許澤海，趙燕東

（北京林業(yè)大學(xué)工學(xué)院，北京 100083）

0 引言

對(duì)于多數(shù)植物來說，莖干組織向上連接著冠層枝葉，與大氣進(jìn)行水汽交換并傳遞冠層固定的光合產(chǎn)物，向下連接著根部，將土壤水分與無機(jī)鹽傳輸至植物重要的組織[1-2]，此過程需耗費(fèi)一定時(shí)間，有時(shí)會(huì)導(dǎo)致用于冠層蒸騰的水分無法及時(shí)補(bǔ)充，隨著植物蒸發(fā)需求的繼續(xù)增加，可能會(huì)使木質(zhì)部導(dǎo)管發(fā)生栓塞及空穴化，此時(shí)莖干組織會(huì)起到一定的緩沖作用，將自身儲(chǔ)存的水分傳輸至冠層枝葉及其他組織，維持組織細(xì)胞代謝、光合固碳及蒸騰耗散等生理活動(dòng)的正常運(yùn)行[3-4]。也有研究表明當(dāng)植物面臨干旱、凍害、熱及病蟲害脅迫時(shí)，當(dāng)其外在形態(tài)沒有受到影響之前，莖干水分就已產(chǎn)生較明顯變化[5]。同時(shí)，莖干水分在環(huán)境參數(shù)如空氣溫度、光合有效輻射、風(fēng)速、飽和水汽壓差等的非線性疊加作用下會(huì)呈現(xiàn)出不同變化特征[6-7]?？梢?，對(duì)不同時(shí)期莖干水分的準(zhǔn)確預(yù)測(cè)對(duì)理解植物體內(nèi)水分運(yùn)移、平衡及其環(huán)境適應(yīng)機(jī)制等具有重要意義[8]。

近年來，神經(jīng)網(wǎng)絡(luò)算法如BP 神經(jīng)網(wǎng)絡(luò)（back propagation neural network）、長(zhǎng)短期記憶（long short term memory，LSTM）網(wǎng)絡(luò)及支持向量機(jī)（support vector machine，SVM）等算法及其優(yōu)化算法因可以很好地解決復(fù)雜且非線性建模問題得到了迅速發(fā)展[9]，在農(nóng)林業(yè)相關(guān)預(yù)測(cè)研究中也受到了很大的關(guān)注[10-12]。TU 等[13]利用BP 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了對(duì)復(fù)雜、非線性且有不確定過程的莖流很好的預(yù)測(cè)；高鵬等[14]采用基于物聯(lián)網(wǎng)和Deep-LSTM 模型實(shí)現(xiàn)對(duì)不同脅迫程度下的茶樹凈光合速率有效且快速預(yù)測(cè);LI 等[15]設(shè)計(jì)了基于液流預(yù)測(cè)的CGRU（convolutional neural network-gated recurrent unit）模型，其效果較常見預(yù)測(cè)模型有了很大的提升?？紤]到神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部最優(yōu)及過擬合等問題，多數(shù)研究者提出生物啟發(fā)式算法如遺傳算法（genetic algorithm，GA）[16]、粒子群優(yōu)化算法（particle swarm optimization，PSO）[17]、灰狼優(yōu)化算法（grey wolf optimizer，GWO）[18]、麻雀搜索算法（sparrow search algorithm，SSA）[19]等算法優(yōu)化神經(jīng)網(wǎng)絡(luò)極大改善了模型預(yù)測(cè)精度及收斂速度。如ZHU 等[20]采用遺傳算法優(yōu)化后的BP 網(wǎng)絡(luò)結(jié)合多傳感器數(shù)據(jù)，較好地實(shí)現(xiàn)了對(duì)農(nóng)用小車軌跡的預(yù)測(cè)；遲宇等[21]提出模擬退火的粒子群算法SA-PSO-LASSO-BP（simulated annealing-particle swarm optimization-least absolute shrinkage and selection operator-back propagation）神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了對(duì)豬舍環(huán)境質(zhì)量評(píng)價(jià)。祖林祿等[22]提出基于SSA 優(yōu)化LSTM 的溫室環(huán)境預(yù)測(cè)模型，實(shí)現(xiàn)了對(duì)6種環(huán)境參數(shù)的準(zhǔn)確預(yù)測(cè)。

