CN112735511B - 一种基于qga-svr的冷害黄瓜psii潜在活性预测方法 - Google Patents
一种基于qga-svr的冷害黄瓜psii潜在活性预测方法 Download PDFInfo
- Publication number
- CN112735511B CN112735511B CN202110042909.3A CN202110042909A CN112735511B CN 112735511 B CN112735511 B CN 112735511B CN 202110042909 A CN202110042909 A CN 202110042909A CN 112735511 B CN112735511 B CN 112735511B
- Authority
- CN
- China
- Prior art keywords
- cucumber
- fluorescence
- svr
- model
- qga
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 title claims abstract description 113
- 230000002595 cold damage Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003334 potential effect Effects 0.000 title claims description 17
- 244000299906 Cucumis sativus var. sativus Species 0.000 title 1
- 240000008067 Cucumis sativus Species 0.000 claims abstract description 119
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000012360 testing method Methods 0.000 claims abstract description 35
- 230000008859 change Effects 0.000 claims abstract description 28
- 230000002068 genetic effect Effects 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 21
- 208000009084 Cold Injury Diseases 0.000 claims abstract description 19
- 238000012706 support-vector machine Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 47
- 238000005457 optimization Methods 0.000 claims description 16
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 229930002875 chlorophyll Natural products 0.000 claims description 8
- 235000019804 chlorophyll Nutrition 0.000 claims description 8
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 8
- 230000004300 dark adaptation Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000009977 dual effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 abstract description 11
- 230000035790 physiological processes and functions Effects 0.000 abstract description 9
- 238000011160 research Methods 0.000 abstract description 7
- 238000003745 diagnosis Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 12
