摘 要：【目的】基于SMA-SVM模型預(yù)測溫室西瓜需水量?！痉椒ā恳晕鞴锨o流速率與氣象因子結(jié)合的作為特征變量作為模型輸入，建立黏菌算法（Slime mold algorithm，SMA）優(yōu)化的支持向量機(jī)（Support vector machine， SVM）的溫室西瓜蒸騰量預(yù)測模型?！窘Y(jié)果】氣象因子與莖流速率共同作為輸入要比氣象因子單獨(dú)作為模型輸入的蒸騰量預(yù)測精度更高，且通過SMA優(yōu)化后的SVM預(yù)測模型預(yù)測效果最好?！窘Y(jié)論】莖流速率的SMA-SVM蒸騰預(yù)測模型在西瓜三個(gè)時(shí)期的R²和RMSE分別為0.83、0.87、0.92和0.38、0.31和0.15；模型預(yù)測值與實(shí)際值接近，預(yù)測結(jié)果可靠。

關(guān)鍵詞：支持向量機(jī)；莖流速率；蒸騰量；預(yù)測

中圖分類號：S627 文獻(xiàn)標(biāo)志碼：A 文章編號：1001-4330（2024）10-2434-10

收稿日期（Received）：2024-04-11

基金項(xiàng)目：新疆維吾爾自治區(qū)重點(diǎn)研發(fā)計(jì)劃項(xiàng)目“農(nóng)業(yè)傳感器與智能感知技術(shù)及產(chǎn)品研究開發(fā)”（2022B02049-1）

作者簡介：張靜（1996-），女，山東菏澤人，碩士研究生，研究方向?yàn)樽魑锴o流，（E-mail）2232282799@qq.com

通訊作者：郭俊先（1975-），男，新疆巴里坤人，教授，博士，碩士生/博士生導(dǎo)師，研究方向?yàn)檗r(nóng)業(yè)信息智能感知技術(shù)與裝備，（E-mail）junxianguo@163.com

0 引 言

【研究意義】西瓜果實(shí)甘甜多汁、需水量大^［1］，精準(zhǔn)灌溉目前已成為西瓜種植的主要方式^［2］。作物蒸騰量是制定灌溉的重要指標(biāo)^［3-4］，環(huán)境因子是影響蒸騰作用的主要因素。莖流是土壤液態(tài)水進(jìn)入根系后，通過莖桿的輸導(dǎo)組織向上運(yùn)送至冠層，經(jīng)由氣孔蒸騰轉(zhuǎn)化為氣態(tài)水?dāng)U散到大氣中，在根區(qū)和冠層之間傳輸?shù)乃郑o流速度指單位時(shí)間內(nèi)通過被測量莖桿橫截面水的總量^［5］。了解莖流速率對計(jì)算作物蒸騰速率以及需水量有重要意義，可以作為直接、準(zhǔn)確的預(yù)測植物體內(nèi)所需水分的主要影響因素之一^［6］?！厩叭搜芯窟M(jìn)展】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(jī)理模型，該模型綜合了輻射項(xiàng)和空氣動力學(xué)項(xiàng)，具有充分的理論基礎(chǔ)^［7-8］，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(yán)格的要求，所以其應(yīng)用受到一定的限制^［9-11］。何淑林等^［12］利用神經(jīng)網(wǎng)絡(luò)算法，以PCA篩選出的空氣溫濕度、大氣壓強(qiáng)、光照強(qiáng)度、風(fēng)速、降水量等輸入建立果樹蒸騰預(yù)測模型，降低了復(fù)雜度，具有較高的預(yù)測精度。李莉等^［13］利用RF算法選取作物相對葉面積指數(shù)、溫室內(nèi)空氣溫度、相對濕度、光照強(qiáng)度、光合有效輻射、基質(zhì)含水率和基質(zhì)溫度作為模型的輸入變量，構(gòu)建了基于GRU的番茄蒸騰量預(yù)測模型，該模型的預(yù)測的灌溉量比定時(shí)灌溉降低了20%。薛冰等^［14］利用MLR和人工神經(jīng)網(wǎng)絡(luò)將7種氣象因子的8種組合作為模型輸入，構(gòu)建了新疆楊蒸騰量的估測值，該模型新疆楊蒸騰量的估算精度。【本研究切入點(diǎn)】前人研究涉及的預(yù)測輸入變量大都以作物生長的環(huán)境因子有關(guān)，缺少與作物自身有關(guān)的特性，莖流與作物的蒸騰和需水有密切關(guān)系，而莖流與氣象因子共同作為模型輸入?yún)s鮮少研究。因此，需研究莖流速率和氣象因子，預(yù)測西瓜蒸騰量。支持向量機(jī)（SVM）是一種通過找到一個(gè)最優(yōu)的超平面來進(jìn)行分類或回歸的機(jī)器學(xué)習(xí)算法，是定義在特征空間上間隔最大的線性分類器，可以擴(kuò)展到非線性分類或回歸問題，具有較好的泛化能力和魯棒性^［15-17］?！緮M解決的關(guān)鍵問題】將支持向量機(jī)模型應(yīng)用于溫室西瓜蒸騰量預(yù)測，并利用黏菌算法（SMA）尋優(yōu)模型，探討在模型輸入因子中引入西瓜莖流時(shí)，預(yù)測模型的適用性和精確性，為實(shí)際作物需水量預(yù)測提供參考。