目前關(guān)于植物莖干水分預(yù)測(cè)研究還鮮有報(bào)道。為對(duì)生長(zhǎng)季莖干水分變化特征進(jìn)行解析，并構(gòu)建莖干水分預(yù)測(cè)模型，本研究選取五角楓為研究對(duì)象，采用具有自主知識(shí)產(chǎn)權(quán)的莖干水分傳感器獲取莖干水分變化情況，同時(shí)監(jiān)測(cè)各環(huán)境參數(shù)，搭建五角楓物聯(lián)網(wǎng)生態(tài)信息監(jiān)測(cè)系統(tǒng)；結(jié)合植物生理生態(tài)學(xué)知識(shí)分析生長(zhǎng)季不同時(shí)期莖干水分變化特征；采用具有較好收斂速度和搜尋能力的麻雀搜索算法（sparrow search algorithm，SSA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)即SSA-BP 模型對(duì)莖干水分進(jìn)行預(yù)測(cè)，并與傳統(tǒng)的BP 模型及GA-BP 模型的預(yù)測(cè)精度進(jìn)行比較，以期為探究植物內(nèi)部水分平衡及為林木水分管理提供技術(shù)指導(dǎo)與支撐。

1 材料與方法

1.1 研究材料

研究區(qū)域位于北京市海淀區(qū)北京林業(yè)大學(xué)三頃園苗圃，地處116°20′E，40°00′N，海拔約為50 m，園區(qū)內(nèi)的土壤為黏壤土，pH 值在7～8 之間，氣候?qū)侔霛駶?rùn)大陸性氣候，全年日照時(shí)數(shù)在2 560 h 左右，年平均蒸散量在1 800 mm 左右。

在2022 年4 月初選擇12 顆樹齡為5 a 且平均胸徑為5.2 cm 的五角楓，移栽于直徑為85 cm 高為46 cm 的花盆中，人工定期對(duì)五角楓進(jìn)行澆水及除草。

1.2 莖干水分傳感器

采用自主設(shè)計(jì)的基于駐波率原理的莖干水分傳感器（0～2 500 mV，±2%）[23]，實(shí)現(xiàn)對(duì)莖干水分變化無損且實(shí)時(shí)采集。該傳感器主要由100 MHz 信號(hào)源、50 Ω 同軸傳輸線、檢波與放大電路、304 不銹鋼探測(cè)環(huán)和保護(hù)外殼組成，測(cè)量原理如圖1 所示。

圖1 莖干水分傳感器測(cè)量原理圖Fig.1 Schematic of stem water content measurement principle

高頻信號(hào)源產(chǎn)生的電磁波經(jīng)傳輸線傳送至探測(cè)環(huán)，如探測(cè)環(huán)阻抗改變，傳輸線上各點(diǎn)電壓幅值會(huì)發(fā)生變化，通過檢波電路獲取a、b兩點(diǎn)的差動(dòng)信號(hào)，經(jīng)放大電路得到傳感器輸出電壓Uout[24]：

式中β為放大器系數(shù)；A為信號(hào)源的幅值，V；Z0為傳輸線阻抗，Ω；Zl為探測(cè)環(huán)阻抗，Ω；A和Z0均為常數(shù)，因而Uout由Zl決定。

研究表明[25]，莖干組織中水分含量變化會(huì)導(dǎo)致Zl發(fā)生變化，因而Uout發(fā)生變化，測(cè)量Uout即可檢測(cè)出莖干組織中的水分含量[26]。團(tuán)隊(duì)前期多次試驗(yàn)表明[3-4,25-28]，Uout與莖干水分真實(shí)值的線性擬合決定系數(shù)均在0.96 以上，為極強(qiáng)相關(guān)。故本研究莖干水分采用Uout來表征[28]。此外，前期試驗(yàn)表明實(shí)際中的環(huán)境溫濕度和電導(dǎo)率對(duì)傳感器運(yùn)行的擾動(dòng)很小[27-29]。綜上所述，該傳感器可穩(wěn)定運(yùn)行，獲取的數(shù)據(jù)可靠且可用來表征莖干水分。測(cè)量時(shí)，將傳感器安裝于五角楓胸徑處即距地面約1.3 m 高處。

1.3 五角楓物聯(lián)網(wǎng)生態(tài)信息監(jiān)測(cè)系統(tǒng)搭建

為實(shí)現(xiàn)對(duì)監(jiān)測(cè)期間五角楓莖干水分?jǐn)?shù)據(jù)及各環(huán)境參數(shù)的實(shí)時(shí)采集與在線展示，本研究搭建了五角楓物聯(lián)網(wǎng)生態(tài)信息監(jiān)測(cè)系統(tǒng)，該系統(tǒng)主要由各環(huán)境參數(shù)傳感器、莖干水分傳感器、數(shù)據(jù)采集器、DTU 模塊（data transmission unit，DTU）、數(shù)據(jù)服務(wù)器、監(jiān)測(cè)平臺(tái)等組成，如圖2 所示。在栽種五角楓的附近區(qū)域安裝各環(huán)境參數(shù)傳感器，其中BYX 氣象百葉箱，用于監(jiān)測(cè)環(huán)境中的空氣溫度（T,℃）、相對(duì)濕度（RH,%）及二氧化碳（CO2,μmol/mol）信息；SL3-1 雨量傳感器用于采集降雨量（RF,mm）；GHFS 光合有效輻射傳感器用于監(jiān)測(cè)光合有效輻射強(qiáng)度（PAR，W/m2）；EL15-1A 風(fēng)速傳感器獲取監(jiān)測(cè)期間的風(fēng)速（WS,m/s）；HYSWR-ARC 土壤水分傳感器用于獲取15 cm 深處土壤含水率信息（SM,%）；DS18B20 溫度傳感器用于獲取15 cm 深處土壤溫度信息（ST,℃）。