- 230000006378 damage Effects 0.000 description 7
- 230000004044 response Effects 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000000243 photosynthetic effect Effects 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 108010074864 Factor XI Proteins 0.000 description 2
- WSMYVTOQOOLQHP-UHFFFAOYSA-N Malondialdehyde Chemical compound O=CCC=O WSMYVTOQOOLQHP-UHFFFAOYSA-N 0.000 description 2
- 102000003992 Peroxidases Human genes 0.000 description 2
- 102000019197 Superoxide Dismutase Human genes 0.000 description 2
- 108010012715 Superoxide dismutase Proteins 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 229940118019 malondialdehyde Drugs 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 108040007629 peroxidase activity proteins Proteins 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000000758 substrate Substances 0.000 description 2
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 206010053759 Growth retardation Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 210000000170 cell membrane Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 231100000001 growth retardation Toxicity 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000012528 membrane Substances 0.000 description 1
- 239000011664 nicotinic acid Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000003204 osmotic effect Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000002000 scavenging effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000021122 unsaturated fatty acids Nutrition 0.000 description 1
- 150000004670 unsaturated fatty acids Chemical class 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G22/00—Cultivation of specific crops or plants not otherwise provided for
- A01G22/05—Fruit crops, e.g. strawberries, tomatoes or cucumbers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physiology (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Agronomy & Crop Science (AREA)