新疆農(nóng)業(yè)科學(xué)第61卷 第10期張 靜等：基于SMA-SVM模型的莖流速率預(yù)測溫室西瓜蒸騰量

1 材料與方法

1.1 材 料

選取浙江大學(xué)農(nóng)學(xué)院西瓜培育重點(diǎn)實(shí)驗(yàn)室的燈光溫室（120°09′E，30°30′N）作為數(shù)據(jù)獲取的試驗(yàn)區(qū)域，該溫室結(jié)構(gòu)長10.6 m，寬4.2 m，高4 m，室內(nèi)有風(fēng)向循環(huán)系統(tǒng)。西瓜栽培試驗(yàn)于2022年8～10月進(jìn)行。西瓜品種為早佳84-24，苗齡為8～10片葉子，選取生育期（幼苗期、伸蔓期和膨果期）試驗(yàn)數(shù)據(jù)研究溫室西瓜蒸騰量模型，采用滴灌對盆栽西瓜進(jìn)行灌溉，保證水分在基質(zhì)水平和豎直方向上的垂直移動^［18］。

1.2 方 法

1.2.1 試驗(yàn)設(shè)計(jì)

使用美國ONSET小型便攜式高精度無線溫濕度記錄儀HOBO UX100-003采集溫室內(nèi)空氣溫濕度；采用稱量法測量單株西瓜實(shí)時(shí)蒸騰量（g）。處理前1 d，充分灌水使基質(zhì)水分盡量達(dá)到飽和，用精密電子計(jì)重秤（ACS-Z系列，上海友聲衡器有限公司，30 kg±1 g）每隔10 min稱花盆的重量，變化的重量就是該時(shí)間內(nèi)單株西瓜的實(shí)際蒸騰量^［6］。西瓜莖干周邊覆蓋白色塑料袋以防止基質(zhì)水分蒸發(fā)對測量造成影響，進(jìn)一步提高西瓜實(shí)際蒸騰量的獲取精度。圖1

溫室西瓜莖流的監(jiān)測采用浙大自主研發(fā)的柔性可穿戴無損莖流植物莖流傳感器監(jiān)測，通過 Wifi control 3.0.0降噪和實(shí)時(shí)接收。試驗(yàn)主要記錄的氣象數(shù)據(jù)：氣溫（℃）、濕（HR）、VPD、莖流等數(shù)據(jù)，測量時(shí)間間隔為每隔1 h測量1次。VPD由溫度和濕度計(jì)算得出。圖2

VPD=0.611·EXP（17.27·T/（T+237.3））·（1-RH/100）.（1）

1.2.2 支持向量機(jī)

SVM原理是尋求一個(gè)最優(yōu)超平面使所有的樣本點(diǎn)離超平面的總偏差最小^［19］。SVM用于回歸分析的基本原理如下，給定訓(xùn)練樣本D={（x_i，y_i），i= 1，2，…，N}，x_i為自變量，y_i為因變量，N為樣本總量。

f（x）=〈ω，x〉+b.（2）

式中，f（x）為模型的輸出變量；w為特征空間的權(quán)值向量；x為輸入變量；b為閾值。

SVM使用的結(jié)構(gòu)風(fēng)險(xiǎn)函數(shù)表達(dá)式如公式（3）。

R（f）=12ω²+C∑ni=1L_εfx_i-y_i.（3）

式中，C為懲罰因子；n為樣本量；e為損失函數(shù)的損失因子；L_e為e不敏感損失函數(shù)。

超平面由ε-隔離帶邊緣上的數(shù)據(jù)點(diǎn)確定，也稱為支持向量。根據(jù)式（2）和（3），對于確定的超平面，SVM模型的預(yù)測精度取決于落在ε-隔離帶之外的數(shù)據(jù)點(diǎn)。圖3

引入松弛變量ξ_i，ξ^*_i，則式（3）可改寫為：

min12|W|²+C∑Ni=1（ξ_i+ξ^*_i）.（4）

限制條件為：

y_i-?（X_i）≤ε+ξ_i.

?（X_i）+y_i≤ε+ξ^*_i.

