基于水分利用率與光合速率的溫室作物需水模型研究

胡 瑾 隆星月 鄧一飛 完香蓓 李 斌 吳華瑞

(1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院， 陜西楊凌 712100；2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室, 陜西楊凌 712100； 3.國家農(nóng)業(yè)信息化工程技術(shù)研究中心， 北京 100097)

0 引言

水是綠色植物進(jìn)行光合作用的重要原料，土壤水是作物水分的主要來源，光合速率與土壤含水率狀況密切相關(guān)[1-2]，適宜的水分有利于作物生長，脅迫或過量狀態(tài)均會(huì)對(duì)作物產(chǎn)生不良影響。水分脅迫下,作物的氣孔密度隨水分脅迫程度加重而呈現(xiàn)持續(xù)降低趨勢(shì)，葉綠素?zé)晒鈪?shù)下降, CO2吸收受阻, 從而降低光合速率[3-6]；過量的水分會(huì)抑制根系呼吸,打破生殖生長和營養(yǎng)生長之間的平衡，導(dǎo)致光合速率下降，植株生長受阻[7]。因此，高效灌溉對(duì)于提升水資源利用率及營造有利于作物生長發(fā)育和物質(zhì)積累的土壤水分環(huán)境至關(guān)重要。

近年來，針對(duì)高效灌溉系統(tǒng)的研究已成為設(shè)施調(diào)控領(lǐng)域的研究熱點(diǎn)。許景輝等[8]提出了基于PID控制參數(shù)優(yōu)化后的智能灌溉系統(tǒng)，于浩等[9]設(shè)計(jì)了基于32單片機(jī)控制的智能灌溉系統(tǒng)，楊帆等[10]設(shè)計(jì)了基于ZigBee的蔬菜大棚自動(dòng)灌溉系統(tǒng)。文獻(xiàn)[8-10]可以實(shí)現(xiàn)灌溉時(shí)間和灌溉量的最優(yōu)控制，在很大程度上提高了灌溉效率，為溫室作物的精準(zhǔn)灌溉提供了硬件支撐。但這樣的閉環(huán)灌溉系統(tǒng)只進(jìn)行了定量精準(zhǔn)灌溉，未能實(shí)現(xiàn)基于作物需求的灌溉量精準(zhǔn)智能決策。同時(shí)相關(guān)研究表明，作物需水規(guī)律與環(huán)境條件之間有密切關(guān)聯(lián)[11]，植物不同生育期內(nèi)WUE和光合速率對(duì)土壤水分響應(yīng)規(guī)律也存在明顯差異[12-14]。因此，融合多環(huán)境因子、建立WUE-光合速率耦合的作物需水模型、探尋適宜作物生長的土壤含水率，已成為設(shè)施農(nóng)業(yè)中土壤水分環(huán)境高效調(diào)控亟待解決的問題。

在作物需水調(diào)控模型方面已有了大量的研究成果。張學(xué)科等[15]研究了不同灌溉方式下番茄水分利用效率(WUE)的差異，發(fā)現(xiàn)不同灌溉方式的土壤含水率差異明顯，并以水分利用率最優(yōu)為目標(biāo)進(jìn)行灌溉決策；王培娟等[16]建立了不同土壤水分對(duì)作物葉片光合速率影響模型，以光合速率最優(yōu)為目標(biāo)對(duì)作物不同發(fā)育階段進(jìn)行多等級(jí)水分控制。上述模型為灌溉量的精準(zhǔn)智能決策提供了理論依據(jù)，但是只考慮了WUE或光合速率單一因素對(duì)作物需水模型的影響[17]。大量研究表明，作物光合速率和WUE之間存在明顯的土壤水分閾值效應(yīng)，并且各指標(biāo)水分臨界值表現(xiàn)不同步[18-20]。因此，綜合考慮WUE-光合速率對(duì)作物需水量的影響，以滿足光合效益的同時(shí)提高WUE為目標(biāo)，建立多環(huán)境因子耦合的需水模型是實(shí)現(xiàn)智能決策和精準(zhǔn)灌溉的關(guān)鍵。

