融合GA-Attention-LSTM算法的溫室櫻桃環(huán)境參數(shù)預(yù)測與裂果預(yù)警

摘要：針對溫室環(huán)境因素對櫻桃的影響，設(shè)計一套大櫻桃溫室環(huán)境自動監(jiān)測裝置，用來采集溫室內(nèi)的環(huán)境參數(shù)值為櫻桃裂果提供數(shù)字化預(yù)警支持及防治方案。基于采集的環(huán)境參數(shù)值，首先使用相關(guān)性分析得出與棚內(nèi)裂果具有強(qiáng)相關(guān)性的環(huán)境參數(shù)特征；其次使用滑動窗口方法將輸入的環(huán)境特征生成時間序列矩陣形式；隨后提出一種融合GA-Attention-LSTM算法的預(yù)測模型，實現(xiàn)精準(zhǔn)預(yù)測棚內(nèi)的環(huán)境參數(shù)的功能；最后通過SPSS數(shù)據(jù)分析軟件來分析不同大棚的環(huán)境參數(shù)和裂果率。所提的融合GA-Attention-LSTM算法的預(yù)測模型的平均絕對誤差為0.112，均方誤差為0.087，相比于LSTM網(wǎng)絡(luò)模型高出12.80%和9.72%，對環(huán)境參數(shù)的預(yù)測精度更高，同時得出一套科學(xué)的櫻桃環(huán)境參數(shù)值范圍，為預(yù)測模型對櫻桃裂果數(shù)字化預(yù)警提供有力支持。

關(guān)鍵詞：智慧農(nóng)業(yè)；溫室櫻桃；LSTM模型；環(huán)境參數(shù)；裂果預(yù)警；精準(zhǔn)預(yù)測

中圖分類號：S625

文獻(xiàn)標(biāo)識碼：A

Prediction of environmental parameters and early warning of cherry cracking in greenhouse by GA-Attention-LSTM algorithm

Abstract：

Aiming at the influence of greenhouse environmental factors on cherries， a set of automatic environmental monitoring device for large cherry greenhouse was designed to collect environmental parameter values in the greenhouse to provide digital early warning support and control plan for cherry cracked fruit. Based on the environmental parameter values， the correlation analysis was used to obtain the environmental parameter characteristics with strong correlation with the cracked fruit in the shed. Secondly， the sliding window method was used to generate the input environment features into a time series matrix form. Then， a prediction model integrating the GA-Attention-LSTM algorithm was proposed to accurately predict the environmental parameters in the shed. Finally， SPSS data analysis software was used to analyze the environmental parameters and fruit splitting rate of different greenhouses. The average absolute error of the proposed prediction model with GA-Attention-LSTM algorithm was 0.112 and the mean squared error was 0.087， which was 12.80% and 9.72% higher than that of the LSTM network model， and the prediction accuracy of environmental parameters was higher， and a set of scientific cherry environmental parameter value ranges was obtained， which could provide strong support for the prediction model for the digital early warning of cherry split fruit.

Keywords：

smart agriculture; greenhouse cherry; LSTM model; environmental parameter; fruit cracking warning; accurate prediction

0 引言

櫻桃種植是大連市種植業(yè)中的支柱產(chǎn)業(yè)，同時也是大連市的優(yōu)勢特色產(chǎn)業(yè)［1］。在溫室櫻桃種植過程中，裂果一直是困擾農(nóng)戶的棘手問題。溫室櫻桃一旦出現(xiàn)裂果［2］，市場價值將大幅降低，同時還會誘發(fā)許多病蟲害的產(chǎn)生。通過文獻(xiàn)分析以及與農(nóng)戶的經(jīng)驗交流得知，溫室內(nèi)的空氣溫度、濕度、土壤含水量是促使裂果產(chǎn)生的主要因素。因此，通過科學(xué)的方法防范裂果問題具有現(xiàn)實意義。