ξ_i+ξ^*_i≥0.

i=1，2，3，…，n.（5）

通過引入拉格朗日乘子，將輸人空間X中的輸人量x經(jīng)非線性變化映射到另一高維特征空間H中去，將樣本離超平面H距離最近的分類問題轉(zhuǎn)化為離超平面H總偏差最小的線性回歸問題，轉(zhuǎn)換后的SVM目標(biāo)函數(shù)如下。

f（x）=∑ni=1a_i－a^*_iKx，x_i+b.（6）

b=y_i-∑ni=1a^*_i-a_iKx_i，x+ε.（7）

式中，a_i為第i個(gè)樣本的Lagrange乘子，K（x_i，x）為核函數(shù)。采用徑向基核函數(shù)（RBF），RBF核函數(shù)具有非線性映射能力強(qiáng)、回歸檢測精度高，適用性廣等優(yōu)點(diǎn)。RBF核函數(shù)表達(dá)式如下：

Kx_i，x=exp-g‖x_i，x‖，（ggt;0）.（8）

式中，g是核函數(shù)的寬度因子。

1.2.3 黏菌算法（SMA）原理

黏菌算法（slime mould algorithm，SMA），是根據(jù)多頭絨泡黏菌在覓食過程中的行為和形態(tài)變化提出的一種新的智能優(yōu)化算法。該算法通過引入自適應(yīng)權(quán)重模擬黏菌在不同食物濃度下的振蕩反饋過程，極大程度降低了模型陷入局部最優(yōu)的概率，在解決實(shí)際問題中表現(xiàn)出良好的收斂速率與全局搜索能力，其詳細(xì)的數(shù)學(xué)原理如下。

階段一：黏菌可以根據(jù)空氣中的氣味靠近食物，其數(shù)學(xué)原理如公式（9）所示：

X（t+1）=

X_b（t）+v→_b×W→·X_A（t）-X_B（t），rlt;p

v→_c·X（t） ， r≥p.（9）

p=tanhS（i）－DF. （10）

式中，p是與最佳適應(yīng)度相關(guān)的參數(shù)；t代表當(dāng)前迭代次數(shù)；X（t+1）表示當(dāng)前黏菌的下一個(gè)位置；X_b（t）表示目前迭代過程中食物濃度最高位置；X_A，X_B表示隨機(jī)2個(gè)黏菌個(gè)體的位置；v→_b是在區(qū)間［-a，a］的隨機(jī)數(shù)，v_c為1到0線性遞減的隨機(jī)值；rand為［0，1］內(nèi)的隨機(jī)值；S（i）為X的適應(yīng)度值；DF為優(yōu)化過程中得到的最佳適應(yīng)度值。

a=arctanh－tt_max+1.（11）

式中，t_max表示最大迭代次數(shù)。

W表示黏菌的權(quán)重，其計(jì)算公式如（12）所示

W（ S_mellIndex （i））=

1+r·logbF－S（i）bF－wF+1， condition.

1－r·logbF－S（i）bF－wF+1， others.（12）

式中，SmellIndex（i）表示根據(jù)適應(yīng)度大小升序排列的黏菌序列；bF表示當(dāng)前迭代中最佳適應(yīng)度；wF目前迭代中最差適應(yīng)度；condition表示適應(yīng)度值排在黏菌種群前50%的個(gè)體。

階段二：盡管黏菌找到了更好的食物源，仍會分離部分個(gè)體探索其他領(lǐng)域試圖尋找更高質(zhì)量的食物源。

X^*=

rand ·U_B－L_B+L_B， rand lt;z

X_b（t）+v→_b·W→·X_A（t）－X_B（t），rlt;p

v→_c·X（t） ， r≥p（13）

式中，rand是0到1間的隨機(jī)值；U_B，L_B分別表示搜索空間的上界與下界；z表示隨機(jī)分布的黏菌個(gè)體占總體的比率。

階段三：振蕩搜索，SMA通過W→、v→_b、v→_c模擬黏菌靜脈擴(kuò)張情況，判斷是否存在更高適應(yīng)度區(qū)域，若存在，則更新位置，直到找到最佳適應(yīng)度區(qū)域并重新建立數(shù)學(xué)模型。

1.2.4 SMA-SVR模型

機(jī)器學(xué)習(xí)算法中的超參數(shù)往往決定著模型最終的性能，而傳統(tǒng)的機(jī)器學(xué)習(xí)模型往往只能通過試錯(cuò)法確定其超參數(shù)。提出的SMA-SVM模型，主要通過SMA算法優(yōu)化SVM模型的2個(gè)超參數(shù)分別為懲罰因子C和核函數(shù)參數(shù)g。其中，C為懲罰參數(shù)，影響著SVM分類器對數(shù)據(jù)分類的嚴(yán)格程度；g為選用RBF作為核函數(shù)后自帶的一個(gè)參數(shù)，決定數(shù)據(jù)映射到新的特征空間后的分布，當(dāng)選用RBF以外的核函數(shù)時(shí)，不賦予G值。

使用Python語言建立SMA-SVM模型。圖4

第一步：對溫室西瓜蒸騰量預(yù)測模型的輸入函數(shù)和輸出函數(shù)進(jìn)行確定；

第二步： 收集高速沖擊下SC墻局部損傷模式數(shù)據(jù)X=（X_1，X_2，X_i，……X_n），其中i=（1，2，3……n），X_i為搜集的溫度、濕度、VPD以及西瓜莖流速率的一維矩陣，西瓜蒸騰量為輸出f（x）建立樣本集；

