融合物聯網多環境參數的莖干水分SSA-BP 預測模型

許澤海，趙燕東

（北京林業大學工學院，北京 100083）

0 引言

對于多數植物來說，莖干組織向上連接著冠層枝葉，與大氣進行水汽交換并傳遞冠層固定的光合產物，向下連接著根部，將土壤水分與無機鹽傳輸至植物重要的組織[1-2]，此過程需耗費一定時間，有時會導致用于冠層蒸騰的水分無法及時補充，隨著植物蒸發需求的繼續增加，可能會使木質部導管發生栓塞及空穴化，此時莖干組織會起到一定的緩沖作用，將自身儲存的水分傳輸至冠層枝葉及其他組織，維持組織細胞代謝、光合固碳及蒸騰耗散等生理活動的正常運行[3-4]。也有研究表明當植物面臨干旱、凍害、熱及病蟲害脅迫時，當其外在形態沒有受到影響之前，莖干水分就已產生較明顯變化[5]。同時，莖干水分在環境參數如空氣溫度、光合有效輻射、風速、飽和水汽壓差等的非線性疊加作用下會呈現出不同變化特征[6-7]?？梢?，對不同時期莖干水分的準確預測對理解植物體內水分運移、平衡及其環境適應機制等具有重要意義[8]。

近年來，神經網絡算法如BP 神經網絡（back propagation neural network）、長短期記憶（long short term memory，LSTM）網絡及支持向量機（support vector machine，SVM）等算法及其優化算法因可以很好地解決復雜且非線性建模問題得到了迅速發展[9]，在農林業相關預測研究中也受到了很大的關注[10-12]。TU 等[13]利用BP 神經網絡實現了對復雜、非線性且有不確定過程的莖流很好的預測；高鵬等[14]采用基于物聯網和Deep-LSTM 模型實現對不同脅迫程度下的茶樹凈光合速率有效且快速預測;LI 等[15]設計了基于液流預測的CGRU（convolutional neural network-gated recurrent unit）模型，其效果較常見預測模型有了很大的提升?？紤]到神經網絡收斂速度慢、易陷入局部最優及過擬合等問題，多數研究者提出生物啟發式算法如遺傳算法（genetic algorithm，GA）[16]、粒子群優化算法（particle swarm optimization，PSO）[17]、灰狼優化算法（grey wolf optimizer，GWO）[18]、麻雀搜索算法（sparrow search algorithm，SSA）[19]等算法優化神經網絡極大改善了模型預測精度及收斂速度。如ZHU 等[20]采用遺傳算法優化后的BP 網絡結合多傳感器數據，較好地實現了對農用小車軌跡的預測；遲宇等[21]提出模擬退火的粒子群算法SA-PSO-LASSO-BP（simulated annealing-particle swarm optimization-least absolute shrinkage and selection operator-back propagation）神經網絡模型，實現了對豬舍環境質量評價。祖林祿等[22]提出基于SSA 優化LSTM 的溫室環境預測模型，實現了對6種環境參數的準確預測。

目前關于植物莖干水分預測研究還鮮有報道。為對生長季莖干水分變化特征進行解析，并構建莖干水分預測模型，本研究選取五角楓為研究對象，采用具有自主知識產權的莖干水分傳感器獲取莖干水分變化情況，同時監測各環境參數，搭建五角楓物聯網生態信息監測系統；結合植物生理生態學知識分析生長季不同時期莖干水分變化特征；采用具有較好收斂速度和搜尋能力的麻雀搜索算法（sparrow search algorithm，SSA）優化BP神經網絡即SSA-BP 模型對莖干水分進行預測，并與傳統的BP 模型及GA-BP 模型的預測精度進行比較，以期為探究植物內部水分平衡及為林木水分管理提供技術指導與支撐。

1 材料與方法

1.1 研究材料

研究區域位于北京市海淀區北京林業大學三頃園苗圃，地處116°20′E，40°00′N，海拔約為50 m，園區內的土壤為黏壤土，pH 值在7～8 之間，氣候屬半濕潤大陸性氣候，全年日照時數在2 560 h 左右，年平均蒸散量在1 800 mm 左右。

在2022 年4 月初選擇12 顆樹齡為5 a 且平均胸徑為5.2 cm 的五角楓，移栽于直徑為85 cm 高為46 cm 的花盆中，人工定期對五角楓進行澆水及除草。