近年來，人工智能技術(shù)快速發(fā)展，深度學(xué)習(xí)、機(jī)器學(xué)習(xí)在農(nóng)業(yè)方面的應(yīng)用愈發(fā)普遍［37］。Yu等［8］提出了一種基于LSSVM的溫度預(yù)測模型，采用改進(jìn)的IPSO優(yōu)化LSSVM模型所需的超參數(shù)，IPSO-LSSVM模型的預(yù)測效果相比SVM更為準(zhǔn)確。在上述研究中，用到了各種經(jīng)典的優(yōu)化算法來改善神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，優(yōu)化算法能提高模型的準(zhǔn)確率，但如果模型的輸入特征較多，輸出的準(zhǔn)確率還是有待提高。環(huán)境參數(shù)具有很強(qiáng)的時序性，LSTM網(wǎng)絡(luò)對于這種類型的數(shù)據(jù)頗為適合，并且該網(wǎng)絡(luò)結(jié)構(gòu)有許多學(xué)者對其有過實際的應(yīng)用。彭文等［9］提出了基于Attention-LSTM的短期負(fù)荷預(yù)測模型，對電價波動與負(fù)荷變化的問題有了很大的改善；朱銘康等［10］提出了一種基于Bi-LSTM-Attention模型的人體行為識別算法，能夠根據(jù)行為的前后關(guān)系實現(xiàn)更精確的識別。在LSTM網(wǎng)絡(luò)應(yīng)用中，很多都加入了Attention機(jī)制，該機(jī)制可以保證模型在輸入特征較多的情況下，依然保持著更高的準(zhǔn)確率，但LSTM網(wǎng)絡(luò)在尋找最優(yōu)的超參數(shù)值、隱藏層數(shù)等是一個困難的問題。也有學(xué)者對櫻桃的裂果問題進(jìn)行過研究。韋紅霞［11］分析了櫻桃裂果的影響因素及對策；張永紅等［12］分析了櫻桃裂果的氣象因素并提出了防御技術(shù)。然而農(nóng)民仍依靠種植經(jīng)驗來對裂果問題進(jìn)行防治，缺少一套標(biāo)準(zhǔn)化的數(shù)字預(yù)警方案。

綜上所述，在目前的環(huán)境特征預(yù)測的研究工作中，輸出準(zhǔn)確率、優(yōu)化模型結(jié)構(gòu)、多特征輸入的處理都有了較好的解決，但并沒有對這些性能實現(xiàn)均衡。因此，本文要更好地對櫻桃溫室內(nèi)環(huán)境數(shù)據(jù)預(yù)測，得出一套環(huán)境參數(shù)值范圍，為櫻桃裂果預(yù)防提供數(shù)字化預(yù)警支持。

1 數(shù)據(jù)采集與處理

1.1 數(shù)據(jù)采集

1.1.1 試驗環(huán)境

試驗于2020年12月—2022年4月，在大連市普蘭店區(qū)四平街道費(fèi)屯村進(jìn)行。櫻桃種植園內(nèi)的土壤為平地沙壤土，經(jīng)實地監(jiān)測，土壤pH均值為5.8。試驗基地具有氣候穩(wěn)定、陽光充足、溫濕度適宜的特征，符合櫻桃生長種植的環(huán)境條件，并對大櫻桃種植栽培中有可能面臨的自然風(fēng)險災(zāi)害能夠有效地減少或避免，保證了試驗中沒有其他因素的干擾，試驗得以順利進(jìn)行。試驗品種為“美早”櫻桃［13］。

1.1.2 數(shù)據(jù)采集裝置

本研究設(shè)計了一套基于物聯(lián)網(wǎng)的大櫻桃溫室環(huán)境自動監(jiān)測裝置。該系統(tǒng)使用基于RS-485總線的Modbus RTU通信協(xié)議，將溫濕度、CO2、光照、土壤四類傳感器和攝像頭所采集到的數(shù)據(jù)和圖片發(fā)送給4G-DTU透傳模塊，再通過透傳模塊使用5G傳輸至云平臺，最終通過云平臺來實現(xiàn)遠(yuǎn)程自動監(jiān)測和環(huán)境實時數(shù)據(jù)采集的功能。監(jiān)測裝置及其總體設(shè)計如圖1、圖2所示。

本研究分兩年進(jìn)行，第一年主要是各種環(huán)境特征的采集，以此來分析與棚內(nèi)溫濕度具有較強(qiáng)相關(guān)性的環(huán)境因素，根據(jù)第一年分析的結(jié)果，第二年將著重采集試驗所需要的環(huán)境因素。2020年12月，將六套監(jiān)測系統(tǒng)設(shè)備安裝在試驗環(huán)境地區(qū)的不同大棚里，共6個監(jiān)測點。最終采集到2020年12月—2021年5月6個試驗點，共計半年的大櫻桃生長周期中的主要環(huán)境參數(shù)，分別為空氣溫度、空氣濕度、CO2濃度、光照強(qiáng)度、土壤溫度、土壤含水量、土壤pH值、土壤電導(dǎo)率等。根據(jù)第一年分析的試驗結(jié)果，2021年11月，將7套監(jiān)測系統(tǒng)設(shè)備安裝在試驗環(huán)境地區(qū)7個大棚里，最終采集到2021年11月—2022年4月7個試驗點，共計5個月的大櫻桃生長周期中的環(huán)境參數(shù)，分別為空氣溫度、空氣濕度、CO2濃度、光照強(qiáng)度、土壤溫度、土壤含水量。通過第二年采集的環(huán)境特征來進(jìn)行接下來的試驗。