- Marine Sciences & Fisheries (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Genetics & Genomics (AREA)
- Mining & Mineral Resources (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Biotechnology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Botany (AREA)
- Environmental Sciences (AREA)
Abstract
本发明通过分析低温对植物叶片生理状态变化的影响，以不同初始Fv/Fo值黄瓜幼苗为试验样本，测量在不同低温条件、持续时间下的Fv/Fo值变化数据，并构建建模样本集，采用量子遗传支持向量机算法建立低温环境下黄瓜叶片Fv/Fo值变化预测模型。模型训练集决定系数为0.9817，均方根误差为0.2141；测试集决定系数为0.9864，均方根误差为0.1741。结果表明，本发明方法可实现低温环境下的黄瓜叶片Fv/Fo的精准预测，为早期冷害胁迫和作物冷害无损诊断提供了新的研究方法。
Description
技术领域
本发明属于智能农业技术领域，特别涉及一种基于QGA-SVR的冷害黄瓜PSII(黄瓜叶片光反应中心II，PS，photosystem)潜在活性预测方法。
背景技术
黄瓜是设施农业领域重要的经济作物之一，在世界范围内广泛种植，且反季节栽培面积逐年升高。但由于黄瓜喜温喜光，属典型的冷敏感型作物，同时近年来极端低温事件的频率、程度及持续时间在不断加强，反季节栽培中黄瓜容易遭受低温胁迫导致生长受阻，进而影响产量和品质的问题日益严峻。低温会使作物产生表型变化、膜损伤、酶系统紊乱、渗透调节物质失衡、光合结构破坏等现象，导致作物光合速率降低，生长抑制，甚至造成作物死亡。因此，如何实现冷害条件下黄瓜生理状态的实时监测，精准评估其受损伤程度，已成为反季节黄瓜产业高效种植的关键。
针对上述问题，许多学者从黄瓜的生长发育状态、生理生化抗性、光合速率等方面对黄瓜抗寒性进行了研究。张红梅等(2009)以耐低温指数为标准构建冷害指数，研究了3种不同品种的黄瓜耐冷性差别，证明了单从生长指标方面鉴定黄瓜植物耐冷性并不准确，需借助其他方法综合考虑。Wan等(2015)研究表明植物细胞内的活性氧清除系统，超氧化物歧化酶(superoxide dismutase，SOD)和过氧化物酶(peroxidase，POD)的活性与冷害发生程度显著相关；Zhang等(2018)研究表明丙二醛(Malondialdehyde，MDA)作为植物细胞膜中不饱和脂肪酸氧化反应的终产物之一，与植物的低温耐受性呈显著性负相关关系。Yang等(2019)研究表明低温破坏植物光合器官的超微结构,降低光合效率。上述研究表明，黄瓜各类生理参数指标对冷害条件下黄瓜状态的有效表征，为黄瓜冷害生理状态预测模型参数选择提供了理论支撑。但以上研究多为破坏性检测，且操作步骤繁琐，不能实现环境动态变化下的黄瓜生理状态便携无损检测。
已有相关研究发现，叶绿素荧光参数Fv/Fo代表作物叶片PSII反应中心潜在活性，对作物生长状态、生长环境的变化反应敏感，可用于表征冷害条件下叶片生理状态，可筛选鉴定作物抗寒性，有效评价冷害条件下作物损伤程度，为冷害条件下作物生理状态的便携精准监测提供理论依据。但由于以上研究没有考虑到环境及作物自身状态动态变化下荧光参数的变化趋势，无法细粒度地建立冷害与荧光参数之间的动态变化预测模型，且导致荧光参数不能对冷害程度进行准确描述，从而实现真正意义上的作物冷害的精准预测，因此建立环境动态变化下的荧光参数预测模型是实现作物冷害预警及无损诊断的关键。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于QGA-SVR的冷害黄瓜PSII潜在活性预测方法，采用苗期黄瓜作为试验材料，以黄瓜初始可变荧光和初始最小荧光、低温温度及低温持续时间为模型输入参数，基于量子遗传-回归型支持向量机预测模型(QGA-SVR)对冷害条件下黄瓜叶片荧光参数变化趋势进行预测研究，从而为反季节黄瓜实际生产过程中生理状态分析提供参考依据。
为了实现上述目的，本发明采用的技术方案是：
