基于多層感知機的溫室內(nèi)番茄莖直徑變化預(yù)測模型

陳毅飛，楊會民，馬 艷，張新偉，喻 晨，王學(xué)農(nóng)

(1.新疆農(nóng)業(yè)科學(xué)院農(nóng)業(yè)機械化研究所，烏魯木齊 830091；2.新疆農(nóng)業(yè)大學(xué)機電工程學(xué)院，烏魯木齊 830052)

0 引 言

【研究意義】氣候干旱與水資源匱乏是新疆的主要地域特征，伴隨著農(nóng)業(yè)種植面積不斷擴大，水資源利用過度等問題，開發(fā)合理有效的灌溉策略及設(shè)備將具有更加重要的研究意義[1-3]?，F(xiàn)代智能灌溉決策系統(tǒng)需要掌握作物的需水規(guī)律[4]，目前作物需水規(guī)律主要有兩大類診斷方法，一類是測量表征作物本體需水狀況的指標(biāo)[5, 6]，主要為蒸騰系數(shù)及蒸騰量、光合速率、葉水勢、莖稈徑流和葉片膨壓等[6, 7]，但目前采集上述生理指標(biāo)的傳感器存在檢測設(shè)備昂貴，葉水勢、氣孔導(dǎo)度等部分傳感器對作物有不可逆轉(zhuǎn)的破壞性，且難以實現(xiàn)實時在線監(jiān)測，需要人工進行采樣通過手持設(shè)備或?qū)嶒炇覂x器進行檢測[6, 8-10]。另一類主要是采集環(huán)境信息及測定土壤含水量的方法[11]，市面上采集土壤含水量的傳感器種類繁多，測量較為直接并且可以在線實時監(jiān)測利用較為廣泛，但是缺乏對作物本身需水情況可靠信息的測定，在實際應(yīng)用中主要由人工對數(shù)據(jù)進行判斷再得出灌溉決策[11-13]?！厩叭搜芯窟M展】目前國內(nèi)外主要采用環(huán)境數(shù)據(jù)監(jiān)測及預(yù)測作物莖直徑變化的方法建立作物需水模型。國內(nèi)王曉森等[14, 15]結(jié)合茄子及番茄不同生育期莖直徑變化特征與氣象因子采用了統(tǒng)計分析的方法進行了相關(guān)性研究并建立了莖稈變化多元回歸方程，提出了針對莖稈成熟期的莖稈變化預(yù)測模型并取得了較好的成果。員玉良等[16]結(jié)合溫室環(huán)境數(shù)據(jù)與莖稈變化數(shù)據(jù)采用了主成分回歸的分析模型對番茄與向日葵的莖直徑進行了預(yù)測，并取得了良好的預(yù)測效果國外。Gallardo等[17]利用莖稈變化傳感器進行莖稈日變化量(TDF)的數(shù)據(jù)采集并將TDF測量應(yīng)用在小莖稈草本植物的灌溉策略的制定中，Moreno等[18]將TDF測量方法應(yīng)用在橄欖樹等大型木本植物中并建立了基于TDF測量方法的灌溉策略。González Perea R等[19]通過分析番茄日空氣溫濕度、日土壤溫濕度及風(fēng)速等環(huán)境信息提出了基于自適應(yīng)神經(jīng)模糊算法的番茄灌溉等級預(yù)測模型。Olutobi Adeyemi等[20]基于高斯分布型貝葉斯估計算法針對溫室生菜提出了植物葉片蒸騰速率數(shù)據(jù)驅(qū)動型預(yù)測模型，預(yù)測短時間內(nèi)的作物蒸發(fā)速率進而判斷作物是否存在水分虧缺狀況并取得了較好效果。Anat Goldstein等[21]對荷荷巴樹果園進行了環(huán)境數(shù)據(jù)采集并采用了提升決策樹的機器學(xué)習(xí)方法對環(huán)境數(shù)據(jù)及土壤數(shù)據(jù)進行了數(shù)據(jù)挖掘提出了針對荷荷巴樹的灌溉策略。以色列Phytech公司及B.F.Agritech公司已經(jīng)研發(fā)出了基于果樹莖稈變化及果實變化的果園關(guān)鍵變量自動監(jiān)測系統(tǒng)[9]，在以色列已商業(yè)化運行并取得了較好的成果，B.F.Agritech公司目前已引入國內(nèi)并與國內(nèi)私企聯(lián)合開發(fā)基于莖直徑變化的用于商業(yè)運作的設(shè)施番茄灌溉設(shè)備及策略?！颈狙芯壳腥朦c】國外學(xué)者研究對象多為果樹及大田作物，很少以溫室作物為研究對象，國內(nèi)學(xué)者的研究主要以基礎(chǔ)研究為主，研究方法及手段較為單一且繁雜無法進行動態(tài)實時預(yù)測，較少有將環(huán)境信息與植物生態(tài)信息進行融合的研究。針對溫室內(nèi)番茄需水規(guī)律的模型參數(shù)不確定及系統(tǒng)非動態(tài)分析的問題研究文獻不多。實際的溫室作物需水模型預(yù)測往往存在諸多影響因素，需要模型及時調(diào)整控制參數(shù)進行校正并能過濾無關(guān)數(shù)據(jù)擾動，要求溫室作物灌溉策略既能保證系統(tǒng)具有較強的魯棒性，又能保證系統(tǒng)具有自適應(yīng)性?！緮M解決的關(guān)鍵問題】以溫室番茄為研究對象，將一個生長周期采集的空氣溫濕度、土壤溫濕度、太陽輻射等環(huán)境信息與葉片溫度、莖稈變化值等植物本體數(shù)據(jù)集分成訓(xùn)練數(shù)據(jù)集、驗證數(shù)據(jù)集及測試數(shù)據(jù)集，采用多層感知機(MLP)算法對環(huán)境與植物生態(tài)數(shù)據(jù)相融合的數(shù)據(jù)集進行訓(xùn)練并得到番茄莖稈變化短期(8 h以內(nèi))預(yù)測模型,為番茄智能灌溉策略提供進一步的數(shù)據(jù)決策支持。