第三步：歸一化處理輸出樣本數(shù)據(jù)，對收集的數(shù)據(jù)進(jìn)行5折交叉驗(yàn)證。在這一步驟中，數(shù)據(jù)被分為5個(gè)數(shù)據(jù)集，其中4個(gè)數(shù)據(jù)集用來訓(xùn)練，另1個(gè)數(shù)據(jù)集用來測試；

第四步：構(gòu)建SMA-SVM預(yù)測模型；

第五步：確定SVM 中參數(shù)C和g的初值。其中， C的搜索范圍為［0.001， 1 000］；G的搜索范圍為［0.001， 1 000］；

第六步：參數(shù)C和g初值確定后，利用訓(xùn)練樣本集對SVM進(jìn)行訓(xùn)練，建立溫室西瓜蒸騰量的預(yù)測模型；

第七步：基于SMA對參數(shù)C和g進(jìn)行尋優(yōu)；利用得到的 C 和g繼續(xù)對SVM 預(yù)測模型重新進(jìn)行訓(xùn)練，多次返回步驟五，確認(rèn)得到最優(yōu)預(yù)測模型后終止；

第八步：用得到的最優(yōu)預(yù)測模型對溫室西瓜進(jìn)行蒸騰量預(yù)測，根據(jù)預(yù)測結(jié)果對比實(shí)測結(jié)果，進(jìn)行針對性的誤差分析。

1.3 數(shù)據(jù)處理

采用Excel2016和IBM SPSS Statistics 26對數(shù)據(jù)進(jìn)行統(tǒng)計(jì)與回歸分析，采用Matlab2021a對數(shù)據(jù)進(jìn)行建模分析，采用Origin2021對數(shù)據(jù)分析結(jié)果進(jìn)行可視化展示。模型評價(jià)指標(biāo)選擇決定系數(shù)（R²）以及均方根誤差（RMSE）。

R²是一個(gè)解釋性系數(shù)，在回歸分析中，其主要作用是評估回歸模型對因變量y產(chǎn)生變化的解釋程度，也即判定系數(shù)R²是評估回歸模型好壞的指標(biāo)。

R²=1－∑ni=1（y∧_i－y_i）²∑ni=1（y∧_i－y-）² .（14）

均方根誤差（RMSE）用于衡量回歸分析中檢測值與觀測值的差異程度，或者說數(shù)據(jù)點(diǎn)圍繞最佳擬合線的集中程度。

RMSE=∑ni=1（y∧_i－y_i）²n .（15）

2 結(jié)果與分析

2.1 溫室西瓜莖流速率、環(huán)境因子與蒸騰量的變化特征

研究表明，溫室西瓜莖流速率、溫度日變化趨勢與蒸騰量相同，濕度與蒸騰量變化趨勢相反，其中莖流速率與蒸騰量的變化趨勢最為貼近，且在晚上仍能監(jiān)測到西瓜蒸騰量與莖流速率的波動，西瓜在晚上仍有細(xì)微的生理活動。隨著生育期的后移，西瓜的蒸騰量與莖流速率均有明顯的上升，伸蔓期與膨果期均出現(xiàn)了明顯的雙峰，且雙峰出現(xiàn)的時(shí)間相差不大，第1次出現(xiàn)峰值約在13：00左右，第2次出現(xiàn)峰值約在14：30～16：00，膨果期西瓜蒸騰量與莖流速率達(dá)到最高，西瓜生理活動最活躍。溫度與濕度呈波動較大的寬型單峰曲線，膨果期濕度明顯小于其他2個(gè)時(shí)期。圖5

2.2 溫室西瓜關(guān)鍵生育期蒸騰量與莖流速率、氣象因子的回歸分析

研究表明，基于莖流速率與蒸騰量的單因素回歸模型，在3個(gè)時(shí)期的擬合度較高，特別是膨果期R²達(dá)到了0.7；由溫度、濕度、VPD組成的氣象因子與蒸騰量的建立的多因素回歸模型，R²也都在0.6左右；而在氣象因子的基礎(chǔ)上加上莖流速率，其擬合度有明顯提升，3個(gè)時(shí)期R²分別提升了24.5%、21.8%和22.6%，莖流可以有效提高溫室西瓜蒸騰量的預(yù)測精度。表1

2.3 基于莖流速率、氣象因子溫室西瓜蒸騰量預(yù)測

2.3.1 SMA算法的尋優(yōu)性能

研究表明，選取黏菌算法（slime mold algorithm，SMA）、灰狼優(yōu)化算法（grey wolf optimizer， GWO）、遺傳優(yōu)化算法（genetic algorithm， GA）、鯨魚優(yōu)化算法（whale optimization algorithm， WOA）、粒子群優(yōu)化算法（particle swarm optimization， PSO）幾種常用的典型智能優(yōu)化算法進(jìn)行對比試驗(yàn)，各算法公共參數(shù)設(shè)置均一致，種群數(shù)設(shè)置為20，最大迭代次數(shù)設(shè)為100，適應(yīng)度函數(shù)設(shè)置為均方根誤差函數(shù)（RMSE）。SMA算法在3個(gè)時(shí)期的尋優(yōu)迭代次數(shù)均未超過40代，其適應(yīng)度曲線的收斂速度明顯優(yōu)于其他4種算法；GA、WOA算法不能在較高精度上進(jìn)行有效收斂，SMA、PSO、GWO算法具有較高的收斂精度，但PSO與GWO算法分別在膨果期、伸蔓期出現(xiàn)了陷入局部最優(yōu)無法找到全局最優(yōu)的問題，因此SMA算法相較于其他4種優(yōu)化算法具備一定的收斂精度優(yōu)勢。圖6

