基于RF-GRU的溫室番茄結(jié)果前期蒸騰量預(yù)測方法

李 莉 李 偉 耿 磊 李文軍 孫 泉 SIGRIMIS N A

(1.中國農(nóng)業(yè)大學(xué)農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)信息獲取技術(shù)重點實驗室， 北京 100083;2.中國農(nóng)業(yè)大學(xué)智慧農(nóng)業(yè)系統(tǒng)集成研究教育部重點實驗室， 北京 100083；3.雅典農(nóng)業(yè)大學(xué)農(nóng)業(yè)工程系， 雅典 11855)

0 引言

我國農(nóng)業(yè)用水占總用水量的60%以上，由于水資源分配不均，部分地區(qū)缺水現(xiàn)象十分嚴重[1-4]；同時，我國又面臨著人口老齡化問題，未來農(nóng)業(yè)耕種問題尤為突出。因此，推動農(nóng)業(yè)自動化、智慧化發(fā)展是我國的當務(wù)之急，通過智能監(jiān)控、自動控制等手段實現(xiàn)農(nóng)業(yè)的智慧化管理尤為重要[5]。

植株蒸騰過程能夠促進水分和養(yǎng)分的吸收和運轉(zhuǎn)，降低植物溫度，對作物的光合作用和干物質(zhì)積累起著重要作用[6-8]，準確模擬溫室作物蒸騰，并以此為依據(jù)制定科學(xué)合理的灌溉制度對節(jié)約用水、實現(xiàn)按需灌溉具有重要意義[9-11]。

目前Penmen-Monteith模型是溫室作物蒸騰估算研究中應(yīng)用最廣泛和有效的機理模型[12-13]，該模型綜合了輻射項和空氣動力學(xué)項，具有充分的理論基礎(chǔ)，已經(jīng)在世界各地、各種氣候類型下通過蒸滲儀進行了驗證[14-15]。然而其最大的缺陷是需要較為完備的氣象數(shù)據(jù)，且對數(shù)據(jù)質(zhì)量有嚴格的要求，所以其應(yīng)用受到一定的限制[16-17]。

針對作物蒸騰量預(yù)測方法國內(nèi)外學(xué)者進行了大量研究。OLUTOBI等[18]利用系統(tǒng)辨識方法，以入射輻射、水汽壓差和葉面積指數(shù)為輸入建立了一個數(shù)據(jù)驅(qū)動的植物蒸騰動力學(xué)預(yù)測模型，實時監(jiān)測水分狀況；HACENE等[19]建立了考慮基質(zhì)-植物-大氣連續(xù)體水分平衡的輻射子模型和作物子模型相結(jié)合的CFD模型，可以幫助定義灌溉制度，同時使用較少的水用于灌溉；崔寧博等[20]以最高氣溫、最低氣溫、相對濕度、日照時數(shù)和風(fēng)速為輸入構(gòu)建了基于MEA-BPNN的西北旱區(qū)蒸騰量預(yù)測模型，具有較強的泛化能力和預(yù)測精度。上述涉及的預(yù)測方法在處理大數(shù)據(jù)上缺少魯棒性，并且主觀選擇輸入變量、未對輸入變量進行篩選，導(dǎo)致模型普遍缺乏長效性和擴展能力，不能完全反映數(shù)據(jù)的本質(zhì)特征。

循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent neural network, RNN)將時序的概念引入網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計中，使其在時序數(shù)據(jù)分析中表現(xiàn)出更強的適應(yīng)性[21-22]。在RNN結(jié)構(gòu)中引入門控循環(huán)單元(Gated recurrent unit, GRU)，通過門的控制，決定歷史數(shù)據(jù)序列的權(quán)重，在實踐過程中降低訓(xùn)練復(fù)雜性、縮短訓(xùn)練時間。

本文提出基于隨機森林(Random forest, RF)與門控循環(huán)單元相結(jié)合的溫室番茄蒸騰量預(yù)測模型，該模型首先利用RF對影響番茄蒸騰量變化的變量進行重要性選擇，然后將篩選出的環(huán)境變量輸入基于RF-GRU的番茄蒸騰量預(yù)測模型，并以該模型指導(dǎo)灌溉，為溫室栽培高效節(jié)水灌溉提供參考。

