基于LSTM的温室番茄蒸腾量预测模型研究

作物蒸腾量是指导作物灌溉关键参数之一,实时获取作物蒸腾量,实现按需灌溉是节约用水的有效途径。然而,温室内小气候效应显著,作物蒸腾与环境因子间关系较为复杂,且各环境因子之间相互关联并呈非线性变化。本文以番茄作为研究对象,使用称量法测量作物实时蒸腾量,通过布设传感器实时获取温室小气候数据,包括空气温度(Air temperature, AT)、相对湿度(Relative humidity, RH)、光照强度(Light intensity, LI)作为模型的小气候环境输入,冠层相对叶面积指数(Relative leaf area index,RLAI)作为模型的作物生长输入,在此基础上,提出了基于长短期记忆网络(Long short term memory, LSTM)的番茄蒸腾量预测模型。利用该模型对番茄蒸腾量进行预测,并与非线性自回归(Nonlinear autoregressive with exogeneous inputs, NARX)神经网络、Elman神经网络、循环神经网络(Recurrent neural network, RNN)模型进行了对比。试验结果表明,LSTM预测模型决定系数(Determination coefficient, R2)与平均绝对误差(Mean absolute error, MAE)分别为0.9925和4.53g,与NARX神经网络、Elman神经网络、RNN方法进行对比,其决定系数分别提高了8.97%、1.18%和0.82%,其平均绝对误差分别降低了8.16、6.23、0.52g。本研究所提的预测模型具有较高的预测精度及泛化性能,研究成果可为温室作物需水规律及需水量研究提供参考。     

温室内草皮蒸腾量预测的试验研究

研究了温室内草皮蒸腾量和小气候的关系,用彭蔓公式计算参考作物腾发量,用20cm蒸发皿测定温室内的水面蒸发力,并和测定的草皮蒸腾量进行对比。试验结果表明,草皮蒸腾量与温室小气候的回归系数（R^2）为0．938,明显高于蒸腾量与蒸发皿水面蒸发量的回归系数（R^2）0．8683和蒸发量与彭蔓公式计算的参考作物腾发量的回归系数0．7944,以温室小气候计算温室内的作物蒸腾量要优于以参考作物腾发量计算作物蒸腾量和蒸发皿水面蒸发量的方法。温室内草皮的蒸腾量与温室小气候线性相关,可以此计算温室内作物的蒸腾量。     

大棚番茄营养生长期日蒸腾量估算模型研究

基于大棚盆栽试验,分析不同水分处理条件下番茄单株日蒸腾量、单株总叶面积、气象因子、土壤水分状况等因素,建立了塑料大棚番茄营养生长期单株日蒸腾量估算模型,并进行模型检验。结果表明,在土壤含水率为95%FC～100%FC、80%FC～85%FC、65%FC～70%FC时,模型决定系数R2分别为0.85、0.84、0.86,平均相对误差分别为13.24%、14.64%和14.70%。所建模型的参数较少且易获取,预测的精度较理想,可以较好地估算塑料大棚番茄营养生长期单株日蒸腾量。     

基于PSO-BP神经网络的参考作物蒸腾量预测

针对以往BP神经网络收敛速度慢及易陷于局部极小值等问题,引入粒子群算法优化BP网络的权值和阈值,建立PSO-BP神经网络,预测参考作物蒸腾量ET0。以西安地区的相关资料为基础,设计9种影响因子组合方案,利用PSO-BP网络模型进行ET0的预测,结果表明,该模型运算速度快,预测精度较高;对比分析9种方案的预测结果发现,方案7为最优,该方案只需选用平均温度、平均相对湿度、风速和日照时数四项影响因子,即可获得较高精度的参考作物蒸腾量预测值。     