1 材料與方法

1.1 材 料

2018年11月4日～2019年2月27日，試驗在新疆農(nóng)業(yè)科學(xué)院農(nóng)業(yè)機械化研究所Venlo型鋁合金玻璃溫室(43°48′39.6″N，87°34′33.12″E)進行，一共種植了56株生長期相同的盆栽番茄樣本，抽取了2株生長狀態(tài)相似且同處于結(jié)果期的盆載番茄樣本，番茄品種為天粉一號，所用花盆容量為10 L，規(guī)格為0.35 m(底)×0.3 m(高)，采用基質(zhì)栽培的方式，基質(zhì)為草炭、蛭石和珍珠巖按3∶3∶1的比例混合而成，初始基質(zhì)肥料含量為有機質(zhì)58.62%、速效氮638.9 mg/kg、速效磷371.3 mg/kg、速效鉀6 640 mg/kg。

利用植物生理生態(tài)數(shù)據(jù)采集系統(tǒng)(PM-11，Israel，BF-Agritech)每隔10 min連續(xù)自動采集環(huán)境數(shù)據(jù)與植物生理數(shù)據(jù)，主要指標(biāo)為空氣溫度、空氣相對濕度、土壤濕度、太陽有效輻射、葉片溫度、莖稈直徑變化。表1

溫室內(nèi)2株番茄的莖直徑每天都會進行周期性變化，在水分供給正常時會有不同程度的增幅。試驗將選取番茄結(jié)果期數(shù)據(jù)的莖直徑變化量作為預(yù)測指標(biāo)，LVDT傳感器分別安裝在距基質(zhì)表層3～5 cm處連續(xù)監(jiān)測莖直徑變化，一共安裝2個。番茄整個生長季共采集了72 800條數(shù)據(jù)，主要選取番茄結(jié)果期22 400條數(shù)據(jù)進行模型的建立及預(yù)測研究，并根據(jù)交叉驗證原則按7∶2∶1的比例將數(shù)據(jù)集分成了訓(xùn)練集、驗證集和測試集具體數(shù)據(jù)條數(shù)。圖1，表2

1.2 方 法

1.2.1 MLP模型結(jié)構(gòu)

采用多層感知機(MLP)進行莖直徑變化非線性回歸分析，MLP 是深度神經(jīng)網(wǎng)絡(luò)(DNN)中一種比較有代表性的前向結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)。MLP在處理大樣本量時，學(xué)習(xí)能力優(yōu)于單層感知機與主成分分析法[22, 23]。誤差逆?zhèn)鞑?error Back Propagation，簡稱BP)算法將使多變量非線性回歸問題的處理變得更加簡化。通過建立MLP輸入層、隱藏層、輸出層三級網(wǎng)絡(luò)結(jié)構(gòu)，在前人的研究基礎(chǔ)上將篩選之后的數(shù)據(jù)集輸入網(wǎng)絡(luò)中進行回歸訓(xùn)練[24, 25]。最后通過確定每個輸入節(jié)點與后面隱層之間的權(quán)值與偏置系數(shù)得到描述目標(biāo)對象特征的預(yù)測模型，即莖直徑變化。