1.2 莖干水分傳感器

采用自主設計的基于駐波率原理的莖干水分傳感器（0～2 500 mV，±2%）[23]，實現對莖干水分變化無損且實時采集。該傳感器主要由100 MHz 信號源、50 Ω 同軸傳輸線、檢波與放大電路、304 不銹鋼探測環和保護外殼組成，測量原理如圖1 所示。

圖1 莖干水分傳感器測量原理圖Fig.1 Schematic of stem water content measurement principle

高頻信號源產生的電磁波經傳輸線傳送至探測環，如探測環阻抗改變，傳輸線上各點電壓幅值會發生變化，通過檢波電路獲取a、b兩點的差動信號，經放大電路得到傳感器輸出電壓Uout[24]：

式中β為放大器系數；A為信號源的幅值，V；Z0為傳輸線阻抗，Ω；Zl為探測環阻抗，Ω；A和Z0均為常數，因而Uout由Zl決定。

研究表明[25]，莖干組織中水分含量變化會導致Zl發生變化，因而Uout發生變化，測量Uout即可檢測出莖干組織中的水分含量[26]。團隊前期多次試驗表明[3-4,25-28]，Uout與莖干水分真實值的線性擬合決定系數均在0.96 以上，為極強相關。故本研究莖干水分采用Uout來表征[28]。此外，前期試驗表明實際中的環境溫濕度和電導率對傳感器運行的擾動很小[27-29]。綜上所述，該傳感器可穩定運行，獲取的數據可靠且可用來表征莖干水分。測量時，將傳感器安裝于五角楓胸徑處即距地面約1.3 m 高處。

1.3 五角楓物聯網生態信息監測系統搭建

為實現對監測期間五角楓莖干水分數據及各環境參數的實時采集與在線展示，本研究搭建了五角楓物聯網生態信息監測系統，該系統主要由各環境參數傳感器、莖干水分傳感器、數據采集器、DTU 模塊（data transmission unit，DTU）、數據服務器、監測平臺等組成，如圖2 所示。在栽種五角楓的附近區域安裝各環境參數傳感器，其中BYX 氣象百葉箱，用于監測環境中的空氣溫度（T,℃）、相對濕度（RH,%）及二氧化碳（CO2,μmol/mol）信息；SL3-1 雨量傳感器用于采集降雨量（RF,mm）；GHFS 光合有效輻射傳感器用于監測光合有效輻射強度（PAR，W/m2）；EL15-1A 風速傳感器獲取監測期間的風速（WS,m/s）；HYSWR-ARC 土壤水分傳感器用于獲取15 cm 深處土壤含水率信息（SM,%）；DS18B20 溫度傳感器用于獲取15 cm 深處土壤溫度信息（ST,℃）。

圖2 五角楓物聯網生態信息監測系統Fig.2 Acer mono Internet of Things ecological information monitoring system

將各氣象傳感器及莖干水分傳感器均連接于實驗室自主設計的基于ATMEGA2560 單片機的ZRDL 1 001 型多通道數據采集器上，對研究期間莖干水分及各環境參數進行獲取，監測期間設置每10 min 采集一次各傳感器數據，一天共采集144 組數據，各傳感器數據存在采集器SD 卡內。

為實現對各傳感器數據實時在線顯示并及時了解各傳感器運行情況，將裝有SIM 卡的DTU 模塊接于數據采集器232 通道，采用GPRS 網絡將打包后的各傳感器數據通過DTU 模塊傳輸至遠程阿里云數據服務器，阿里云物聯網平臺通過TCP 協議與DTU 模塊建立連接，接收數據包存儲于數據服務器端的MySQL 數據庫，同時將數據包發送至監測平臺，并通過TCP 協議連接訪問服務器，接收數據服務器中儲存的各傳感器數據包，對數據包進行解析和處理，展示并繪制監測期間各傳感器數據的動態變化情況，從而實現對莖干水分和各環境參數實時查看與數據下載。由此完成了五角楓物聯網生態信息監測系統的搭建，從2022 年4 月17 日開始對生長季五角楓莖干水分及各環境參數進行持續監測。