1 材料與方法

1.1 試驗地點

選取中國農(nóng)業(yè)大學(xué)信息與電氣工程學(xué)院小型日光溫室(40°N，116°21′E)作為數(shù)據(jù)獲取的試驗區(qū)域，該溫室南北向布局，尺寸為4.5 m×3.2 m×2.5 m，屬半干旱半濕潤季風(fēng)氣候區(qū)，番茄栽培試驗于2020年9—11月進行。

1.2 試驗方案

試驗分為番茄累計蒸騰量預(yù)測模型和模型驗證兩部分，試驗作物均使用粉冠品種番茄，并針對番茄的結(jié)果前期(即幼苗期至開花坐果期)蒸騰量模型進行研究。使用柱狀盆進行基質(zhì)栽培，盆上口徑23 cm，底徑18 cm，高21 cm，種植容積2 L。將草炭、蛭石和珍珠巖按體積比3∶1∶1進行均勻混合作為番茄栽培的基質(zhì)。灌溉方式采用滴灌方式，以確保水分在滲透基質(zhì)的過程中保持平緩運移[23]。

1.2.1番茄累計蒸騰量預(yù)測試驗

選取5株番茄進行試驗，隨機選取其中2株放置在電子秤上稱量，以獲得番茄蒸騰量。番茄于9月5日定植，定植后緩苗7 d，之后每2 d灌溉300 mL純凈水，每周利用美樂棵濃縮營養(yǎng)液對植株進行施肥，其氮、磷、鉀配比為15∶7∶8。檢測番茄生長時期的各環(huán)境因子與番茄表層圖像。

1.2.2模型驗證試驗

選取10株番茄分為2組處理(T1、T2)，T1采取定時灌溉，每2 d灌水300 mL；T2按照本文的蒸騰量模型指導(dǎo)灌溉，以土壤傳感器實時測得的基質(zhì)含水率作為灌溉起始點的標準，當基質(zhì)含水率低于35%時啟動灌溉，灌溉量為上次灌溉后至此次灌溉之間的番茄預(yù)測累計蒸騰量。此外番茄管理方式除灌溉外與實際生產(chǎn)管理方式完全一致，且保證番茄的正常發(fā)育，無病蟲害發(fā)生。

1.3 灌溉系統(tǒng)設(shè)計

基于番茄蒸騰量的智慧灌溉系統(tǒng)如圖1所示，由信息采集組件、智慧決策組件與灌溉控制組件組成。其中信息采集組件包括空氣溫濕度傳感器、光照強度傳感器、光合有效輻射傳感器、基質(zhì)溫濕度傳感器與攝像頭；智慧決策組件由租賃的云服務(wù)器與控制模型構(gòu)成；灌溉控制組件包括繼電器、潛水泵、電磁閥、流量計、滴灌帶、滴箭。

圖1 溫室番茄智慧灌溉系統(tǒng)結(jié)構(gòu)圖Fig.1 Structure diagram of greenhouse tomato intelligent irrigation system1.灌溉控制組件 2.基站 3.云服務(wù)器 4.光合有效輻射傳感器 5.空氣溫濕度及光照強度傳感器 6.攝像頭 7.滴箭 8.滴灌帶 9.土壤水分傳感器 10.潛水泵 11.電子秤 12.電磁閥 13.流量計

信息采集組件采用樹莓派作為系統(tǒng)核心控制器，外圍連接環(huán)境參數(shù)傳感器與攝像頭，并通過GPRS將采集的信息傳輸?shù)皆品?wù)器的數(shù)據(jù)庫中。智慧決策組件核心是運行在云服務(wù)器中的代碼，代碼分為兩部分：①將信息采集組件傳輸?shù)男畔⒋鎯Φ綌?shù)據(jù)庫中以便后期可視化顯示與分析。②將數(shù)據(jù)輸入到已訓(xùn)練好的模型中，輸出控制信號并傳送到灌溉控制組件。灌溉控制組件以STM32單片機作為主控，通過GPRS接收云服務(wù)器中發(fā)送的控制信息，控制繼電器的開關(guān)繼而控制潛水泵與電磁閥，實現(xiàn)灌溉控制。其流程圖如圖2所示。