圖2 五角楓物聯(lián)網(wǎng)生態(tài)信息監(jiān)測(cè)系統(tǒng)Fig.2 Acer mono Internet of Things ecological information monitoring system

將各氣象傳感器及莖干水分傳感器均連接于實(shí)驗(yàn)室自主設(shè)計(jì)的基于ATMEGA2560 單片機(jī)的ZRDL 1 001 型多通道數(shù)據(jù)采集器上，對(duì)研究期間莖干水分及各環(huán)境參數(shù)進(jìn)行獲取，監(jiān)測(cè)期間設(shè)置每10 min 采集一次各傳感器數(shù)據(jù)，一天共采集144 組數(shù)據(jù)，各傳感器數(shù)據(jù)存在采集器SD 卡內(nèi)。

為實(shí)現(xiàn)對(duì)各傳感器數(shù)據(jù)實(shí)時(shí)在線顯示并及時(shí)了解各傳感器運(yùn)行情況，將裝有SIM 卡的DTU 模塊接于數(shù)據(jù)采集器232 通道，采用GPRS 網(wǎng)絡(luò)將打包后的各傳感器數(shù)據(jù)通過DTU 模塊傳輸至遠(yuǎn)程阿里云數(shù)據(jù)服務(wù)器，阿里云物聯(lián)網(wǎng)平臺(tái)通過TCP 協(xié)議與DTU 模塊建立連接，接收數(shù)據(jù)包存儲(chǔ)于數(shù)據(jù)服務(wù)器端的MySQL 數(shù)據(jù)庫，同時(shí)將數(shù)據(jù)包發(fā)送至監(jiān)測(cè)平臺(tái)，并通過TCP 協(xié)議連接訪問服務(wù)器，接收數(shù)據(jù)服務(wù)器中儲(chǔ)存的各傳感器數(shù)據(jù)包，對(duì)數(shù)據(jù)包進(jìn)行解析和處理，展示并繪制監(jiān)測(cè)期間各傳感器數(shù)據(jù)的動(dòng)態(tài)變化情況，從而實(shí)現(xiàn)對(duì)莖干水分和各環(huán)境參數(shù)實(shí)時(shí)查看與數(shù)據(jù)下載。由此完成了五角楓物聯(lián)網(wǎng)生態(tài)信息監(jiān)測(cè)系統(tǒng)的搭建，從2022 年4 月17 日開始對(duì)生長(zhǎng)季五角楓莖干水分及各環(huán)境參數(shù)進(jìn)行持續(xù)監(jiān)測(cè)。

此外，本研究引入飽和水汽壓差（vapor pressure deficit,VPD），該參數(shù)是利用空氣溫度和相對(duì)濕度通過式（2）計(jì)算得到[30]：

式中VPD為VPD,kPa；a1為空氣溫度，℃；b1為相對(duì)濕度，%。

1.4 數(shù)據(jù)處理

采用Microsoft Office Excel 2019 對(duì)監(jiān)測(cè)系統(tǒng)得到的莖干水分?jǐn)?shù)據(jù)和環(huán)境參數(shù)進(jìn)行整理和計(jì)算。

采用MATLAB 軟件中的濾波算法剔除莖干水分及環(huán)境參數(shù)中因環(huán)境擾動(dòng)、人為操作失誤等因素產(chǎn)生的異常數(shù)據(jù)及數(shù)據(jù)中存在的噪聲。

將處理后的莖干水分?jǐn)?shù)據(jù)與同時(shí)刻獲取的環(huán)境參數(shù)進(jìn)行組合，作為后續(xù)莖干水分預(yù)測(cè)模型的數(shù)據(jù)集，其中將60%的數(shù)據(jù)集作為訓(xùn)練樣本，40%的數(shù)據(jù)集作為測(cè)試樣本，用于后續(xù)模型的訓(xùn)練與測(cè)試。本研究選取T、RH、PAR、WS、ST、SM、VPD 共7 個(gè)環(huán)境參數(shù)作為輸入變量，以莖干水分作為輸出變量構(gòu)建預(yù)測(cè)模型進(jìn)行訓(xùn)練和預(yù)測(cè)。