1.2 數(shù)據(jù)處理

溫室大棚產(chǎn)生裂果的時間是在櫻桃生長進(jìn)入著色期后，設(shè)備所安置的溫室大棚進(jìn)入該生長周期的時間為2月初左右，因此將2月初之后的數(shù)據(jù)用于本研究。根據(jù)櫻桃進(jìn)入著色期后的數(shù)據(jù)，設(shè)備1中每組數(shù)據(jù)有1 960條，設(shè)備2中每組數(shù)據(jù)有2 960條，設(shè)備3中每組數(shù)據(jù)有2 277條，設(shè)備4中每組數(shù)據(jù)有2 298條，設(shè)備5中每組數(shù)據(jù)有2 706條，設(shè)備6中每組數(shù)據(jù)有2 708條，設(shè)備7中每組數(shù)據(jù)有2 628條，共計模型輸入的每組環(huán)境變量17 537條。基于pycharm平臺對數(shù)據(jù)展開預(yù)處理工作。

1.2.1 相關(guān)性分析

相關(guān)性分析是指對兩個或多個具備相關(guān)性的特征變量展開分析工作，由此來衡量每個特征變量之間的相關(guān)程度，二者的相關(guān)系數(shù)越大，說明關(guān)系越密切，反之，則越疏遠(yuǎn)。這是進(jìn)行數(shù)據(jù)預(yù)處理的首要工作，通過該方法分析得出與溫室的空氣溫度、空氣濕度、土壤含水量具有較強(qiáng)相關(guān)性的環(huán)境特征。相關(guān)性系數(shù)

式中：

Cov（xij，xij）——兩變量間的協(xié)方差；

Var（xij）——每個變量的方差；

i——輸入的環(huán)境特征種類的數(shù)量，i=1， 2， …， 5；

j——輸入的每種環(huán)境特征的數(shù)據(jù)量，j=1， 2， …， 17 537。

其中，式（1）中γ（xij，xij）第1個xij的i、j與第2個xij的i、j取值可能不同。

通過式（1）可得，空氣溫度、空氣濕度和光照強(qiáng)度三種特征之間具有較強(qiáng)的相關(guān)性，土壤溫度和土壤含水量具有較強(qiáng)的相關(guān)性。計算結(jié)果如表1所示。

因此，將空氣濕度、空氣溫度、光照強(qiáng)度、土壤溫度和土壤含水量五種環(huán)境特征作為預(yù)測模型的輸入環(huán)境特征，并對其標(biāo)記：空氣濕度標(biāo)記為x1j、空氣溫度標(biāo)記為x2j、光照強(qiáng)度標(biāo)記為x3j、土壤溫度標(biāo)記為x4j、土壤含水量標(biāo)記為x5j。經(jīng)過離群值去除和歸一化處理后，將輸入的空氣濕度、空氣溫度、光照強(qiáng)度、土壤溫度和土壤含水量分別標(biāo)記為x1n、x2n、x3n、x4n、x5n。

1.2.2 離群值去除和歸一化處理

在進(jìn)行歸一化之前，首先對設(shè)備采集數(shù)據(jù)中的離群值進(jìn)行處理。由于數(shù)據(jù)采集裝置在大棚內(nèi)放置了半年的時間，可能面臨著設(shè)備受損，網(wǎng)絡(luò)不穩(wěn)定，農(nóng)業(yè)種植干擾等問題，從而影響到數(shù)據(jù)采集的準(zhǔn)確性，所以離群值的去除便尤為關(guān)鍵。

歸一化處理是種能夠簡化計算的方式，將數(shù)據(jù)映射到0～1的范圍內(nèi)進(jìn)行處理，以此來提高模型的收斂速度和預(yù)測的精準(zhǔn)度。歸一化公式如式（2）所示。