一种基于QGA-SVR的冷害黄瓜PSII潜在活性预测方法，以不同初始叶绿素荧光参数Fv/Fo值的黄瓜幼苗为试验样本，测量在不同低温条件、不同持续时间下的Fv/Fo值变化数据，并构建建模样本集，采用量子遗传支持向量机算法建立低温环境下黄瓜叶片Fv/Fo值变化预测模型，依据该模型对Fv/Fo值进行预测，以Fv/Fo表示冷害黄瓜PSII潜在活性，其中Fv表示可变荧光，Fo表示最小荧光。
所述试验样本为按照初始荧光参数高低分为4组的黄瓜幼苗，试验在CO2人工气候箱中进行，CO2人工气候箱内环境参数设置为：光周期昼/夜为14/10h，温度为设置试验温度梯度，分别为8、10、12、14℃，空气相对湿度昼/夜为60％/50％，CO2浓度为400μmol·mol-1，连续8天，在8天内每天16:00采集四个人工气候箱黄瓜幼苗叶片荧光参数，其中每株黄瓜取相同叶位功能叶片上的两个点，共获取黄瓜幼苗叶片荧光参数288组。
所述荧光参数利用便携式MINI-PAM-Ⅱ型调制叶绿素荧光仪进行采集，测定前使用暗适应叶片夹夹取待测叶片，充分暗适应20分钟后，打开暗适应叶片夹挡光板，启动荧光仪，获取试验样本的最小荧光Fo、最大荧光Fm和可变荧光Fv，其中Fv＝Fm-Fo。
在建立预测模型时，首先对获取的原始试验数据进行归一化处理，使得数据的波动映射到[0.2,0.8]区间上，以8:2划分数据生成训练数据集及预测数据集；其次，SVR模型选取径向基核函数，利用量子遗传算法，以预测数据集决定系数为适应度评价指标，完成模型参数c和g的寻优；最后以环境温度、低温持续时间、初始可变荧光和初始最小荧光为输入，以荧光参数Fv/Fo为输出量，建立QGA-SVR黄瓜荧光参数预测模型，其中环境温度即实验设置的低温温度。
所述归一化处理中，归一化变换函数为
式中Y为归一化之后的数据，X为待归一化数据，Xmax和Xmin分别为同一量纲数据序列中最大值和最小值，第i个数据的样本特征为标签为Yi，表示第i个样本的当前Fv/Fo值，/> 分别为第i个数据样本的低温温度、低温持续时间、初始可变荧光和初始最小荧光。
SVR模型中样本数据x通过非线性函数转换到高维特征空间，表示为
式中w为自变函数系数，wT为w的转置，b为偏置量。
根据结构风险最小化一致性原则求取w和b，引入松弛因子ξi和支持向量回归优化问题转化为
式中c为惩罚因子，‖w‖2为模型复杂度，m为样本数，ε为不敏感损失参数，对于约束条件，由对偶形式的lagrange多项式转换为下式的优化问题：
式中ai,aj,/>为拉格朗日乘子，K(Xi,Xj)为核函数。
本发明通过将输入空间的非线性问题通过核函数K(Xi,Xj)映射到高维特征空间中，在高维空间中构造线性判别函数，从而解决非线性问题。
本发明使用量子遗传算法对惩罚因子c和核函数参数g进行优化。
与现有技术相比，本发明的有益效果是：
(1)通过对不同初始Fv/Fo值的黄瓜幼苗进行不同环境温度下的低温胁迫实验，发现在黄瓜幼苗遭受冷害时，荧光参数Fv/Fo快速发生变化，可有效监控低温胁迫且黄瓜幼苗初始荧光参数大小影响其应对低温胁迫的能力。
(2)构建融合环境因子与初始荧光参数耦合的黄瓜Fv/Fo值预测模型，在不同初始荧光参数选择中，以初始Fv值、初始Fo值组合作为输入构建模型，性能最佳。
(3)基于量子遗传支持向量机回归算法，构建冷害条件下黄瓜叶片荧光参数预测模型，该模型在训练集和测试集上的R2分别为0.9817和0.9864，RMSE分别为0.2141和0.1741，RMAE为0.1490和0.1338，能对冷害条件下黄瓜叶片荧光参数进行高精度预测。QGA算法针对SVR算法参数进行自动优化选择，可提高模型预测精度。与智能算法SVR、RF、NLR相比，QGA-SVR针对冷害条件下黄瓜荧光参数预测方面具有更高的泛化性、稳定性和推广性。与GA-SVR算法相比，QGA-SVR算法寻优用时更少，精度更高。
附图说明
图1为本发明荧光参数预测流程图。
图2为本发明实施例中试验结果，其中(a)为初始Fv/Fo小于5时的试验结果，(b)为初始Fv/Fo大于5时的试验结果。
图3为不同类型核函数对模型结果的影响，其中(a)为训练集，(b)为预测集。
图4为不同SVR参数对模型测试集RMSE的影响，其中(a)为参数c，(b)为参数g。
图5为量子遗传算法优化过程。
图6为不同c和g条件下的模型预测集均方差曲面。
图7为以不同初始荧光参数为输入的模型拟合结果(未以初始荧光为输入)，其中(a)为训练集，(b)为预测集。
图8为以不同初始荧光参数为输入的模型拟合结果(以初始Fv/Fo为输入)，其中(a)为训练集，(b)为预测集。
图9为以不同初始荧光参数为输入的模型拟合结果(以初始Fv、Fo为输入)，其中(a)为训练集，(b)为预测集。
