基于物联网和Deep-LSTM的茶树净光合速率动态预测模型

摘要

茶树的光合作用是其基本生理过程之一,快速评估其光合作用速率能够为茶树的水分控制提供重要依据。该研究构建了茶树物联网环境信息监测系统,通过设置100%、85%、70%、55%土壤持水量的4组水分胁迫梯度,实现对茶树生长环境和生理参数的采集,建立了茶树水分胁迫指数(Crop Water Stress Index,CWSI)模型以量化茶树的水分胁迫程度,并研究茶树净光合作用速率(NetPhotosyntheticRate,Pn)的变化特点。在此基础上,构建了基于物联网和深度长短期记忆(Deep Long Short-term Memory,Deep-LSTM)的茶树净光合作用速率动态预测模型,将不同水分处理下的茶树生长环境参数、冠层温度和CSWI作为输入特征,构建多层LSTM单元形成深度LSTM网络,实现特征提取,并引入全连接层实现降维,对茶树在不同水分胁迫程度下的Pn进行预测,计算模型的均方根误差(RMSE)和决定系数(R^(2))以评估其性能表现,并与经典的反向传播神经网络(Back Propagation Neural Network,BPNN)模型进行了性能对比。结果表明,茶树物联网环境信息监测系统能够有效获取其环境参数。茶树冠气温差下限与饱和水汽压差的线性方程拟合度为0.866。Deep-LSTM模型对100%、85%、70%、55%土壤持水量的水分处理下的光合作用速率的预测的RMSE分别为0.304、0.280、0.157和0.160μmol/m^(2)·s;其R^(2)分别为0.846、0.875、0.893和0.954,而BPNN模型的RMSE分别为0.980、0.897、0.633、0.417μmol/m^(2)·s,R^(2)分别为0.516、0.355、0.315、0.432,表明Deep-LSTM模型能够有效预测茶树的Pn,同时其性能好于BPNN模型。该研究可为快速评估茶树光合作用速率提供可行的方法,并为利用水分胁迫和光合作用指定茶树亏缺灌溉策略提供数据支持。