式中：

xin——?dú)w一化后的環(huán)境參數(shù)值；

xij——?dú)w一化前的環(huán)境參數(shù)值；

xijmin——該環(huán)境特征的最小值；

xijmax——該環(huán)境特征的最大值。

離群值的去除和數(shù)據(jù)歸一化的過程使用Numpy中的pandas工具。

1.2.3 滑動窗口

基于以上步驟，開始用滑動窗口的方式進(jìn)行處理。滑動窗口算法是在一個特定大小的數(shù)組或字符串上進(jìn)行的操作。在窗口滑動的過程中，左邊出一個元素，右邊進(jìn)一個元素，最終會生成時間序列的矩陣數(shù)據(jù)集，降低了問題的復(fù)雜度，更有利于神經(jīng)網(wǎng)絡(luò)的輸入。

大櫻桃監(jiān)測設(shè)備以30 min的時間間隔對環(huán)境參數(shù)值進(jìn)行采集，因此，本試驗所使用的滑動窗口長度設(shè)置為12，則x1n、x2n、x3n、x4n、x5n五組數(shù)據(jù)的窗口設(shè)置為E，形狀為12×5，E的矩陣表達(dá)式如式（3）所示。

滑動窗口E的移動步長設(shè)置為1，移動方向為垂直向下，按列表的時間序列滑動。最終生成形狀為n×5的矩陣形式，將該矩陣標(biāo)記為En。滑動窗口的運(yùn)行過程如圖3所示。

2 模型構(gòu)建和訓(xùn)練

2.1 基于GA-Attention-LSTM模型構(gòu)建

本試驗的環(huán)境參數(shù)預(yù)測模型構(gòu)建分為兩步，第一步在長短期記憶（Long-Short Term Memory，LSTM）神經(jīng)網(wǎng)絡(luò)的輸出端加入注意力（Attention）機(jī)制，為輸入的環(huán)境特征分配相應(yīng)的權(quán)重；第二步在LSTM網(wǎng)絡(luò)模型中加入遺傳算法（Genetic Algorithm，GA），用來優(yōu)化Attention-LSTM的參數(shù)和結(jié)構(gòu)，最終實現(xiàn)模型對櫻桃環(huán)境特征的短期預(yù)測功能。

長短期記憶神經(jīng)網(wǎng)絡(luò)為本模型的主體架構(gòu)，由Hochreiter等［14］于1997年共同提出。LSTM網(wǎng)絡(luò)本質(zhì)上就是一種特殊的RNN網(wǎng)絡(luò)［15］模型，但在較長的時間序列輸入數(shù)據(jù)處理中，比RNN神經(jīng)網(wǎng)絡(luò)更加高效。由于溫室內(nèi)采集的環(huán)境參數(shù)具有很強(qiáng)的時序性且數(shù)據(jù)量較大，LSTM網(wǎng)絡(luò)具備長期記憶［16］，并將歷史數(shù)據(jù)信息完整保存的功能，故LSTM網(wǎng)絡(luò)模型對本研究十分適合。LSTM網(wǎng)絡(luò)模型的內(nèi)部結(jié)構(gòu)［17］如圖4所示。

2.1.1 Attention加入LSTM模型

注意力機(jī)制模型的功能是用來模仿人類的注意力，由Treisman和Gelade共同提出，具有極佳的優(yōu)化作用，尤其是在傳統(tǒng)模型的應(yīng)用中［18］。Attention機(jī)制的主要作用是計算分析模型輸入的數(shù)據(jù)特征，根據(jù)分析所得的結(jié)果，在神經(jīng)網(wǎng)絡(luò)的隱藏層中為每個輸入特征分配相應(yīng)概率的權(quán)重，在此過程中，重要程度更高的特征會分配到更高的權(quán)重，進(jìn)而使網(wǎng)絡(luò)模型擁有更高的輸出精度［9］。Attention機(jī)制結(jié)構(gòu)如圖5所示。

圖5中x1n、x2n、x3n、x4n、x5n為輸入的環(huán)境特征序列；h1n、h2n、h3n、h4n、h5n為對應(yīng)于輸入序列的隱藏層的狀態(tài)值；ωki為歷史輸入的隱藏層狀態(tài)對當(dāng)前輸入的注意力權(quán)重；hk′為最終輸出的最后節(jié)點的隱藏層狀態(tài)值。