图10为不同温度下Fv/Fo相同时黄瓜叶片Fv/Fo值变化趋势，其中(a)中T＝8℃，(b)中T＝14℃。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
本发明一种基于QGA-SVR的冷害黄瓜PSII潜在活性预测方法，以黄瓜初始可变荧光和初始最小荧光、低温温度及低温持续时间为模型输入参数，实现对冷害条件下黄瓜Fv/Fo值的精准预测，为早期冷害胁迫和作物冷害无损诊断提供了新的研究方法。
具体地，本发明先以不同初始叶绿素荧光参数Fv/Fo值的黄瓜幼苗为试验样本，测量在不同低温条件、不同持续时间下的Fv/Fo值变化数据，并构建建模样本集，然后采用量子遗传支持向量机算法建立低温环境下黄瓜叶片Fv/Fo值变化预测模型，最终可依据该模型对Fv/Fo值进行预测，以Fv/Fo表示冷害黄瓜PSII潜在活性，其中Fv表示可变荧光，Fo表示最小荧光。
以下是本发明的详细介绍。
1材料与方法
1.1试验材料与方法
1.1.1试验材料
本试验于西北农林科技大学农业农村部农业物联网重点实验室(34°07′39″N，107°59′50″E，海拔648m)进行,实验材料为博耐14-3黄瓜幼苗，采用基质(PindstrupSubstrate，丹麦)栽培，于2019年11月5日在种子盘中播种，当黄瓜幼苗长至两叶一心，移栽至10×10×9cm的塑料花盆中，于CO2人工气候箱(达斯卡特，RGL-P500D-CO2)中进行培养。CO2人工气候箱内环境参数设置为：光周期昼/夜为14h/10h，光照强度为140μmol·m-2·s-1，温度昼/夜为25℃/16℃，空气相对湿度昼/夜为60％/50％，CO2浓度为400μmol·mol-1。培养7天后，随机挑选16棵黄瓜植株，测量各黄瓜植株初始荧光参数，并按照初始荧光参数高低将黄瓜幼苗平均分为4组，于CO2人工气候箱中进行试验。CO2人工气候箱内环境参数设置为：光周期昼/夜为14/10h，温度为设置试验温度梯度，分别为8、10、12、14℃，空气相对湿度昼/夜为60/50％，CO2浓度为400μmol·mol-1，连续8天，在8天内每天16:00采集四个人工气候箱黄瓜幼苗叶片荧光参数，其中每株黄瓜取相同叶位功能叶片上的两个点，共获取黄瓜幼苗叶片荧光参数288组。
1.1.2荧光参数测量方法
利用便携式MINI-PAM-Ⅱ型调制叶绿素荧光仪(WALZ公司，德国)进行试验环境下黄瓜叶片荧光参数数据采集。测定前使用暗适应叶片夹夹取待测叶片，充分暗适应20分钟后，打开暗适应叶片夹挡光板，启动荧光仪，获取试验样本的最小荧光Fo、最大荧光Fm、可变荧光Fv(Fv＝Fm-Fo)o。
1.2模型构建
基于试验样本集利用支持向量机回归算法构建冷害条件下黄瓜荧光参数预测模型，首先为了避免特征向量的不同而导致的误差，对原始试验数据进行归一化处理，使得数据的波动映射到[0.2,0.8]区间上，以8:2划分数据生成训练数据集及预测数据集；其次，SVR模型选取径向基核函数，利用量子遗传算法，以模型预测集决定系数为适应度评价指标，完成模型参数c和g的寻优；最后以环境温度、低温持续时间、初始可变荧光Fv和初始最小荧光Fo为输入，以荧光参数Fv/Fo为输出量，建立QGA-SVR黄瓜荧光参数预测模型，其中环境温度即实验设置的低温温度。具体算法流程如图1所示。
1.2.1数据预处理
由于四维输入数据的量纲不同，数值上存在明显差异。为了消除特征之间数量级不同导致的影响便于后续预测模型的建立，将数据集归一化至[0.2,0.8]区间，归一化变换函数为
式中Y为归一化之后的数据，X为待归一化数据，Xmax和Xmin分别为同一量纲数据序列中最大值和最小值，第i个数据的样本特征为标签为Yi，表示第i个样本的当前Fv/Fo值，/> 分别为第i个数据样本的低温温度、低温持续时间、初始可变荧光和初始最小荧光。
1.2.2预测模型构建
SVR基于支持向量构造核函数，将低维空间非线性回归问题转化为高维空间线性回归问题，通过最小化学习机期望误差实现多因子回归，适用于冷害条件下黄瓜荧光参数非线性变化的问题。SVR中样本数据x通过非线性函数转换到高维特征空间，可表示为
式中w为自变函数系数，wT为w的转置，b为偏置量。根据结构风险最小化一致性原则求取w和b，引入松弛因子ξi和支持向量回归优化问题转化为：
式中c为惩罚因子，‖w‖2为模型复杂度，m为样本数，ε为不敏感损失参数。对于约束条件，由对偶形式的lagrange多项式可以转换为下式的优化问题:
式中ai,aj,/>为拉格朗日乘子，K(Xi,Xj)为核函数。