基于随机森林算法的参考作物蒸发蒸腾量模拟计算

选取西南喀斯特地区4个气象站点(都安、河池、百色和融安)5 a(2008—2012年)的逐日气象数据,包括日最高气温Tmax、日最低气温T_(min)、相对湿度R_H、日照时数n和风速u2这5个气象因子的不同组合作为输入,并以FAO 56 Penman-Monteith法(FAO P-M)的计算结果作为标准值,建立基于随机森林(Random forest,RF)算法和基因表达式编程(Gene expression programming,GEP)算法的ET0模型,并将模拟结果与传统Hargreaves模型的计算结果进行比较。结果表明,不同气象因子组合下建立的RF模型均能较好地反映气象因子与ET0之间的非线性关系。随着气象因子的增加,RF模型模拟的精度随之提高。在仅有气温数据时,RF模型仍具有足够的精度(R~2为0.875,RMSE为0.546 mm/d),与传统Hargreaves模型相比R2平均增加了1.98%,RMSE平均减小了22.88%,因此在仅有气温数据时可用RF模型代替Hargreaves模型。RF算法对气象因子的重要性评估表明,在该区域对ET_0最重要的气象因子依次为T_(max)、n、T_(min)、R_a、R_H和u_2。相同气象因子输入下,RF模型精度高于GEP模型。     

夏季温室内黄瓜蒸腾规律的研究

在实验测定黄瓜蒸腾速率及温室内环境因子的基础上,分析了连栋温室内黄瓜蒸腾规律及其与环境因子之间的关系,验证了蒸腾速率与茎流相关性显著。     

不同时间尺度下温室无土栽培番茄蒸散规律研究

采用试验测量法,以温室环境参数为变量,建立了不同时间尺度下番茄蒸腾量和椰糠水分蒸发量回归模型以分析温室无土栽培番茄蒸腾规律和椰糠水分蒸发规律。结果表明,1h、1d时间尺度下番茄蒸腾量回归模型的决定系数分别为0.673 8、0.801;68d(整个试验周期)时间尺度下,1号番茄累积蒸腾量与累积有效积温、累积辐射积的拟合决定系数分别为0.998 4、0.993 6。1d时间尺度下,椰糠水分蒸发量特性方程的回归系数为0.891;58d(整个试验周期)时间尺度下,椰糠累积水分蒸发量与累积有效积温和累积辐热积回归方程的决定系数分别为0.999和0.992 7。随着时间尺度增大,番茄蒸腾量和椰糠水分蒸发量与环境参数的相关性显著提高。     

基于多模型融合策略的温室番茄光合速率预测方法

温室番茄光合速率的准确预测对于番茄的生长和产量评估具有重要意义。然而,由于温室环境的复杂性和多变性,传统的光合速率预测模型往往难以满足精准预测的需求。因此,为了进一步提高预测模型的准确性和稳定性,本研究提出了一种基于多模型融合策略的温室番茄光合速率预测方法。首先,采集温湿度、光照强度、CO2浓度不同组合下的番茄光合速率,构建样本集,并采用五折交叉验证法（Cross-Validation）对数据进行预处理。以预处理的数据为基础,分别基于粒子群优化支持向量机（PSO-SVR）、布谷鸟优化极限学习机（CS-ELM）和北方苍鹰优化高斯过程回归（NGO-GPR）算法建立番茄光合速率预测模型对光合速率进行初步预测,然后采用Stacking算法通过基于决策树的集成学习模型（XGBoost）组合各基础模型的预测结果,进而实现多模型融合。仿真分析结果表明,与单一预测模型相比,基于多模型融合的光合速率预测模型充分发挥了各基础模型的优势,可以进一步提高光合速率预测的准确性和稳定性,该模型验证集MAE为0.5697μmol/（m2·s）,RMSE为0.7214μmol/（m2·s）。因此,本文提出的方法在温室作物光合速率预测方面具有一定的优势,可为温室番茄等作物光环境优化调控提供一定的理论基础和技术支撑。     

基于CNN-GRU的菇房多点温湿度预测方法研究

有效获取温室出菇房的温湿度空间分布对于优化食用菌环境胁迫、病害预警、出菇房预调控至关重要,但传统的单点预测不能很好地满足菇房整体环境性能评估的需求。针对出菇房内温湿度时序性、非线性、空间分布差异性的特点,提出一种基于卷积神经网络(CNN)与门控循环单元神经网络(GRU)相结合的菇房多点温湿度预测方法。将温室室外历史气象数据、温室室内历史小气候环境数据、多点环境分布特征、通风信息和加湿信息多特征数据按照时间序列构造二维矩阵作为输入,采用CNN挖掘数据中蕴含的有效信息,提取反映温室环境数据相互联系的高维特征,将提取的特征向量构造为时间序列输入GRU网络进行多点温湿度预测。将该预测方法应用于北京市农林科学院的日光温室出菇房内多点温湿度预测,实验结果表明,该预测方法对于出菇房内各点温度RMSE平均值为0.211℃,MAE平均值为0.140℃,误差控制在±0.5℃范围内的平均比例为97.57%;对于出菇房内各点相对湿度RMSE平均值为2.731%,MAE平均值为1.713%,误差控制在±5%范围内的平均比例为92.62%;相比传统的BP神经网络、长短期记忆神经网络(LSTM)和门控循环单元神经网络(GRU),该预测方法具有更高的预测精度。     

