基于光响应模型与机器学习的番茄光合速率预测_王柯如.pdf

第1期王柯如 等 基于光响应模型与机器学习的番茄光合速率预测2 2 3 D O I 1 0 1 3 7 3 3 j j c a m i s s n 2 0 9 5 5 5 5 3 2 0 2 6 0 1 0 3 1 王柯如 任妮 毛晓娟 等 基于光响应模型与机器学习的番茄光合速率预测 J 中国农机化学报 2 0 2 6 4 7 1 2 2 3 2 3 0 W a n g K e r u R e n N i M a o X i a o j u a n e t a l P h o t o s y n t h e t i c r a t e p r e d i c t i o n f o r t o m a t o e s b a s e d o n l i g h t r e s p o n s e c u r v e a n d m a c h i n e l e a r n i n g J J o u r n a l o f C h i n e s e A g r i c u l t u r a l M e c h a n i z a t i o n 2 0 2 6 4 7 1 2 2 3 2 3 0 基于光响应模型与机器学习的番茄光合速率预测 王柯如1 任妮2 毛晓娟2 刘杨2 李远2 金晶2 1 江苏大学农业工程学院 江苏镇江 2 1 2 0 1 3 2 江苏省农业科学院农业信息所 农业农村部 长三角智慧农业技术重点实验室 南京市 2 1 0 0 1 4 摘要 构建温室作物光合速率预测模型对理解作物光合作用受环境因素的影响机制 优化作物生长条件 提高设施农业的智 能化水平具有重要意义 为实现温室番茄光合速率的精准预测 开展不同温度 光量子通量密度嵌套试验 基于温度修正的 直角双曲线模型 非直角双曲线模型 指数模型 直角双曲线修正模型 鲸鱼优化支持向量机回归算法和深度森林模型分别 建立光合速率预测模型 并对比分析6个模型的预测效果 结果表明 机器学习算法预测精度优于光响应模型 其中鲸鱼优 化支持向量机回归算法效果最佳 RMSE MAE和R2分别为1 9 7 1 7 1 3 9 4 3 0 8 6 5 8 m o l m 2 s 光响应模型中 温度 修正直角双曲线模型预测精度最佳 RMSE MAE和R2分别为2 5 9 3 4 1 8 7 5 0 0 7 6 3 5 m o l m 2 s 研究表明 机器学 习可以实现番茄光合速率精准预测 从而解析光合速率最优下对应的光温最佳参数值 可为设施光温优化调控提供支撑 关键词 番茄 光合速率 机理模型 数据模型 机器学习 中图分类号 S 1 2 6 T P 1 8 文献标识码 A 文章编号 2 0 9 5 5 5 5 3 2 0 2 6 0 1 0 2 2 3 0 8 收稿日期 2 0 2 4年1 2月1 6日 修回日期 2 0 2 5年2月1 6日 基金项目 江苏省农业科技自主创新资金项目 C X 2 2 3 1 1 3 天府粮仓 数字农业川渝联合创新重点实验 火花任务 开放课题 T F S Z H H 2 0 0 3 农业农村部长三角智慧农业技术重点实验室开放基金 K S A T Y R D 2 0 2 3 0 0 1 第一作者 王柯如 女 2 0 0 0年生 江苏常州人 硕士研究生 研究方向为设施环境智能调控 E m a i l m i n g t i a n s h i y i q q c o m 通讯作者 金晶 女 1 9 9 3年生 南京人 博士 助理研究员 研究方向为智慧农业 E m a i l j i n j i n g j a a s a c c n Photosynthetic rate prediction for tomatoes based on light response curve and machine learning W a n g K e r u 1 R e n N i 2 M a o X i a o j u a n 2 L i u Y a n g 2 L i Y u a n 2 J i n J i n g 2 1 Department of Agricultural Engineering Jiangsu University Zhenjiang 2 1 2 0 1 3 China 2 Agricultural Information