1.2.3模型核函数选择
在黄瓜荧光参数预测模型中，SVR算法将输入空间的非线性问题通过核函数K(Xi,Xj)映射到高维特征空间中，在高维空间中构造线性判别函数，从而解决非线性问题。核函数K(Xi,Xj)的类型对模型的性能影响较大，采用不同核函数得到的模型复杂度不同。常用的有线性(linear)核函数、多项式(Poly)核函数、S型(Sigmoid)核函数和径向基(Radialbasic function，RBF)核函数等，其表达式分别为：
K(Xi,Xj)＝Xi·Xj
K(Xi,Xj)＝(γ×Xi·Xj+r)d
K(Xi,Xj)＝tanh(γ×Xi·Xj+r)
K(Xi,Xj)＝exp(-g‖Xi-Xj‖2)
其中γ为原始数据映射到高维数据后，在高维特征空间中的分布；r为偏置系数；d为映射的维度；g为核函数参数。
1.2.4模型参数寻优
在实际应用中，基于SVR算法建立的预测模型性能优劣与惩罚因子c和模型核函数参数g值有直接关系，其中惩罚因子c直接影响SVR的泛化推广能力，控制模型复杂度和逼近误差，c越大，数据拟合程度越高；核函数参数g与核函数形态和支持向量数量相关，控制网络最终解的复杂性，g过大或者过小都会使系统泛化能力变差。因此，对核函数参数g和惩罚因子c的选择，是SVR算法建模的关键。
量子遗传算法(Quantum Genetic Algorithm，QGA)是利用量子计算的思想进行仿生物进化模拟的一种新兴算法，继承了经典遗传算法的优势的同时可以有效地填补部分经典遗传算法的不足之处。算法的核心是量子比特编码和量子门更新，它将遗传算法中的染色体用适当的量子态来表示，更新进化操作则由量子门旋转完成，使量子遗传算法可以充分地发挥量子计算的特性，在迭代过程中，每个量子位的叠加态将会塌缩到一个确定的状态，从而趋于稳定，达到收敛，实现寻优，最后选出适应度数值最高的个体，即为问题的最优解。由于量子遗传算法采用了独特的编码方式和更新方式，它比传统遗传算法具有更加丰富的种群多样性，更快的收敛速度，更高的收敛精度。因此，本发明使用QGA对惩罚因子c和核函数参数g进行优化。
1.2.5模型性能评价指标
使用三种误差评价指标来衡量所涉及的预测模型性能，包括决定系数(coefficient of determination,R2)、均方根误差(root mean square error，RMSE)和平均绝对误差(mean absolute error,MAE)，R2表征模型实际值与预测值之间关系密切程度，决定系数越接近于1，模型解释程度越高，性能越好。RMSE是模型预测值与实际值之差平方和期望值的算术平方根，MAE为模型绝对误差的平均值，反映预测值误差的实际情况，其值越小，模型性能越高。
2结果与分析
2.1荧光参数试验结果
为了分析低温温度、低温持续时间以及初始荧光参数耦合变化下黄瓜荧光参数的变化，本发明对比了低温环境温度为8-14℃(步长为2)、初始荧光参数不同(以Fv/Fo＝5为界)条件下，黄瓜叶片荧光参数随低温持续时间增加的变化趋势，部分试验结果如图2所示。
由图2可知，在低温生长环境下，黄瓜叶片荧光参数变化不仅与低温温度与持续时间有关，并且与未遭受低温冷害前黄瓜初始Fv/Fo大小有密切关系。低温生长环境下，黄瓜幼苗Fv/Fo值均在0～2天内呈快速下降，后随持续时间的延长缓慢下降，环境温度越低，下降速度越快，表明在低温早期胁迫早期，胁迫温度与荧光参数Fv/Fo衰减程度具有显著关联。低温处理2～4d内，黄瓜幼苗Fv/Fo响应曲线出现拐点，不同初始Fv/Fo值及低温处理水平下，拐点位置坐标不同。随环境温度的降低，图2中拐点位置对应的低温持续时间持续右移，Fv/Fo值持续下移，表明当黄瓜幼苗遭受低温胁迫时，胁迫温度与正常生长温度差值越大，叶片对低温胁迫的适应时间越长，损伤越严重。
进一步对比图2中(a)和(b)同一环境温度下不同初始荧光对其衰减过程的影响，可以发现黄瓜幼苗初始Fv/Fo值与低温处理下黄瓜幼苗Fv/Fo值存在相关关系。从图中可以发现，8℃和10℃低温处理下，初始荧光Fv/Fo大小对Fv/Fo响应曲线拐点影响不大，拐点横坐标皆在3d附近，其中8℃处理下Fv/Fo值下降至0附近且后续无变动；10℃处理下，Fv/Fo值下降至1附近后缓慢下降，8d时降至0.7附近。而在12℃和14℃低温处理下，初始Fv/Fo大小对影响拐点处对应Fv/Fo值有明显影响。12℃处理下，Fv/Fo响应曲线在2～3d出现拐点，8d时降至最低，其中初始Fv/Fo高的黄瓜幼苗当前Fv/Fo值为1.47，而初始Fv/Fo低的黄瓜幼苗当前Fv/Fo值仅为1.01；14℃处理下，Fv/Fo响应曲线约在2d时出现拐点，处理8d后降至最低，初始Fv/Fo高和低的黄瓜幼苗Fv/Fo值分别为2.21和1.38。