基于CatBoost的温室日参考作物蒸发蒸腾量估算模型研究

参考作物蒸发蒸腾量(Reference Evapotranspiration,ET₀)是估算作物需水量、制定灌溉制度、提高用水效率,实现农业节水的重要参数。针对传统Penman-Monteith(P-M)公式计算作物蒸发蒸腾量需要参数多,计算复杂等问题,提出了一种基于支持分类特征的梯度提升决策树(CatBoost)算法估算温室日参考作物蒸发蒸腾量。以温室修正型Penman-Monteith公式计算的ET₀作为标准值,通过Pearson’s方法对输入参数与ET₀之间的相关性进行分析,组合不同输入特征向量。当输入参数组合为3参数,即平均室内温度、平均相对湿度、累积太阳辐射时,CatBoost性能最优,测试集估算精度MAE为0.220 mm/d,RMSE为0.310 mm/d。进一步对比了6种其他机器学习模型(XGBoost、AdaBoost、随机森林、决策树、KNN、SVM)的估算精度,结果表明CatBoost模型具有最佳的估算精度和稳定性,能够较好地模拟参考作物蒸发蒸腾量。构建的日参考作物蒸发蒸腾量估算模型为水肥精准化管理、灌溉控制系统研发提供了一种新的思路。     

基于1D CNN-GRU的日光温室温度预测模型研究

准确预测日光温室温度是实现温室高效调控的关键,对作物生长发育具有重要意义,但因温度具有时序性、非线性及多耦合性等特征,难以实现连续、精准、长时化预测。提出了一种基于1D CNN-GRU(One dimensional convolutional neural networks-gated recurrent unit)的日光温室温度预测模型,通过温室内外监测平台获取内外环境因子,以斯皮尔曼相关系数获取相关性强特征,构造特征与时间步长的二维矩阵输入网络进行温度预测,模型在测试集上预测1～4 h后的决定系数为0.970～0.994,均方根误差为0.612～1.358℃,平均绝对误差为0.428～0.854℃,绝对值的最大绝对误差为0.856～1.959℃。并在不同清晰度指数K_T下进行验证,结果表明,模型在K_T≥0.5(晴)时预测效果最好,且在其他K_T下模型相对误差在10%以内,可以达到温室生产所需的预测精度要求,为日光温室精准高效控温提供了重要依据。     

基于BP-NN的温室膜下滴灌茄子蒸腾速率预测模型

通过田间试验,对温室膜下滴灌茄子冠层叶片蒸腾速率的变化规律进行了深入研究。通过分析温室内地面温度、相对湿度、植株冠层温度、气压、水面蒸发、太阳辐射等6个环境参数与茄子蒸腾速率的综合影响关系,确定了网络拓扑结构为6-9-1。并应用MATLAB软件,选择Levenberg-Marquardt(L-M)优化算法,建立了基于Back Propagation(BP)神经网络的温室膜下滴灌茄子蒸腾速率预测模型。经模型验证得出,BP神经网络模型预测值与蒸腾速率实测值间拟合效果较好,平均相对误差为0.029 8,达到预测精度要求。该研究成果对温室膜下滴灌作物需水规律及需水量研究具有较好的参考价值。     

日光温室负压自动灌溉下番茄蒸腾规律研究

针对农业生产中蔬菜栽培灌溉费水费时的现状,采用一种自制负压自动灌溉系统,将供水压力设定在负值,利用土壤自动吸水的特性,达到自动灌溉和节水的效果.在此系统灌溉下采用茎热平衡技术测定番茄植株的茎流规律,分析了茎流变化规律与环境因子之间的关系,同时分析了番茄植株不同部位茎流差异以及剪叶对番茄植株茎流的影响.结果表明,在设定灌溉系统负压为60 hPa下,温室土壤含水量基本控制在阴天20.19%、晴天18.75%左右;茎流数据表明番茄植株蒸腾与太阳辐射值呈显著正相关,适当遮阴降温可以减少植株蒸腾.实验也进一步证明了叶片是植株蒸腾的主要器官,植株底层叶片蒸腾速率相对较微弱.     