2.3.2 SMA-SVM預(yù)測

研究表明，與單一的SVM模型，具有優(yōu)化功能的SMA-SVM、GWO-SVM、PSO-SVM模型在西瓜生育期3個(gè)時(shí)期的預(yù)測效果均有明顯提升，R²均普遍大于SVM模型，RMSE小于SVM模型，優(yōu)化算法在提高擬合程度R²的基礎(chǔ)上，顯著減小了模型預(yù)測的均方根誤差RMSE，適當(dāng)?shù)膬?yōu)化算法可有效降低SVM模型參數(shù)選取的盲目性與隨機(jī)性，顯著提升SVM模型的擬合程度以及擬合精度。莖流速率為輸入因子，其各模型的預(yù)測結(jié)果均不考慮莖流速率時(shí)預(yù)測精度有較大的提升，誤差也隨之變小了，在莖流速率作為模型輸入因子的加入，可以有效提高西瓜蒸騰量的預(yù)測結(jié)果。表2

SMA-SVM相較于GWO-SVM、PSO-SVM優(yōu)化模型，其訓(xùn)練集與測試集的決定系數(shù)R²和均方根誤差RMSE均具有一定的優(yōu)勢。幼苗期、伸蔓期、膨果期的模型預(yù)測精度分別達(dá)到了87%、90%、94%，針對以西瓜莖流、溫度、濕度、VPD數(shù)據(jù)輸入，SMA-SVM模型可實(shí)現(xiàn)對溫室西瓜關(guān)鍵生育期蒸騰量的預(yù)測。圖7，表2

3 討 論

3.1 通過以莖流、溫度、濕度、VPD和以溫度、濕度、VPD作為輸入?yún)?shù)數(shù)據(jù)，探討了作物莖流對蒸騰的影響，結(jié)果顯示，西瓜的莖流速率與其生長的環(huán)境因子溫度、VPD、蒸騰量呈正相關(guān)，與濕度呈負(fù)相關(guān)，與文獻(xiàn)^［20-23］利用莖流計(jì)研究作物蒸騰和蒸散特征的情況一致。另外，作物莖流也與作物灌溉有關(guān)，土壤水分充足和水分虧缺的情況下，作物莖流速率的大小會受到影響，而作物蒸騰量除了與氣象因子有關(guān)之外，也與土壤水分有關(guān)。在蒸騰量的氣象影響因素的基礎(chǔ)上添加作物莖流這一因素，決定系數(shù)R²都達(dá)到了82%、80%和83%。在氣象因子的基礎(chǔ)上加上莖流速率，西瓜三個(gè)時(shí)期的R²分別提升了24.5%、21.8%和22.6%，可以有效說明作物莖流這一因素可以提高蒸騰量的預(yù)測精度，提高準(zhǔn)確性和可信度^［24-25］。

3.2 通過對選取的因素建立預(yù)測模型，因支持向量機(jī)SVM模型引入了懲罰因子與核函數(shù)可以更好解析多影響因素等復(fù)雜數(shù)據(jù)^［26］，以它作為基礎(chǔ)模型，通過對該模型進(jìn)行構(gòu)建和優(yōu)化，分析運(yùn)行后的結(jié)果，發(fā)現(xiàn)對SVM優(yōu)化的三個(gè)模型，SMA-SVM的決定系數(shù)和誤差均優(yōu)于SVM模型，而GWO-SVM、PSO-SVM決定參數(shù)與SVM模型三個(gè)時(shí)期的接近，這也說明對模型和參數(shù)選擇適合的優(yōu)化算法更有利于滿足模型要求的精度。通過對比不同優(yōu)化算法的尋優(yōu)曲線發(fā)現(xiàn)，在收斂速度上，SMA優(yōu)化算法具有較大優(yōu)勢，三時(shí)期達(dá)到最優(yōu)時(shí)的迭代次數(shù)均未超過40代，這也證明了SMA算法通過調(diào)整振動參數(shù)的方式控制收縮可在迭代前期具備較高搜索效率^［27］。在搜索精度方面，SMA、PSO、GWO三種優(yōu)化算法都具有較高搜索精度，但SMA算法由于引入了自適應(yīng)權(quán)重參數(shù)，在三個(gè)時(shí)期的預(yù)測精度分別達(dá)到了87%、90%、94%，在搜索精度上表現(xiàn)出更高的穩(wěn)定性，并未出現(xiàn)類似PSO、GWO算法在伸蔓期和膨果期尋優(yōu)時(shí)陷入局部最優(yōu)的問題^［28］。

