1研究背景及目的

    随着传感器技术的发展，利用土壤气候和基质传感器用于温室番茄的商业种植，以提供有关温室环境的最新信息。这些传感器为记录保存和控制目的提供信息。然而，它们只是提供了关于作物状况的间接信息。生理信息可以提供重要的补充数据，特别是如果集成到控制系统或计算机模型中。例如，不用从微气候数据计算蒸腾速率，蒸腾速率可以直接测量等方式。最近，作为灌溉计划的工具，人们对树干液流和茎粗测量进行了深入研究，另一种使用天平和称重溶液计的技术是多年前发展起来的，用于测量不同种植情况下的蒸腾作用，或校准其他传感器。在大多数情况下，植物的质量必然是被记录的总体质量的一个组成部分。然而，一些不确定的藤蔓，如西红柿和长英国黄瓜，很大程度上是由一根悬挂的割线支撑，因此以这样的方式被训练成了冠层的质量。De Koning和Bakker表明，悬挂在作物线上的电子测力仪可以准确地记录单个悬挂番茄植株的日增重。根据这些原理，开发出了可连续自动记录温室曼生作物作物如番茄和草本作物如凤梨鼠尾草产量、生长和用水量的作物监测系统。本研究的目的是展示CropAssist作物自动监测系统的潜力，该系统可以提供数据，用于建立番茄作物产量、生长和水分利用模型，以应对温室气候的变化。

2材料与方法

1.温室条件和作物栽培

    番茄植株于2002年在Gipaanda温室(GIP)和太平洋农业食品研究中心(PARC)种植。两者都是 Venlo玻璃温室，它们是用排水沟连接的高墙温室和被动式屋顶通风。在这两种情况下，植物都是按照加拿大不列颠哥伦比亚省制定的商业生产准则种植的。两个基地的基质都是黄色的雪松木屑。

GIP基地是一个商业温室，在商业化的番茄大棚中，每棵植株的茎的数量通常与光照条件下的季节变化同步(每根茎的叶面积相对恒定)。因此，当光照水平高时，茎秆密度增加，以便利用较高的入射光进行光合作用。试验于2002年4月3日开始进行作物自动化监测，当时的茎密度为3.67 stems m-2。在2002年8月18日的一周之内，茎密度降低到2.57 stems m-2，并且一直维持在这个值，直到2002年11月14日停止对作物的监测。在作物监测期间，记录了温室屋顶上的热量计对全球太阳辐射的日总和(MJ m-2d-1)，以及温室白天、夜间和平均24小时的温度、相对湿度(RH)和二氧化碳浓度(μLL-1)。

    PARC是一个研究温室。数据采集自四个独立的温室隔间，每个隔间的生长面积为65m2。每个隔间的作物茎密度为2.5 stems m-2。两个隔间具有丰富的CO2，另外两个保持在外界环境中的CO2，这都是CO2富集的一部分。每个小区都有独立的气候和灌溉控制。在整个实验过程中，每隔5分钟记录GIP中所描述的气候数据，并记录当天的数据。

2.作物监测

    在GIP和PARC站点建立了CropAssist监测站。基本上，CropAssist使用两对测压元件。上部测量作物冠层的重量，用于连续测量每天的生长(午夜至午夜)、果实收成和冠层一天的水合状态。下部测压单元测量作物用水量(蒸腾加上水分促进生长)、灌溉事件、浸出率和基质含水量。最初，上部和下部测压元件使用相同的装置。然而，温室番茄的栽培实践规定，当这些非决定性植株生长时，茎必须放低，并沿着行逐渐移动，且都要向同一方向移动。由于上部测压元件和梁是固定的，杆将最终从梁的一端移开，而新的杆将移到另一端，同时保持梁上相同数量的杆。

3.神经网络分析

    利用作物观测站提供的数据建立了神经网络模型。预测产量、生长和用水的数据集由不同的时间组合(日或周)和温室环境输入(温度、辐射、CO2水平、RH等)与已知产出(实际产量、生长和用水)逐项组合而成。初步工作表明，使用当天和第二天的平均生长值，而不是单独使用每天的生长值，可以在一定程度上改善神经网络每日生长模型。整个研究过程都遵循这个步骤。通过将输入测试量减少到两位小数或更少，然后随机地将案例的顺序提交给神经网络软件，为神经网络建模准备数据。

