基于BP神經(jīng)網(wǎng)絡(luò)的大麥凈光合速率預(yù)測

陳真勇

摘 要 凈光合速率是植物重要的生理指標之一。植物的凈光合速率受到各種環(huán)境因素的影響。利用BP神經(jīng)網(wǎng)絡(luò)模型擬合了大麥凈光合速率與環(huán)境二氧化碳濃度，光照強度、溫度和水的模型，并將預(yù)測值和觀測值進行比較。結(jié)果表明，大麥BP神經(jīng)網(wǎng)絡(luò)模型能較準確的計算出大麥不同環(huán)境因素下的凈光合速率。這為BP神經(jīng)網(wǎng)絡(luò)模型在其他植物凈光合速率研究中的應(yīng)用提供了參考。

關(guān)鍵詞 大麥；凈光合速率；預(yù)測；BP神經(jīng)網(wǎng)絡(luò)模型

中圖分類號：S512.3 文獻標志碼：B 文章編號：1673-890X（2016）06--02

凈光合速率（Pn）是評價植物生長狀況的重要指標之一，因此凈光合速率一直是植物生理研究的一個重點。影響Pn的主要因素有：環(huán)境二氧化碳濃度，光照強度、溫度和水[1]。青稞作為青藏高原地區(qū)藏族人民的主要糧食作物和動物飼料，對當?shù)亟?jīng)濟和人民生產(chǎn)生活中發(fā)揮著重要的作用[2]。由于高原獨特的自然地理條件，研究青稞的Pn對提高青稞的產(chǎn)量和提高藏族人民的生活水平有著重要的意義。目前，研究青稞的Pn與環(huán)境因素之間的關(guān)系主要集中在研究Pn與光照強度，Pn與水[3]等。系統(tǒng)地研究和預(yù)測Pn與環(huán)境二氧化碳濃度、光照強度、溫度和水之間的報道較少。

BP神經(jīng)網(wǎng)絡(luò)（Back Propagation neural network）是最重要的人工神經(jīng)網(wǎng)絡(luò)模型之一，廣泛地應(yīng)用于非線性系統(tǒng)的模式識別和預(yù)測方面有著廣泛的應(yīng)用。Li等人通過利用偏最小二乘回歸與BP神經(jīng)網(wǎng)絡(luò)預(yù)測番茄的光合速率發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)擬合的結(jié)果精確度高于偏最小二乘回歸[4]。

本研究主要目的是：利用BP神經(jīng)網(wǎng)絡(luò)研究大麥Pn與環(huán)境二氧化碳濃度、光照強度、溫度和水之間的關(guān)系，建立最優(yōu)BP神經(jīng)網(wǎng)絡(luò)模型，并將神經(jīng)網(wǎng)絡(luò)的預(yù)測值與觀測值進行比較，探討神經(jīng)網(wǎng)絡(luò)對大麥Pn預(yù)測的實用性。

1 材料與方法

2010年11月5日，將大麥（Hordeum vulgare L.）品種矮白青稞種子按照行距15 cm、株距10 cm播種于西華師范大學(xué)試驗田（北緯30.812°，東經(jīng)106.067°）。為使植株長勢盡可能均一，統(tǒng)一進行水肥管理。

2011年5月的第1個星期，此時供試材料處于灌漿期。數(shù)據(jù)測定當天天氣晴朗無云，從07：00-19：00，選擇5株長勢較好且均一的大麥主分蘗植株，利用Li-6400型便攜式光合儀測定大麥旗葉的光合日變化，記錄的數(shù)據(jù)主要有：凈光合速率（Pn）、光照強度（PARo）、環(huán)境二氧化碳濃度（二氧化碳）、氣孔導(dǎo)度（Cond）、氣溫（Tair）、相對濕度（RH）、葉片溫度（Tleaf）和蒸騰速率（Trmmol）等。每隔1h測定一次，每株的旗葉重復(fù)測定3次，待Pn穩(wěn)定后保存數(shù)據(jù)。

將每片旗葉重復(fù)測量3次的數(shù)據(jù)求平均值作為該植株的光合日變化數(shù)據(jù)，共得到65個數(shù)據(jù)。然后將65個數(shù)據(jù)隨機分成2組：第1組包含55個數(shù)據(jù)，用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練；第2組包含10個數(shù)據(jù)，該組數(shù)據(jù)用于BP神經(jīng)網(wǎng)絡(luò)測試。該組的Pn觀測值在稱為測試值，而神經(jīng)網(wǎng)絡(luò)計算輸出的Pn稱為預(yù)測值。BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練和預(yù)測利用Matlab 6.5進行。其中氣溫、環(huán)境二氧化碳濃度、相對濕度和光照強度作為BP神經(jīng)網(wǎng)絡(luò)的輸入層，Pn作為輸出層。為了評價BP神經(jīng)網(wǎng)絡(luò)的準確性，定義了測試值和預(yù)測值之間的均方誤差（Mean square error，MSE）。