4 結(jié) 論

4.1 作物莖流是作物蒸騰重要的影響因素，與蒸騰量具有較大的相關(guān)性，作為西瓜蒸騰量預(yù)測的影響因素之一可以提高預(yù)測精度。

4.2 支持向量機(jī)模型可以解析多因素復(fù)雜數(shù)據(jù)，而具備自適應(yīng)環(huán)境的變化、參數(shù)調(diào)整的黏菌算法，結(jié)合特定的輸入?yún)?shù)，可以最大優(yōu)化SVM模型，并迅速找出最優(yōu)解。

參考文獻(xiàn)（References）

［1］李婷， 宋曙輝， 王正榮， 等. 北京地區(qū)不同品種西瓜果實(shí)的品質(zhì)分析［J/OL］.食品工業(yè)科技： 1-11［2023-10-23］.

LI Ting， SONG Shuhui， WANG Zhengrong， et al. Quality analysis of watermelon fruits from different varieties in Beijing［J/OL］.Science and Technology of Food Industry： 1-11［2023-10-23］.

［2］ 劉小剛， 符娜， 李闖， 等. 河南省主糧作物需水量變化趨勢與成因分析［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2015， 46（9）： 188-197.

LIU Xiaogang， FU Na， LI Chuang， et al. Trends and causes analysis of water requirement for main grain crops in Henan Province［J］.Transactions of the Chinese Society for Agricultural Machinery， 2015， 46（9）： 188-197.

［3］ 代志偉， 程曼， 袁洪波， 等. 溫室灌溉控制策略研究進(jìn)展［J］.中國農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（9）： 63-72.

DAI Zhiwei， CHENG Man， YUAN Hongbo， et al. Review of irrigation control strategy for greenhouse［J］.Journal of Chinese Agricultural Mechanization， 2022， 43（9）： 63-72.

［4］ 周青云， 燕琪琦， 張寶忠， 等. 冬小麥不同冠層葉片光合蒸騰和水分利用效率變化特征及對灌溉的響應(yīng)［J］.麥類作物學(xué)報(bào)， 2021， 41（10）： 1247-1255.

ZHOU Qingyun， YAN Qiqi， ZHANG Baozhong， et al. Variation characteristics of photosynthesis， transpiration and WUE of winter wheat leaves in different canopy layers and their response to irrigation［J］.Journal of Triticeae Crops， 2021， 41（10）： 1247-1255.

［5］ 馮東雪， 劉海軍， 高壯壯， 等. 夏玉米莖流速率變化規(guī)律及其影響因子研究［J］.干旱地區(qū)農(nóng)業(yè)研究， 2020， 38（2）： 185-191， 198.

FENG Dongxue， LIU Haijun， GAO Zhuangzhuang， et al. Study on the variation of sap flow rate and its influencing factors in summer maize growth season［J］.Agricultural Research in the Arid Areas， 2020， 38（2）： 185-191， 198.

［6］ 李建明， 任瑞丹， 范兵華， 等. 灌溉量對溫室全有機(jī)營養(yǎng)液栽培甜瓜根際環(huán)境和莖流的影響［J］.農(nóng)業(yè)工程學(xué)報(bào)， 2020， 36（7）： 217-224.

LI Jianming， REN Ruidan， FAN Binghua， et al. Effects of irrigation amount on the rhizospheric environment and stem flow of melon cultivated with full organic nutrition in greenhouse［J］.Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（7）： 217-224.

［7］ 王升， 陳洪松， 聶云鵬， 等. 基于基因表達(dá)式編程算法的參考作物騰發(fā)量模擬計(jì)算［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2015， 46（4）： 106-112.

WANG Sheng， CHEN Hongsong， NIE Yunpeng， et al. Simulation of reference evapotranspiration based on gene-expression programming method［J］.Transactions of the Chinese Society for Agricultural Machinery， 2015， 46（4）： 106-112.

［8］ 惠瑞晗， 林麗， 曹偉， 等. 基于P-M模型的棉田智能灌溉系統(tǒng)的設(shè)計(jì)與試驗(yàn)［J］.新疆農(nóng)業(yè)科學(xué)， 2024， 61（2）： 300-309.

HUI Ruihan， LIN Li， CAO Wei， et al. Design and experiment of intelligent irrigation system for cotton field based on P-M model［J］.Xinjiang Agricultural Sciences， 2024， 61（2）： 300-309.

［9］ 王升， 付智勇， 陳洪松， 等. 基于隨機(jī)森林算法的參考作物蒸發(fā)蒸騰量模擬計(jì)算［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2017， 48（3）： 302-309.

WANG Sheng， FU Zhiyong， CHEN Hongsong， et al. Simulation of reference evapotranspiration based on random forest method［J］.Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（3）： 302-309.