Institute Jiangsu Academy of Agricultural Sciences Key Laboratory of Smart Agricultural Technology Yangtze River Delta Ministry of Agriculture and Rural Affairs Nanjing 2 1 0 0 1 4 China Abstract B u i l d i n g m o d e l s t o p r e d i c t g r e e n h o u s e c r o p p h o t o s y n t h e t i c r a t e s i s c r u c i a l f o r u n d e r s t a n d i n g e n v i r o n m e n t a l i m p a c t s o n p l a n t s o p t i m i z i n g c r o p g r o w t h c o n d i t i o n s a n d e n h a n c i n g t h e l e v e l o f i n t e l l i g e n c e i n f a c i l i t y a g r i c u l t u r e T o a c c u r a t e l y p r e d i c t t h e p h o t o s y n t h e t i c r a t e o f g r e e n h o u s e t o m a t o e s t h i s s t u d y g a t h e r e d d a t a o n t h e n e t p h o t o s y n t h e t i c r a t e u n d e r d i f f e r e n t t e m p e r a t u r e s a n d p h o t o s y n t h e t i c p h o t o n f l u x d e n s i t i e s S u b s e q u e n t l y t h e s t u d y e m p l o y e d v a r i o u s m o d e l s i n c l u d i n g a t e m p e r a t u r e c o r r e c t e d r e c t a n g u l a r h y p e r b o l a m o d e l a t e m p e r a t u r e c o r r e c t e d n o n r e c t a n g u l a r h y p e r b o l a m o d e l a t e m p e r a t u r e c o r r e c t e d e x p o n e n t i a l m o d e l a t e m p e r a t u r e c o r r e c t e d m o d i f i e d r e c t a n g u l a r h y p e r b o l a m o d e l a w h a l e o p t i m i z a t i o n b a s e d s u p p o r t v e c t o r m a c h i n e r e g r e s s i o n a l g o r i t h m a n d a d e e p f o r e s t a l g o r i t h m t o e s t a b l i s h p h o t o s y n t h e t i c r a t e p r e d i c t i o n m o d e l s T h e p r e d i c t i o n p e r f o r m a n c e s o f t h e s e s i x m o d e l s w e r e t h e n c o m p a r e d a n d a n a l y z e d T h e r e s u l t s s h o w e d t h a t t h e w h a l e o p t i m i z e d s u p p o r t v e