摘要
摘要:以开花期番茄植株为研究对象,将定植后的番茄分为4个CO2浓度梯度处理组,利用无线传感器网络节点实时监测温室环境因子,包括空气温湿度、光照强度和 CO2浓度; 利用 LI-6400XT 型便携式光合速率仪进行光合日动态和环境因子交互影响实验测定。光合日动态组间差异性研究表明,对开花期番茄增施1000~1300μmol/mol 的 CO2时,可使番茄单叶净光合速率提高约 37.13%~40.42% 。以环境因子为输入参数,建立基于BP神经网络的光合速率预测模型,用于不同CO2浓度梯度下的光合日动态预测。结果表明,模型预测精度较高; 与实测结果吻合度较高且相对误差较小,因此该模型可以为可变环境下的番茄光合日变化动态预测提供依据。
关键词:温室番茄 光合日动态
单叶净光合速率 BP神经网络预测模型
实验设计与数据采集
1、实验设计
温室类型为半地下覆膜半拱形温室,透光率约为70% 。番茄品种为“中杂 105”。将定植后的番茄分为4个CO2浓度梯度处理组,C1、C2、C3 处理组 CO2增施摩尔比分别为(700±50)、(1000±50)、(1300±50) μmol/mol,CK处理组为温室内自然状态下的CO2摩尔比为(450 μmol/mol) 。为防止增施期间的气体外散,4 个处理组分别置于用 PEP 塑料薄膜覆盖的培养槽内( 2.5m×0.6m×2.0m) 。番茄植株生长的基质营养以及水分均做统一处理( 即植株生长的适宜条件) 。
2、数据采集
温室环境信息( 空气温湿度、光照强度和 CO2浓度) 由基于WSN的自动监控系统实时采集。如图1示。
使用LI-6400XT型便携式光合速率仪的标准叶室测量番茄的光合日动态。4个不同 浓度处理组中分别选取5株生长健康、叶龄一致、光照均一的同一叶位叶片,在08:00—18:00每隔1h对番茄叶片进行测量,重复3次取平均值。
图1 基于 WSN 的温室环境信息自动监控系统
1.网关节点 2.远程管理平台 3.继电器 4.电磁阀 5. CO2气源 6.导气管
结果分析
1、不同处理组光合日动态差异性分
(1)番茄净光合作用日平均值,从大到小依次为C3、C2、C1、CK。
(2)与处理组相比增施1300μmol/mol,番茄光合速率提高40.42%,增施1000μmol/mol,番茄光合速率高37.13%;增施700μmol/mol,番茄光合速率提高7.36%,作用效果不明显。
图2 不同CO2浓度处理组番茄净光合速率日动态及其日均值变化
2、光合速率预测模型的建立与验证
(1)以环境信息( 气温湿度、光照强度、CO2浓度) 作为BP神经网络的输入参数,净光合速率为模型输出参数。
为消除输入量量纲影响,采用 Mapminmax 函数将样本输入数据归一化到[-1,1]。通过对隐含层与输出层的传递函数以及训练函数和隐含层节点数的组合寻优,确定其最优的 BP 神经网络训练参数。传递函数为{Logsig,Pureline} ,训练函数为 Trainbr 组合时,模型具有最小的均方根误差,且隐含层节点数为 12 时,其训练能力优于其他选择。
图3 组合参数寻优
(2)将预测模型应用于4组不同浓度处理组的番茄日光合速率预测,与实际光合速率进行对比。
图4 光合速率预测模型对花期番茄的光合日动态预测对比
(3)空气温度32.53℃,相对湿度46.87%,光合有效辐为900μmol/(m2.s) 时,将CO2摩尔比设置为100、150、200、400、600、800、1000、1300、1500、1800μmol / mol,由光合仪测得一组CO2浓度-净光合速率关系曲线。改变CO2浓度进行光合速率预测,进而得到最优CO2浓度。再通过与实测CO2浓度曲线相比较,可实现CO2浓度的精细管理。
图5 CO2浓度与番茄净光合速率的关系曲线
结论
1、番茄光合速率日动态差异性分析结果表明,上午时段番茄叶片净光合速率迅速增大,增施高浓度CO2可使番茄叶片光合速率提高约40%,有效结合其他资源可促进叶片生长。
2、以空气温湿度、光照强度、CO2浓度交互影响实验为基础,建立了基于BP神经网络的光合速率预测模型精度较高,能精确预测番茄光合速率。
3、采用建立的模型对各处理组番茄光合速率日动态预测结果表明,该模型可较精确地反映不同CO2浓度生长环境下植株日动态变化规律。通过逐步增大CO2浓度,可精确模拟出番茄的CO2饱和点,为温室 CO2气肥的自动调控提供了理论依据和决策支持。
END
本期编辑:韩煜琪
西北农林科技大学水利与建筑工程学院
2019级研究生
扫二维码,关注我们
微信号|XN-PGR
水研君