基于LightGBM的温室番茄冠层CWSI预测模型研究

为研究温室内番茄冠层作物水分胁迫指数（CWSI）问题,通过布设多参数传感器,实时获取温室内外各环境参数。利用灰度关联分析,计算各环境参数与番茄冠层CWSI的关联度,根据关联度对环境参数进行排序,同时考虑对模型精度的影响,最终从9个环境参数中选取7个作为模型输入,建立基于LightGBM的温室番茄冠层CWSI预测模型。结合贝叶斯算法优化其中的关键参数,将模型预测结果与通过Jones经验公式计算出的CWSI做相关性分析,在相同的运算环境下,分别与GBRT和SVR模型对比。试验结果表明,基于贝叶斯优化LightGBM模型的决定系数（R2）、平均绝对误差（MAE）、均方根误差（RMSE）和运算时间分别为0.9601、0.0218、0.0314和0.0518s,与GBRT和SVR模型相比,其R2分别提高2.14%和14.05%,MAE分别降低0.0093和0.0612,RMSE分别降低0.0097和0.0591,时间分别缩短0.0459s和0.0612s。表明本研究提出的LightGBM模型性能更有效地提高了温室番茄冠层CWSI的预测精度,为实现温室番茄按需灌溉提供了参考。     

遮光、密闭环境对番茄植株蒸腾的影响

在茎热平衡技术测定植株茎流的原理基础上,结合温室内气象数据采集仪器,通过对小温室做遮光、密闭处理,探讨番茄茎流的变化规律。结果表明,密闭温室处理后晴天番茄茎流变化趋势不变,但白天茎流明显减小,此时影响茎流的环境参数除光照外,温室内的大气温度、空气相对湿度以及CO2浓度等都不能忽略。人为改变光照,使茎流随之发生改变,变化规律与光照强度的变化规律相似,所不同的是茎流变化曲线稍稍滞后于光照的变化曲线;茎流随光照的降低而逐渐减小,在时间上有一个延迟。当白天遮光变温室为"黑暗"状态时,茎流缓慢减小,但此时茎流却远远大于夜晚茎流,而且白天温室内"黑暗"状态处理的不同时间段茎流减小的快慢是不一样的。     

基于微润灌溉大棚番茄对施肥运筹的响应

为探究微润灌溉下不同施肥运筹对大棚番茄生长的影响,将番茄定植于大棚内的种植箱中,设置施肥浓度分别为200 mg/L(N1:全生育期浓度为200 mg/L)、200～400 mg/L(N2:苗期浓度为200 mg/L,结果期、成熟期为400 mg/L)、400 mg/L(N3:全生育期浓度为400 mg/L)、400～8...     

温室微润灌秋冬茬番茄适宜灌溉制度研究

通过田间小区试验研究了温室微润灌条件下秋冬茬番茄种植中土壤水分对番茄的产量、品质的影响。并基于试验数据采用主成分分析法对日光温室番茄的产量、水分利用效率、VC品质进行综合分析,初步确定了微润灌形式下番茄的适宜灌溉制度。结果表明:灌溉定额为336mm。在苗期灌水2次,灌水定额为18mm;在开花着果期灌水4次,灌水定额30mm;在结果盛期,灌水3次,灌水定额为35mm;在结果后期,灌水3次,灌水定额为25mm。     

渗灌对日光温室番茄栽培环境的影响

研究了渗灌和漫灌对日光温室番茄栽培环境及番茄产量的影响。结果表明,渗灌下,土壤密度比漫灌低7.59%,差异极显著;土壤总孔隙度比漫灌高9.72%,差异显著;土壤黏粒和粉粒高于漫灌,而砂粒和细粗砾低于漫灌;观测时段内,渗灌下平均气温、10cm处土壤平均温度较漫灌分别高1.55℃、0.86℃,地表平均温度比漫灌低0.14℃;渗灌下温室空气相对湿度较漫灌低11.86%,以10:00—20:00差值最大;渗灌下番茄产量比漫灌高8.60%,且差异显著。