c t o r m a c h i n e r e g r e s s i o n a l g o r i t h m w a s t h e m o s t e f f e c t i v e w i t h RMSE MAE a n d R2 o f 1 9 7 1 7 1 3 9 4 3 a n d 0 8 6 5 8 m o l m 2 s r e s p e c t i v e l y A m o n g t h e l i g h t r e s p o n s e m o d e l s t h e t e m p e r a t u r e c o r r e c t e d m o d i f i e d r e c t a n g u l a r h y p e r b o l a m o d e l d e m o n s t r a t e d t h e h i g h e s t p r e d i c t i o n a c c u r a c y w i t h RMSE MAE a n d R2 o f 2 5 9 3 4 1 8 7 5 0 a n d 0 7 6 3 5 m o l m 2 s r e s p e c t i v e l y T h i s s t u d y s h o w s t h a t m a c h i n e l e a r n i n g c a n a c h i e v e p r e c i s e p r e d i c t i o n s o f t h e p h o t o s y n t h e t i c r a t e o f g r e e n h o u s e t o m a t o e s a n d c a n b e u s e d t o a n a l y z e t h e o p t i m a l l i g h t a n d t e m p e r a t u r e p a r a m e t e r s c o r r e s p o n d i n g t o t h e m a x i m u m p h o t o s y n t h e t i c r a t e p r o v i d i n g s u p p o r t f o r o p t i m i z i n g t h e c o n t r o l o f l i g h t a n d t e m p e r a t u r e i n f a c i l i t i e s 第4 7卷 第1期 2 0 2 6年1月 中国农机化学报 J o u r n a l o f C h i n e s e A g r i c u l t u r a l M e c h a n i z a t i o n V o l 4 7 N o 1 J a n 2 0 2 6 2 2 4 中国农机化学报2 0 2 6年 Keywords t o m a t o p h o t o s y n t h e t i c r a t e m e c h a n i s t i c m o d e l l i n g d a t a m o d e l l i n g m a c h i n e l e a r n i n g 0 引言 光合作用是作物吸收光能 将C O 2和水合成为有 机物的生物过程 1 光合速率是反映作物光合作用强 弱的重要评估指标 对植物有机物积累具有重要影 响 2 光合速率受温度 光照等多种环境因子影响 直 接关系到生长速度 产量和果实成熟时间 3 6 因此 构建温室作物光合速率精准预测模型具有重要意义 可以解析作物生长的最佳环境条件 为温室环境精准 调控提供参数 提升设施生产智能化水平 作物光合速率预测的模型主要分为机理模型和数 据模型 7 机理模型根据物理 生物等科学原理 通过 描述作物内部机制来预测作物生长状况 其参数具有 非常明确的物理意义 模型可解释性强 光响应模型 是反映作物光合速率和光照强度关系的机理模型 1 应用较为广泛的包括直角双曲线模型 8 非直角双曲 线模型 9 指数模型 1 0 直角双曲线修正模型 1 1 4种 光响应模型 徐德冰等 1 2 使用该类模型对5个蓝莓 品种进行光合速率拟合与光响应参数比较 得出直角 双曲线修正模型拟合蓝莓光合响应曲线效果最好 解 冰芊等 1 3 