表1 植物生理生態(tài)數(shù)據(jù)采集系統(tǒng)性能指標(biāo)

Table 1 The Performance index of Plant physiological and ecological data collection system

測量參數(shù)Measurement Value型號Type精度Precision分辨率Resolution測量范圍Measurement Range空氣溫度Air TemperatureATH-3ZT±0.5℃0.1℃-40～60℃空氣相對濕度Air Relative HumidityATH-3ZH±2%RH0.1%RH3%～100%RH土壤濕度Soil MoistureSMTE-3Z±2%VWC0.1%VWC0～100%VWC太陽有效輻射Effective Solar RadiationPIR-1Z±5%1 μmol/(m2·s)0～2 500 μmol/(m2·s)葉片溫度Leaf TemperatureLT-4Z0.1℃±0.2℃0～50℃莖稈直徑變化Stem Diameter VariationSD-5Z±0.1%0.002 mm0～5 mm

注：VWC為體積含水量

Note:(Volumetric Water Content)

圖1 番茄樣本1和2環(huán)境及植物本體數(shù)據(jù)趨勢

Fig.1 Trend of Environmental and Ontology data of tomato samples 1 and 2

表2 訓(xùn)練集、驗證集和測試集條數(shù)

Table 2 Training Set, Verification Set and Test Set

數(shù)據(jù)集Data Set訓(xùn)練集Training Set驗證集Verification Set測試集Test Set空氣溫度Air Temperature2 240640320空氣相對濕度Air Relative Humidity2 240640320葉片溫度Leaf Temperature2 240640320有效光輻射Effective Solar Radiation2 240640320土壤濕度(距離基質(zhì)表層5 cm)Soil moisture (5 cm from matrix surface)2 240640320土壤濕度(距離基質(zhì)表層15 cm)Soil moisture (15 cm from matrix surface)2 240640320莖稈變化值Stem Diameter Variation2 240640320總計Aggregate15 6804 4802 240

1.2.2 MLP模型結(jié)構(gòu)及訓(xùn)練算法

選取訓(xùn)練集數(shù)據(jù)中的空氣溫度、空氣相對濕度、土壤濕度、葉片溫度及有效光輻射等數(shù)據(jù)作為MLP模型的數(shù)據(jù)輸入，莖直徑變化量為已標(biāo)定的目標(biāo)輸出值，建立以莖直徑變化量為目標(biāo)函數(shù)的多層感知機非線性回歸模型[16]。MLP模型有多個節(jié)點層組成且為全連接，第一層是輸入層，最后一層是輸出層，中間稱為隱含層，每一層包括確定數(shù)目的神經(jīng)元。圖 2

圖2 多層感知機模型結(jié)構(gòu)

Fig.2 Structure of Multi-Layer Perceptron Model

圖1中輸入層共有 6個輸入變量(x1,x2,…,x6)，通過sklearn平臺中Grid SearchCV超參數(shù)網(wǎng)格搜索算法對3個隱含層進行參數(shù)優(yōu)化得到各個隱含層的神經(jīng)元數(shù)量(L(1):q個,L(2):p個,L(3):r個)，輸出層有 1個神經(jīng)元(y)，除去輸出層，每一層均有一個偏置項(b1,b2,b3)?；趕klearn平臺搭建的莖直徑變化非線性回歸分析的MLP模型，共構(gòu)建了3層隱層，隱層節(jié)點分別設(shè)置為(100,30,30)，具體MLP算法建立步驟如下。圖1

1.2.2.1 輸入

1.2.2.2 數(shù)據(jù)歸一化

采用線性歸一化函數(shù)將數(shù)據(jù)轉(zhuǎn)換到[-1，1]之間，計算公式[26]如下：

公式中x表示樣本數(shù)據(jù)，xmax和xmin分別表示樣本數(shù)據(jù)中的最大值和最小值，y表示歸一化后的數(shù)據(jù)，ymax和ymin分別表示歸一化后數(shù)據(jù)的最大值和最小值。

1.2.2.3 數(shù)據(jù)L2正則化

在最小化殘差平方和2 421的基礎(chǔ)上加入L2范數(shù)的懲罰項使某些系數(shù)的估計為0，此dropout機制的引進可以降低過擬合的風(fēng)險，公式中p為引入的p個預(yù)測變量，具體計算公式[27]如下。

(2)

(3)

1.2.2.4 循環(huán)遍歷計算從輸入層依次到隱含層到輸出層的每個節(jié)點

每個節(jié)點的計算方法[18]如下：

xij=f(WiXi-1+bi-1).