此外，本研究引入飽和水汽壓差（vapor pressure deficit,VPD），該參數是利用空氣溫度和相對濕度通過式（2）計算得到[30]：

式中VPD為VPD,kPa；a1為空氣溫度，℃；b1為相對濕度，%。

1.4 數據處理

采用Microsoft Office Excel 2019 對監測系統得到的莖干水分數據和環境參數進行整理和計算。

采用MATLAB 軟件中的濾波算法剔除莖干水分及環境參數中因環境擾動、人為操作失誤等因素產生的異常數據及數據中存在的噪聲。

將處理后的莖干水分數據與同時刻獲取的環境參數進行組合，作為后續莖干水分預測模型的數據集，其中將60%的數據集作為訓練樣本，40%的數據集作為測試樣本，用于后續模型的訓練與測試。本研究選取T、RH、PAR、WS、ST、SM、VPD 共7 個環境參數作為輸入變量，以莖干水分作為輸出變量構建預測模型進行訓練和預測。

為消除各數據間存在量綱對模型擬合帶來的負面影響，提高后續預測模型訓練的精度和速度，將模型的輸入輸出數據歸一化至[0,1]，采用MATLAB 中的mapminmax 函數歸一化處理，如式（3）所示：

式中Xmax和Xmin分別為待處理樣本數據的最大值和最小值；X1為歸一化后的值；Xx為待處理的樣本數據。

1.5 預測模型構建

1.5.1 遺傳算法優化BP 神經網絡

BP 神經網絡是將誤差反向傳播對網絡的權值和閾值進行不斷調整提升模型預測精度。作為局部搜索的優化方法，對權值和閾值的敏感度高，不同的初始權重和閾值會使網絡收斂于不同的局部極小，陷入局部最優；此時權值迭代將停止，如果有多個局部最優，就難以確定最后得到的權值是否為最優[31]，導致模型預測效率和穩定性較難滿足實際的需求。

本研究采用GA 來優化BP 神經網絡從而對生長季不同時期的莖干水分進行預測，GA 采用全局尋優得到最優解，根據遺傳學原理，在優化過程中通常會設置一個固定規模的初始種群，其中種群中的每個個體都表示問題的一個可能解，利用適應度函數判別個體適應環境的程度，其中適應度較好的個體會留下來繼續繁衍，在此過程中經過選擇、交叉、變異等操作形成新的種群[32]，把GA 優化后的初始權值和閾值賦值給BP 神經網絡進行學習更新，如此反復得到最優參數并對BP 神經網絡的初始權值和閾值進行賦值，得到較好的預測效果。

1.5.2 麻雀搜索算法優化BP 神經網絡

本研究引入XUE 等[19]受麻雀種群覓食的行為啟發提出的 SSA 優化算法，具有迭代次數少、有較快收斂速度和較強的搜索能力，大幅削減了模型訓練的時間；有研究表明SSA 在局部及全局的尋優能力、搜索精度、穩定性及收斂性能等方面要更優于前述GA、PSO 及GWO等生物啟發式算法，可更有效避免算法陷入局部最優，進而可有效提升后續預測模型的性能[33]。

此算法模擬了麻雀種群的覓食過程，把種群分成發現者、跟隨者和偵查預警者，其中發現者為整個群體提供覓食方向和區域，跟隨者主要是跟隨發現者覓食，偵察預警者一旦意識到有危險發生，立即發出預警信息，種群將出現反捕食行為。

一般具有n只麻雀的種群可以表示為

式中X表示麻雀種群；d為待優化變量的維數；n為麻雀種群的數量；表示第n只麻雀的第d維位置。

所有麻雀的適應度函數（Fx）由式（5）得到：

式中f(x)為適應度值。其中擁有較好適應度值的發現者會在搜索過程時會率先得到食物，為麻雀種群尋覓食物并向加入者提供覓食方向，因而發現者擁有更廣闊的覓食空間。

每次迭代時，發現者通過式（6）進行位置的更新：

式中t為當前迭代次數；j=1,2,3…d；Xij表示第i只麻雀在第j維中的位置信息；α(α∈[0，1])為隨機數；C表示最大迭代次數；R2(R2∈[0，1])為預警值；ST為安全值；Q表示服從正態分布的隨機數；L表示內部元素均為1大小1×d的矩陣，其。當R2＜ST時，表示沒有入侵者，可以執行搜索操作，相反，表示一些麻雀發現入侵者發出預警，迅速飛離。

跟隨者執行式（6），監視發現者同時準備與之競爭，否則按式（7）更新位置：

式中Xp表示發現者所處的最佳位置；Xworst則為最差的位置；A為大小1×d的矩陣，各元素均在{-1，1}中選擇，A+=AT(AAT)-1；i＞n/2 表明適應度值較低的第i個加入者未獲取到食物，并處于饑餓狀態。

