基于BP神经网络的黄瓜光合速率预测模型研究_陶彦蓉.docx

《基于BP神经网络的黄瓜光合速率预测模型研究_陶彦蓉.docx》由会员分享，可在线阅读，更多相关《基于BP神经网络的黄瓜光合速率预测模型研究_陶彦蓉.docx（57页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、 研宄生学位（毕业 ） 论文的独创性声明 本人声明：所呈交的硕士学位（毕业 ） 论文是我个人在导师指导下独立进行的研究 工作及取得的研究结果；论文中的研究数据及结果的获得完全符合学校关于规范西北 农林科技大学研究生学术道德的暂行规定，如果违反此规定 ，一 切后果与法律责任均 由本人承担。 尽我所知，除了文中特别加以标注和致谢的地方外，论文中不包含其他人已经发表 或撰写过的研究结果，也不包含其他人和自己本人已获得西北农林科技大学或其它教育 机构的学位或证书而使用过的材料。与我一同工作的同事对本研究所做的任何贡献均已 在论文的致谢中作了明确的说明并表示了谢意。 导师指导研究生学位（毕业 ） 论文的

2、承诺 本 人 承 诺 ： 我 的 硕 士 研 究 生 所呈 交 的 硕 士 学 位 ( 毕业 ） 论 文 是 在 我 指导下独立开展研究工作及取得的研究结果，属于我现岗职务工作的结果，并严格按照 学校关于规范西北农林科技大学研究生学术道德的暂行规定而获得的研究结果。如 果违反学校关于规范西北农林科技大学研究生学术道德的暂行规定，我愿接受按学 校有关规定的处罚处理并承担相应导师连带责任。 关于研宄生学位（毕业 ） 论文使用授权的说明 本学位（毕业 ） 论文的知识产权归属西北农林科技大学。本人同意西北农林科技大 学保存或向国家有关部门或机构送交论文的纸质版和电子版，允许论文被查阅和借阅； 同意西北

3、农林科技大学将本学位（毕业 ） 论文的全部或部分内容授权汇编录入中国优 秀硕士学位论文全文数据库进行出版，并享受相关权益。 本人保证，在毕业离开（或者工作调离）西北农林科技大学后，发表或者使用本学 位（毕业 ） 论文及其相关的工作成果时，将以西北农林科技大学为第一署名单位，否则， 愿意按中华人民共和国著作权法等有关规定接受处理并承担法律责任。 任何收存和保管本论文各种版本的其他单位和个人（包括研究生本人）未经本论文 作者的导师同意，不得有对本论文进行复制、修改、发行、出租、改编等侵犯著作权的 行为，否则，按违背中华人民共和国著作权法等有关规定处理并追究法律责任。 (保密的学位论文在保密期限内，

4、不得以任何方式发表、借阅、复印、 缩印或扫描 复制手段保存、汇编论文） Classification code: S24 _ University code: 10712 UDC: 626.8 _ Postgraduate number:2013051273 Confidentiality level: Public Thesis for Masters Degree Northwest A & F University in 2016 RESEARCH ONPREDICTION MODEL OF CUCUMBER PHOTOSYNTHESIS BASED ON BP NEURAL NETWO

5、RK Major: Agricultural Electrification and Automation Research field: Intelligent Detection AndTechnology Name of Postgraduate: Tao Yanrong Adviser: Prof. Zhang Haihui Date of submission: May, 2016 Yangling Shaanxi China 项目来源 本论文由陕西省科学技术研究发展计划项目 “ 基于无线传感器网络的 设施农业光环境智能调控技术与专用装备研发 ” 与国家自然科学基金“ 设 施园艺光环

6、境多因子耦合智能调控模型与方法研究 ” 资助完成。 基于 BP 神经网络的黄瓜光合速率预测模型研究 摘要 我国设施蔬菜栽培面积占世界总面积的 90%以上，已成为我国现代农业的重要组成 部分，黄瓜是我国设施栽培的主要蔬菜之一。作物需求模型的构建是设施高效管理的基 础，其中光合速率预测模型是营造适宜作物光合作用小环境的理论基础。现有的基于 BP 神经网络的光合速率模型通常考虑光照强度、二氧化碳浓度、温度等环境因素，存 在收敛速度慢，模型拟合程度不高等问题。本文在分析环境因子对光合速率影响的基础 上，加入生理因子叶绿素含量，建立融合叶绿素含量的黄瓜幼苗光合速率预测模型。通 过分析幼苗期与开花结果期光