為消除各數(shù)據(jù)間存在量綱對(duì)模型擬合帶來的負(fù)面影響，提高后續(xù)預(yù)測(cè)模型訓(xùn)練的精度和速度，將模型的輸入輸出數(shù)據(jù)歸一化至[0,1]，采用MATLAB 中的mapminmax 函數(shù)歸一化處理，如式（3）所示：

式中Xmax和Xmin分別為待處理樣本數(shù)據(jù)的最大值和最小值；X1為歸一化后的值；Xx為待處理的樣本數(shù)據(jù)。

1.5 預(yù)測(cè)模型構(gòu)建

1.5.1 遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)

BP 神經(jīng)網(wǎng)絡(luò)是將誤差反向傳播對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行不斷調(diào)整提升模型預(yù)測(cè)精度。作為局部搜索的優(yōu)化方法，對(duì)權(quán)值和閾值的敏感度高，不同的初始權(quán)重和閾值會(huì)使網(wǎng)絡(luò)收斂于不同的局部極小，陷入局部最優(yōu)；此時(shí)權(quán)值迭代將停止，如果有多個(gè)局部最優(yōu)，就難以確定最后得到的權(quán)值是否為最優(yōu)[31]，導(dǎo)致模型預(yù)測(cè)效率和穩(wěn)定性較難滿足實(shí)際的需求。

本研究采用GA 來優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)從而對(duì)生長(zhǎng)季不同時(shí)期的莖干水分進(jìn)行預(yù)測(cè)，GA 采用全局尋優(yōu)得到最優(yōu)解，根據(jù)遺傳學(xué)原理，在優(yōu)化過程中通常會(huì)設(shè)置一個(gè)固定規(guī)模的初始種群，其中種群中的每個(gè)個(gè)體都表示問題的一個(gè)可能解，利用適應(yīng)度函數(shù)判別個(gè)體適應(yīng)環(huán)境的程度，其中適應(yīng)度較好的個(gè)體會(huì)留下來繼續(xù)繁衍，在此過程中經(jīng)過選擇、交叉、變異等操作形成新的種群[32]，把GA 優(yōu)化后的初始權(quán)值和閾值賦值給BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)更新，如此反復(fù)得到最優(yōu)參數(shù)并對(duì)BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行賦值，得到較好的預(yù)測(cè)效果。

1.5.2 麻雀搜索算法優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)

本研究引入XUE 等[19]受麻雀種群覓食的行為啟發(fā)提出的 SSA 優(yōu)化算法，具有迭代次數(shù)少、有較快收斂速度和較強(qiáng)的搜索能力，大幅削減了模型訓(xùn)練的時(shí)間；有研究表明SSA 在局部及全局的尋優(yōu)能力、搜索精度、穩(wěn)定性及收斂性能等方面要更優(yōu)于前述GA、PSO 及GWO等生物啟發(fā)式算法，可更有效避免算法陷入局部最優(yōu)，進(jìn)而可有效提升后續(xù)預(yù)測(cè)模型的性能[33]。

此算法模擬了麻雀種群的覓食過程，把種群分成發(fā)現(xiàn)者、跟隨者和偵查預(yù)警者，其中發(fā)現(xiàn)者為整個(gè)群體提供覓食方向和區(qū)域，跟隨者主要是跟隨發(fā)現(xiàn)者覓食，偵察預(yù)警者一旦意識(shí)到有危險(xiǎn)發(fā)生，立即發(fā)出預(yù)警信息，種群將出現(xiàn)反捕食行為。

一般具有n只麻雀的種群可以表示為

式中X表示麻雀種群；d為待優(yōu)化變量的維數(shù)；n為麻雀種群的數(shù)量；表示第n只麻雀的第d維位置。

所有麻雀的適應(yīng)度函數(shù)（Fx）由式（5）得到：

式中f(x)為適應(yīng)度值。其中擁有較好適應(yīng)度值的發(fā)現(xiàn)者會(huì)在搜索過程時(shí)會(huì)率先得到食物，為麻雀種群尋覓食物并向加入者提供覓食方向，因而發(fā)現(xiàn)者擁有更廣闊的覓食空間。

每次迭代時(shí)，發(fā)現(xiàn)者通過式（6）進(jìn)行位置的更新：

式中t為當(dāng)前迭代次數(shù)；j=1,2,3…d；Xij表示第i只麻雀在第j維中的位置信息；α(α∈[0，1])為隨機(jī)數(shù)；C表示最大迭代次數(shù)；R2(R2∈[0，1])為預(yù)警值；ST為安全值；Q表示服從正態(tài)分布的隨機(jī)數(shù)；L表示內(nèi)部元素均為1大小1×d的矩陣，其。當(dāng)R2＜ST時(shí)，表示沒有入侵者，可以執(zhí)行搜索操作，相反，表示一些麻雀發(fā)現(xiàn)入侵者發(fā)出預(yù)警，迅速飛離。