本試驗設(shè)計的Attention-LSTM模型結(jié)構(gòu)由2個LSTM隱藏層、1個Attention層和1個全連接層組成。運(yùn)行流程是輸入向量首先進(jìn)入輸入層，中間會經(jīng)過兩層LSTM隱藏層，再導(dǎo)入Attention層中用作輸入，最后將其輸入到全連接層中，可以得出預(yù)測值。在Attention-LSTM的模型結(jié)構(gòu)中，2個LSTM隱藏層的作用是對輸入向量進(jìn)行多層次的抽象，可以對這三種不同類型的數(shù)據(jù)更好地進(jìn)行線性劃分。但隱藏層層數(shù)也不宜過多，隨著層數(shù)的增加，參數(shù)也會爆炸式上漲，不利于之后的處理。Attention層的作用是對上一層的輸入特征計算權(quán)重，將所得權(quán)重與原輸入特征合并后，輸出全新的特征。在Attention機(jī)制對權(quán)重分配的計算過程中，對該公式進(jìn)行簡化，將softmax函數(shù)的直接改為了加權(quán)求和，在達(dá)到相同效果的同時，也簡化了計算量。Attention機(jī)制在執(zhí)行高度并行的相關(guān)計算時有著極佳的效果，故LSTM網(wǎng)絡(luò)模型對環(huán)境參數(shù)的預(yù)測過程幾乎不會因Attention機(jī)制的增添產(chǎn)生影響。

2.1.2 GA優(yōu)化Attention-LSTM模型

遺傳優(yōu)化算法［19］的本質(zhì)就是通過計算機(jī)來模擬自然界優(yōu)勝劣汰的進(jìn)化過程，符合條件的會繼續(xù)繁衍，不符合條件的則會被淘汰，借鑒了孟德爾的遺傳學(xué)說和達(dá)爾文的進(jìn)化論。GA是一種并行、高效、且具備全局搜索功能的方法，能夠在搜索過程中主動取得并累積相關(guān)搜索空間的信息，并自適應(yīng)地控制搜索的過程，以此來獲取最佳解集。

GA算法優(yōu)化Attention-LSTM結(jié)構(gòu)，會通過選擇最佳的神經(jīng)元數(shù)量、網(wǎng)絡(luò)層數(shù)與批量大小的方式，來高效提高神經(jīng)網(wǎng)絡(luò)模型的預(yù)測精度。在本試驗中，GA優(yōu)化的參數(shù)主要包括：LSTM隱藏層的神經(jīng)元個數(shù)，dense層的層數(shù)以及dense層的神經(jīng)元個數(shù)。優(yōu)化Attention-LSTM模型的主要流程為：（1）生成GA的初始種群；（2）通過適應(yīng)度函數(shù)選擇Attention-LSTM網(wǎng)絡(luò)的MSE；（3）進(jìn)行選擇變異等操作；（4）判斷適應(yīng)度值是否滿足要求，若不滿足，返回（3）繼續(xù)執(zhí)行；（5）獲取最佳參數(shù)和適應(yīng)度；（6）終止流程。GA算法優(yōu)化流程圖如6所示。

2.2 模型訓(xùn)練

輸入數(shù)據(jù)有五組環(huán)境特征構(gòu)成，每組環(huán)境特征有17 537條，按照7∶2∶1的比例劃分訓(xùn)練集，驗證集和測試集。

將訓(xùn)練集數(shù)據(jù)導(dǎo)入GA-Attention-LSTM模型，經(jīng)過輸入層和兩層隱藏層后，輸入Attention層，輸入向量x1n、x2n、x3n、x4n、x5n在Attention層中的計算過程如下。

C=（c1 c2 c3 c4 c5）（4）

G=（g1 g2 g3 g4 g5）（5）

D=（d1 d2 d3 d4 d5）（6）

式中：

c1、c2、c3、c4、c5——輸入環(huán)境特征x1n，x2n，x3n，x4n，x5n的搜索引擎；

g1、g2、g3、g4、g5——輸入環(huán)境特征x1n，x2n，x3n，x4n，x5n對應(yīng)的搜索鍵；

d1、d2、d3、d4、d5——輸入環(huán)境特征x1n，x2n，x3n，x4n，x5n對應(yīng)的數(shù)值；

C——輸入環(huán)境特征的搜索引擎矩陣；

G——輸入環(huán)境特征對應(yīng)的搜索鍵矩陣；

D——輸入環(huán)境特征對應(yīng)的數(shù)值矩陣。

式中：

ω1′、ω2′、ω3′、ω4′、ω5′——輸入環(huán)境特征x1n，x2n，x3n，x4n，x5n的注意力得分；

ω1、ω2、ω5——所預(yù)測的環(huán)境特征x1n，x2n，x5n的權(quán)重；

ω′——輸入環(huán)境特征的注意力得分矩陣；

ω——所預(yù)測環(huán)境特征的權(quán)重矩陣。

在計算權(quán)重時沒有使用Attention中傳統(tǒng)的softmax函數(shù)，而是使用了直接加權(quán)求和的方式，能夠達(dá)到同樣的效果，且簡化了計算量。