圖2 灌溉系統(tǒng)工作流程圖Fig.2 Workflow chart of irrigation system

1.4 試驗數(shù)據(jù)獲取

試驗數(shù)據(jù)利用1.3節(jié)的信息采集組件獲取，主要包括Raspberry Pi 3B(樹莓派)、GPRS無線通信模塊、傳感器(空氣溫濕度傳感器、光照強度傳感器、光合有效輻射傳感器、基質(zhì)溫濕度傳感器)與攝像頭，其在溫室內(nèi)布置如圖3所示。

圖3 監(jiān)測系統(tǒng)溫室布設(shè)示意圖Fig.3 Monitoring system layout drawing in greenhouse1.基質(zhì)溫濕度傳感器 2.光合有效輻射傳感器 3.光照強度與溫濕度傳感器 4.攝像頭

各傳感器采集溫室內(nèi)空氣溫度(Ta)、相對濕度(RH)、光照強度(LI)、光合有效輻射(PAR)、基質(zhì)含水率(Ms)、基質(zhì)溫度(Ts)等溫室生態(tài)及栽培環(huán)境數(shù)據(jù)，并將數(shù)據(jù)上傳至樹莓派中。樹莓派經(jīng)過預(yù)處理將信息通過GPRS模塊上傳至遠程數(shù)據(jù)庫中，同時從中國氣象局獲取當?shù)貧庀髷?shù)據(jù)如室外空氣溫度(To)、相對濕度(RHo)以及風(fēng)速(WS)。數(shù)據(jù)采集時間為每日06:30—17:30，間隔5 min上傳一組數(shù)據(jù)。選取10月7—29日在線采集的共計3 059組樣本數(shù)據(jù)作為數(shù)據(jù)源，其中1 995組樣本作為訓(xùn)練集，1 064組樣本作為測試集，分別用來訓(xùn)練和驗證溫室番茄蒸騰量模型性能。

番茄相對葉面積指數(shù)(RLAI)通過安裝在植株頂部的攝像頭拍攝圖像后經(jīng)由圖像處理獲得。其具體流程如圖4所示。處理后的番茄圖像如圖5所示。

圖4 番茄相對葉面積指數(shù)獲取流程圖Fig.4 Flow chart of obtaining tomato relative leaf area index

圖5 處理后番茄圖像Fig.5 Image processing to obtain RLAI

遍歷二值化圖像的像素點計算作物相對葉面積指數(shù)，計算式為

(1)

式中RLAI——相對葉面積指數(shù)

SL——圖像中葉片的像素數(shù)

SA——圖像所有像素數(shù)總和

單株番茄實時蒸騰量通過稱量法獲取[24]。具體方法是，在處理前1 d，對植株進行充分灌水使基質(zhì)水分盡量達到飽和。稱量法的示意圖如圖6所示，將燒杯放置在栽培盆支架下方，用于收集基質(zhì)滲透的水分，每隔5 min用精密電子秤(ACS-Z系列，上海友聲衡器有限公司，量程30 kg，精度±1 g)對盆栽和燒杯(500 mL)的總質(zhì)量(W1、W2、…、WN)進行稱量，再計算單株番茄的實際蒸騰量。計算式為

圖6 單株番茄稱量系統(tǒng)Fig.6 Single plant tomato weighing system

ETN=WN-WN-1

(2)

式中ETN——番茄在時刻N之前的5 min內(nèi)的蒸騰量

WN——番茄在時刻N的質(zhì)量

WN-1——番茄在時刻N-1的質(zhì)量

試驗過程中，番茄莖稈周邊基質(zhì)上覆蓋塑料薄膜以防止基質(zhì)水分蒸發(fā)對測量造成影響，進一步提高番茄實際蒸騰量的獲取精度。

2 番茄蒸騰量預(yù)測模型

2.1 隨機森林算法

RF算法是一種基于分類和回歸樹的機器學(xué)習(xí)算法[25]。RF利用bootstrap重復(fù)抽樣及枝葉節(jié)點分裂等技術(shù)[26]，從原始樣本數(shù)據(jù)集中有放回地重復(fù)隨機抽取n個樣本，利用新的樣本數(shù)據(jù)集來訓(xùn)練決策樹。原始訓(xùn)練樣本中約有37%的數(shù)據(jù)未被抽取，這些數(shù)據(jù)稱為袋外數(shù)據(jù)(Out of bag, OOB)，將構(gòu)建n棵決策樹組成隨機森林，OOB作為RF的測試樣本，根據(jù)決策樹的投票分數(shù)得到最優(yōu)的分類結(jié)果[27]。