跟隨者執(zhí)行式（6），監(jiān)視發(fā)現(xiàn)者同時(shí)準(zhǔn)備與之競(jìng)爭(zhēng)，否則按式（7）更新位置：

式中Xp表示發(fā)現(xiàn)者所處的最佳位置；Xworst則為最差的位置；A為大小1×d的矩陣，各元素均在{-1，1}中選擇，A+=AT(AAT)-1；i＞n/2 表明適應(yīng)度值較低的第i個(gè)加入者未獲取到食物，并處于饑餓狀態(tài)。

偵察預(yù)警者的位置按如下規(guī)則進(jìn)行更新：

式中Xbest表示當(dāng)前最優(yōu)位置；β作為步長(zhǎng)控制參數(shù)；fi、fg和fw分別為當(dāng)前適應(yīng)度、最優(yōu)和最差適應(yīng)度；K作為[-1,1]中的隨機(jī)數(shù)，ε是避免分母為0 的常數(shù)。

為避免BP 神經(jīng)網(wǎng)絡(luò)易趨于局部最優(yōu)，提升模型的預(yù)測(cè)效果，采用有著較強(qiáng)大的局部、全局搜尋能力及快速收斂能力的SSA 對(duì)BP 神經(jīng)網(wǎng)絡(luò)的初始權(quán)重和閾值進(jìn)行更新優(yōu)化，使種群朝全局最優(yōu)移動(dòng)，更好地解決了BP 神經(jīng)網(wǎng)絡(luò)存在的劣勢(shì)；隨后將優(yōu)化后的權(quán)值和閾值賦于BP 神經(jīng)網(wǎng)絡(luò)，進(jìn)而完成對(duì)BP 神經(jīng)網(wǎng)絡(luò)的優(yōu)化，最后完成對(duì)生長(zhǎng)季不同時(shí)期莖干水分變化趨勢(shì)的較準(zhǔn)確預(yù)測(cè)。算法流程如圖3 所示。具體步驟如下：

圖3 SSA-BP 神經(jīng)網(wǎng)絡(luò)流程圖Fig.3 Flow chart of SSA-BP neural network

1）初始化麻雀種群數(shù)量、初始位置、最佳位置、最佳適應(yīng)度、最大迭代次數(shù)及BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)等參數(shù)。

2）對(duì)莖干水分以及各環(huán)境參數(shù)數(shù)據(jù)進(jìn)行預(yù)處理。

3）利用式（6）～式（8）對(duì)發(fā)現(xiàn)者、跟隨者和偵查預(yù)警者的位置進(jìn)行更新。

4）更新最佳適應(yīng)度，判斷是否達(dá)到設(shè)定的誤差和最大迭代次數(shù)，如滿足，執(zhí)行下一步，否則，返回步驟3）。

5）BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練，將 SSA 優(yōu)化后的最優(yōu)權(quán)值和閾值賦予 BP 神經(jīng)網(wǎng)絡(luò)，完成莖干水分的訓(xùn)練和預(yù)測(cè)。

1.5.3 各模型參數(shù)設(shè)置

試驗(yàn)中，設(shè)置BP 神經(jīng)網(wǎng)絡(luò)模型為3 層，分別使用tansig 和purelin 函數(shù)作為輸入層至隱藏層及隱藏層至輸出層的激活函數(shù)，最大訓(xùn)練次數(shù)為1 000 次，學(xué)習(xí)率設(shè)置為0.01，訓(xùn)練精度為10-6；本研究將7 個(gè)環(huán)境參數(shù)作為輸入，莖干水分作為輸出，因而設(shè)置模型輸入節(jié)點(diǎn)數(shù)為7，輸出節(jié)點(diǎn)數(shù)為1，隱藏層的節(jié)點(diǎn)數(shù)通過式（9）確定[34]：

式中h為隱藏層節(jié)點(diǎn)數(shù)，n2為輸入節(jié)點(diǎn)數(shù)，m為輸出節(jié)點(diǎn)數(shù)，a2是1～10 的常數(shù)，因此隱藏層節(jié)點(diǎn)數(shù)在4～13范圍內(nèi)，經(jīng)試湊法設(shè)置隱藏層節(jié)點(diǎn)數(shù)為7。

設(shè)置GA-BP 算法的迭代次數(shù)為50，種群規(guī)模為30，采用輪盤賭法進(jìn)行選擇，交叉概率為0.4，變異概率為0.05。

設(shè)置初始麻雀數(shù)量為30，最大迭代次數(shù)為50，閾值和權(quán)值的上下邊界值分別為5，-5；發(fā)現(xiàn)者占麻雀種群的20%，安全值設(shè)為0.8，通過式（10）得到麻雀種群維度數(shù)（搜索空間維度）d1為64:

1.5.4 模型評(píng)價(jià)指標(biāo)