式中：

y1n、y2n、y5n——模型所輸出的空氣濕度，空氣溫度，土壤含水量的預(yù)測值；

Y——模型所輸出的空氣濕度，空氣溫度，土壤含水量的預(yù)測值矩陣。

模型變?yōu)槲鍌€向量輸入三個向量輸出，故只計算空氣濕度x1n，空氣溫度x2n，土壤含水量x5n的權(quán)重。

GA算法和Attention機(jī)制的加入，不僅解決了傳統(tǒng)的LSTM模型尋找超參數(shù)值、隱藏層數(shù)困難和面對多維度、多變量數(shù)據(jù)集時預(yù)測精確度不高的問題，同時還對Attention機(jī)制中的計算公式進(jìn)行了簡化，使其達(dá)到相同效果的同時，減少了計算量。

3 結(jié)果分析

3.1 預(yù)測模型結(jié)果分析

GA-Attention-LSTM模型預(yù)測效果通過MAE（平均絕對誤差）、MSE（均方誤差）和損失函數(shù)（Loss Function）來體現(xiàn)。由表2可知，GA-Attention-LSTM模型相比于傳統(tǒng)的LSTM模型和Attention-LSTM模型誤差更低，損失更少，能夠更好地預(yù)測溫室內(nèi)的環(huán)境參數(shù)。GA-Attention-LSTM模型的MAE、MSE和Loss分別為0.112、0.087、0.057，與LSTM模型相比，MAE高出12.80%，MSE高出9.72%，Loss高出3.31%；與Attention-LSTM模型相比，MAE高出6.15%，MSE高出4.82%，Loss高出1.23%。

用LSTM、Attention-LSTM、GA-Attention-LSTM三種模型分別輸出空氣濕度、空氣溫度、土壤含水量各100條數(shù)據(jù)，將數(shù)據(jù)導(dǎo)出，基于pycharm平臺繪制曲線圖，圖7、圖8、圖9分別為LSTM、Attention-LSTM、GA-Attention-LSTM三種模型對于空氣濕度、空氣溫度和土壤含水量的預(yù)測值和實際值的對比。

GA-Attention-LSTM模型所預(yù)測的環(huán)境參數(shù)值的曲線與實際的環(huán)境數(shù)值曲線更加符合，實際值與真實值更加貼近。

3.2 裂果率與參數(shù)預(yù)測關(guān)聯(lián)性分析

通過遺傳算法優(yōu)化后并加入自注意力機(jī)制的長短期記憶神經(jīng)網(wǎng)絡(luò)模型，實現(xiàn)了與櫻桃裂果相關(guān)的環(huán)境特征預(yù)測的功能，接下來基于監(jiān)測裝置采集的環(huán)境數(shù)據(jù)進(jìn)行大櫻桃裂果的分析工作。

3.2.1 裂果率統(tǒng)計性分析

提取每個大棚監(jiān)測裝置采集的一定量的環(huán)境數(shù)據(jù)，通過SPSS數(shù)據(jù)分析軟件來對不同大棚的環(huán)境參數(shù)和裂果率展開分析，可得出一套裂果預(yù)警方案，幫助農(nóng)戶合理地調(diào)節(jié)溫室內(nèi)的環(huán)境參數(shù)值，降低棚內(nèi)的裂果數(shù)量。通過實際的走訪調(diào)研，可以統(tǒng)計出監(jiān)測設(shè)備所安置的溫室大棚內(nèi)本年的櫻桃總產(chǎn)量和裂果數(shù)量，根據(jù)年產(chǎn)量和裂果量的統(tǒng)計數(shù)據(jù)，可以計算出每個溫室大棚的裂果率。裂果率如表3所示。

3.2.2 環(huán)境數(shù)據(jù)與裂果率對比分析

接下來對環(huán)境數(shù)據(jù)與裂果率展開對比分析工作。首先，將環(huán)境自動監(jiān)測裝置所采集的環(huán)境數(shù)據(jù)進(jìn)行截取，分別對每個大棚的空氣濕度、空氣溫度和土壤含水量數(shù)據(jù)隨機(jī)截取500條，一個大棚共1 500條，所有大棚共計10 500條環(huán)境參數(shù)值；之后，將截取的數(shù)據(jù)導(dǎo)入SPSS數(shù)據(jù)分析軟件，進(jìn)行描述性統(tǒng)計。根據(jù)統(tǒng)計的結(jié)果來對不同大棚的環(huán)境數(shù)據(jù)和裂果率展開關(guān)聯(lián)性分析。表4為SPSS平臺對每個大棚的空氣濕度的分析結(jié)果。