本文構(gòu)建基于RBF的光合速率與WUE預(yù)測(cè)模型，在不同溫度、光量子通量密度和CO2濃度組合條件下計(jì)算土壤含水率響應(yīng)曲線離散曲率，并構(gòu)造調(diào)控區(qū)間，在該區(qū)間內(nèi)基于粒子群尋優(yōu)算法獲取WUE最大點(diǎn)，以其對(duì)應(yīng)的土壤含水率為調(diào)控值，利用SVR算法構(gòu)建融合WUE-光合速率的需水模型，以期為溫室土壤含水率的精準(zhǔn)調(diào)控和節(jié)本增效提供定量依據(jù)。

1 材料與方法

試驗(yàn)于2019年4月在西北農(nóng)林科技大學(xué)北校區(qū)農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室進(jìn)行，供試的番茄品種為“中研TV-1”。在試驗(yàn)期間，將試驗(yàn)材料放置于培養(yǎng)箱中正常培養(yǎng)，育苗基質(zhì)為農(nóng)業(yè)育苗專用基質(zhì)(Pindstrup substrate，丹麥)，其有機(jī)質(zhì)質(zhì)量分?jǐn)?shù)為 50%以上，基質(zhì)孔隙度約 60%，pH值為 6～7。在幼苗培育期間，選取16株長勢(shì)良好且苗齡相近的幼苗進(jìn)行4組不同土壤含水率梯度灌溉，培養(yǎng)至能產(chǎn)生明顯的土壤含水率梯度。產(chǎn)生明顯梯度后，待番茄幼苗長至六葉一心，在每組中隨機(jī)選擇一株長勢(shì)均勻的幼苗進(jìn)行光合速率及蒸騰速率的測(cè)試。試驗(yàn)期間，不噴灑任何農(nóng)藥和激素。

采用美國LI-COR公司的LI-6800型便攜式光合速率測(cè)試儀測(cè)定不同土壤含水率、溫度、光量子通量密度和CO2濃度耦合條件下番茄幼苗的光合速率和蒸騰速率，并計(jì)算得相應(yīng)WUE。試驗(yàn)數(shù)據(jù)采集在09:00—17:30進(jìn)行，選自頂葉往下的第4片功能葉作為試驗(yàn)樣本。在試驗(yàn)過程中使用光合速率測(cè)試儀的多個(gè)子模塊控制葉室環(huán)境參數(shù)，利用控溫模塊設(shè)定溫度為18、23、28、33℃ 4個(gè)梯度，利用CO2注入模塊設(shè)定CO2濃度為 400、700、1 000 μmol/mol 3個(gè)梯度，利用LED光源模塊設(shè)定光量子通量密度為0、50、100、200、500、800 μmol/(m2·s) 6個(gè)梯度。同時(shí)依靠外部澆水來維持土壤含水率，采用EC-5型含水率傳感器對(duì)土壤含水率進(jìn)行動(dòng)態(tài)監(jiān)測(cè)，通過無線傳感器網(wǎng)絡(luò)土壤含水率每秒返回一次與試驗(yàn)設(shè)置的土壤含水率進(jìn)行比較。為了避免滴灌系統(tǒng)頻繁開啟設(shè)置一個(gè)3%的容忍范圍，當(dāng)土壤含水率小于試驗(yàn)設(shè)置土壤含水率梯度(超過3%)時(shí)，單片機(jī)通過控制繼電器開啟水泵和電磁閥，通過一段小的滴灌方式進(jìn)行灌溉，當(dāng)傳感器測(cè)得的土壤含水率等于設(shè)定值時(shí)，單片機(jī)通過控制繼電器關(guān)閉水泵和電磁閥停止灌溉。其中，土壤含水率控制在10%、20%、30%、40% 4個(gè)梯度。最終獲取不同土壤含水率、溫度、CO2濃度和光量子通量密度嵌套條件下的番茄幼苗凈光合速率及WUE共288組試驗(yàn)數(shù)據(jù)。