偵察預警者的位置按如下規則進行更新：

式中Xbest表示當前最優位置；β作為步長控制參數；fi、fg和fw分別為當前適應度、最優和最差適應度；K作為[-1,1]中的隨機數，ε是避免分母為0 的常數。

為避免BP 神經網絡易趨于局部最優，提升模型的預測效果，采用有著較強大的局部、全局搜尋能力及快速收斂能力的SSA 對BP 神經網絡的初始權重和閾值進行更新優化，使種群朝全局最優移動，更好地解決了BP 神經網絡存在的劣勢；隨后將優化后的權值和閾值賦于BP 神經網絡，進而完成對BP 神經網絡的優化，最后完成對生長季不同時期莖干水分變化趨勢的較準確預測。算法流程如圖3 所示。具體步驟如下：

圖3 SSA-BP 神經網絡流程圖Fig.3 Flow chart of SSA-BP neural network

1）初始化麻雀種群數量、初始位置、最佳位置、最佳適應度、最大迭代次數及BP 神經網絡結構等參數。

2）對莖干水分以及各環境參數數據進行預處理。

3）利用式（6）～式（8）對發現者、跟隨者和偵查預警者的位置進行更新。

4）更新最佳適應度，判斷是否達到設定的誤差和最大迭代次數，如滿足，執行下一步，否則，返回步驟3）。

5）BP 神經網絡訓練，將 SSA 優化后的最優權值和閾值賦予 BP 神經網絡，完成莖干水分的訓練和預測。

1.5.3 各模型參數設置

試驗中，設置BP 神經網絡模型為3 層，分別使用tansig 和purelin 函數作為輸入層至隱藏層及隱藏層至輸出層的激活函數，最大訓練次數為1 000 次，學習率設置為0.01，訓練精度為10-6；本研究將7 個環境參數作為輸入，莖干水分作為輸出，因而設置模型輸入節點數為7，輸出節點數為1，隱藏層的節點數通過式（9）確定[34]：

式中h為隱藏層節點數，n2為輸入節點數，m為輸出節點數，a2是1～10 的常數，因此隱藏層節點數在4～13范圍內，經試湊法設置隱藏層節點數為7。

設置GA-BP 算法的迭代次數為50，種群規模為30，采用輪盤賭法進行選擇，交叉概率為0.4，變異概率為0.05。

設置初始麻雀數量為30，最大迭代次數為50，閾值和權值的上下邊界值分別為5，-5；發現者占麻雀種群的20%，安全值設為0.8，通過式（10）得到麻雀種群維度數（搜索空間維度）d1為64:

1.5.4 模型評價指標

為直觀地評價SSA-BP 模型預測能力，本研究采用決定系數（coefficient of determination，R2）、均方根誤差（root mean square error，RMSE）和平均絕對誤差（mean absolute error，MAE）作為BP 模型、GA-BP 模型及SSA-BP 模型預測性能的評價指標，計算式見文獻[35]。

2 結果與分析

2.1 生長季各環境參數的變化特征

圖4 為本研究搭建的物聯網生態信息監測系統獲取的生長季各環境參數包括土壤含水率、風速、降雨、光合有效輻射、空氣溫度、相對濕度、飽和水汽壓差及土壤溫度的變化特征。監測期間土壤含水率在補水后呈顯著上升趨勢，隨后逐漸降低，其波動范圍在31.4%～68.8%；風速在春秋兩季波動較為明顯，夏季波動范圍較小，在0～35.2 m/s 范圍內波動；降雨集中在6—9 月，最大降水量達88 mm，春季和秋季中后期降雨較少；光合有效輻射從春季開始到夏季呈逐漸增強的趨勢，隨后到了秋季逐漸減弱；空氣溫度在2.4～44 ℃范圍內變化，全年的日波動范圍較大；土壤溫度在8.9～31.3 ℃范圍內變化，除萌芽期日波動范圍較大外，其他時期的日波動范圍相對較?。幌鄬穸扰c空氣溫度變化大致相反，在8.9%～89.9%范圍內變化；飽和水汽壓差與空氣溫度的變化大致相同，同樣呈先升高后降低的趨勢。