由表4可知，裂果率較高的大棚內(nèi)具有均值更高的空氣濕度，約為76%；反之，裂果率較低的大棚內(nèi)具有均值更低的空氣濕度，約為66%。裂果率較高的大棚內(nèi)空氣濕度的標(biāo)準(zhǔn)差值及方差值更大，說明空氣濕度的波動較大；反之，裂果率較低的溫室內(nèi)空氣濕度的波動較小。

表5為SPSS平臺對每個大棚的空氣溫度的分析結(jié)果。由表5可知，每個棚的均值溫度相差不大，在櫻桃進(jìn)入著色期后，空氣溫度基本穩(wěn)定在15℃～25℃之間。裂果率較高的大棚內(nèi)空氣溫度的標(biāo)準(zhǔn)差值及方差值更大，說明空氣溫度的波動較大；反之，裂果率較低的溫室內(nèi)空氣溫度的波動較小。

表6為SPSS平臺對每個大棚的土壤含水量的分析結(jié)果。由表6可知，除4號棚外，其他大棚土壤含水量均值差距不大，在櫻桃進(jìn)入著色期后，土壤含水量基本穩(wěn)定在15%～35%之間。裂果率較高的大棚內(nèi)土壤含水量的標(biāo)準(zhǔn)差值及方差值更大，說明土壤含水量的波動較大；反之，裂果率較低的溫室內(nèi)土壤含水量的波動較小。

根據(jù)上述分析可知，在櫻桃進(jìn)入著色期后，溫室內(nèi)的空氣濕度值控制在60%～70%，空氣溫度值控制在15℃～25℃，土壤含水量控制在15%～35%，不宜過高過低。在此基礎(chǔ)上，要穩(wěn)定溫室內(nèi)的環(huán)境數(shù)值，盡量避免環(huán)境特征值波動過大的現(xiàn)象發(fā)生。通過所提出的融合GA-Attention-LSTM算法的櫻桃裂果環(huán)境參數(shù)預(yù)測方法，可以準(zhǔn)確預(yù)測下一未知時刻的環(huán)境參數(shù)值，以此來幫助農(nóng)戶科學(xué)地調(diào)節(jié)溫室內(nèi)的環(huán)境特征值。

4 結(jié)論

本文針對溫室環(huán)境參數(shù)預(yù)測及櫻桃裂果問題，提出了一種融合GA-Attention-LSTM算法的櫻桃裂果環(huán)境參數(shù)預(yù)測方法。該方法包括GA優(yōu)化的LSTM的結(jié)構(gòu)，提高LSTM網(wǎng)絡(luò)的預(yù)測精度；Attention機(jī)制為輸入的環(huán)境特征變量分配相應(yīng)的權(quán)重，并對Attention機(jī)制的權(quán)重計算公式進(jìn)行了改進(jìn)，使其在達(dá)到相同效果的同時，減少了計算量。與傳統(tǒng)的LSTM網(wǎng)絡(luò)相比，改進(jìn)后的網(wǎng)絡(luò)模型具備更高的運(yùn)行效率和更為精準(zhǔn)的預(yù)測效果。該方法使溫室內(nèi)與櫻桃裂果相關(guān)的環(huán)境因素得到精準(zhǔn)地預(yù)測，能夠很好地應(yīng)用到未來時刻環(huán)境數(shù)值的預(yù)警，從而起到減少溫室內(nèi)裂果數(shù)量的效果。

1）" 本文提出的GA-Attention-LSTM模型的預(yù)測效果相比于LSTM和Attention-LSTM模型具有更高的預(yù)測精度，具體表現(xiàn)為：比LSTM模型的MAE高出12.80%，MSE高出9.72%，比Attention-LSTM模型的MAE高出6.15%，MSE高出4.82%；同時還簡化了權(quán)重分配的計算過程，提高了運(yùn)行效率。

2）" 在櫻桃溫室大棚裂果防治的問題上，要做到以下兩點。第一，控制棚內(nèi)環(huán)境參數(shù)的平均值；第二，盡可能避免環(huán)境參數(shù)值出現(xiàn)過大的波動，尤其在遇到陰雨等惡劣氣候，要做好棚內(nèi)的防護(hù)措施，使溫室內(nèi)的環(huán)境參數(shù)值趨于穩(wěn)定。

參 考 文 獻(xiàn)

［1］ 呂志明， 潘鳳榮， 閆明偉， 等. 大連市甜櫻桃產(chǎn)業(yè)發(fā)展歷史、現(xiàn)狀及趨勢［J］. 落葉果樹， 2018， 50（3）： 29-32.