為直觀地評(píng)價(jià)SSA-BP 模型預(yù)測(cè)能力，本研究采用決定系數(shù)（coefficient of determination，R2）、均方根誤差（root mean square error，RMSE）和平均絕對(duì)誤差（mean absolute error，MAE）作為BP 模型、GA-BP 模型及SSA-BP 模型預(yù)測(cè)性能的評(píng)價(jià)指標(biāo)，計(jì)算式見文獻(xiàn)[35]。

2 結(jié)果與分析

2.1 生長(zhǎng)季各環(huán)境參數(shù)的變化特征

圖4 為本研究搭建的物聯(lián)網(wǎng)生態(tài)信息監(jiān)測(cè)系統(tǒng)獲取的生長(zhǎng)季各環(huán)境參數(shù)包括土壤含水率、風(fēng)速、降雨、光合有效輻射、空氣溫度、相對(duì)濕度、飽和水汽壓差及土壤溫度的變化特征。監(jiān)測(cè)期間土壤含水率在補(bǔ)水后呈顯著上升趨勢(shì)，隨后逐漸降低，其波動(dòng)范圍在31.4%～68.8%；風(fēng)速在春秋兩季波動(dòng)較為明顯，夏季波動(dòng)范圍較小，在0～35.2 m/s 范圍內(nèi)波動(dòng)；降雨集中在6—9 月，最大降水量達(dá)88 mm，春季和秋季中后期降雨較少；光合有效輻射從春季開始到夏季呈逐漸增強(qiáng)的趨勢(shì)，隨后到了秋季逐漸減弱；空氣溫度在2.4～44 ℃范圍內(nèi)變化，全年的日波動(dòng)范圍較大；土壤溫度在8.9～31.3 ℃范圍內(nèi)變化，除萌芽期日波動(dòng)范圍較大外，其他時(shí)期的日波動(dòng)范圍相對(duì)較??；相對(duì)濕度與空氣溫度變化大致相反，在8.9%～89.9%范圍內(nèi)變化；飽和水汽壓差與空氣溫度的變化大致相同，同樣呈先升高后降低的趨勢(shì)。

圖4 生長(zhǎng)季各環(huán)境參數(shù)變化Fig.4 Variation of environmental parameters in growing season

2.2 生長(zhǎng)季莖干水分變化規(guī)律

因生長(zhǎng)季各環(huán)境參數(shù)如空氣溫度、相對(duì)濕度、飽和水汽壓差、土壤含水率等均處于持續(xù)變化之中，植物會(huì)不斷調(diào)節(jié)自身生理活動(dòng)及供水需求以適應(yīng)環(huán)境參數(shù)帶來的非線性疊加效應(yīng)，導(dǎo)致莖干水分在生長(zhǎng)季各時(shí)期呈不同的變化規(guī)律。如下對(duì)萌芽期、生長(zhǎng)期及落葉期及整個(gè)生長(zhǎng)季莖干水分變化規(guī)律進(jìn)行闡述。

2.2.1 萌芽期莖干水分變化規(guī)律

圖5a 為4 月18—24 日獲取的一段萌芽期莖干水分變化規(guī)律，隨著空氣溫度逐漸回升且在較充足的土壤水分條件下[36]，五角楓長(zhǎng)出少量葉片，各項(xiàng)生理活動(dòng)如蒸騰耗散和光合固碳等逐漸恢復(fù)[37-39]。植物體耗水量即莖干組織充放水量還較少，因而莖干水分的峰值及日波動(dòng)范圍還較小，從凌晨開始逐漸上升，基本于13:00—14:00 達(dá)到一天中的極大值，隨后開始至第二天凌晨呈逐漸下降趨勢(shì)。莖干水分呈“晝升夜降”的日變化規(guī)律，這與BEEDLOW 等[8]發(fā)現(xiàn)的春季構(gòu)樹（Broussonetia papyrifera(L.) L'Hér.ex Vent.）莖干水分變化趨勢(shì)較為一致。

圖5 萌芽期、生長(zhǎng)期、落葉期及整個(gè)生長(zhǎng)季莖干水分（SW）變化Fig.5 Stem water content (SW) variation throughout the germination stage,growth stage,defoliation stage and the entire season

2.2.2 生長(zhǎng)期莖干水分變化規(guī)律

圖5b 為6 月14—20 日獲取的一段生長(zhǎng)期莖干水分變化規(guī)律，隨著溫度升高及在較充沛降雨條件下，五角楓生長(zhǎng)旺盛，蒸騰耗散及光合固碳等逐漸增強(qiáng)[40]。莖干水分的峰值及日波動(dòng)范圍逐漸增大，基本從凌晨開始上升，于06:00—07:00 達(dá)到一天中的極大值；當(dāng)植物體耗水量超過根部吸水量時(shí)，莖干組織會(huì)將自身儲(chǔ)水運(yùn)輸至各需水組織[41-42]，使得莖干水分達(dá)到極值后呈下降趨勢(shì)，基本于15:00—17:00 達(dá)到極小值；隨后植物體各生理活動(dòng)逐漸減弱，根部吸水量超過其耗水量，莖干水分開始上升。莖干水分呈“晝降夜升”的日變化規(guī)律，與CHENG等[3-4]發(fā)現(xiàn)的莖干水分變化規(guī)律較為一致。