圖4 生長季各環境參數變化Fig.4 Variation of environmental parameters in growing season

2.2 生長季莖干水分變化規律

因生長季各環境參數如空氣溫度、相對濕度、飽和水汽壓差、土壤含水率等均處于持續變化之中，植物會不斷調節自身生理活動及供水需求以適應環境參數帶來的非線性疊加效應，導致莖干水分在生長季各時期呈不同的變化規律。如下對萌芽期、生長期及落葉期及整個生長季莖干水分變化規律進行闡述。

2.2.1 萌芽期莖干水分變化規律

圖5a 為4 月18—24 日獲取的一段萌芽期莖干水分變化規律，隨著空氣溫度逐漸回升且在較充足的土壤水分條件下[36]，五角楓長出少量葉片，各項生理活動如蒸騰耗散和光合固碳等逐漸恢復[37-39]。植物體耗水量即莖干組織充放水量還較少，因而莖干水分的峰值及日波動范圍還較小，從凌晨開始逐漸上升，基本于13:00—14:00 達到一天中的極大值，隨后開始至第二天凌晨呈逐漸下降趨勢。莖干水分呈“晝升夜降”的日變化規律，這與BEEDLOW 等[8]發現的春季構樹（Broussonetia papyrifera(L.) L'Hér.ex Vent.）莖干水分變化趨勢較為一致。

圖5 萌芽期、生長期、落葉期及整個生長季莖干水分（SW）變化Fig.5 Stem water content (SW) variation throughout the germination stage,growth stage,defoliation stage and the entire season

2.2.2 生長期莖干水分變化規律

圖5b 為6 月14—20 日獲取的一段生長期莖干水分變化規律，隨著溫度升高及在較充沛降雨條件下，五角楓生長旺盛，蒸騰耗散及光合固碳等逐漸增強[40]。莖干水分的峰值及日波動范圍逐漸增大，基本從凌晨開始上升，于06:00—07:00 達到一天中的極大值；當植物體耗水量超過根部吸水量時，莖干組織會將自身儲水運輸至各需水組織[41-42]，使得莖干水分達到極值后呈下降趨勢，基本于15:00—17:00 達到極小值；隨后植物體各生理活動逐漸減弱，根部吸水量超過其耗水量，莖干水分開始上升。莖干水分呈“晝降夜升”的日變化規律，與CHENG等[3-4]發現的莖干水分變化規律較為一致。

2.2.3 落葉期莖干水分變化規律

圖5c 為10 月17—23 日獲取的一段落葉期莖干水分數據變化規律。此時五角楓生長幾近停止，葉片開始脫落，蒸騰耗散及光合固碳等生理活動的強度逐漸減弱，植物體耗水量逐漸減少，其超過根部吸水量的時刻出現滯后，即莖干水分達到極大值的時刻較前期有所后移[43]，基本從凌晨開始緩慢上升，一般于12:00—13:00 達到一天中的極大值，隨后至第二天凌晨呈下降趨勢。莖干水分又呈現出如萌芽期時“晝升夜降”的日變化規律。

2.2.4 整個生長季莖干水分變化規律

圖5d 為整個生長季莖干水分變化規律，可觀察到從4 月中旬監測開始至5 月中旬，莖干水分處于較低水平，其變化緩慢且呈逐漸增加的趨勢；從5 月中旬開始至8 月下旬，五角楓生長旺盛，莖干水分逐漸上升至較高水平，波動范圍較前期有所增大；從8 月下旬至9 月下旬，五角楓生長變緩，莖干水分呈下降趨勢且波動范圍也逐漸減小；從9 月下旬開始至11 月初，五角楓出現落葉現象，莖干水分又逐漸上升至較高水平，波動范圍較前期有所增加，這與HAO 等[44]發現秋季時根壓重新恢復使莖干水分重新上升有較好的一致性。生長季中傳感器監測到的莖干水分急劇變化是由降水導致的。

2.3 模型預測效果對比分析

分別構建BP 預測模型、GA-BP 預測模型及SSABP 預測模型利用各生長周期莖干水分數據和各環境參數組合成的數據集對莖干水分進行預測，各模型預測結果如表1 和圖6 所示。

表1 各莖干水分預測模型的性能分析Table 1 Performance analysis of stem water content prediction model

圖6 生長季各時期莖干水分（SW）模型的預測值與實測值Fig.6 Predicted and measured values of stem water content (SW) at each stage of growth season