2 模型構(gòu)建

本文分4步構(gòu)建作物需水模型。首先基于試驗(yàn)數(shù)據(jù)采用RBF神經(jīng)網(wǎng)絡(luò)方法建立光合速率和WUE預(yù)測(cè)模型；其次根據(jù)光合預(yù)測(cè)模型獲取不同環(huán)境條件嵌套下的光合速率對(duì)土壤含水率的響應(yīng)曲線，并采用U弦長曲率法計(jì)算響應(yīng)曲線的曲率從而獲取土壤含水率調(diào)控區(qū)間；然后，在獲取的調(diào)控區(qū)間內(nèi)基于粒子群尋優(yōu)算法獲得土壤含水率調(diào)控目標(biāo)值；最后，根據(jù)調(diào)控目標(biāo)值，基于SVR算法建立需水模型。以番茄幼苗為例，提出了針對(duì)番茄幼苗需水規(guī)律的建模方法，證明了對(duì)番茄幼苗土壤水分環(huán)境預(yù)測(cè)的可行性，可以按照本文的建模方法構(gòu)建番茄任一時(shí)期的需水模型。

2.1 多環(huán)境因子耦合的預(yù)測(cè)模型

基于試驗(yàn)樣本利用RBF神經(jīng)網(wǎng)絡(luò)建立光合速率預(yù)測(cè)模型。RBF是一種3層結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和輸出層組成。數(shù)據(jù)經(jīng)過輸入層輸入后，在隱含層中通過徑向基函數(shù)進(jìn)行非線性映射，進(jìn)而從線性不可分的低維空間轉(zhuǎn)換到線性可分的高維空間，最后在輸出層進(jìn)行線性計(jì)算得到網(wǎng)絡(luò)輸出值。首先，為了避免特征向量的量綱不同導(dǎo)致的誤差，將288組試驗(yàn)數(shù)據(jù)集進(jìn)行歸一化處理，然后按8∶2的比例劃分訓(xùn)練集和測(cè)試集。其次，確定徑向基函數(shù)的擴(kuò)展速度，速度越大，函數(shù)擬合越光滑但逼近誤差會(huì)變大；速度越小，函數(shù)的逼近越精確但逼近過程會(huì)不平滑，通過多次訓(xùn)練和經(jīng)驗(yàn)計(jì)算得到訓(xùn)練效果最佳的速度為10。最后，將環(huán)境溫度、光量子通量密度、CO2濃度、土壤含水率作為模型輸入，光合速率作為輸出，利用RBF算法構(gòu)建多因子耦合的光合速率預(yù)測(cè)模型，具體流程如圖1所示。采用上述相同的構(gòu)建方法，將環(huán)境溫度、光量子通量密度、CO2濃度、土壤含水率作為模型輸入，對(duì)應(yīng)的WUE作為輸出，構(gòu)建基于RBF網(wǎng)絡(luò)的WUE預(yù)測(cè)模型。

圖1 基于RBF的光合速率預(yù)測(cè)模型流程圖Fig.1 Flowchart of photosynthetic rate prediction model based on RBF

2.2 基于U弦長曲率法獲取土壤含水率調(diào)控區(qū)間

針對(duì)設(shè)施內(nèi)空氣溫度、CO2濃度、光量子通量密度不同時(shí)，作物最優(yōu)光合速率以及所需土壤水分差異性顯著的特點(diǎn)，基于光合速率預(yù)測(cè)模型，利用離散曲率理論探尋光合速率約束條件下的土壤含水率調(diào)控區(qū)間。在土壤含水率對(duì)光合速率的響應(yīng)曲線中，曲率明顯增大的點(diǎn)代表了土壤含水率對(duì)凈光合速率影響程度由強(qiáng)到弱的特征點(diǎn)，在曲率特征點(diǎn)到極值點(diǎn)之間的光合速率處于較高水平。將曲率特征點(diǎn)作為含水率調(diào)控區(qū)間下限點(diǎn)；將曲率極值點(diǎn)作為含水率調(diào)控區(qū)間上限點(diǎn)，以此構(gòu)建土壤含水率調(diào)控區(qū)間。

基于已構(gòu)建的光合速率預(yù)測(cè)模型，獲取不同溫度、CO2濃度和光量子通量密度嵌套條件下的土壤含水率響應(yīng)曲線。溫度以1℃為步長在區(qū)間18～33℃內(nèi)進(jìn)行實(shí)例化；CO2濃度以100 μmol/mol為步長在區(qū)間400～1 000 μmol/mol內(nèi)進(jìn)行實(shí)例化；弱光環(huán)境下作物水分需求不高，因此光量子通量密度以100 μmol/(m2·s)為步長在區(qū)間200～800 μmol/(m2·s)內(nèi)進(jìn)行實(shí)例化，最終累計(jì)獲取784條不同環(huán)境嵌套條件下的土壤含水率響應(yīng)曲線。在每條土壤含水率響應(yīng)曲線中，土壤含水率以1%為步長在10%～40%區(qū)間內(nèi)取值，因此獲取的每條響應(yīng)曲線均為離散點(diǎn)構(gòu)成的數(shù)字曲線。

