmol∕(m2·s)、250μmol∕(m2·s)、100μmol∕(m2·s)、50μmol∕(m2·s)、0μmol∕(m2·s)共11個(gè)梯度。由于短時(shí)間內(nèi)葉片內(nèi)部生理狀態(tài)不會(huì)劇烈變化,暗熒光參數(shù)幾乎不變[15],所以每片采用相同暗熒光參數(shù)在固定溫度下進(jìn)行CO2與光照強(qiáng)度嵌套光合試驗(yàn)。每組試驗(yàn)樣本數(shù)據(jù)包括光照強(qiáng)度、溫度、CO2濃度、暗熒光參數(shù)Fv∕Fo以及光合速率,共獲取1 320組試驗(yàn)數(shù)據(jù),剔除98組粗大誤差數(shù)據(jù)后,最終得到1 222組試驗(yàn)樣本數(shù)據(jù)。

2 模型構(gòu)建

在試驗(yàn)采集所得數(shù)據(jù)樣本集中,以CO2濃度、PPFD、溫度和當(dāng)前葉片F(xiàn)v∕Fo作為輸入,以Pn作為輸出,利用RF算法構(gòu)建植物光合模型,模型構(gòu)建過程主要包括訓(xùn)練集與測(cè)試集的選取、模型核心參數(shù)確定、模型構(gòu)建及模型驗(yàn)證。算法流程圖如圖1所示。

圖1 RF算法流程Fig.1 RF algorithm flow chart

2.1 數(shù)據(jù)預(yù)處理

利用隨機(jī)森林訓(xùn)練模型之前,首先需將所采集的不同維度的樣本數(shù)據(jù)進(jìn)行線性歸一化處理,使其處于同一個(gè)數(shù)量級(jí),在區(qū)間[0,1]上,以避免數(shù)據(jù)之間差異過大而導(dǎo)致樣本不均衡,使所訓(xùn)練模型偏移。

2.2 訓(xùn)練集與測(cè)試集的選取

基于上述的試驗(yàn)過程、結(jié)論以及數(shù)據(jù)預(yù)處理,將試驗(yàn)所獲取的1 222組以CO2濃度、PPFD、溫度和當(dāng)前葉片F(xiàn)v∕Fo作為輸入向量,以Pn作為輸出向量的試驗(yàn)樣本作為本模型的機(jī)器學(xué)習(xí)數(shù)據(jù)集。隨機(jī)將其分為五組,其中四組作為訓(xùn)練集,占總數(shù)的80%。其余的一組作為測(cè)試集,占總數(shù)的20%。

2.3 參數(shù)選取對(duì)模型性能影響分析

最優(yōu)決策樹棵數(shù)n_estimators(n)是隨機(jī)森林算法中最主要的參數(shù)。決策樹是隨機(jī)森林算法的基本單元[16],決策樹的構(gòu)造是由一個(gè)隨機(jī)向量所決定。隨機(jī)森林算法的本質(zhì)是組合多個(gè)弱分類器,使其誤差減小的一種分類算法[17]。決策樹數(shù)量的選取對(duì)模型的擬合結(jié)果有很大的影響,而且對(duì)與不同的對(duì)象而言,性能達(dá)到最優(yōu)時(shí)的值是不同的[18]。取值過小會(huì)造成“欠擬合”的情況,而取值過大有可能會(huì)造成“過擬合”。

為了提升模型的精度與速度,首先利用試參法確定參數(shù)尋優(yōu)的范圍。對(duì)參數(shù)n進(jìn)行試參法得到n關(guān)于測(cè)試集擬合度的影響曲線如圖2所示。

圖2 參數(shù)n對(duì)模型測(cè)試集擬合度的影響Fig.2 The influence of parameter n on the fitting degree of the model test set

當(dāng)參數(shù)n小于50時(shí)測(cè)試集擬合度變化非常劇烈;在50—150時(shí)有下降的趨勢(shì);當(dāng)n在150—300時(shí)變化趨于平穩(wěn),并且可以取得最大值;但當(dāng)n大于300時(shí)測(cè)試集擬合度有所下降。所以設(shè)置隨機(jī)森林算法中參數(shù)n的索引范圍為[150,300],同時(shí)設(shè)置參數(shù)n的步長(zhǎng)為5。最優(yōu)決策樹的選取是通過每棵決策樹通過因變量的觀測(cè)值Yi(i=1,2,…,n)的加權(quán)平均所得到的對(duì)應(yīng)的預(yù)測(cè)值[19],用公式表達(dá)為:

式中,ωi(x)為每個(gè)觀測(cè)值Yi∈(1,2,…,n)的權(quán)重。

固定決策樹棵數(shù)時(shí),用試參法可以獲得參數(shù)max_leaf關(guān)于測(cè)試集擬合度的影響曲線如圖3所示。

如圖3所示,當(dāng)參數(shù)max_leaf小于100時(shí),對(duì)測(cè)試集擬合度的影響非常大,當(dāng)取值為200—350時(shí)趨于平穩(wěn)且有所提高。當(dāng)取值大于350時(shí)波動(dòng)增大,變得不穩(wěn)定。所以設(shè)置隨機(jī)森林算法中參數(shù)max_leaf的索引范圍為[200,350],同時(shí)設(shè)置參數(shù)max_leaf的步長(zhǎng)為5。

圖3 參數(shù)max_leaf對(duì)模型測(cè)試集擬合度的影響Fig.3 The influence of the parameter max_leaf on the fitting degree of the model test set

采用網(wǎng)格尋優(yōu)的方法來(lái)驗(yàn)證兩個(gè)參數(shù)對(duì)誤差的影響關(guān)系,設(shè)置參數(shù)n和max_leaf尋優(yōu)步長(zhǎng)為5,構(gòu)建出歸一化均方差曲面(圖4)。可以看出,葉節(jié)點(diǎn)數(shù)在索引范圍[200,350]和n在索引范圍[150,300]時(shí)誤差趨于平穩(wěn)且最小。

圖4 參數(shù)n,max_leaf變化下歸一化誤差曲面Fig.4 Normalized error surface under the change of parameter n,max_leaf

通過異校驗(yàn),利用網(wǎng)格尋優(yōu)法完成算法參數(shù)優(yōu)化獲得最佳參數(shù)n為190,max_leaf為275。

3 模型驗(yàn)證與對(duì)比

3.1 建模方法對(duì)比

從訓(xùn)練集擬合精度,決定系數(shù)兩個(gè)方面來(lái)驗(yàn)證利用隨機(jī)森林所建立的模型與常用的基于梯度下降法的二次多項(xiàng)式多元非線性回歸算法NLR、BP神經(jīng)網(wǎng)絡(luò)算法、及以網(wǎng)格支持向量機(jī)算法SVR進(jìn)行了算法性能對(duì)比,對(duì)比結(jié)果如表1。

表1 不同模型誤差的比較Table 1 Comparison of different model errors μmol·m-2·s-1

如表1所示,隨機(jī)森林算法對(duì)于多因子耦合的光合速率數(shù)據(jù)的誤差顯著低于BP神經(jīng)網(wǎng)絡(luò),二次多項(xiàng)式多元非線性回歸和網(wǎng)格支持向量機(jī)算法,具有最高訓(xùn)練精度,擬合能力強(qiáng).比較而言,二次多項(xiàng)式多元非線性回歸均方根誤差達(dá)到10.594 4μmol∕(m2·s),而BP神經(jīng)網(wǎng)絡(luò)和網(wǎng)格支持向量機(jī)均方根誤差分別為7.400 5μmol∕(m2·s)和6.623 2μmol∕(m2·s)。因此隨機(jī)森林算法在上述算法中性能最佳,對(duì)光合速率預(yù)測(cè)模型建模效果最優(yōu)。

3.2 模型驗(yàn)證

為了證明PSⅡ光化學(xué)活性Fv∕Fo對(duì)模型的影響,分別按照上述流程圖中的步驟完成未融合PSⅡ光化學(xué)活性Fv∕Fo和融合PSⅡ光化學(xué)活性Fv∕Fo的模型構(gòu)建,驗(yàn)證結(jié)果如圖5所示。

如圖5(a)所示,不考慮引入PSⅡ光化學(xué)活性而僅以環(huán)境因子為輸入建立出的光合速率預(yù)測(cè)模型,對(duì)未知數(shù)據(jù)的預(yù)測(cè)值與真實(shí)值相比,差異顯著,而融合PSⅡ光化學(xué)活性熒光參數(shù)后的預(yù)測(cè)值與真實(shí)值較為接近?；陔S機(jī)森林算法,融合PSⅡ光化學(xué)活性Fv∕Fo的植物光合速率預(yù)測(cè)模型測(cè)試集真實(shí)值與預(yù)測(cè)值擬合公式為:

圖5 不同輸入下的預(yù)測(cè)模型對(duì)比Fig.5 Comparison of prediction models under different inputs

未融合PSⅡ光化學(xué)活性Fv∕Fo的測(cè)試集真實(shí)值與預(yù)測(cè)值擬合公式為:

融合PSⅡ光化學(xué)活性Fv∕Fo的模型直線斜率為0.952,縱軸截距為0.02,決定系數(shù)為0.950 7,均方根誤差為1.266 8μmol∕(m2·s)。未融合PSⅡ光化學(xué)活性Fv∕Fo的模型直線斜率為0.796,縱軸截距為0.09,決定系數(shù)為0.830 4,均方根誤差為2.021 0μmol∕(m2·s)。對(duì)比未融合PSⅡ光化學(xué)活性Fv∕Fo的模型擬合公式,含有PSⅡ光化學(xué)活性Fv∕Fo的模型截距小且斜率更接近1,均方根誤差更小。表明了暗熒光參數(shù)Fv∕Fo對(duì)模型的影響顯著。引入暗熒光參數(shù)Fv∕Fo使模型實(shí)測(cè)值與預(yù)測(cè)值更接近,相關(guān)性更高,提升了模型泛化能力和預(yù)測(cè)精度。上述現(xiàn)象的出現(xiàn)應(yīng)該是在相同的外界環(huán)境條件下,由于不同葉片自身光合能力差異的限制,使作物的光合速率產(chǎn)生明顯差異,從而導(dǎo)致僅考慮環(huán)境因素的光合速率模型在對(duì)不同生長(zhǎng)狀態(tài)葉片進(jìn)行光合速率預(yù)測(cè)效果不佳。而由于PSⅡ光化學(xué)活性Fv∕Fo是一種直接反映作物光合反映中心活性的暗熒光參數(shù),其一定程度反映了不同葉片自身光合能力差異,將其和多環(huán)境參數(shù)耦合建模,實(shí)現(xiàn)了對(duì)作物自身生長(zhǎng)狀態(tài)和外界環(huán)境的協(xié)同考慮,從而有效提升了不同生長(zhǎng)狀態(tài)茄子葉片的預(yù)測(cè)精度。

4 結(jié)論

本研究基于隨機(jī)森林算法,融合對(duì)茄子光合速率影響頗大的熒光參數(shù)——PSⅡ光化學(xué)活性Fv∕Fo和外界環(huán)境因子,建立了茄子光合速率預(yù)測(cè)模型。利用網(wǎng)格尋優(yōu)法完成算法參數(shù)優(yōu)化,獲得最佳參數(shù)n為190,max_leaf為275。然后通過采用多種建模方法,對(duì)比各項(xiàng)模型性能評(píng)價(jià)指標(biāo),結(jié)果表面隨機(jī)森林回歸模型對(duì)光合速率預(yù)測(cè)模型中的復(fù)雜數(shù)據(jù)具有良好的適應(yīng)性。基于訓(xùn)練數(shù)據(jù)集建立融合Fv∕Fo的茄子光合速率預(yù)測(cè)模型,其決定系數(shù)為0.950 7,均方根誤差為1.166 8μmol∕(m2·s),最大絕對(duì)誤差為5.293 0μmol∕(m2·s),平均相對(duì)誤差為0.131 5μmol∕(m2·s),較其他模型而言是最優(yōu)的。采用相同方法建立不含F(xiàn)v∕Fo的光合速率預(yù)測(cè)模型,其對(duì)未知數(shù)據(jù)預(yù)測(cè)精度遠(yuǎn)低于本研究所建立的模型,驗(yàn)證了PSⅡ光化學(xué)活性Fv∕Fo對(duì)茄子光合速率的影響。試驗(yàn)結(jié)果表明加入Fv∕Fo后,模型對(duì)植物光合速率預(yù)測(cè)更精準(zhǔn),可以推廣到其他作物的光合速率預(yù)測(cè)。本研究為對(duì)不同狀態(tài)植物葉片的光合速率精確預(yù)測(cè)奠定基礎(chǔ)。