從表1 可以看出SSA-BP 模型相較于BP 模型及GABP 模型對莖干水分的預測精度高即模型評價指標R2、RMSE 和MAE 相對較低。

具體的：萌芽期，SSA-BP 模型的R2、RMSE 和MAE 分別為0.896、12.971 mV 和5.031 mV，GA-BP 模型的預測精度有所降低，其R2、RMSE 和MAE 分別為0.855、25.334 mV 和6.829 mV，而BP 模型的預測效果則較差，其R2、RMSE 和MAE 分別為0.817、27.299 mV和8.905 mV；生長期，SSA-BP 模型的R2、RMSE 和MAE 分別為0.934、2.170 mV 和0.762 mV，GA-BP 模型的R2、RMSE 和MAE 分別為0.916、3.924 mV 和1.246 mV，BP 模型的R2、RMSE 和MAE 分別為0.901、5.276 mV 和2.275 mV；到了落葉期各模型預測精度均有所提高，SSA-BP 模型的R2、RMSE 和MAE 分別為0.987、0.314 mV 和 0.232 mV，GA-BP 模型的R2、RMSE 和MAE 分別為0.973、0.636 mV 和0.439 mV，而BP 模型的R2、RMSE 和MAE 分別為0.966、0.861 mV和0.639 mV。

圖6a～6c 分別為各模型對生長季萌芽期、生長期及落葉期中莖干水分變化的預測值與實測值變化趨勢，可以看出各模型的預測值與實測值基本呈相同變化趨勢，基本符合各時期莖干水分的日變化規律。

從圖6a 可看出，相較于BP 模型和GA-BP 模型，SSA-BP 模型預測值與實測值間的擬合程度較高。由于4 月27—28 日出現降雨事件，莖干水分出現了較大的提升，而各預測模型的輸入變量中不包含降雨量，因而在此期間，各模型預測效果均較差，這是導致萌芽期各預測模型的評價指標相對較大的原因（表1），其中SSABP 模型的預測值與實測值的接近程度較高。從圖6b 和圖6c 可看出，生長期與落葉期各模型預測效果較萌芽期均有明顯提升，其中SSA-BP 模型預測值和實測值間的吻合程度較其他模型高即模型的預測曲線與實測曲線間的差異較小。

綜上可知，SSA-BP 莖干水分預測模型可以實現對莖干水分較準確的預測。

3 結論

本研究結合無線傳感網絡技術與傳感器技術搭建了可長期穩定運行的五角楓物聯網生態信息監測系統實現對莖干水分數據及各環境參數遠程實時獲取與在線顯示，其中采用自主設計基于駐波率原理的莖干水分傳感器實現對五角楓莖干水分獲??；結合植物生理生態學的相關知識分析了生長季各時期莖干水分變化特征，并構建了麻雀搜索算法（sparrow search algorithm，SSA）優化BP 神經網絡即SSA-BP 莖干水分預測模型，獲得結論主要有：

1）莖干水分在萌芽期、生長期及落葉期會呈現出不同的變化特征，具體的：在萌芽期和落葉期，莖干水分從凌晨開始緩慢上升，至中午時刻達到峰值，隨后緩慢下降，呈現“晝升夜降”的日變化趨勢；生長期，莖干水分從凌晨開始至早晨逐漸上升至極大值，隨后迅速下降，至下午時刻達到極小值后開始上升，呈現“晝降夜升”的日變化趨勢。

2）采用生物啟發式算法即SSA-BP 構建莖干水分預測模型，相較于BP 模型和遺傳算法優化后的BP 網格模型有著較好的預測性能表現即模型各性能指標要更優。在萌芽期，SSA-BP 模型的R2、均方根誤差（root mean square error，RMSE）和平均絕對誤差（mean absolute error，MAE）分別為0.896、12.971 mV 和5.031 mV；生長期，SSA-BP 模型的R2、RMSE 和MAE 分別為0.934、2.170 mV 和0.762 mV；落葉期，SSA-BP 模型的R2、RMSE 和MAE 分別為0.987、0.314 mV 和0.232 mV。

本研究通過多學科融合呈現出一種可行的莖干水分采集系統、分析及預測方法；然而不同地域相同樹種的莖干水分在不同生長時期受不同環境參數的影響下又會呈現出不同的變化特征，因此，未來還需要在不同區域開展對相同樹種和其他樹種莖干水分的預測研究，從而為更系統地揭示莖干組織內部水分變化規律及為林地水分管理提供一定的指導與借鑒作用。