基于BP神经网络的大麦净光合速率预测
来源:用户上传
作者:
摘 要 净光合速率是植物重要的生理指标之一。植物的净光合速率受到各种环境因素的影响。利用BP神经网络模型拟合了大麦净光合速率与环境二氧化碳浓度，光照强度、温度和水的模型，并将预测值和观测值进行比较。结果表明，大麦BP神经网络模型能较准确的计算出大麦不同环境因素下的净光合速率。这为BP神经网络模型在其他植物净光合速率研究中的应用提供了参考。
关键词 大麦；净光合速率；预测；BP神经网络模型
中图分类号：S512.3 文献标志码：B 文章编号：1673-890X（2016）06--02
净光合速率（Pn）是评价植物生长状况的重要指标之一，因此净光合速率一直是植物生理研究的一个重点。影响Pn的主要因素有：环境二氧化碳浓度，光照强度、温度和水[1]。青稞作为青藏高原地区藏族人民的主要粮食作物和动物饲料，对当地经济和人民生产生活中发挥着重要的作用[2]。由于高原独特的自然地理条件，研究青稞的Pn对提高青稞的产量和提高藏族人民的生活水平有着重要的意义。目前，研究青稞的Pn与环境因素之间的关系主要集中在研究Pn与光照强度，Pn与水[3]等。系统地研究和预测Pn与环境二氧化碳浓度、光照强度、温度和水之间的报道较少。
BP神经网络（Back Propagation neural network）是最重要的人工神经网络模型之一，广泛地应用于非线性系统的模式识别和预测方面有着广泛的应用。Li等人通过利用偏最小二乘回归与BP神经网络预测番茄的光合速率发现BP神经网络拟合的结果精确度高于偏最小二乘回归[4]。
本研究主要目的是：利用BP神经网络研究大麦Pn与环境二氧化碳浓度、光照强度、温度和水之间的关系，建立最优BP神经网络模型，并将神经网络的预测值与观测值进行比较，探讨神经网络对大麦Pn预测的实用性。
1 材料与方法
2010年11月5日，将大麦（Hordeum vulgare L.）品种矮白青稞种子按照行距15 cm、株距10 cm播种于西华师范大学试验田（北纬30.812°，东经106.067°）。为使植株长势尽可能均一，统一进行水肥管理。
2011年5月的第1个星期，此时供试材料处于灌浆期。数据测定当天天气晴朗无云，从07：00-19：00，选择5株长势较好且均一的大麦主分蘖植株，利用Li-6400型便携式光合仪测定大麦旗叶的光合日变化，记录的数据主要有：净光合速率（Pn）、光照强度（PARo）、环境二氧化碳浓度（二氧化碳）、气孔导度（Cond）、气温（Tair）、相对湿度（RH）、叶片温度（Tleaf）和蒸腾速率（Trmmol）等。每隔1h测定一次，每株的旗叶重复测定3次，待Pn稳定后保存数据。
将每片旗叶重复测量3次的数据求平均值作为该植株的光合日变化数据，共得到65个数据。然后将65个数据随机分成2组：第1组包含55个数据，用于BP神经网络训练；第2组包含10个数据，该组数据用于BP神经网络测试。该组的Pn观测值在称为测试值，而神经网络计算输出的Pn称为预测值。BP神经网络模型的训练和预测利用Matlab 6.5进行。其中气温、环境二氧化碳浓度、相对湿度和光照强度作为BP神经网络的输入层，Pn作为输出层。为了评价BP神经网络的准确性，定义了测试值和预测值之间的均方误差（Mean square error，MSE）。
（1）
方程（1）中yt和?t分别代表观测值和计算值[5]。为了找出大麦Pn最优的BP神经网络模型参数，首先固定学习速率为0.05，将迭代次数设为1 000、2 000、3 000、4 000进行BP神经网络训练，每个迭代次数进行5次训练，并计算出每次的测试值和测试值的MSE（Mean Square Error）（见表1）。然后为找出最优学习速率，我们将迭代次数设置为最优的迭代次数，而学习速率分别设置为0.05、0.06、0.07进行BP神经网络训练，每个参数进行5次训练，并计算出测试值和预测值的MSE（见表2）。最终将最优参数对应的预测值和测试值作图比较（见图1）。
2 结果与分析
表1显示了BP神经网络学习速率为0.05，不同迭代次数对大麦Pn预测值MSE的影响。表1第一列代表不同的4个迭代次数，最后一列代表5次训练所得MSE的平均值。由表1可见：当迭代次数为2 000次时，5次训练所得的平均值最小为1.500。其中当迭代次数为4 000时，第2次训练所得的MSE在所有训练结果中的MSE最小为1.369。
表2显示了BP神经网络迭代次数为2 000时，不同学习速率下大麦Pn预测值与观测值的MSE。表2第一列代表不同的学习速率，最后一列代表5次训练所得MSE的平均值。由表2可见：当学习速率为0.06时，5次训练所得的MSE平均值最小为1.500。其中当学习速率为0.05时，第4次训练所得的MSE在所有训练结果中的MSE最小为1.314。
图1显示了利用BP神经网络程序计算大麦Pn的预测值与测试值之间的差异。由图1可见，预测值和测试值之间比较接近，部分测试值和预测值几乎完全重合。
图1 大麦净光合速率观测值与BP神经网络最优预测值比较
3 结论与讨论
净光合速率是评价植物生长情况的重要因素，其受到各种环境因素的影响。以往利用线性模型或偏最小二乘回归模型研究Pn与环境因素的关系表明：Pn与环境因素不是简单的线性关系。本研究利用BP神经网络对大麦的Pn与环境因素中的环境二氧化碳浓度，光照强度、温度和水进行拟合和预测，结果表明BP神经网络在迭代次数为2 000次（见表1），学习速率为0.06时得到的BP神经网络模型是大麦净光合速率最优、最稳定的模型（见表2）。其中第2次训练得到的神经网络其MSE最小为1.368（见表2）。由图1可见，该网络预测的净光合速率预测值与实际测试值比较接近，部分测试值与预测值几乎完全重合。这说明BP神经网络在预测大麦的净光合速率方面具有较高的准确性，这与以往的研究结果一致[5]。本研究表明，BP神经网络可以广泛地用于预测植物的净光合速率。
参考文献
[1]Blackman FF. Optima and limiting factors. Annals of Botany， 1905（19）：281-295.
[2]程明，李志强，姜闯道，等.青稞的光合特性及光破坏防御机制[J].作物学报，2008，34（10）：1805?1811.
[3]于智恒，寇立娟，王钢钢.农田水位及环境因素对小麦生理指标的影响预测[J].安徽农业科学，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].农业工程学报，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.
（责任编辑：刘昀）
转载注明来源:https://www.xzbu.com/1/view-11345674.htm