(4)

式中：xij代表第i層第j個神經(jīng)元的值；Wi為第i-1層到第i層第j個神經(jīng)元的權(quán)值向量；Xi-1為第i-1層所有神經(jīng)元的值向量；bi-1表示第i-1層的偏置；f為激活函數(shù)。激活函數(shù)采用ReLU函數(shù)：

f(x)=ReLU(x)=max(0,x).

(5)

1.2.2.5 參數(shù)估計通過Grid SearchCV超參數(shù)網(wǎng)格搜索算法[28]尋求并確定最優(yōu)參數(shù)

使得MLP算法損失函數(shù)達到最小時停止計算，損失函數(shù)定義為：

(6)

式中h為MLP輸出值；y為實際值；-2代表距離為2的范數(shù)。

1.2.2.6 經(jīng)過全連接層計算后輸出y值，經(jīng)過反正則化與反歸一化后得出莖稈變化預(yù)測值[29]

將預(yù)測值與實際監(jiān)測值通過公式(7)與公式(8)對模型進行準(zhǔn)確率與相關(guān)性的計算，最終完成莖稈直徑預(yù)測模型的驗證與評估工作進而判定該模型是否有效。

1.2.3 MLP模型預(yù)測與評估

將驗證集代入到已建立的MLP模型，經(jīng)過全連接層計算后輸出y值，經(jīng)過反正則化與反歸一化后求出莖直徑變化量的預(yù)測值[30]。對模型進行準(zhǔn)確率與相關(guān)性的計算，最終完成莖稈直徑預(yù)測模型的驗證與評估工作進而判定該模型是否有效。同時將誤差反饋回MLP模型并進行糾正，最終在不斷地迭代搜索中獲得改善后的MLP模型并得出均方根誤差(Root Mean Square Error，簡稱RMSE)，計算公式[31]：

(7)

公式中Ypre,i是第i條驗證數(shù)據(jù)集的模型莖稈變化預(yù)測值，Yobs,i是第i條驗證數(shù)據(jù)集的莖稈變化實際測量值，n是輸入驗證數(shù)據(jù)集的條數(shù)。最后將測試集帶入改善后的MLP模型求出莖直徑變化量的預(yù)測值并與實測值計算得出實際使用后的RMSE與回歸系數(shù)(R2)用來評價已建立的MLP模型，R2計算公式[16]如下所示：

(8)

2 結(jié)果與分析

2.1 模型驗收

采用Grid SearchCV超參數(shù)網(wǎng)格搜索算法參數(shù)尋優(yōu)確定MLP模型中的隱含層數(shù)量、優(yōu)化容忍度、激活函數(shù)、學(xué)習(xí)率等參數(shù)的最優(yōu)組合[31]，獲得模型訓(xùn)練樣本的R2值和RMSE值，根據(jù)R2值和RMSE值的大小確定最合適的MLP模型。使用的模型共構(gòu)建了3層隱層，隱層節(jié)點數(shù)分別設(shè)置為(100,6,6)，激活函數(shù)為ReLU函數(shù)。

將訓(xùn)練集中的空氣溫濕度、土壤濕度、光有效輻射及葉片溫度等值構(gòu)成MLP模型的6維輸入向量(模型的輸入向量需要進行f2正則化及歸一化操作)，番茄莖直徑變化量為MLP模型的輸出向量(模型的輸出向量需要進行反歸一化操作)，在sklearn平臺中構(gòu)建其訓(xùn)練模型，訓(xùn)練結(jié)果。圖3

圖3 短期數(shù)據(jù)進行的莖直徑變化量預(yù)測值與實測值比較

Fig. 3 Comparison between the Predicted and Measured values of Stem diameter variation from short-term data

MLP非線性回歸對于番茄訓(xùn)練樣本1的R2值為91.27%，RMSE值為0.169，對于番茄訓(xùn)練樣本2的R2值為91.41%，RMSE值為0.163，非線性回歸模型的學(xué)習(xí)效果還是比較理想的，說明研究提出的基于MLP非線性回歸預(yù)測短期番茄莖直徑變化量是切實可行的。對構(gòu)建好的MLP非線性回歸模型對測試集進行預(yù)測，共抽取了8 h左右共50組數(shù)據(jù)進行模型驗證。圖4