7、合速率差异性，对比建立考虑阶段参数和不考虑阶段参数 的两个模型，以此提出融合叶绿素的黄瓜全程光合速率预测模型。本文的主要工作和结 论如下： (1) 基于 BP 神经网络的建模方法研究。深入分析作物光合作用机理，选择黄瓜为 试验样本，设计涵盖从幼苗期到开花结果期的全阶段多因子嵌套试验，温度设为 5 个梯 度，二氧化碳浓度设为 5 个梯度，光照强度设为 11 个梯度，采用 U-6400XT 便携式光 合仪进行作物净光合速率测定。对获得的 1650 组试验数据进行归一化处理，分别运用 梯度下降法、自适应调节学习率法和非线性最小二乘法 （ LM 训练法 ） 三种网络训练方 法进行对比验证。结果表明，当

8、输入因子为五维时，采用梯度下降法构建模型的实测值 和预测值决定系数为 0.9131，网络训练误差为 0.00084;采用自适应调节学习率法构建 模型的实测值和预测值决定系数为 0.9186，网络训练误差为 0.00053;采用 LM 训练法 构建模型的实测值和预测值决定系数为 0.9872，网络达 到期望的训练误差水平 0.0001， LM 训练法模型的网络训练误差小，拟合程度好。将生长期作为一维输入因子，即输入 因子为六维时，对比三种网络训练方法，结果仍然是 LM 训练法效果好，所以本文采用 LM 训练法进行模型构建。 (2) 叶绿素含量对光合速率模型的影响分析。采用 LM 训练法分别建立融

9、合与未 融合叶绿素含量的光合速率预测模型，融合叶绿素含量模型的实测值和预测值决定系数 为 0.9872，网络达到期望的训练误差水平 0.0001，未融合叶绿素含量模型的实测值和预 测值决定系数为0.9702,网络训练误差为 0.00025， 融合叶绿素含量构建的模型训练效 果好，可有效越过局部平坦区，误差小，模型预测值与实测值拟合程度好。 (3) 生长阶段对光合速率模型的影响分析。针对不同生长阶段光合能力差异性， 采用LM 训练法进行黄瓜开花结果期模型训练，证明其与幼苗期光合速率模型存在明显 不同。在不考虑阶段参数影响时，建立融合两个时期 1650 组数据的 BP 神经网络模型， 模型的实测值

10、和预测值决定系数为 0.8796，网络训练误差为 0.00030,将阶段参数作为 一维因子输入到神经网络，建立融合阶段参数的光合速率预测模型，模型的实测值和预 测值决定系数为 0.9897,网络训练误差小于期望误差 0.0001。由此可见，融合阶段参数 的模型训练效果好，网络训练误差小。 本文构建了基于 BP 神经网络的黄瓜光合速率预测模型，探讨了叶绿素含量和阶段 参数对光合速率的影响，研究成果对提高设施黄瓜产量与品质具有重要作用，并为营造 适宜不同作物生长的设施小环境提供了理论基础。 关键词：光合速率；预测模型； BP 神经网络； LM 训练法 RESEARCH ON PREDICTION

11、MODEL OF CUCUMBER PHOTOSYNTHESIS BASEDON BP NEURAL NETWORK ABSTRACT All around the world, our facility vegetable cultivation area ismore than 90% of the total area and hasbecome a significance part of modern agriculture in our country. Cucumber is one of the main cultivation vegetables in our countr

12、y. Crop demand model construction is the foundation of the facilities efficient management. The photosynthetic rate predictionmodel is the theoretical basis of appropriate crop photosynthesis in the small environment. The environmental factors such as photon flux density, CO2 concentration and tempe

13、rature, were only considered in the existing photosynthetic rate models based on neural network. Slow convergence speed and low model fitting degree were still the existing problem. The influence factors of photosynthetic rate were analyzedin the paper, not only environmental factors, especially the

14、 chlorophyll content was considered in the paper, establishedthe fusion chlorophyll content of cucumber seedling photosynthetic rate prediction model.By analyzing the seedling period and blossom period photosynthetic rate differences,considering parameters and without considering phase parameters of

15、 the two modelswere established and contrasted. Eventually the fusion physiological factor prediction model of the full growth period cucumber photosynthesis rate was established.In this paper, the main work and conclusions were as follows: (l) Modeling method based on BP neural network research.Dee