圖2 Pi的支持領(lǐng)域Fig.2 Supporting area of Pi

在最終確定的支持領(lǐng)域內(nèi)，用與支持領(lǐng)域的前后臂矢量夾角相關(guān)的一個(gè)余弦作為離散曲率，計(jì)算式為

(1)

式中ci——離散曲率

計(jì)算出各響應(yīng)曲線的離散曲率后，記錄曲率特征點(diǎn)和極大值點(diǎn)對(duì)應(yīng)的土壤含水率，構(gòu)建土壤含水率調(diào)控區(qū)間。

2.3 基于粒子群算法獲取土壤含水率調(diào)控值

在土壤含水率調(diào)控區(qū)間內(nèi)，基于WUE預(yù)測(cè)模型利用粒子群尋優(yōu)算法獲取WUE最高點(diǎn)對(duì)應(yīng)的土壤含水率，以此作為調(diào)控目標(biāo)值。粒子群算法從隨機(jī)解出發(fā)，通過迭代尋找最優(yōu)解，具有易實(shí)現(xiàn)、精度高、收斂快等優(yōu)點(diǎn)[23]。以WUE作為適應(yīng)度函數(shù)，確定種群規(guī)模(粒子數(shù)目)為20，進(jìn)化代數(shù)(迭代次數(shù))為50，粒子的位置范圍為[-1,1]，速度范圍為[-0.1,0.1]，粒子的個(gè)體學(xué)習(xí)因子和社會(huì)學(xué)習(xí)因子均為1.5，慣性權(quán)重為1。在已獲取的不同環(huán)境因子嵌套的土壤含水率調(diào)控區(qū)間內(nèi)尋找并記錄WUE最大點(diǎn)對(duì)應(yīng)的土壤含水率，以此作為調(diào)控目標(biāo)值，為需水模型的建立提供樣本集。粒子群算法尋優(yōu)過程如圖3所示。

圖3 粒子群算法尋優(yōu)流程圖Fig.3 Flowchart of particle swarm optimization algorithm

2.4 作物需水模型建立

基于上述步驟，得到了不同環(huán)境因子嵌套條件下的土壤含水率調(diào)控值，利用SVR算法建立作物需水模型。將數(shù)據(jù)集進(jìn)行歸一化處理并按8∶2的比例劃分訓(xùn)練集與測(cè)試集，將不同溫度、光量子通量密度和CO2濃度作為特征輸入，對(duì)應(yīng)的土壤含水率調(diào)控值作為輸出建立需水模型。SVR算法主要思想是采用徑向基核函數(shù)，通過低維空間將非線性不可分問題映射到高維空間，并在高維空間產(chǎn)生用于最優(yōu)分類的超平面，從而進(jìn)行線性回歸決策分析[24-26]有2個(gè)重要的參數(shù)c和g，參數(shù)的選擇對(duì)訓(xùn)練結(jié)果有很大的影響。其中，c是懲罰系數(shù)，即對(duì)誤差的寬容度，c過大說明越不能容忍誤差的出現(xiàn)，越容易過擬合；c過小模型越容易欠擬合，所以c過大或過小都會(huì)導(dǎo)致泛化能力變差。g則決定了數(shù)據(jù)映射到新的特征空間后的分布，g越大，支持向量越少，g越小，支持向量越多，而支持向量的個(gè)數(shù)影響訓(xùn)練與預(yù)測(cè)的速度。經(jīng)過網(wǎng)格搜索法進(jìn)行多次交叉驗(yàn)證和經(jīng)驗(yàn)計(jì)算，最終選取最佳參數(shù)c為64，g為1.4。SVR算法具體流程如圖4所示。