基于RF變量選擇的基本步驟[28]為：

(1)假設(shè)原始樣本數(shù)據(jù)集為N，各影響變量分別為x1、x2、…、xk，利用自助法重采樣技術(shù)有放回地隨機抽取n個樣本，應(yīng)用這n個新的樣本數(shù)據(jù)集構(gòu)建n棵決策樹，沒有被抽取的數(shù)據(jù)構(gòu)成b個OOB。

(2)構(gòu)建n棵決策樹時，對每棵決策樹對應(yīng)的OOB進行投票，獲得n個樣本OOB中每一個樣本的投票分數(shù)，記為mark1、mark2、…、markb。

(3)將變量xi的數(shù)值在b個OOB樣本中的順序作隨機改變，形成新的OOB測試樣本，然后用已建立的RF對新的OOB進行投票，根據(jù)判別正確的樣本數(shù)得到每一個樣本的投票分數(shù)，可以表示為

(3)

(4)用mark1、mark2、…、markb與式(1)對應(yīng)的向量和i行向量相減，求和平均后得變量xi的重要性評分，實際上表示了每種特征對分類的貢獻量，能夠衡量特征的單獨分類能力，有助于確定分類過程中特征的重要性，從而為特征選擇提供依據(jù)。重要性評分計算式為

(4)

式中b——隨機森林中OOB的數(shù)量

markj——變量xi置換前第i棵樹的OOB誤差率

markij——變量xi置換后第i棵樹的OOB誤差率(平均袋外數(shù)據(jù)誤差)

2.2 門控循環(huán)單元網(wǎng)絡(luò)

長短期記憶(LSTM)是一種改進的RNN，可以學(xué)習(xí)長期依賴信息。CHUNG等[29]對LSTM神經(jīng)網(wǎng)絡(luò)進行了改進，優(yōu)化了門限的個數(shù)，提出了GRU神經(jīng)網(wǎng)絡(luò)。GRU保持了LSTM效果的同時又使結(jié)構(gòu)更加簡單，減少了訓(xùn)練參數(shù)，提高了模型訓(xùn)練的速度。與LSTM相比，GRU去除了細胞狀態(tài)，使用隱藏狀態(tài)來進行信息的傳遞。它只包含更新門和重置門。更新門的作用類似于LSTM中的遺忘門和輸入門，用來控制信息輸入和細胞歷史狀態(tài)信息的保留，重置門用于決定遺忘先前信息的程度。

設(shè)輸入序列為(x1,x2,…,xt)，隱含層狀態(tài)為(h1,h2,…,ht)，則在t時刻有

zt=σ(wz[ht-1,xt]+bz)

(5)

rt=σ(wr[ht-1,xt]+br)

(6)

(7)

(8)

式中zt——更新門rt——重置門

ht-1——前一時刻隱含層單元的輸出信息

ht——當前輸出信息

wz——更新門中與ht-1和xt向量連接的權(quán)重矩陣

wr——重置門中與ht-1和xt向量連接的權(quán)重矩陣

bz、br、bh——各函數(shù)的偏移

σ——sigmoid 函數(shù)

tanh()——雙曲正切函數(shù)

2.3 基于RF-GRU的番茄蒸騰量預(yù)測模型

基于上述原理，為了提高預(yù)測模型的精度，本文預(yù)測番茄蒸騰量的主要步驟包括數(shù)據(jù)獲取及數(shù)據(jù)預(yù)處理、蒸騰量關(guān)鍵影響因子選擇、門控循環(huán)單元網(wǎng)絡(luò)模型構(gòu)建、番茄蒸騰量預(yù)測，具體的番茄蒸騰量預(yù)測流程如圖7所示。

圖7 基于RF-GRU的番茄蒸騰量預(yù)測模型流程圖Fig.7 Flow chart of tomato transpiration prediction model based on RF-GRU

預(yù)測步驟如下：

(1)通過樹莓派參數(shù)監(jiān)測系統(tǒng)和中國氣象局獲取溫室內(nèi)生態(tài)及栽培環(huán)境參數(shù)(Ta、RH、LI、PAR、Ms、Ts)、溫室外氣象參數(shù)(To、RHo、WS)和作物表型參數(shù)(RLAI)，共同組成原始數(shù)據(jù)集，并對采集到的數(shù)據(jù)進行異常值剔除和歸一化預(yù)處理。