［10］ 顏俊， 孫美麗， 盧姿竹， 等. 灌溉方式對設(shè)施番茄蒸騰量和水分利用效率的影響［J］.灌溉排水學(xué)報(bào)， 2021， 40（S2）： 81-85.

YAN Jun， SUN Meili， LU Zizhu， et al. Effects of irrigation methods on transpiration and water use efficiency of greenhouse tomato［J］.Journal of Irrigation and Drainage， 2021， 40（S2）： 81-85.

［11］ 鄭健， 鮑婷婷， 楊赟， 等. 參考作物蒸發(fā)蒸騰量計(jì)算方法在甘肅省不同區(qū)域的適用性分析［J］.灌溉排水學(xué)報(bào)， 2022， 41（10）： 1-9.

ZHENG Jian， BAO Tingting， YANG Yun， et al. Reference evapotranspiration in Gansu Province calculated using different methods［J］.Journal of Irrigation and Drainage， 2022， 41（10）： 1-9.

［12］ 何淑林， 劉慧敏， 金立強(qiáng)， 等. 基于神經(jīng)網(wǎng)絡(luò)算法的果樹需水預(yù)測研究［J］.灌溉排水學(xué)報(bào)， 2022， 41（1）： 19-24.

HE Shulin， LIU Huimin， JIN Liqiang， et al. Calculating demands of fruit trees for water using neural network algorithm［J］.Journal of Irrigation and Drainage， 2022， 41（1）： 19-24.

［13］ 李莉， 李偉， 耿磊， 等. 基于RF-GRU的溫室番茄結(jié)果前期蒸騰量預(yù)測方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（3）： 368-376.

LI Li， LI Wei， GENG Lei， et al. Prediction method of greenhouse tomato transpiration in early fruiting stage based on RF-GRU［J］.Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（3）： 368-376.

［14］ 薛冰， 王啟杰， 馬彬， 等. 基于MLR和人工神經(jīng)網(wǎng)絡(luò)的新疆楊日蒸騰量估算［J］.華中農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2023， 42（5）： 240-250.

XUE Bing， WANG Qijie， MA Bin， et al. Estimating daily transpiration of Populus alba var. pyramidalis Bunge based on MLR and artificial neural network［J］.Journal of Huazhong Agricultural University， 2023， 42（5）： 240-250.

［15］ 毛亞萍， 房世峰. 基于機(jī)器學(xué)習(xí)的參考作物蒸散量估算研究［J］.地球信息科學(xué)學(xué)報(bào)， 2020， 22（8）： 1692-1701.

MAO Yaping， FANG Shifeng. Research of reference evapotranspiration’s simulation based on machine learning［J］.Journal of Geo-Information Science， 2020， 22（8）： 1692-1701.

［16］ 王辰璇， 陳莉. 小波-智能優(yōu)化支持向量機(jī)模型及其對農(nóng)業(yè)可持續(xù)發(fā)展的評價(jià)［J］.農(nóng)業(yè)工程學(xué)報(bào)， 2023， 39（4）： 208-216.

WANG Chenxuan， CHEN Li. Wavelet-intelligent optimization model using support vector machine and its application for evaluating sustainable agricultural development［J］.Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（4）： 208-216.

［17］ 向友珍， 吳立峰， 張富倉， 等. 基于常規(guī)氣象資料估算南方地區(qū)日輻射總量方法比較［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2016， 47（10）： 181-192， 155.

XIANG Youzhen， WU Lifeng， ZHANG Fucang， et al. Comparison of total radiation estimation methods in south area based on conventional meteorological data［J］.Transactions of the Chinese Society for Agricultural Machinery， 2016， 47（10）： 181-192， 155.

［18］ 徐麗萍， 張朝暉. 基于Hydrus-1D的滴灌土壤水分運(yùn)移數(shù)值模擬［J］.節(jié)水灌溉， 2019，（2）： 64-67.

XU Liping， ZHANG Zhaohui. Numerical simulation of soil moisture movement under drip irrigation based on hydrus-1D［J］.Water Saving Irrigation， 2019，（2）： 64-67.

［19］ 周小紅. 基于多元回歸分析的農(nóng)作物產(chǎn)量估測模型研究［J］.中國農(nóng)學(xué)通報(bào)， 2022， 38（8）： 152-156.

ZHOU Xiaohong. The crop yield estimation model based on multiple regression analysis［J］.Chinese Agricultural Science Bulletin， 2022， 38（8）： 152-156.

［20］ Noble W S. What is a support vector machine？［J］.Nature Biotechnology， 2006， 24（12）： 1565-1567.

［21］ 馬龍龍， 杜靈通， 丹楊， 等. 基于莖流-蒸滲儀法的荒漠草原帶人工灌叢群落蒸散特征［J］.植物生態(tài)學(xué)報(bào)， 2020， 44（8）： 807-818.

MA Longlong， DU Lingtong， DAN Yang， et al. Characteristics of evapotranspiration in planted shrub communities in desert steppe zone based on sap flow and lysimeter methods［J］.Chinese Journal of Plant Ecology， 2020， 44（8）： 807-818.

