基于SVR 的塑料大棚坐果期草莓光合速率預測模型研究＊

張新顏，王 穎**，張 盼，王 偉，唐云輝

（1.重慶市江津現代農業氣象試驗站，重慶市江津區氣象局，重慶 402260；2.西北農林科技大學機械與電子工程學院農業農村部農業物聯網重點實驗室，陜西省農業信息感知與智能服務重點實驗室，陜西楊凌 712100）

作物光合速率受多種因素影響，環境溫度、光照、CO2濃度等都對設施大棚內作物的光合速率起到至關重要的作用。由于人工設施常受覆蓋材料、灰塵及結構遮光等影響，設施內部光照條件僅為外界環境的30%～70%，難以滿足作物生長要求。尤其在冬季、早春和連陰雨季節，設施內光環境參數（包括光質和光子通量密度）通常低于光合作用最低需求，導致作物生長發育減緩、各種病蟲害發生幾率增加，造成落葉、發花數量少、花形花色不正、坐果率低等問題，嚴重影響作物產量和品質。

本項目針對重慶地區冬季設施作物溫度偏低、光照不足等問題，提出一種基于機器學習算法的塑料大棚坐果期草莓光合速率預測模型研究。針對不同生長階段、不同環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不同環境溫度、光照強度等多環境因子與光合速率之間的變化規律，基于SVR 算法建立光合速率預測模型，為后期的草莓光環境動態按需調控研究奠定良好的基礎。

材料與方法

試驗于2019 年3～5 月在重慶江津現代農業氣象試驗站簡易塑料大棚內進行，供試草莓品種為‘紅顏’，定植于配備環境調控設備的簡易塑料大棚，大棚面積約200 m2，移栽株數2100 株，試驗期間進行統一灌溉，均勻光照處理，待幼苗長至定結果期，進行試驗測量。試驗期間，進行正常的溫室栽培管理，不噴施任何農藥和激素。

選取生長狀況差異較小、健壯無病害的草莓植株進行試驗，采用美國LI-COR 公司生產的LI-6400型便攜式光合儀測定凈光合速率，利用光合儀自帶的多個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，滿足試驗需求。其中，CO2注入模塊(6400-01) 設定CO2濃度為大氣CO2濃度400 μL/L。控溫模塊分別設定溫度為20、24、28、32、36℃共5 個溫度梯度。LED光源模塊(6400-02B) 設定為（1000、900、800、700、600、500、400、300、100、50 μmol/(m2·s)共10 個光子通量密度梯度。試驗均于晴朗天氣進行測量，為避免作物“午休效應”影響試驗精度，在9:00～11:30 和14:00～17:00 兩個時間段內進行數據測定。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據。每組試驗選取6 株幼苗重復測試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數據的影響。

模型構建

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系，故采用回歸型支持向量機構建光合速率預測模型[1]。SVR 主要理論基礎是統計學習理論，其主要思想是建立一個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，即結構風險最小化的近似實現。回歸型支持向量機相對于傳統神經網絡，具有針對小樣本數據訓練誤差小、收斂速度快、避免局部最優、預測精度高等優點[2]。采用SVR 精準構建光合速率預測模型。其主要分為隨機選取訓練集與測試集樣本數據并進行歸一化處理，核函數選擇及參數確定，模型構建及訓練3 個步驟。

選取訓練集與測試集樣本數據并進行歸一化處理

試驗共獲取樣本數據180 組，隨機選取144組樣本數據作為訓練集，占總樣本數據的80%。剩余的36 組樣本數據作為測試集，占總樣本數據的20%。由于不同樣本數據之間差異較大，量綱不統一，直接進行訓練可能導致網絡收斂較難，故對訓練集及測試集數據進行歸一化操作，歸一化區間為［0.2，0.9］，歸一化公式為：

式中：y為歸一化之后的數據，x為樣本數據，Xmax、Xmin為同一量綱數據序列最大及最小值。

核函數選擇及參數確定

支持向量機是一種建立在結構風險最小化原則基礎上的新型學習機器，它可以用來解決非線性時間序列的預報問題[3]。比較常用的參數選擇方法是試驗法。本文選取徑向基函數進行預測模型構建，核參數c主要影響核函數形態，影響因子g主要影響模型的預測精度，利用試驗法，經交叉驗證方法對不同組合條件下的c、g參數進行多次計算，最終確定最佳參數值c為0.64，g為0.0313。

模型構建及訓練

基于隨機所得訓練集與測試集樣本數據，采用徑向基核函數，通過將低維空間的非線性不可分問題映射到高維空間，并在高維空間產生用于最優分類的超平面，進行線性回歸決策分析。其中，決策函數為：

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

其中，徑向基核函數被用于進行回歸函數構建，其主要將非線性不可分樣本在特征空間中轉換為線性可分問題進行處理，其直接影響模型的性能。其表達式為：

基于上述理論，將隨機選取的訓練集樣本數據代入決策函數進行模型訓練以及預測分析，可得光合速率預測模型（圖1）。

圖1 光合速率預測模型

從圖1 可知，在相同溫度條件下，光合速率隨光照強度增大而增加，在光飽和點處獲得光合速率最大值，之后隨光照強度進一步增加光合速率會隨之下降；當光照強度一定時，隨溫度的變化光合速率也呈現先上升后下降的變化趨勢，以上變化趨勢與前人研究結果相符，說明試驗方案和預測模型結果的合理性。

光合速率預測模型驗證

試驗采用嵌套方式共獲取180 組樣本數據，其中144 組用于構建并訓練預測模型，剩余的36組樣本數據用于驗證預測模型。采用異校驗方式對預測模型進行驗證，可得光合速率實測值與預測值的相關性。其中決定系數為0.9552，直線斜率為0.9761，截距為0.2756（圖2）。結果表明，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構建的光合速率預測模型，其擬合度較好，模型精度高。

圖2 光合速率預測模型驗證

結論

本研究針對草莓光飽和點隨溫度動態變化的特點，建立了一種基于回歸型支持向量機構建的塑料大棚草莓光合速率預測模型，為光環境調控提供理論依據，本方法可擴展應用于不同作物、不同階段的光合優化調控模型研究與建立，具體結論如下：

（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系，故本研究針對草莓功能葉位采用回歸型支持向量機構建光合速率預測模型，構建了以溫度、光照強度為輸入，光合速率為輸出的草莓光合速率預測模型。

（2）回歸型支持向量機構建的光合速率預測模型，進行了光合速率實測值與預測值的相關性分析，相關分析決定系數為0.9552，直線斜率為0.9761，截距為0.2756。結果表明，其光合速率實測值與光合速率預測值之間擬合度良好，訓練誤差小，擬合度好，線性度高。

本項目將物聯網數據、氣象數據與農業生產模型相關聯，以典型作物為切入點構建作物生產氣象條件需求模型，建立了溫光耦合模型的智能預測預警決策算法，明確了設施農業精細化服務指標模型，實現了塑料大棚溫度精準化、智能化的預報及預警服務，提升了設施農業服務水平。