(2)利用RF算法計算溫室內(nèi)外各個環(huán)境變量及RLAI的重要性，獲取各個參數(shù)變量的重要性并進行排序，選擇出番茄蒸騰量的重要影響變量，得到最終的輔助變量數(shù)據(jù)樣本，并劃分為訓(xùn)練樣本集及測試樣本集。

(3)對GRU模型進行初始化設(shè)置，將訓(xùn)練樣本數(shù)據(jù)集輸入模型，不斷調(diào)整模型參數(shù)，直到獲取最優(yōu)網(wǎng)絡(luò)參數(shù)設(shè)置，得到最終的番茄蒸騰量預(yù)測模型。

(4)采用測試樣本測試番茄蒸騰量預(yù)測模型性能，與其他預(yù)測模型進行對比分析，實現(xiàn)番茄蒸騰量的精確預(yù)測。

3 結(jié)果與分析

3.1 基于RF算法的參數(shù)選擇

番茄蒸騰量容易受到溫室內(nèi)外溫度、濕度等多種環(huán)境因素的影響，具有非線性、非平穩(wěn)、交叉耦合性強等特點，以所有的環(huán)境因素作為模型的輸入來預(yù)測番茄蒸騰量會使網(wǎng)絡(luò)結(jié)構(gòu)過于龐大，并且增加硬件監(jiān)測成本。因此，本文利用RF 算法對影響番茄蒸騰量的各個參數(shù)變量進行重要性評價，得到各個參數(shù)變量的重要性并進行排序，選出對番茄蒸騰量影響較大的變量。利用RF算法進行變量選擇，輸入RF 的數(shù)據(jù)為溫室內(nèi)部的Ta、RH、LI、PAR、Ms、Ts，溫室外部氣象數(shù)據(jù)To、RHo、WS和RLAI?；赗F的溫室內(nèi)外變量重要性的數(shù)據(jù)分析結(jié)果如圖8所示。

圖8 基于RF的溫室內(nèi)外變量重要性分析結(jié)果Fig.8 Analysis results of importance of variables inside and outside greenhouse based on RF

由圖8可知，相對于其他影響變量，RLAI、LI、PAR、Ta、RH、Ms和Ts的重要性評分均達到了0.1以上，對番茄蒸騰量影響貢獻度更大。對番茄蒸騰直接影響最大的是RLAI，達到了0.133 07，原因在于番茄植株主要通過葉片表面進行蒸騰作用，LI和PAR主要通過對RLAI和Ta的增強作用對蒸騰間接產(chǎn)生正影響，RH主要通過對Ta的限制作用對蒸騰間接產(chǎn)生負影響，Ms主要通過對RLAI的增強作用對蒸騰間接產(chǎn)生正影響，Ts主要影響基質(zhì)中植物、微生物還有土壤肥力，這些環(huán)境的改變影響植物根系的生長從而間接影響地上部生長，而溫室外環(huán)境因素影響較小，均未達到0.06。為了減小模型復(fù)雜度，本試驗選擇RLAI、LI、PAR、Ta、RH、Ms和Ts 7個變量作為參數(shù)篩選結(jié)果，對番茄蒸騰量進行預(yù)測。

3.2 GRU模型構(gòu)建

根據(jù)3.1節(jié)試驗結(jié)果，RF-GRU模型的輸入變量選擇RLAI、LI、Ta、RH、PAR、Ms和Ts。為了探索網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)(時間步長及隱含層節(jié)點數(shù))對模型學(xué)習(xí)性能的影響，將時間步長設(shè)置為1、3、5，隱含層節(jié)點數(shù)設(shè)為50、100、150，對其進行正交組合，選取均方根誤差(RMSE)與平均絕對誤差(MAE)相加最小的GRU網(wǎng)絡(luò)結(jié)構(gòu)設(shè)置。9次試驗對應(yīng)的不同網(wǎng)絡(luò)結(jié)構(gòu)下的GRU模型的RMSE和MAE如表1、2所示。

表1 GRU不同網(wǎng)絡(luò)參數(shù)下番茄蒸騰量的RMSETab.1 RMSE of GRU under different network parameters g

從表1、2可以看出，當時間步長為5、隱含層節(jié)點數(shù)為50時，GRU網(wǎng)絡(luò)在測試集上的RMSE與MAE達到最小，分別為10.44、3.37 g。