模型的預(yù)測結(jié)果與觀測數(shù)據(jù)吻合良好，能將番茄莖直徑變化趨勢較好的預(yù)測，預(yù)測樣本的R2值為0.945，RMSE值為0.209。表3

圖4 測試集中莖直徑變化量預(yù)測值與實測值比較

Fig. 4 Comparison between the Predicted and Measured values of Stem diameter variation in the test set

表3 部分試驗數(shù)據(jù)

Table 3 Experimental data

時序Time Sequence預(yù)測值Predicted Value實測值Measured Value13.2643.29023.1993.13033.3333.34043.3323.34053.3383.34063.2843.29073.1253.12083.3113.30

2.2 模型評估

將試驗獲得數(shù)據(jù)集輸入到MLP模型進行番茄莖直徑變化量預(yù)測，并進行了5次隨機數(shù)據(jù)抽取進行模型評估測試，最終將2個番茄樣本共10次模型評估測試結(jié)果求平均值后得到模型最終評估結(jié)果R2:0.848，RMSE:0.20。表4

表4 預(yù)測值與實測值的誤差

Table 4 Error between Predicted value and Measured value

樣本SampleR2平均R2AueraneRMSE平均RMSEAverage番茄樣本1Tomato Sample 10.9120.168番茄樣本2Tomato Sample 20.8900.182

番茄樣本1 的MLP非線性回歸模型預(yù)測番茄莖直徑變化量R2為0.912，RMSE值為0.168；番茄樣本2的MLP非線性回歸模型預(yù)測番茄莖直徑變化量R2為0.890，RMSE值為0.182。該基于MLP非線性回歸模型預(yù)測番茄莖直徑變化量模型在番茄樣本上的表現(xiàn)具有較高的預(yù)測精度，并具有較好的適應(yīng)性。

3 討 論

由于植物莖直徑變化的影響因素來自環(huán)境因素、土壤含水量及植物自身生長發(fā)育等，因此,以處于生長緩慢期的番茄結(jié)果期的莖直徑變化量為研究對象，利用多層感知機技術(shù)建立了一種短期番茄莖直徑變化量多層感知機預(yù)測模型，該模型在前人研究的基礎(chǔ)上選取了主要多種環(huán)境參數(shù)及植物本體參數(shù)并融合了深度學(xué)習(xí)算法，進而增加了模型的計算復(fù)雜度，此外選取參數(shù)的不足也會導(dǎo)致對預(yù)測結(jié)果有著不同程度的影響。

作物生長期的研究具有一定的局限性，基于MLP的番茄莖直徑變化量預(yù)測模型的研究僅從結(jié)果期時間序列數(shù)據(jù)進行分析，而沒有對番茄其他生長期及農(nóng)藝等因素進行研究，例如果實成熟過程中需要進行一定的水分干旱脅迫防止番茄裂果，番茄定植初期第1次澆水后需要進行適量的干旱脅迫，這樣更有利于番茄根部的發(fā)育。要準(zhǔn)確預(yù)測番茄需水量，不能只考慮莖直徑變化量的變化，應(yīng)將外界環(huán)境、莖直徑變化量、作物生長發(fā)育及農(nóng)藝等因素共同考慮進行作物需水情景中建立有效的多模型融合的作物需水預(yù)測模型。

4 結(jié) 論

從生產(chǎn)實際出發(fā)，充分考慮番茄莖直徑變化的動態(tài)特征，將多層感知機算法與植物本體數(shù)據(jù)及環(huán)境數(shù)據(jù)進行融合，以2018～2019年溫室內(nèi)番茄結(jié)果期實際采集數(shù)據(jù)為樣本建立了短時間序列番茄莖直徑變化量動態(tài)預(yù)測模型，動態(tài)預(yù)測和分析番茄結(jié)果期的莖直徑的變化。該模型有效的將植物本體數(shù)據(jù)與多元環(huán)境數(shù)據(jù)進行了融合，更好的進行了番茄莖直徑變化量的非線性擬合，相比以前單一的環(huán)境數(shù)據(jù)或植物生理生態(tài)數(shù)據(jù)的擬合技術(shù)，更能動態(tài)的描述莖直徑變化的趨勢。該MLP預(yù)測模型具有較好的預(yù)測精度，預(yù)測誤差在可接受范圍，具有一定的實用性，可用于新疆連棟溫室內(nèi)秋季番茄的莖直徑變化量預(yù)測。