圖4 基于回歸型支持向量機(jī)的需水模型流程圖Fig.4 Flowchart of water demand model based on SVR

3 結(jié)果分析

3.1 預(yù)測(cè)模型驗(yàn)證

利用RBF算法建立光合速率預(yù)測(cè)模型，不斷調(diào)整擴(kuò)展速度訓(xùn)練模型，結(jié)果表明當(dāng)速度為10時(shí)訓(xùn)練效果最佳，此時(shí)模型訓(xùn)練集數(shù)據(jù)決定系數(shù)為0.986 5，均方根誤差為0.644 6 μmol/(m2·s)。調(diào)用模型計(jì)算測(cè)試集數(shù)據(jù)的光合速率預(yù)測(cè)值，得決定系數(shù)為0.982 0，均方根誤差為0.824 0 μmol/(m2·s)。實(shí)測(cè)值與預(yù)測(cè)值的擬合曲線如圖5所示，由圖5可知，預(yù)測(cè)值與實(shí)際值相關(guān)性較高，說明RBF模型預(yù)測(cè)效果良好。

圖5 光合速率預(yù)測(cè)模型相關(guān)性分析Fig.5 Correlation analysis of photosynthetic rate prediction model

為了驗(yàn)證RBF神經(jīng)網(wǎng)絡(luò)建模效果，選取BP神經(jīng)網(wǎng)絡(luò)算法和隨機(jī)森林(RF)算法建模進(jìn)行對(duì)比，3種模型的評(píng)價(jià)指標(biāo)如表1所示。

表1 3種光合預(yù)測(cè)模型的決定系數(shù)和均方根誤差對(duì)比Tab.1 Comparison of fitness and root-mean-square errors of three photosynthetic prediction models

由表1可知，RBF預(yù)測(cè)模型的決定系數(shù)和均方根誤差明顯優(yōu)于BP預(yù)測(cè)模型，RF預(yù)測(cè)模型訓(xùn)練集擬合效果好但測(cè)試集的決定系數(shù)很低，說明容易出現(xiàn)過擬合現(xiàn)象。綜合考慮，選擇RBF算法建立光合速率預(yù)測(cè)模型。

3.2 離散曲率的計(jì)算與調(diào)控區(qū)間的獲取

在2.2節(jié)中共構(gòu)造784組不同環(huán)境條件嵌套的數(shù)據(jù)組，獲得了784組不同條件下土壤含水率對(duì)光合速率的響應(yīng)曲線及相應(yīng)的調(diào)控區(qū)間。由于數(shù)據(jù)量較大無法完全羅列，本文只展示溫度區(qū)間為18～33℃，步長為3℃， CO2濃度為700 μmol/mol條件下的土壤含水率響應(yīng)曲線和調(diào)控區(qū)間獲取結(jié)果，如圖6所示。由圖6可知，當(dāng)土壤含水率較低時(shí)光合速率近乎線性增長，離散曲率較??；土壤含水率到達(dá)特征點(diǎn)后，光合速率增長幅度開始變緩，逐漸逼近光合速率最大點(diǎn)甚至出現(xiàn)下降，對(duì)應(yīng)的離散曲率在特征點(diǎn)開始明顯增大，達(dá)到曲率極大值后下降。同時(shí)還發(fā)現(xiàn)，曲率極值點(diǎn)與光合速率最大點(diǎn)重合，該點(diǎn)即為光合速率最佳點(diǎn)。曲率明顯增大的點(diǎn)表示土壤含水率對(duì)凈光合速率影響程度由強(qiáng)到弱的特征點(diǎn)，在曲率特征點(diǎn)到極值點(diǎn)之間的光合速率處于較高水平，能讓作物以高光合效益生長。因此將曲率特征點(diǎn)作為含水率調(diào)控區(qū)間下限點(diǎn)；將曲率極值點(diǎn)作為含水率調(diào)控區(qū)間上限點(diǎn)，以此構(gòu)建土壤含水率調(diào)控區(qū)間。當(dāng)光量子通量密度一致時(shí)，隨著溫度增加，曲率特征點(diǎn)和曲率極值點(diǎn)都呈先增后減趨勢(shì)，表明不同環(huán)境條件下對(duì)應(yīng)的含水率調(diào)控區(qū)間存在差異。

圖6 響應(yīng)曲線計(jì)算及土壤含水率區(qū)間獲取Fig.6 Response curve calculation and soil moisture spatial acquisition