16、plyanalyzed the crop photosynthesis mechanism, selected cucumber as the test sample.Designed the entire multi-factor nested tests coveredthe entire stage from seedling stage to flowering stage.Temperature gradientswere set to 5 gradients, the carbon dioxide concentration gradientswere set to 5gradie

17、nts, the light intensity were set to 11 gradients.The Li-6400xt portable photosynthetic measured the crop net photosynthetic rate. The obtained 1650 groups of experimental dataprocessed bynormalized processing.The results showed that, when the input factors were five dimensions,the model used the gr

18、adient descent method, thecorrelation coefficient between actual measured and the calculated was 0.9131, the network training error was 0.00084; the model used the adaptive vector control method, the correlation coefficient between actual measured and the calculated was 0.9186, the network training

19、error was 0.00053; the model used the LM training method, the correlation coefficient between actual measured and the calculated was 0.9872, the network training error was less thanO.0001.The network training error of the LM training model was small, the degree of fitting was good.Whenthe growthstag

20、e was considered as one-dimensional input factor, the LM training method was the best among the three methods,so the LM training method was adopted for model building. (2) Effect of chlorophyll on photosynthetic rate model, LM training method was used to establish the prediction model of photosynthe

21、tic rate of fusion and non fusion chlorophyll content. The fusion model of chlorophyll content, the correlation coefficient between actual measured and the calculated was 0.9872, the network training error was less than 0.0001.The non fusion model of chlorophyll content,the correlation coefficient b

22、etween actual measured and the calculated was 0.9702, the network training error was 0.00025. The chlorophyll content of the model integration training effect was good, the model can effectively flat over the local areaand meet the requirement. The training error is less than 0.0001, the model predi

23、cted and measured values fit well. (3) The influence analysis of the growth stage of photosynthetic rate model.The photosynthetic capacity was different in different growth phase. LM training method was adopted to improve the cucumber blossom period model training,there was a large difference betwee

24、n the blossom period model and the seedling period model.The parameters were not considered, the neural network model was established contained 1650 groups in two stages. The correlation coefficient between actual measured and the calculated was 0.8796, the network training error was 0.00030. Setthe

25、 phase parameters as one-dimensional factor input to the neural network and the prediction model of the photosynthetic rate of the fusion stage parameters was established.The correlation coefficient between actual measured and the calculated was 0.9897, the network training error was less than 0.000

26、1. This showed that the model training effect of the fusion stage parameters was good and the network training error was small. In this paper, the prediction model of photosynthetic rate of cucumber based onBP neural network was constructed. The effects of chlorophyll and stage parameters on photosy

27、nthetic rate were discussed. The research played an important role in improving facilities cucumber yield and quality, also provided the theoretical basis ofthe appropriate facilities small environment of the different crop periods. KEYWORDS: Photosynthetic rate, Prediction model, BP neural network,

28、 LM training method 胃 一 *雜 . 1 11 研究背景和意义 . 1 1.2 国内外研究现状 . 2 1.2.1 光合速率模型相关研究 . 2 1.2.2神经网络相关研究 . 3 1.3 研究内容 . 3 1.4 技术路线 . 4 1.5 章节安排 . 5 第二章黄瓜多因子嵌套试 验与分析 . 6 2.1 光合作用机理分析 . 6 2.2 试验条件 . 7 2.3 试验方案 . 8 2.4 试验方法 . 9 2.4.1仪器介绍 . 9 2.4.2仪器特点 . 9 2.4.3光合测定过程中的注意事项 . 10 2.4.4试验过程 . 10 2.5 试验结果与分析 . 12

29、2.5.1叶绿素数据分析 . 13 2.5.2幼苗期与开花结果期试验数据分析 . 14 2.6 本章小结 . 16 第三章 BP 神经网络参数的选取 . 17 3.1 BP 神经网络建模方法 . 17 3.2 试验数据预处理 . 18 3.3 BP 神经网络参数确定 . 20 3.3.1网络层数的确定 . 20 3.3.2输入和输出层节点数的确定 . 21 3.3.3隐节点数的设计 . 22 3.3.4网络传递函数的确定 . 23 3.4 本章小结 . 25 第四章黄瓜光合速率预测模型分析 . 26 4.1 融合叶绿素含量的光合速率预测模型构建 . 26 4.1.1三种网络训练方法对比 . 2