针对冬枣温棚 避雨棚和露地的栽培模式 基于光响应模型拟合光合速率并对不同时期冬枣光合 特性进行比较分析 发现直角双曲线修正模型的光合 速率预测效果最佳 因此 传统光响应模型能计算作 物光合参数 反映光合速率的规律特征 但模型只通 过光强来反映光合速率 忽略了其他环境因素的耦合 影响 徐立鸿等 1 4 考虑光温耦合作用对光合速率变 化的影响 优选温度修正的直角双曲线修正模型对春 夏季蓝莓净光合速率曲线进行拟合预测 相比于传统 光响应模型 光合速率预测精度显著提升 因此 综合 考虑多个环境因子对光合速率的影响 能有效提高光 合速率的预测精度 数据模型深入分析输入与输出数据之间的关联 性 构建相应的映射关系 实现回归预测 分类等功能 随着数据模型的发展 众多学者利用机器学习 深度学 习等方法进行数据集训练 实现作物光合速率预测 机器学习和深度学习可以精准 快速拟合和预测光合 速率变化 但其内在复杂的参数结构缺乏直观的物理 意义 可解释性较低 W a n g等 1 5 基于最小二乘支持 向量机算法对植物工厂作物进行光合速率预测 为植 物工厂环境的最优控制策略提供参数 在兼顾作物长 势和能耗投入的基础上 实现植物工厂环境动态反馈 调节 W e i等 1 6 利用群体遗传优化支持向量机算法 构建面向全生育期的黄瓜光合速率预测模型 实现了 对黄瓜温室光合速率的准确预测 刘潭等 1 7 基于粒 子群优化支持向量机 布谷鸟优化极限学习机和北方 苍鹰优化高斯过程回归算法构建多模型融合光合速率 预测模型 进一步提升了光合速率预测模型的鲁棒性 和精确性 支持向量机这类算法在提高预测精度的同 时 对数据量的需求相对较小 结构易于理解和解释 张增林等 1 8 分析环境因子对设施生菜光合速率的影 响程度并运用遗传算法优化的B P神经网络预测生菜 的光合速率 验证了G A B P神经网络的预测有效 性 吴清丽等 1 9 选用遗传算法和自适应梯度下降算 法优化的双隐层全连接神经网络模型构建苗期番茄光 合速率预测模型 寻找出最大光合速率对应的最佳温 度 机器学习和深度学习受数据量 算法参数等因素 影响 易陷入局部最优或出现过拟合现象 为解决该问 题 运用优化算法寻找参数最优值或优化模型结构 可 以进一步提高模型预测效果 综上 光响应模型和机器学习在预测光合速率方 面各有优势 其中光响应模型基于作物生理特性 其解 释性强 适用广泛 机器学习以海量数据为驱动 能快 速应用于不同作物类型和环境下光合速率预测 具有 较强迁移性 本文选取设施番茄为研究对象 获取不 同温度 光量子通量密度嵌套耦合下植株叶片净光合 速率 阐明光合速率对多环境因子的响应规律 使用 4种温度修正的光响应模型 鲸鱼优化算法优化支持 向量机回归模型和深度森林构建光合速率预测模型 并与随机森林 传统支持向量机和深度神经网络预测 精度进行对比 分析光响应模型与机器学习的预测精 度差异 以期为温室番茄光合速率精准预测及小气候 调控提供理论基础和模型支撑 1 材料与方法 1 1 试验环境与材料 试验地点位于江苏省农业科学院2号温室 试验 温室为阳光板温室 试验数据采集于2 0 2 2年1 1月 供 试材料为番茄 露比 该品种果实呈圆形 成熟果实为 粉红色 单果质量约为1 8 g 试验植株选择按1 5 m 0 3 3 m行株距随机摆放 基质栽培后长势均一的番茄 苗 番茄定植后 选取植株从上到下的第4片功能叶 进行光合嵌套试验 在整个试验期间 所有移植 浇 水 上肥等管理均按照常规处理 1 2 试验设计 为避免植株 午休 对试验数据造成影响 测量时 第1期王柯如 等 基于光响应模型与机器学习的番茄光合速率预测2 2 5 间为每日0 9 3 0 1 1 3 0和1 4 0 0 1 7 0 0 试验测量 仪器采用L I 6 8 0 0 X T型便携式光合仪 如图1所示 使用前 选取长势一致的番茄 露比 作为测量对象 选 择自上而下第4片功能叶 将叶片封闭在仪器叶室内 图1 光合速率测定仪 F i g 1 M e a s u r e m e n t d i a g r a m o f p h o t o s y n t h e t i c r a t e 使用光合测量仪的不同子模块人工营造所需的气 候环境 如表1所示 利用控温模块构造5个温度梯 度 分别为1 8 2 2 2 6 3 0 和3 3 利用L E D 光源模块 6 8 0 0 0 2 B 构造1 0个光量子通量密度 P