3.3 粒子群尋優(yōu)結(jié)果

基于粒子群算法得到了在不同土壤含水率區(qū)間內(nèi)水分利用率最高點(diǎn)所對(duì)應(yīng)的共784個(gè)土壤含水率。光量子通量密度為400 μmol/(m2·s)，溫度為18、21、24、27、30、33℃條件下的尋優(yōu)迭代過程，如圖7所示。由圖7可知，利用粒子群算法可以快速獲取水分利用率最大點(diǎn)，多數(shù)情況下在進(jìn)化代數(shù)為10時(shí)達(dá)到最優(yōu)個(gè)體適應(yīng)度，從圖7b可知，該算法能夠跳出局部最優(yōu)解到達(dá)全局最優(yōu)。表明選擇粒子群算法獲取最優(yōu)土壤含水率調(diào)控值合適有效。

圖7 粒子群算法尋優(yōu)迭代過程Fig.7 Processes of particle swarm optimization

3.4 需水模型驗(yàn)證

尋優(yōu)得到不同環(huán)境條件下的土壤含水率調(diào)控值后，基于SVR算法構(gòu)建需水模型。以測(cè)試集數(shù)據(jù)決定系數(shù)為標(biāo)準(zhǔn)，利用網(wǎng)格迭代法尋找參數(shù)，最終選定c為64，g為1.4。此時(shí)模型訓(xùn)練集數(shù)據(jù)的決定系數(shù)為0.996 9，測(cè)試精度為0.978 8，均方根誤差為0.23%。為了驗(yàn)證SVR模型性能，同時(shí)選取BP神經(jīng)網(wǎng)絡(luò)算法和隨機(jī)森林(RF)算法建模進(jìn)行對(duì)比。3種模型的評(píng)價(jià)指標(biāo)對(duì)比如表2所示。

表2 3種需水模型的決定系數(shù)和均方根誤差對(duì)比Tab.2 Comparisons of fitness and root-mean-square errors of three water demand models

由表2可知，SVR模型訓(xùn)練集和測(cè)試集的擬合效果均優(yōu)于BP模型和RF模型。因此，選用SVR模型構(gòu)建需水模型。由于數(shù)據(jù)量較大無法完全羅列，土壤含水率調(diào)控值隨環(huán)境變化的趨勢(shì)大致相同，因此本文以CO2濃度為400、700 μmol/mol為例，不同溫度和光照耦合條件下的土壤含水率調(diào)控目標(biāo)曲面如圖8所示。由圖8可知，低溫環(huán)境下，隨著光照增加，作物光合作用和蒸騰作用能力增強(qiáng)導(dǎo)致作物需水量增加，土壤含水率調(diào)控值呈先上升后下降，和文獻(xiàn)[27]結(jié)論一致，強(qiáng)光環(huán)境下作物需水量提高，弱光環(huán)境下作物需水量大大減少。當(dāng)溫度和光照一起持續(xù)升高時(shí)，會(huì)導(dǎo)致葉片氣孔關(guān)閉，光合速率和蒸騰速率均有所降低，即出現(xiàn)午休現(xiàn)象，從而導(dǎo)致最佳土壤含水率下降[28-30]。

3.5 調(diào)控效果分析

對(duì)需水模型的調(diào)控效果進(jìn)行驗(yàn)證，對(duì)比光合約束下的WUE最佳點(diǎn)(簡稱約束點(diǎn))與光合最優(yōu)點(diǎn)在不同環(huán)境條件嵌套下分別所對(duì)應(yīng)的土壤含水率、光合速率和WUE，對(duì)比結(jié)果如表3所示。其中，溫度以6℃為步長，CO2濃度以200 μmol/mol為步長，光量子通量密度以200 μmol/(m2·s)為步長計(jì)算約束點(diǎn)和光合速率最佳點(diǎn)所對(duì)應(yīng)土壤含水率、光合速率及WUE。從表3可知，約束點(diǎn)光合速率平均只下降4.05%，而WUE平均提高15.22%，土壤含水率平均下降12.76%。約束點(diǎn)的光合速率比光合速率最優(yōu)點(diǎn)的光合速率略有下降，但是約束點(diǎn)WUE有了提高，對(duì)土壤水分的需求也明顯更低。