30、6 4.1.2 融合叶绿素含量与未融合叶绿素含量的黄瓜幼苗光合速率预测模型 .31 4.2 融合阶段参数的黄瓜全程光合速率预测模型构建 . 32 4.2.1 黄瓜分阶段光合速率训练曲线 . 32 4.2.2 黄瓜分阶段光合速率预测模型 . 35 4.3 本章小结 . 37 第五章总结与展望 . 38 5.1 . 38 5.2 创新点 . 38 5.3 廳 . 39 . 40 翻寸 . 44 . 45 第一章绪论 1.1 研究背景和意义 我国是一个农业大国，人口多，耕地少，人均资源相对不足 (沈琼 2014)。近几年来， 中国的设施农业得到了快速发展，单位面积产量大幅度提高，产品质量进一步优化，

31、蔬 菜人均占有量超过了世界平均水平 (Janssen etal. 2004;齐飞等 2012; Morimoto and Hashmioto 2009)。设施农业是指在相对可控的环境条件下，采用工业化生产与管理方式， 实现高效可持续发展的现代超前农业生产方式，集成现代生物技术、农业工程、环境控 制、管理、信息技术等学科，以现代化农业设施为依托，具有科技含量高、产品附加值 高、土地产出率高和劳动生产率高的特点，是我国农业新技术革命的跨世纪工 程 (初江 等 2004;古文海和陈建 2004)。 2015年 9 月 28 日，国家农业综合开发办公室加大推进 设施农业的发展，中国将迎来优质、高效、生

32、态、安全的农业发展前景。 近年来，温室大棚由于突破了传统作物种植受季节、环境、气候等诸多因素的限制， 其相关农副产品越来越受到广大消费者的青睐，发展前景十分广阔 (Giorgio et al. 2016)。 一方面，温室大棚的建设能满足城市消费群体的质量要求；另一方面，温室大棚的建设 有效利用了冬季自然光能，生产出优质的反季节蔬菜 (刁明等 2009)。因为大棚内昼夜温 差小 ，营养生产期长，生产出来的西瓜、甜瓜及挂果类蔬菜的品质大大提高，产量大増。 虽然目前我国设施园艺面积已达 300 多万 hm2,总面积占世界首位。设施蔬菜面积占设 施园艺总面积的 95%以上，设施蔬菜生产总量已超亿吨。但

33、是，在我国 300 多万 hm2 的设施园艺生产中，代表设施园艺最高水平的大型连栋温室在我国仅有 400 多 hm2,仅 占总面积的 0.013%左右。随着温室内环境的变化，温室大棚内植物的光合作用不能保 证一直处于最优状态，造成资源浪费且对植物生长造成影响 (崔瑾等 2008)。特别近年来 连续雾霾天气的出现，设施作物光能不足的问题进一步加剧。因此，营造有利于作物生 长的光环境是设施农业发展亟待解决的重要问题，如何对植物光合模型进行优化和预测 是发展农业的重中之重。 由于神经网络应用日趋普遍，越来越多的人开始研究神经网络。神经网络是通过对 人脑的基本神经元的建模和联接，探索模拟人脑神经系统功

34、能的模型，并研制一种具有 学习、联想、记忆和模式识别等智能信息处理功能的人工系统 (Rumelhart etal. 1986)。 神经网络是在对人脑思维方式研究的基础上，将其抽象模拟反映人脑基本功能的一种并 行处理连接网络(Ferreira etal. 2002)。神经元是神经网络的基本处理单元。神经网络的一 个重要特性是它能够从环境中学习，并把学习的结果分布存储于网络的突触连接中。神 经网络的学习是一个过程，在其所处环境的激励下，相继给网络输入一些样本模式，并 按照一定的规则调整网络各层的权值矩阵，待网络各层权值都收敛到一定值，学习过程 1 结束，进而用生成的神经网络来对真实数据做分类或者预

35、测 (Ainit et al. 2006; Aminian and Aminian 2007)。 本文研究基于 BP 神经网络的黄瓜光合速率预测模型对提高设施黄 瓜产量与品质具有重要作用，并为营造适宜不同作物生长的设施小环境提供了理论基础。 1.2 国内外研究现状 1.2.1 光合速率模型相关研究 黄瓜是我国栽培的主要蔬菜之一 (杨小华 2013)。由于黄瓜的经济效益，其生长环境 因子响应特性得到了广泛研究。叶绿体是绿色植物进行光合作用的基础细胞器，而叶绿 素是叶绿体的基本组成物质，在植物光合作用中至关重要，其含量是植物光合作用能力、 营养状况和生长态势的重要指不因子 (Flexaset al