h o t o s y n t h e t i c p h o t o n f l u x d e n s i t y PPFD 进行5 0组 试验 为减少数据偶然性 选择9株番茄苗 每株番茄 苗测试3次 共获取1 3 5 0组试验数据 表1 试验环境变量梯度设置 T a b 1 G r a d i e n t s e t t i n g o f e x p e r i m e n t a l e n v i r o n m e n t v a r i a b l e s 环境变量梯度梯度个数 光量子通量密度 m o l m 2 s 1 0 5 0 1 0 0 2 0 0 4 0 0 6 0 0 8 0 0 1 0 0 0 1 2 0 0 1 5 0 0 1 0 温度 1 8 2 2 2 6 3 0 3 3 5 2 光合速率预测模型建立 2 1 数据预处理 以光合嵌套试验数据作为样本集 每个试验样本 作为一个数据点 其中温度和光量子通量密度作为特 征向量 光合速率作为标签数据 构建数据集G如 式 1 所示 G x1 y1 x2 y2 xn yn 1 式中 xi 第i个数据点的特征向量 包括温度和 光量子通量密度 yi 第i个数据点的标签数据 即光合速率 xi可具体表现为xi Ti Qi 其中Ti表示第i 个数据点的温度 Qi表示第i个数据点的光量子通量 密度 所以数据集G可改写为 G x1 y1 x2 y2 xn yn T1 Q1 y1 T2 Q2 y2 Tn Qn yn 2 为提高模型的训练效率和预测精度 消除量纲和数 值范围差异 在特定模型中对数据集进行归一化处理 选择最大最小值标准化 M i n M a x N o r m a l i z a t i o n 作为 归一化方法 对每个特征的取值进行线性变换 使最小 值对应0 最大值对应1 归一化方程如式 3 所示 x x xm i nx m a x xm i n 3 式中 x 原始样本数据 个 x 归一化后的样本数据 个 xm i n 样本数据最小值 xm a x 样本数据最大值 2 2 温度修正光响应模型构建 选择4种光响应曲线进行模型拟合 分别为直角 双曲线模型 非直角双曲线模型 指数模型 直角双曲 线修正模型 为反映温度对番茄净光合速率的影响 基于光响应模型分别进行温度修正 2 2 1 直角双曲线模型 直角双曲线模型 8 的数学方程如式 4 所示 Pn I IPn m a x I P n m a x Rd 4 式中 Pn 净光合速率 m o l m 2 s 植物光合作用对光响应曲线在I 0时候 的斜率 即初始量子效率 Pn m a x 最大净光合速率 m o l m 2 s I 光量子通量密度 m o l m 2 s Rd 暗呼吸效率 2 2 2 非直角双曲线模型 非直角双曲线模型 9 的数学方程如式 5 所示 Pn I I Pn m a x I Pn m a x 2 4 IPn m a x 2 Rd 5 式中 反映光响应曲线弯曲程度的曲角参数 能够反映光响应曲线的弯曲程度 通常取0 1 的值越大 曲线的凸度就越大 弯曲程度越大 的值越小 曲线的凸度就越小 弯曲程度越小 2 2 3 指数模型 指数模型 1 0 的数学方程如式 6 所示 Pn I Pn m a x 1 e I Pn m a x R d 6 2 2 4 直角双曲线修正模型 直角双曲线修正模型 1 1 的数学方程如式 7 所示 Pn I 1 I1 II Rd 7 式中 修正系数 曲线弯曲度 2 2 5 温度修正 在光响应模型的基础上 运用B l a c k m a n的限制因 子定律 2 0 进行温度校正 以4种广泛认可的光响应 模型作为基准 通过引入温度作为调节变量 对曲线参 数进行精细的校准与优化 在一定范围内的温度对净 2 2 6 中国农机化学报2 0 2 6年 光合速率修正可以表示为式 8 f T as i n t 2 t1 T t1 b t1 T t2 8 式中 a b 常量系数 T 温度 根据嵌套试验确定温度的最小值与最大值 t1为 最小值 t2为最大值 综上 建立温度修正的光响应模 型为式 9 Pn I T f T Pn I 9 2 3 机器学习构建 与光响应模型相比 机器学习能高效地处理和分 析大规模数据集 从中提取有用的信息进行光合速率 预测 此外 选择或集成不同的机器学习算法 调整模 型参数 可以提升预测的准确性 考虑机器学习中应 用较为广泛的模型 