Lü Zhiming， Pan Fengrong， Yan Mingwei， et al. History， current situation and trend of sweet cherry industry in Dalian ［J］. Deciduous Fruits， 2018， 50（3）： 29-32.

［2］ Sekse L. Fruit cracking in sweet cherries （Prunus avium L.） Some physiological aspects—A mini review ［J］. Scientia Horticulturae， 1995， 63（3-4）： 135-141.

［3］ Kuremoto T， Kimura S， Kobayashi K， et al. Time series forecasting using a deep belief network with restricted Boltzmann machines ［J］. Neurocomputing， 2014， 137： 47-56.

［4］ Meka R， Alaeddini A， Bhaganagar K. A robust deep learning framework for short-term wind power forecast of a full-scale wind farm using atmospheric variables ［J］. Energy， 2021， 221： 119759.

［5］ Cui Z， Henrickson K， Ke R， et al. Traffic graph convolutional recurrent neural network： A deep learning framework for network-scale traffic learning and forecasting ［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 21（11）： 4883-4894.

［6］ Yalcin H. Plant phenology recognition using deep learning： Deep-Pheno ［C］. 2017 6th International Conference on Agro-Geoinformatics. IEEE， 2017： 1-5.

［7］ Pereira D R， Papa J P， Saraiva G F R， et al. Automatic classification of plant electrophysiological responses to environmental stimuli using machine learning and interval arithmetic ［J］. Computers and Electronics in Agriculture， 2018， 145： 35-42.

［8］ Yu H， Chen Y， Hassan S G， et al. Prediction of the temperature in a Chinese solar greenhouse based on LSSVM optimized by improved PSO ［J］. Computers and Electronics in Agriculture， 2016， 122： 94-102.

［9］ 彭文， 王金睿， 尹山青. 電力市場中基于Attention-LSTM的短期負(fù)荷預(yù)測模型［J］. 電網(wǎng)技術(shù)， 2019， 43（5）： 1745-1751.

Peng Wen， Wang Jinrui， Yin Shanqing， et al. Short-term load forecasting model based on Attention-LSTM in electricity market ［J］. Power System Technology， 2019， 43（5）： 1745-1751.

［10］ 朱銘康， 盧先領(lǐng). 基于Bi-LSTM-Attention模型的人體行為識別算法［J］. 激光與光電子學(xué)進(jìn)展， 2019， 56（15）： 153-161.

Zhu Mingkang， Lu Xianling. Human action recognition algorithm based on Bi-LSTM-Attention model ［J］. Laser amp; Optoelectronics Progress， 2019， 56（15）： 153-161.

［11］ 韋紅霞. 大櫻桃裂果的影響因素及對策［J］. 煙臺果樹， 2008（2）： 48.

［12］ 張永紅， 葛徽衍， 王永茂， 等. 大棚櫻桃裂果氣象因素分析及防御技術(shù)［J］. 陜西農(nóng)業(yè)科學(xué)， 2017， 63（2）： 97-98， 102.

［13］ 廖月枝， 嚴(yán)金娥， 邱政芳. 美早櫻桃栽培管理技術(shù)要點［J］. 河北果樹， 2021（4）： 51， 54.

［14］ Hochreiter S， Schmidhuber J. Long Short-termmemory ［J］. Neural Computation， 1997（8）： 1735-1780.

［15］ Bedi J， Toshniwal D. Empirical mode decomposition based deep learning for electricity demand forecasting ［J］. IEEE Access， 2018， 6： 49144-49156.

［16］ Zhao Z， Chen W， Wu X， et al. LSTM network： A deep learning approach for short-term traffic forecast ［J］. IET Intelligent Transport Systems， 2017， 11（2）： 68-75.

［17］ Zhang Y， Kong W， Dong Z Y， et al. Short-term residential load forecasting based on LSTM recurrent neural network ［J］. IEEE Transactions on Smart Grid， 2019.

［18］ Luong M T， Pham H， Manning C D. Effective approaches to attention-based neural machine translation ［J］. arXiv Preprint arXiv： 1508.04025， 2015.

［19］ Srinivas M， Patnaik L M. Genetic algorithms： A survey ［J］. Computer， 1994， 27（6）： 17-26.