36、. 2014; Wen et al. 2007; Jang et al. 2011; 潘璐等2014;XUetal.2013);卢哓萍等 (2013)证明 C02浓度直接影响作物进行暗反应速 率和干物质的积累；张金恒等 (2003)发现光照强度是光合作用的直接动力与推动力量； Xu 等 (2014)通过试验发现相对湿度影响叶片气孔导度；张婷华等 (2013)研究表明黄瓜叶 片的净光合速率和胞间 C02浓度随着相对湿度的减小而降低；张红梅等 (2011)研究结果 表明高温胁迫将降低黄瓜的光合速率；杨程等 (2013)证明叶绿素影响 植物光合作用；马 德华等 (1997)证明温度、光照、 C02浓

37、度等因素均对黄瓜幼苗的光合速率产生不同程度 的影响，温度上升或下降均明显降低幼苗的净光合速率，同时使光补偿点和饱和点发生 变化。上述研究均表明光照强度、 C02浓度、温度、湿度和叶绿素含量与光合速率有着 密切关系。因此，如何建立融合多因子的黄瓜光合速率预测模型，提高作物的光合速率 已成为作物栽培领域亟待解决的问题。 光合作用是植物生长的基础，基于作物生理的光合速率模型已得到广泛研究 (Marcelis etal. 1998; t6pdnetal. 2010)。 Acock 等 (1978)提出包括光呼吸、暗呼吸和氧效 应的植物光合作用生理模型，是最早建立的叶片光合速率模型之一；李萍萍等 (20

38、09)建 立不同温光条件下黄瓜光合作用类卡方模型；胡瑾等 (2014)研究了幼苗期番茄光合速率 与光照和温度的变化关系，建立了光合作用优化调控模型；王伟珍等 (2013)研究了番茄 开花期光合速率变化，建立了番茄开花期单叶净光合作用速率的预测模型； 1等 0 15) 探究了番茄在不同生长阶段下环境因子和光合作用的变化关系，分别建立番茄幼苗期， 开花期及结果期的光合速率预测模 型；刘玉梅等 (2007)研究黄瓜光合作用的生态模拟； 史为民等 (2005)研究了日光温室黄瓜叶片光合速率模型；侯加林等 (2006)通过对番茄不 同发育阶段与环境因子关系的分析，以多元线性回归方法建立了番茄生长发育的非

39、线性 动态模拟模型；李天来等 (2010)通过对不同 C02 浓度、不同光强、不同温度条件下的日 光温室番茄单叶净光合速率的测定，建立了番茄单叶净光合速率模型中最大光合速率的 温度修正模型。上述研究均采用多元回归或者线性拟合的方法，探究了不同环境因子之 2 间的 关联性，构建了不同的光合速率模型，对于改善模型的适应性和准确性具有长远意 义。 1.2.2 神经网络相关研究 神经网络具有非线性映射和自适应学习能力等优点，适宜拟合和预测非线性复杂系 统模型 (Daiet al. 2009; Deswal and Pal 2008)，因此基于神经网络的光合速率建模已成为 研究热点。 KmetandKm

40、etova(2015)在研究非线性复杂自适应生态系统的基础上，构建 了基于神经网络的浮游植物光合作用模型，有效模拟出浮游植物的光合生产过程 ； Gago 等 (2010)提出运用神经网络优化模型的数据；程洪等 (2015)研究基于神经网络的苹果估 产模型；张京平和王会 (2008)将神经网络应用在苹果含水率预测中； David 等 (2012)应用 神经网络预测模型的生态结构；韩磊等 (2011)利用 BP 神经网络建立土壤养分综合评价 模型；杨再强等 (2011)发现基于 BP 神经网络的温室番茄叶片气孔导度模型；项美晶和 张明 (2010)结合温室作物光合作用和 C02变化规律，分别运用 BP 神经网路和 RBF 神经 网络建立温室作物光合速率与 C02的量化模型，将此作为温室 C02控制系统依据；刘淑 梅等 (2015)利用 BP 神经网络建模和曲线拟合的方法，模拟日光温室内气温的逐时变化 ; 张漫等 (2015； )将 BP 神经网络的光