分别选择支持向量机 S V R 2 1 随机森林 R F 2 2 深度神经网络 D N N 2 3 作为本次 模型的比较对象 由于传统支持向量机的部分参数需 要人工选择 对预测精度影响较大 因此使用鲸鱼优化 算法对支持向量机进行参数寻优 提高模型预测效果 由于随机森林和深度神经网络均在数据量不足的情况 下效果不佳 但随机森林可以弥补深度神经网络容易 局部最优和过拟合的缺点 深度神经网络可以解决随 机森林特征学习能力有限的问题 故选择结合随机森 林和深度神经网络的深度森林作为预测模型 2 3 1 W O A S V R模型构建 支持向量机回归算法的目标是建立一个 超平 面 使超平面与最远的样本点的距离最小 即让预测 值与真实值的距离最小化 设样本集为G xi yi i 1 2 N 其中xi表示第i个样本的输入 值 即温度和PPFD yi是第i个样本的响应变量 即 输出光合速率值 N为样本个数 通过非线性变换将 输入样本空间转换为高维线性空间 然后进行回归预 测分析 式 1 0 为拟合方程 f x x b 1 0 式中 x 从样本空间到高维线性空间的非线 性映射 n维列向量 S V R算法主要对模型中的惩罚因子c和核函数 参数g进行寻优 S V R算法通常使用核函数在空间 中找到线性关系 使非线性回归问题转换为一个近似 线性回归问题 核函数包括多项式核函数 径向基核 函数等 其中径向基函数通过正态分布映射输入空间 到高维特征空间 具有较强的非线性表达能力 由于 样本数据存在复杂非线性关系 所以选用径向基函数 作为核函数 鲸鱼优化算法 W h a l e O p t i m i z a t i o n A l g o r i t h m W O A 是一种元启发式优化算法 具有参数较少 易于 实现 寻优能力较强的特点 2 4 该算法模拟座头鲸的 狩猎行为 通过 包围猎物 螺旋式气泡网攻击 随机 搜索猎物 3个阶段完成优化过程 对于给定的样本 集 S V R算法可能在训练过程中主观选择惩罚因子c 和核函数参数g 如果g太小 S V R的交互作用会很 大 预测精度就会降低 如果g过大 则不能保证模型 的泛化能力 为避免这些问题 利用鲸鱼优化算法对 S V R参数寻优 进一步提高S V R模型的性能 1 划分训练集和测试集并对数据进行归一化处理 2 选择均方误差作为模型的适应度函数 3 初始化 W O A参数 设置惩罚因子c和核函数 参数g的搜索范围 随机产生鲸鱼数量 设定最大迭代 次数 4 计算每个鲸群的个体适应度值 并记录鲸群中 目前最优个体位置 5 进入迭代优化阶段 根据座头鲸的捕猎策略 不断更新鲸群的搜索位置 并计算更新当前适应度值 6 判断算法是否满足终止条件 不满足继续重复 步骤 3 满足则迭代结束 确定c和g的最优值 7 将 c和g值代入支持向量机回归模型进行预 测 输出光合速率预测值 并计算与真实值的误差 2 3 2 深度森林 深度森林 D e e p F o r e s t D F 即多粒度级联森林 是一种基于随机森林的新型深度学习模型 2 5 其与 深度神经网络模型相比 在处理小规模数据的情况下 表现出色 超参数较少 并且内部结构清晰明显 适用 于回归 分类 预测等方面 2 6 该模型包括多粒度扫描和级联森林两部分 具体 结构如图2所示 多粒度扫描中 通过滑动不同维度 大小的窗口 扫描获取不同维度的输入特征 获取特 征子集的具体方程如式 1 1 所示 L n aik 1 1 1 式中 L 特征子集个数 个 n 原始特征维度 ai 滑动窗口维度 k 窗口滑动步长 将每一个特征子集都经过一个普通随机森林 R F 和一个完全随机森林 C R F 训练 每个森林训练 后得到一个c维类概率向量以及长度为L c的特征 向量 将所有森林的特征向量拼接形成级联森林的输 入特征向量 第1期王柯如 等 基于光响应模型与机器学习的番茄光合速率预测2 2 7 图2 深度森林 F i g 2 D e e p f o r e s t 级联森林不同于神经网络式的深度模型 是由多 个级联层组成 每个级联层包括2个普通随机森林和 2个完全随机森林分类器 级联层训练中每个森林使 用K折交叉验证法获取类概率向量 可以有效避免训 练中产生过拟合 如果训练N层后性能提升不显著 就停止训练过程 节省级联时间 假设原始输入特征 向量m维 每个森林独立训练后得到一个d维的类概 率向量 将输入特征向量与类概率向量拼接 共m 