2.2.3 落葉期莖干水分變化規(guī)律

圖5c 為10 月17—23 日獲取的一段落葉期莖干水分?jǐn)?shù)據(jù)變化規(guī)律。此時(shí)五角楓生長(zhǎng)幾近停止，葉片開始脫落，蒸騰耗散及光合固碳等生理活動(dòng)的強(qiáng)度逐漸減弱，植物體耗水量逐漸減少，其超過根部吸水量的時(shí)刻出現(xiàn)滯后，即莖干水分達(dá)到極大值的時(shí)刻較前期有所后移[43]，基本從凌晨開始緩慢上升，一般于12:00—13:00 達(dá)到一天中的極大值，隨后至第二天凌晨呈下降趨勢(shì)。莖干水分又呈現(xiàn)出如萌芽期時(shí)“晝升夜降”的日變化規(guī)律。

2.2.4 整個(gè)生長(zhǎng)季莖干水分變化規(guī)律

圖5d 為整個(gè)生長(zhǎng)季莖干水分變化規(guī)律，可觀察到從4 月中旬監(jiān)測(cè)開始至5 月中旬，莖干水分處于較低水平，其變化緩慢且呈逐漸增加的趨勢(shì)；從5 月中旬開始至8 月下旬，五角楓生長(zhǎng)旺盛，莖干水分逐漸上升至較高水平，波動(dòng)范圍較前期有所增大；從8 月下旬至9 月下旬，五角楓生長(zhǎng)變緩，莖干水分呈下降趨勢(shì)且波動(dòng)范圍也逐漸減?。粡? 月下旬開始至11 月初，五角楓出現(xiàn)落葉現(xiàn)象，莖干水分又逐漸上升至較高水平，波動(dòng)范圍較前期有所增加，這與HAO 等[44]發(fā)現(xiàn)秋季時(shí)根壓重新恢復(fù)使莖干水分重新上升有較好的一致性。生長(zhǎng)季中傳感器監(jiān)測(cè)到的莖干水分急劇變化是由降水導(dǎo)致的。

2.3 模型預(yù)測(cè)效果對(duì)比分析

分別構(gòu)建BP 預(yù)測(cè)模型、GA-BP 預(yù)測(cè)模型及SSABP 預(yù)測(cè)模型利用各生長(zhǎng)周期莖干水分?jǐn)?shù)據(jù)和各環(huán)境參數(shù)組合成的數(shù)據(jù)集對(duì)莖干水分進(jìn)行預(yù)測(cè)，各模型預(yù)測(cè)結(jié)果如表1 和圖6 所示。

表1 各莖干水分預(yù)測(cè)模型的性能分析Table 1 Performance analysis of stem water content prediction model

圖6 生長(zhǎng)季各時(shí)期莖干水分（SW）模型的預(yù)測(cè)值與實(shí)測(cè)值Fig.6 Predicted and measured values of stem water content (SW) at each stage of growth season

從表1 可以看出SSA-BP 模型相較于BP 模型及GABP 模型對(duì)莖干水分的預(yù)測(cè)精度高即模型評(píng)價(jià)指標(biāo)R2、RMSE 和MAE 相對(duì)較低。

具體的：萌芽期，SSA-BP 模型的R2、RMSE 和MAE 分別為0.896、12.971 mV 和5.031 mV，GA-BP 模型的預(yù)測(cè)精度有所降低，其R2、RMSE 和MAE 分別為0.855、25.334 mV 和6.829 mV，而BP 模型的預(yù)測(cè)效果則較差，其R2、RMSE 和MAE 分別為0.817、27.299 mV和8.905 mV；生長(zhǎng)期，SSA-BP 模型的R2、RMSE 和MAE 分別為0.934、2.170 mV 和0.762 mV，GA-BP 模型的R2、RMSE 和MAE 分別為0.916、3.924 mV 和1.246 mV，BP 模型的R2、RMSE 和MAE 分別為0.901、5.276 mV 和2.275 mV；到了落葉期各模型預(yù)測(cè)精度均有所提高，SSA-BP 模型的R2、RMSE 和MAE 分別為0.987、0.314 mV 和 0.232 mV，GA-BP 模型的R2、RMSE 和MAE 分別為0.973、0.636 mV 和0.439 mV，而BP 模型的R2、RMSE 和MAE 分別為0.966、0.861 mV和0.639 mV。