（1）

方程（1）中yt和?t分別代表觀測值和計算值[5]。為了找出大麥Pn最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型參數(shù)，首先固定學(xué)習(xí)速率為0.05，將迭代次數(shù)設(shè)為1 000、2 000、3 000、4 000進行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，每個迭代次數(shù)進行5次訓(xùn)練，并計算出每次的測試值和測試值的MSE（Mean Square Error）（見表1）。然后為找出最優(yōu)學(xué)習(xí)速率，我們將迭代次數(shù)設(shè)置為最優(yōu)的迭代次數(shù)，而學(xué)習(xí)速率分別設(shè)置為0.05、0.06、0.07進行BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，每個參數(shù)進行5次訓(xùn)練，并計算出測試值和預(yù)測值的MSE（見表2）。最終將最優(yōu)參數(shù)對應(yīng)的預(yù)測值和測試值作圖比較（見圖1）。

2 結(jié)果與分析

表1顯示了BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率為0.05，不同迭代次數(shù)對大麥Pn預(yù)測值MSE的影響。表1第一列代表不同的4個迭代次數(shù)，最后一列代表5次訓(xùn)練所得MSE的平均值。由表1可見：當?shù)螖?shù)為2 000次時，5次訓(xùn)練所得的平均值最小為1.500。其中當?shù)螖?shù)為4 000時，第2次訓(xùn)練所得的MSE在所有訓(xùn)練結(jié)果中的MSE最小為1.369。

表2顯示了BP神經(jīng)網(wǎng)絡(luò)迭代次數(shù)為2 000時，不同學(xué)習(xí)速率下大麥Pn預(yù)測值與觀測值的MSE。表2第一列代表不同的學(xué)習(xí)速率，最后一列代表5次訓(xùn)練所得MSE的平均值。由表2可見：當學(xué)習(xí)速率為0.06時，5次訓(xùn)練所得的MSE平均值最小為1.500。其中當學(xué)習(xí)速率為0.05時，第4次訓(xùn)練所得的MSE在所有訓(xùn)練結(jié)果中的MSE最小為1.314。

圖1顯示了利用BP神經(jīng)網(wǎng)絡(luò)程序計算大麥Pn的預(yù)測值與測試值之間的差異。由圖1可見，預(yù)測值和測試值之間比較接近，部分測試值和預(yù)測值幾乎完全重合。

圖1 大麥凈光合速率觀測值與BP神經(jīng)網(wǎng)絡(luò)最優(yōu)預(yù)測值比較

3 結(jié)論與討論

凈光合速率是評價植物生長情況的重要因素，其受到各種環(huán)境因素的影響。以往利用線性模型或偏最小二乘回歸模型研究Pn與環(huán)境因素的關(guān)系表明：Pn與環(huán)境因素不是簡單的線性關(guān)系。本研究利用BP神經(jīng)網(wǎng)絡(luò)對大麥的Pn與環(huán)境因素中的環(huán)境二氧化碳濃度，光照強度、溫度和水進行擬合和預(yù)測，結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)在迭代次數(shù)為2 000次（見表1），學(xué)習(xí)速率為0.06時得到的BP神經(jīng)網(wǎng)絡(luò)模型是大麥凈光合速率最優(yōu)、最穩(wěn)定的模型（見表2）。其中第2次訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)其MSE最小為1.368（見表2）。由圖1可見，該網(wǎng)絡(luò)預(yù)測的凈光合速率預(yù)測值與實際測試值比較接近，部分測試值與預(yù)測值幾乎完全重合。這說明BP神經(jīng)網(wǎng)絡(luò)在預(yù)測大麥的凈光合速率方面具有較高的準確性，這與以往的研究結(jié)果一致[5]。本研究表明，BP神經(jīng)網(wǎng)絡(luò)可以廣泛地用于預(yù)測植物的凈光合速率。

參考文獻

[1]Blackman FF. Optima and limiting factors. Annals of Botany， 1905（19）：281-295.

[2]程明，李志強，姜闖道，等.青稞的光合特性及光破壞防御機制[J].作物學(xué)報，2008，34（10）：1805?1811.

[3]于智恒，寇立娟，王鋼鋼.農(nóng)田水位及環(huán)境因素對小麥生理指標的影響預(yù)測[J].安徽農(nóng)業(yè)科學(xué)，2010，38（34）：19252-19253.

[4]Li Ting， Ji Yuhan， Zhang Man， Sha Sha， Li Minzan： Comparison of Photosynthesis Prediction Methods with BPNN and PLSR in Different Growth Stages of Tomato[J].農(nóng)業(yè)工程學(xué)報，2015（31）：222-229.

[5]Chen ZY， Peng ZS， Yang J， et al. A Mathematical Model for Describing Light-response Curves in Nicotiana tabacum L[J]. Photosynthetica， 2011，49（3）：467-471.

（責(zé)任編輯：劉昀）