4d维特征向量 作为下一级联层的输入向量 逐层训 练达到预定条件后 在最后一层将所有森林的类概率 向量取平均或使用其他方法 产生最终的类概率向量 再取最大值作为样本的预测值 2 4 数据处理及模型评估 将采集的1 3 5 0组数据进行预处理 重复训练过程 1 0次 每次训练随机划分8 5 为训练集 1 5 为测试 集 计算预测精度的平均值 使用P y t h o n对模型进行 训练和测试 采用均方根误差RMSE 平均绝对误 差MAE和决定系数R2作为番茄光合速率预测模型的 评估指标 RMSE和MAE表示预测值和预测值之间 的误差 越小代表预测精度越高 R2表示模型中自变量 解释因变量变异的比例 范围为0 1 越接近1表示模 型拟合度越高 计算如式 1 2 式 1 4 所示 RMSE 1N N i 1 yi y i 2 1 2 MAE 1N N i 1 yi y i 1 3 R2 N i 1 yi y i 2 N i 1 yi yi 2 1 4 式中 yi 光合速率预测值 m o l m 2 s y i 光合速率真实值 m o l m 2 s yi 光合速率真实平均值 m o l m 2 s N 测试集样本数量 个 3 模型结果分析与精度评价 3 1 光温与净光合速率的规律分析 分析不同PPFD下温度对光合速率曲线变化趋势 如图3所示 不同温度下PPFD 光合速率曲线变化 趋势如图4所示 图3 不同PPFD条件下温度对光合速率响应曲线 F i g 3 R e s p o n s e c u r v e s o f t e m p e r a t u r e t o p h o t o s y n t h e t i c r a t e u n d e r d i f f e r e n t PPFD c o n d i t i o n s 图4 不同温度条件下PPFD对光合速率响应曲线 F i g 4 R e s p o n s e c u r v e s o f PPFD t o p h o t o s y n t h e t i c r a t e u n d e r d i f f e r e n t t e m p e r a t u r e c o n d i t i o n s 当PPFD 6 0 0 m o l m 2 s 时 光合速率 在温度为2 2 左右开始升高 光合速率在3 0 时 随 温度缓缓提高 并达到最高值 PPFD越大 光合速率 越高 当PPFD 8 0 0 m o l m 2 s 时 光合速率上 2 2 8 中国农机化学报2 0 2 6年 升的效果趋于平缓 PPFD相同的条件下 温度越 高 光合速率越大 图5是根据试验数据绘制的光量 子通量密度 PPFD 温度 T 光合速率 Pn 三维 图 综上 光照和温度对光合速率均有显著影响 图5 不同温度与PPFD条件下的光合速率响应曲面 F i g 5 R e s p o n s e s u r f a c e o f p h o t o s y n t h e t i c r a t e u n d e r d i f f e r e n t t e m p e r a t u r e s a n d PPFD c o n d i t i o n s 3 2 预测结果分析 首先构建4种光温耦合净光合速率模型 分别对 4种模型进行预测值和真实值的比较 具体结果如 图6所示 可以看出 温度修正直角双曲线模型的精 度相对最低 预测值几乎处于同一区间 有较为严重的 欠拟合 温度修正直角双曲线修正模型相对最优 预测 结果较为稳定 除温度修正直角双曲线模型外的3种 模型整体上对光合速率值都有一定的预测效果 但对 峰值点的预测结果都不够准确 a 直角双曲线模型 b 非直角双曲线模型 c 指数模型 d 直角双曲线修正模型 图6 光温耦合净光合速率模型预测值与真实值对比 F i g 6 C o m p a r i s o n b e t w e e n t h e p r e d i c t e d a n d a c t u a l v a l u e s o f t h e n e t p h o t o s y n t h e t i c r a t e m o d e l f o r l i g h t t e m p e r a t u r e c o u p l i n g 其次 构建W O A S V R和D F模型 为检验算法 