［22］ 冀健紅， 劉新陽. 溫室番茄植株蒸騰變化規(guī)律及主要影響因素研究［J］.節(jié)水灌溉， 2020，（8）： 40-43， 49.

JI Jianhong， LIU Xinyang. A study on transpiration variation law and its main influencing factors of tomato grown in a solar greenhouse［J］.Water Saving Irrigation， 2020，（8）： 40-43， 49.

［23］ 馮倩， 尹義蕾， 王柳， 等. 基于作物表型的溫室精準(zhǔn)灌溉策略研究進(jìn)展［J］.節(jié)水灌溉， 2023，（6）： 34-40.

FENG Qian， YIN Yilei， WANG Liu， et al. A review on precision irrigation strategy for greenhouse crops based on phenotype［J］.Water Saving Irrigation， 2023，（6）： 34-40.

［24］ 梁自強(qiáng)， 胡笑濤， 冉輝， 等. 渭北旱塬不同水肥條件下氣象因子對蘋果樹干莖流的影響［J］.節(jié)水灌溉， 2020，（1）： 10-14， 18.

LIANG Ziqiang， HU Xiaotao， RAN Hui， et al. Effects of meteorological factors on stem flow of apple under different water and fertilizer conditions in the upland of Weibei River［J］.Water Saving Irrigation， 2020，（1）： 10-14， 18.

［25］張代俐， 汪廷華， 朱興淋. SVM樣本約簡算法研究綜述［J/OL］.計(jì)算機(jī)科學(xué)： 1-17［2023-10-23］.

ZHANG Daili， WANG Tinghua， ZHU Xinglin. Overview of Research on SVM Sample Reduction Algorithms［J/OL］. Computer Science： 1-17［2023-10-23］.

［26］ 馬宏忠， 王健， 楊啟帆， 等. 基于聲振特征區(qū)分的SMA優(yōu)化SVM變壓器機(jī)械松動識別方法［J］.電機(jī)與控制學(xué)報(bào)， 2023， 27（10）： 42-53.

MA Hongzhong， WANG Jian， YANG Qifan， et al. SMA-optimized SVM transformer state identification method based on acoustic vibration feature differentiation［J］.Electric Machines and Control， 2023， 27（10）： 42-53.

［27］ 王衛(wèi)強(qiáng)， 莊云鐸， 閆帆， 等. 建筑安全投入的GWO-SVR模型構(gòu)建與實(shí)證分析［J］.大連交通大學(xué)學(xué)報(bào)， 2023， 44（3）： 92-96.

WANG Weiqiang， ZHUANG Yunduo， YAN Fan， et al. Model construction and empirical analysis of construction safety investment based on gray wolf optimization and support vector regression［J］.Journal of Dalian Jiaotong University， 2023， 44（3）： 92-96.

［28］ 張志政， 周威. 基于PSO-BP神經(jīng)網(wǎng)絡(luò)的參考作物蒸騰量預(yù)測［J］.節(jié)水灌溉， 2014，（11）： 87-90， 95.

ZHANG Zhizheng， ZHOU Wei. Reference crop evapotranspiration prediction based on PSO-BP neural network［J］.Water Saving Irrigation， 2014，（11）： 87-90， 95.

Prediction of watermelon transpiration in a greenhouse

considering the stem flow rate based on the SMA-SVM model

ZHANG Jing¹， GUO Junxian¹， LIU Xiangjiang²， CHAI Yangfan²

（1. College of Mechanical and Electrical Engineering， Xinjiang Agricultural University， Urumqi 830052， China; 2. College of Biosystems Engineering and Food Science， Zhejiang University， Hangzhou 310000， China）

Abstract：【Objective】 To accurately predict the water demand of greenhouse watermelons. 【Methods】 A greenhouse watermelon transpiration prediction model was proposed by using a combination of watermelon stem flow rate and meteorological factors as feature variables as model inputs， and a Support Vector Machine （Support Vector Machine， SVM） was established and optimized by slime mold algorithm （slime mold algorithm， SMA）. 【Results】 The experimental results showed that the combined use of meteorological factors and stem flow rate as inputs resulted in higher accuracy in predicting transpiration than using meteorological factors alone as model inputs， and the SVM prediction model optimized by SMA had the best prediction performance. 【Conclusion】 The R² and RMSE of the SMA-SVM transpiration prediction model considering stem flow rate in watermelon at three stages are 0.83， 0.87， 0.92， and 0.38， 0.31， and 0.15， respectively and the predicted values of the model are close to the actual values， and the predicted results are reliable.

Key words：support vector machine; stem flow rate; transpiration rate; prediction

Fund projects：Key Ramp;D Program Project of Xinjiang Uygur Autonomous Region \"R amp; D of Agricultural Sensors and Intelligent Perception Technology and Products\" （2022B02049-1）

Correspondence author： GUO Junxian （1975-）， male， from Balikun， Xinjiang， professor， doctoral supervisor， research direction： agricultural information intelligent perception technology and equipment，（E-mail）junxianguo@163.com