4.统计分析

    采用SAS的REG程序进行回归分析。在神经网络分析中，所有回归都使用了2天(当天加第二天)的平均增长率，而不是每天单独使用。使用这种技术，回归得到了轻微的改进。采用逐步加法的方法进行多元回归分析，P值的显著性为0.05。利用SigmaPlot提供的数据分析工具，详细研究了作物冠层质量与环境条件和水分利用之间的关系。在这里，使用基于梯形规则的算法计算了某一曲线下面积的定积分，计算了冠层质量随时间变化的特定部分的面积。这样，任何与冠层质量增长率的偏差都可以通过计算面积的大小来量化。然后将偏差面积与环境条件联系起来。

3结果

1.周产量

    在大多数情况下,CropAssist测量每周产量与种植者的记录相比,产量非常准确的(图1)。除了短暂的连续5周(虚线部分在图1), 在该监测站所在的55,000m2GIP温室范围内，CropAssist产量数据与种植者记录数据显示强大的关系(R2 = 0.85) 。5周的低精确度可能是由于产量监测组成部分的技术问题，只有在收集了数据并与种植者的产量记录进行比较后才能确定。总的来说，值得注意的是，在任何给定时间监测12个茎的CropAssist系统都能如此准确地反映5.5万平方米大得多的温室面积的产量。

    由于可靠的CropAssis数据存在5周的差距，因此在55000 m2范围内，种植者记录的周产量值与GIP温室环境参数有关，而与CropAssist数据无关。周产量与周总辐射、24小时与夜间温度、水分利用与生长呈显著正相关，与产量和日RH、CO2呈显著负相关（表1）。周产量的神经网络模型的R2值为0.57，并以辐射、日RH、生长、日CO2和日温度按重要性递减顺序作为输入(表2)。在GIP条件下，辐射与白天温室温度呈正相关(R2= 0.37, P < 0.0001)，与白天温室RH呈负相关(R2= 0.43, P < 0.0001),白天CO2与辐射呈整体负相关(R2= 0.24, P < 0.0001)。辐射的滞后效应也会影响模型的拟合。辐射也有类似的影响在本研究中,产生更强烈的辐射相关的前一周(R2 = 0.65)比辐射在当前周(R2 = 0.56,表1)。辐射的可能性还支持滞后影响的神经网络模型——当周的产量紧接当周之后的环境条件(即产量——下周模型,表2)展示了一种改进的预测能力(R2 = 0.70)相比,目前的周产量 (R2 = 0.57),辐射是最重要的输入(表2)。

2周和日增长

    像CropAssist所使用的那种监测技术是目前唯一可以获得关于作物生长速率的准确和连续数据的技术。茎粗、株高或叶面积的测量要么是不准确的，要么是不切实际的。作物生长由CropAssist使用上部荷载单元来测量每天(午夜至午夜)冠层(茎、果实、花、叶)质量的变化。环境因子与周生长的关系与周产量的关系非常相似;在GIP中，周增长与年度周数呈负相关，与周总辐射、温度(24小时、昼夜)和作物水分利用呈正相关（表1）。周生长与当周辐射呈正相关(R2= 0.53，表1)，相比较于前一周辐射(R2= 0.32, P < 0.01)。这与产量对当前和前一周情况是相反的反应，表明生长对环境变化的反应比产量更迅速。周生长也与当周产量呈正相关(R2= 0.17，表1)，但是更多的是与下一周产量(R2= 0.32, P < 0.01)，再次表明生长也可能对产量有延迟效应，这种效应在较长时间内表现出来。日生长对气候条件的影响与GIP时周生长的影响相似，但比周生长的影响弱，与全年日数呈负相关，与日总辐射、温度(24小时、昼夜)、作物用水和RH呈正相关(后者很小)(表1)。这些较弱的关系指出了在较短的时间尺度上将作物对气候变化的反应联系起来的困难。PARC的日增长回归与GIP的相似，显示出与全年日数呈负相关，与辐射、温度和水分利用呈正相关，但与RH(24小时、白天、夜晚)呈负相关(表1)。总体而言，PARC的生长和气候变量之间的个体关系较GIP弱，这可能是由于边缘效应以及在较小的温室隔间中更难以控制气候。在GIP的日增长NN模型中，最重要的增长预测因子包括年日和温度，而不是二氧化碳而不是辐射r(表2)。PARC NN模型由与GIP模型相同的输入组件组成，但添加了“温室”，作为一个相对较小但却是必要的组件(表2)。这两个模型显示了高的决定系数(R2=0.74和0.69，在GIP和PARC)和低的总体错误率(预测值和实际值在整个测量期间的差异分别为2%和1%，在GIP和PARC)。“温室”输入的重要性表明，个别隔间的某些未被考虑的特性对这个模型起了作用。