的预测精度 将W O A S V R与S V R模型 D F与随机 森林 R F 深度神经网络 D N N 进行对比 W O A S V R算法中 设置优化参数个数为2 惩罚因子c和核 函数参数g的寻优下限为0 1和0 1 寻优上限为 1 0 0和1 0 0 鲸鱼数量为5 最大迭代次数为1 0 0 深度 森林模型中 在多粒度扫描部分设置窗口数量为2 窗口 大小为 1 2 在级联森林部分 设置分类器数量为4 每 个分类器中决策树数量为3 0 最大级联层数为5 0 选取 f o r e s t 作为预测器类型 具体结果如图7所示 S V R 模型预测效果较低 R F模型和D N N模型相对较高 但 对峰值点的预测效果不佳 W O A S V R模型和D F模 型相比于S V R模型 R F模型 D N N模型 预测效果明 显提升 峰值点的预测稳定性也有显著提高 a R F模型 b D N N模型 c D F模型 d S V R模型 e W O A S V R模型 图7 基于机器学习的光合速率预测值与真实值对比 F i g 7 C o m p a r i s o n b e t w e e n p r e d i c t e d a n d a c t u a l v a l u e s o f p h o t o s y n t h e t i c r a t e b a s e d o n m a c h i n e l e a r n i n g 综合所有模型精度效果 计算每个模型预测值和真 实值的绝对误差 并统计区间频数 具体如图8所示 图8 模型绝对误差频率比较 F i g 8 C o m p a r i s o n o f m o d e l e r r o r f r e q u e n c y 其中直角双曲线模型的误差区间最广 光合速率 最大误差已经达到1 1 m o l m 2 s W O A S V R模 型的预测精度最优 大部分都控制在1 m o l m 2 s 以内 最大误差为5 m o l m 2 s 具有最佳的预测 稳定性和精度 深度森林的预测效果仅次于W O A 第1期王柯如 等 基于光响应模型与机器学习的番茄光合速率预测2 2 9 S V R 但偶尔也会出现预测误差过大的情况 但在运行 时间上比其他模型更短 3 3 精度评估 为进一步评价模型的预测性能 验证模型有效性 分别列出各模型均方根误差RMSE 绝对误差平均 值MAE和决定系数R2相关评价指标 结果如表2所 示 可以看出 光响应模型中温度修正直角双曲线修正 模型的拟合效果最高 RMSE MAE和R2分别为 2 5 9 3 4 1 8 7 5 0和0 7 6 3 5 m o l m 2 s 该模型量 化了在不同温度与光照耦合作用下光合速率的变化 解释性强 在模型上也可以继续通过引入水分 C O 2等 因素进行优化 深度森林对比S V R R F和D N N模型 的评估指标稍有优势 RMSE MAE和R2分别为 2 4 2 4 2 1 6 7 3 8和0 8 2 7 1 m o l m 2 s W O A S V R模型有明显的改善 RMSE MAE和R2分别为 1 9 7 1 7 1 3 9 4 3和0 8 6 5 8 m o l m 2 s 具有较好 的鲁棒性 能有效预测光合速率 表2 模型精度评估 T a b 2 M o d e l a c c u r a c y e v a l u a t i o n 模型RMSEMAER 2 m o l m 2 s 1 温度修正直角 双曲线模型4 8 2 7 3 3 9 7 6 2 0 3 0 7 7 温度修正非直角 双曲线模型2 5 9 4 6 1 9 0 7 6 0 7 5 6 5 温度修正指数模型2 5 8 9 5 1 8 8 0 6 0 7 5 2 5 温度修正直角 双曲线修正模型2 5 9 3 4 1 8 7 5 0 0 7 6 3 5 S V R 2 9 6 5 5 2 1 1 8 5 0 7 3 0 8 R F 2 8 5 7 6 2 0 5 9 7 0 7 7 7 6 D N N 2 7 8 5 8 2 0 1 4 0 0 7 5 8 2 W O A S V R 1 9 7 1 7 1 3 9 4 3 0 8 6 5 8 深度森林2 4 2 4 2 1 6 7 3 8 0 8 2 7 1 4 结论 为实现温室番茄光合速率的精准预测 开展不同 温度