表2 GRU不同網(wǎng)絡(luò)參數(shù)下番茄蒸騰量的MAETab.2 MAE of GRU under different network parameters g

故將RF-GRU模型輸入層的時間步長設(shè)置為5，隱含層節(jié)點數(shù)設(shè)置為50；輸出變量的個數(shù)為1，即番茄蒸騰量；學(xué)習(xí)率為0.001，批量大小為133和最大迭代次數(shù)為200。采用測試樣本在已訓(xùn)練的最佳網(wǎng)絡(luò)進行模型性能測試，將測試集的預(yù)測值和稱重法得到的蒸騰量進行相關(guān)性分析，整體預(yù)測精度較為理想，其決定系數(shù)R2達到0.949 0，如圖9所示?？梢院芎玫財M合環(huán)境因子以及作物因子與番茄蒸騰量之間復(fù)雜的非線性關(guān)系。

圖9 RF-GRU模型蒸騰量預(yù)測值與實測值的相關(guān)性曲線Fig.9 Correlation curves between predicted and measured transpiration of RF-GRU model

3.3 RF-GRU模型對比

為了驗證在相同輸入?yún)?shù)條件下模型的性能，更好地說明RF-GRU模型在番茄蒸騰量預(yù)測中的優(yōu)越性，本文同時利用GRU、RF-LSTM及RF-RNN模型對番茄蒸騰量進行預(yù)測并對比分析。其中RF-LSTM、RF-RNN模型是將經(jīng)過RF篩選出的7個變量作為輸入，GRU是將全部參數(shù)變量作為輸入。

4個算法在相同的運算環(huán)境和輸入?yún)?shù)條件下，番茄蒸騰量的變化曲線如圖10所示。由圖10可知，RF-GRU 和GRU的預(yù)測值更加接近真實值，且變化趨勢幾乎一致，其中2 d蒸騰量較低，但預(yù)測效果良好，普適性較強。

圖10 4種模型在測試集的蒸騰量預(yù)測值變化曲線Fig.10 Variation curves of transpiration predicted values of four models in test set

同時，得到RF-GRU、RF-LSTM、RF-RNN及GRU模型的絕對誤差曲線(圖11)。由圖11可知，RF-GRU和GRU誤差波動較小，最大誤差在10 g以內(nèi)，而其他2種算法曲線變化波動明顯較大，最大誤差分別達到了20、30 g。因此，本文所提算法性能明顯優(yōu)于其他算法性能，并且算法受樣本數(shù)量變化影響較小，再次證明了RF-GRU具有較高的泛化能力和良好的穩(wěn)定性。

圖11 4種模型的絕對誤差變化曲線Fig.11 Absolute error comparison of four models

RF-GRU、GRU、RF-LSTM及RF-RNN模型在測試樣本的具體評價指標值如表3所示。從表3可得，GRU、RF-LSTM及RF-RNN方法對番茄蒸騰量預(yù)測的R2分別為0.954 1、0.935 3和0.914 4，而本文提出RF-GRU模型的R2為0.949 0，比GRU模型僅降低了0.005 1，但降低了模型的復(fù)雜度，比RF-LSTM和RF-RNN模型分別提高了0.013 7和0.034 6。盡管RF-RNN模型運行時間t最短(11.3 s)，但RF-RNN誤差范圍波動更大，其預(yù)測性能較差。同時，基于RF-GRU模型的RMSE(10.96 g)和MAE(5.8 g)小于基于RF-LSTM模型的RMSE(12.34 g)、MAE(7.57 g)和RF-RNN模型的RMSE(14.20 g)、MAE(5.94 g)，表明RF-GRU模型能夠有效地提高番茄蒸騰量預(yù)測精度。

表3 4種模型預(yù)測溫室番茄蒸騰量性能對比Tab.3 Comparison of four models for predicting tomato transpiration in greenhouse

3.4 RF-GRU模型驗證試驗結(jié)果

將訓(xùn)練好的RF-GRU模型置于云服務(wù)器中，實時訪問數(shù)據(jù)庫中的新數(shù)據(jù)，以這些數(shù)據(jù)作為模型輸入，進行蒸騰量預(yù)測，并在基質(zhì)含水率達到35%時，向灌溉控制節(jié)點的GPRS模塊發(fā)送灌溉指令與累計蒸騰量。