3.日水分利用

    每天的用水量(午夜至午夜)是用CropAssist中的低负荷单元来确定的。在GIP和PARC，水分利用均与辐射、温度(24 h、昼、夜)呈正相关，与RH (24 h、昼、夜)、CO2呈负相关(表1)。在两个地点，辐射与水分利用的关系均强于辐射与产量或生长（表1）。GIP的水分利用神经网络模型,按重要性递减排列，一天,日CO2,辐射,24小时 CO2,和24小时温度作为输入和在PARC的水分利用神经网络模型由24小时 CO2,辐射,一天的温度, 24小时温度和日作为输入来按重要性递减排列(表2)。这些模型非常相似，使用许多相同的输入。两者均强，测定系数高(R2 = 0.91和0.85在GIP和PARC)和较低的总体错误率(在整个测量期间，两个站点的预测值和实际值的差异都小于1%)表明，利用作物监测数据对每天的用水量进行预测相对容易。

4.每小时水分利用

    在研究过程中，观测了两种冠层质量在日间的变化概况。第一组在一天中呈现出质量稳定增长的速率(图2A)。第二个展示出显著的偏离，在冠层中观测到中午没有增加的时间段，或者有时减少（图2B）。在最初的52天，选择了冠层质量不断增加的区域，而63天则没有明显增加冠层质量。平均日用水量在冠层质量呈不同增加趋势的日子显著高于冠层质量稳定增加趋势的日子(P < 0.0001)，分别为3.58和1.63 L m-2.。在第二个分析中，仅利用冠层质量增益率可变的天数，计算出如图2B所示的偏离直线的面积。研究发现，偏差面积与日用水量、辐射、日温度呈显著正相关(P < 0.0001)，其R2值分别为0.40、0.24、0.32。这些因素对偏差面积的多重回归产生了Eq. (1) (R2= 0.54, P < 0.0001) : Area of Deviation = -52.0 +4.32 Water Use+0.94Day Temperature+0.07Radiation   (1)研究了日用水量与日生长的关系。首先,从图2B中可以明显看出，该日的总增长率与初始斜率时的增长率相似，如图虚线所示。这表明，应力只对质量增加率产生短暂的影响，在一天结束时，生长会完全恢复。

4.结论

    这三种作物属性对个别气候因素的反应方式几乎相同。辐射和温度通常引起强的正反应，而RH则产生负反应。CO2相对不那么重要。在神经网络模型中，辐射和温度仍然是突出的，但CO2在预测作物反应中的重要性增加了。令人惊讶的是，在个人回归和神经网络模型中，一年中的某一天也具有显著的负面影响。从基于植物的监测系统(如CropAssist)获得的数据，如果与基本的温室环境数据结合使用，可以有助于作物模型的开发。至少在增长的情况下，这些模型在CropAssist等技术出现之前是不可能的。这些自动化系统的一个优点是，它们提供跨时间尺度(从小时到月)的连续信息，从而促进特定于特定时间框架的流程模型的开发。此外，这些系统可以很容易地用于商业温室，因此所导出的神经网络模型相对容易地部署到商业环境中，它们可以随着时间的推移而得到改进。

Reference 

David L. Ehreta, Bernard D. Hill, Tom Helmer, Diane R. Edwards. Neural network modeling of greenhouse tomato yield, growth and water use from automated crop monitoring data [J]. Computers and Electronics in Agriculture,79  (2011)82-89.

来源：绿水智慧农业