农业机械学报

作者：李莉，李文军，马德新，杨成飞，孟繁佳

单位：中国农业大学,中国农业大学,青岛农业大学,中国农业大学,中国农业大学,

关键词：番茄;温室;长短期记忆网络;蒸腾量;预测模型

基金：国家重点研发计划项目(2019YFD1001903)和丽江市科技计划项目(LJGZZ-2018001)

作物蒸腾量是指导作物灌溉关键参数之一，实时获取作物蒸腾量，实现按需灌溉是节约用水的有效途径。然而，温室内小气候效应显著，作物蒸腾与环境因子间关系较为复杂，且各环境因子之间相互关联并呈非线性变化。本文以番茄作为研究对象，使用称量法测量作物实时蒸腾量，通过布设传感器实时获取温室小气候数据，包括空气温度(Air temperature, AT)、相对湿度(Relative humidity, RH)、光照强度(Light intensity, LI)作为模型的小气候环境输入，冠层相对叶面积指数(Relative leaf area index，RLAI)作为模型的作物生长输入，在此基础上，提出了基于长短期记忆网络(Long short term memory, LSTM)的番茄蒸腾量预测模型。利用该模型对番茄蒸腾量进行预测，并与非线性自回归(Nonlinear autoregressive with exogeneous inputs, NARX)神经网络、Elman神经网络、循环神经网络(Recurrent neural network, RNN)模型进行了对比。试验结果表明，LSTM预测模型决定系数(Determination coefficient, R2)与平均绝对误差(Mean absolute error, MAE)分别为0.9925和4.53g，与NARX神经网络、Elman神经网络、RNN方法进行对比，其决定系数分别提高了8.97%、1.18%和0.82%，其平均绝对误差分别降低了8.16、6.23、0.52g。本研究所提的预测模型具有较高的预测精度及泛化性能，研究成果可为温室作物需水规律及需水量研究提供参考。

来源：2021年第10期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2021年第10期