表3 約束點(diǎn)與光合最優(yōu)點(diǎn)調(diào)控對(duì)比Tab.3 Comparison of regulation between restriction point and photosynthetic saturation point

為了更直觀地對(duì)比約束點(diǎn)和光合最優(yōu)點(diǎn)的調(diào)控效果，利用盒圖對(duì)約束點(diǎn)相較光合最優(yōu)點(diǎn)WUE上升百分比、光合速率下降百分比、土壤含水率下降百分比進(jìn)行分析，如圖9所示。盒圖由5個(gè)數(shù)值點(diǎn)組成：最小值、下四分位數(shù)、中位數(shù)、上四分位數(shù)、最大值。

圖9 調(diào)控對(duì)比結(jié)果Fig.9 Regulation comparison results

由圖9可知，不同環(huán)境條件嵌套下約束點(diǎn)的WUE上升百分比范圍為4.35%～29.93%，土壤含水率下降百分比范圍為5.71%～24.14%，光合速率下降百分比范圍為1.17%～9.67%。盒圖中空間相對(duì)壓縮的區(qū)域?qū)?yīng)的數(shù)據(jù)分布頻率更高， WUE上升百分比主要分布在4.35%～11.87%，光合速率下降百分比在1.17%～3.20%，土壤含水率下降百分比在5.71%～11.76%。約束點(diǎn)WUE上升和土壤含水率下降百分比明顯高于光合速率的下降百分比。因此，將約束點(diǎn)作為調(diào)控點(diǎn)既能保證作物光合作用物質(zhì)累積又能提高水分利用率、減少灌溉用水，具有高效節(jié)能的特點(diǎn)，為設(shè)施作物的土壤含水率調(diào)控提供了理論基礎(chǔ)。

4 結(jié)論

(1)結(jié)合作物光合速率對(duì)土壤水分的響應(yīng)特點(diǎn)、基于人工智能算法構(gòu)建多環(huán)境因子耦合的需水模型，以溫度、光量子通量密度、CO2濃度、土壤含水率等多因子耦合嵌套的光合速率試驗(yàn)結(jié)果為基礎(chǔ)，利用RBF神經(jīng)網(wǎng)絡(luò)建立光合速率預(yù)測(cè)模型，模型決定系數(shù)為0.986 5，均方根誤差為0.644 6 μmol/(m2·s)，能對(duì)作物光合速率進(jìn)行高精度預(yù)測(cè)。

(2)提出基于U弦長曲率法的土壤含水率區(qū)間獲取方法，調(diào)用光合速率預(yù)測(cè)模型，得到土壤含水率和光合速率的響應(yīng)曲線，將曲率特征點(diǎn)和曲率極值點(diǎn)作為土壤含水率區(qū)間上下限，保證了作物的光合效益，為獲取調(diào)控點(diǎn)奠定了基礎(chǔ)。

(3)提出基于粒子群算法的土壤含水率調(diào)控值尋優(yōu)方法，可獲取特定環(huán)境條件下土壤含水率區(qū)間內(nèi)WUE最大值及其對(duì)應(yīng)的最優(yōu)土壤含水率調(diào)控值，在保證光合作用物質(zhì)累積的同時(shí)提高WUE，為需水模型的構(gòu)建提供了數(shù)據(jù)支撐。

(4)基于SVR算法構(gòu)建作物需水模型，該模型訓(xùn)練精度為0.996 9，測(cè)試精度為0.978 8，均方根誤差為0.23%，擬合效果良好。驗(yàn)證結(jié)果表明，與將光合最優(yōu)作為調(diào)控點(diǎn)相比，約束點(diǎn)光合速率平均下降4.05%，WUE平均提高15.22%，土壤含水率平均下降12.76%。說明本文提出的作物需水模型能夠兼顧作物需求和經(jīng)濟(jì)效益，可為溫室土壤含水率的精準(zhǔn)調(diào)控提供理論依據(jù)。

(5)以番茄幼苗為例，驗(yàn)證了需水模型對(duì)作物土壤水分環(huán)境預(yù)測(cè)的可行性。對(duì)于不同生育期的作物，采用相同的試驗(yàn)數(shù)據(jù)采集方法，基于試驗(yàn)數(shù)據(jù)集可以按照本文提出的建模方法構(gòu)建番茄不同生育期的需水模型。