灌溉控制節(jié)點以STM32作為控制核心，通過GPRS模塊接收云服務(wù)器發(fā)送的控制信號，基于控制信號來控制繼電器的開關(guān)繼而控制潛水泵與電磁閥工作，從而實現(xiàn)灌溉控制。同時，STM32通過水流量傳感器實時監(jiān)測灌溉量，并在灌溉量達到接收的累計蒸騰量后，關(guān)閉灌溉。

番茄于11月2日定植，自定植后28 d內(nèi)每7 d測定一次兩組番茄的株高、莖粗，每天計算一次番茄的相對葉面積指數(shù)，并記錄灌溉次數(shù)與灌溉量。將植株由莖基部到主莖頂端生長點的自然長度作為株高，莖基部1 cm處的直徑作為莖粗，相對葉面積指數(shù)通過1.4節(jié)方法計算。將每組番茄的測定結(jié)果取平均值作為本組的綜合指標。

兩組番茄的平均形態(tài)指標如圖12所示，在緩苗后14 d內(nèi)，番茄株高增加明顯，且T1與T2處理無明顯差異。在定植后的28 d內(nèi)兩種處理的番茄株高分別為39.3、38.2 cm，番茄莖粗分別為6.52、6.35 mm。定時灌溉相比于模型指導(dǎo)灌溉在株高、莖粗方面有所提高，但相差不大。

圖12 不同處理下番茄的株高、莖粗Fig.12 Plant height and stem diameter of tomato under different treatments

不同處理下的番茄相對葉面積指數(shù)如圖13所示。由圖13可知，在定植后8～21 d內(nèi)相對葉面積指數(shù)增加明顯，在21～28 d內(nèi)增加放緩，且兩組處理的相對葉面積指數(shù)在第28天分別達到了50.3%與51.1%。模型指導(dǎo)灌溉在相對葉面積指數(shù)方面相比于定時灌溉有所增加。

圖13 不同處理下番茄的相對葉面積指數(shù)Fig.13 Relative leaf area index of tomato under different treatments

本試驗采用兩種不同灌溉方式的灌溉量與灌溉次數(shù)，如表4所示。

表4 不同處理下灌溉量與灌溉次數(shù)Tab.4 Irrigation quantity and times under different treatments

由表4和圖12、13可以看出，使用兩種灌溉方式的番茄在生長中的各項生理指標無明顯差異，但是基于模型指導(dǎo)的灌溉方式在節(jié)水上優(yōu)于定時灌溉?；谀Ｐ椭笇?dǎo)的灌溉方式相較于定時灌溉在灌溉次數(shù)上明顯提高，但灌溉量減少了20%。

4 結(jié)論

(1)考慮到番茄蒸騰量與溫室內(nèi)外生態(tài)及栽培環(huán)境變量間復(fù)雜的非線性關(guān)系，利用隨機森林算法對溫室內(nèi)生態(tài)及栽培環(huán)境參數(shù)(Ta、RH、LI、PAR、Ms、Ts)、溫室外氣象參數(shù)(To、RHo、WS)和作物表型參數(shù)(RLAI)進行了重要性選擇，減少了預(yù)測模型輸入變量個數(shù)，有利于降低預(yù)測模型的復(fù)雜度和成本。

(2)通過對比試驗研究了RF-GRU、GRU、RF-LSTM及RF-RNN 4種模型在番茄蒸騰量的預(yù)測效果。結(jié)果表明，在番茄營養(yǎng)生長期中，RF-GRU模型能夠準確地預(yù)測番茄蒸騰量，預(yù)測精度和穩(wěn)定性較高，模型RMSE、MAE和R2分別為10.96 g、5.80 g和0.949 0。良好的預(yù)測效果充分證明了RF-GRU模型對作物蒸騰預(yù)測的有效性和實用性。

(3)在進行定時灌溉與模型指導(dǎo)灌溉番茄28 d之后，番茄的株高、莖粗與相對葉面積指數(shù)基本相同，但基于模型指導(dǎo)的灌溉灌溉量減少了20%。通過對比定時灌溉與模型指導(dǎo)灌溉作物的生長狀況與灌溉量表明，使用模型指導(dǎo)灌溉在不影響番茄生長的情況下，可以有效減少灌溉量，節(jié)約水資源。