圖6a～6c 分別為各模型對(duì)生長(zhǎng)季萌芽期、生長(zhǎng)期及落葉期中莖干水分變化的預(yù)測(cè)值與實(shí)測(cè)值變化趨勢(shì)，可以看出各模型的預(yù)測(cè)值與實(shí)測(cè)值基本呈相同變化趨勢(shì)，基本符合各時(shí)期莖干水分的日變化規(guī)律。

從圖6a 可看出，相較于BP 模型和GA-BP 模型，SSA-BP 模型預(yù)測(cè)值與實(shí)測(cè)值間的擬合程度較高。由于4 月27—28 日出現(xiàn)降雨事件，莖干水分出現(xiàn)了較大的提升，而各預(yù)測(cè)模型的輸入變量中不包含降雨量，因而在此期間，各模型預(yù)測(cè)效果均較差，這是導(dǎo)致萌芽期各預(yù)測(cè)模型的評(píng)價(jià)指標(biāo)相對(duì)較大的原因（表1），其中SSABP 模型的預(yù)測(cè)值與實(shí)測(cè)值的接近程度較高。從圖6b 和圖6c 可看出，生長(zhǎng)期與落葉期各模型預(yù)測(cè)效果較萌芽期均有明顯提升，其中SSA-BP 模型預(yù)測(cè)值和實(shí)測(cè)值間的吻合程度較其他模型高即模型的預(yù)測(cè)曲線與實(shí)測(cè)曲線間的差異較小。

綜上可知，SSA-BP 莖干水分預(yù)測(cè)模型可以實(shí)現(xiàn)對(duì)莖干水分較準(zhǔn)確的預(yù)測(cè)。

3 結(jié)論

本研究結(jié)合無線傳感網(wǎng)絡(luò)技術(shù)與傳感器技術(shù)搭建了可長(zhǎng)期穩(wěn)定運(yùn)行的五角楓物聯(lián)網(wǎng)生態(tài)信息監(jiān)測(cè)系統(tǒng)實(shí)現(xiàn)對(duì)莖干水分?jǐn)?shù)據(jù)及各環(huán)境參數(shù)遠(yuǎn)程實(shí)時(shí)獲取與在線顯示，其中采用自主設(shè)計(jì)基于駐波率原理的莖干水分傳感器實(shí)現(xiàn)對(duì)五角楓莖干水分獲??；結(jié)合植物生理生態(tài)學(xué)的相關(guān)知識(shí)分析了生長(zhǎng)季各時(shí)期莖干水分變化特征，并構(gòu)建了麻雀搜索算法（sparrow search algorithm，SSA）優(yōu)化BP 神經(jīng)網(wǎng)絡(luò)即SSA-BP 莖干水分預(yù)測(cè)模型，獲得結(jié)論主要有：

1）莖干水分在萌芽期、生長(zhǎng)期及落葉期會(huì)呈現(xiàn)出不同的變化特征，具體的：在萌芽期和落葉期，莖干水分從凌晨開始緩慢上升，至中午時(shí)刻達(dá)到峰值，隨后緩慢下降，呈現(xiàn)“晝升夜降”的日變化趨勢(shì)；生長(zhǎng)期，莖干水分從凌晨開始至早晨逐漸上升至極大值，隨后迅速下降，至下午時(shí)刻達(dá)到極小值后開始上升，呈現(xiàn)“晝降夜升”的日變化趨勢(shì)。

2）采用生物啟發(fā)式算法即SSA-BP 構(gòu)建莖干水分預(yù)測(cè)模型，相較于BP 模型和遺傳算法優(yōu)化后的BP 網(wǎng)格模型有著較好的預(yù)測(cè)性能表現(xiàn)即模型各性能指標(biāo)要更優(yōu)。在萌芽期，SSA-BP 模型的R2、均方根誤差（root mean square error，RMSE）和平均絕對(duì)誤差（mean absolute error，MAE）分別為0.896、12.971 mV 和5.031 mV；生長(zhǎng)期，SSA-BP 模型的R2、RMSE 和MAE 分別為0.934、2.170 mV 和0.762 mV；落葉期，SSA-BP 模型的R2、RMSE 和MAE 分別為0.987、0.314 mV 和0.232 mV。

本研究通過多學(xué)科融合呈現(xiàn)出一種可行的莖干水分采集系統(tǒng)、分析及預(yù)測(cè)方法；然而不同地域相同樹種的莖干水分在不同生長(zhǎng)時(shí)期受不同環(huán)境參數(shù)的影響下又會(huì)呈現(xiàn)出不同的變化特征，因此，未來還需要在不同區(qū)域開展對(duì)相同樹種和其他樹種莖干水分的預(yù)測(cè)研究，從而為更系統(tǒng)地揭示莖干組織內(nèi)部水分變化規(guī)律及為林地水分管理提供一定的指導(dǎo)與借鑒作用。