上述现象表明在10℃及以下低温处理下，黄瓜叶片PSII反应中心光化学活性显著降低，可能发生了不可逆损伤，且相较于初始Fv/Fo大小，温度是影响黄瓜幼苗Fv/Fo响应曲线的关键因素，温度越低，Fv/Fo衰减越快。而环境温度高于10℃时，未受冷害前黄瓜幼苗Fv/Fo与温度和持续时间共同影响Fv/Fo响应曲线，初始Fv/Fo值越大，遭受低温胁迫时，黄瓜叶片PSII反应中心损伤越小，其应对低温环境能力越强。综上所述，当黄瓜幼苗遭受冷害时，荧光参数Fv/Fo快速发生变化，可有效监控低温胁迫，这与文献[23]所得结论一致，因此构建冷害条件下黄瓜荧光参数Fv/Fo预测模型是建立黄瓜有效冷害预警的关键。
2.2QGA-SVR模型构建
2.2.1QGA-SVR模型核函数选择
为了比较不同核函数对预测模型精度的影响，分别采用Linear、Poly、Sigmoid和RBF核函数，以相同方法构建模型。比较不同模型试验样本实测值和预测值的R2、RMSE及MAE，结果如图3所示。
相较于线性核函数仅适用于处理线性问题的局限性，RBF核函数可处理模型自变量与因变量之间的非线性问题，此外，应用RBF核函数的模型拟合效果常优于多项式核函数和Sigmoid核函数，且需要设置的参数较少。如图3所示，选取核函数为RBF时训练集和测试集R2均达98％以上，远大于其他三组核函数，训练集和预测集RMSE分别为0.2141、0.1741，MAE分别为0.1490、0.1338，远小于其他三组核函数，说明采用RBF核函数建模精度最高、误差最小，因此选择RBF作为黄瓜荧光参数预测模型核函数。
2.2.2QGA-SVR模型核心参数调优
QGA-SVR预测模型需要优化的参数为惩罚因子c和核函数参数g。为提升QGA算法寻优精度和速度，首先需要确定其寻优区间。设定参数c初步寻优区间为[1,100]，步长为0.1；参数g初步寻优区间为[0.05,10]，步长为0.05。采用遍历方法得到不同c、g条件下SVR模型预测集RMSE变化情况，如图4所示。
观察参数c、g变化对模型精度影响可知，参数c取值在10～50内时、参数g取值在2～7内时模型预测集RMSE可取得最小值。因此，设置参数寻优区间：c∈[10,50]、g∈[2,7]，同时设置参数c和g染色体基因个数分别为12和7个，种群数为20，最大迭代步数为100，交叉概率为0.8，变异概率为0.1。当迭代寻优终止，即得到SVR模型最优惩罚因子c和核函数参数g，量子遗传算法优化过程如图5所示。
如图5所示，QGA算法训练过程中收敛速度快，在60代左右达到最优，说明QGA对参数c、g优化效果显著，得到SVR预测模型的最优c值为42.93，最优g为4.24。为验证QGA算法对参数c、g的优化效果，采用网格遍历和GA算法以相同方法寻优，c、g寻优区间与QGA算法一致，网格遍历方法参数c和g寻优步长分别设置为0.5和0.05，GA算法参数同QGA算法一致，种群规模为20，最大迭代步数100，交叉概率0.8，和变异概率0.2。构建网格遍历方法下得到的模型预测集RMSE值变化曲面，同时在曲面上标注以上三种方法得到的最终结果坐标值，如图6所示。可以发现，三种方法得到的模型预测集RMSE最低点相差不大，分别为QGA(c＝42.93,g＝4.24,RMSE＝0.1744)、GA(c＝44.69,g＝4.19,RMSE＝0.1752)、网格遍历(c＝48.5,g＝4.10,RMSE＝0.1746)，其中QGA算法所得RMSE最小，同时，GA和网格遍历所需时间分别为65.04s和2071s，而QGA寻优所需时间为50.81s，小于前两者，说明采用QGA优化荧光参数预测模型参数能在保证获得最低均方差的同时缩短训练时间，因此选择QGA算法优化SVR模型参数c和g。
2.3QGA-SVR模型验证与分析
2.3.1模型的拟合效果及分析
为验证本发明提出的以初始Fv和Fo、低温温度及持续时间为输入的QGA-SVR算法模型的冷害条件下黄瓜叶片荧光参数预测性能，还分别建立了以未加入初始荧光参数及以初始Fv/Fo单一荧光参数为输入及低温温度与持续时间为输入的QGA-SVR算法模型进行参照对比。各个模型训练集和预测集的R2、RMSE、MAE如图7、图8以及图9所示。
由图7、图8以及图9对比可知，相比于仅以低温温度和持续时间为输入的模型，加入荧光参数Fv/Fo，以及同时加入Fv和Fo后的模型训练集和预测集R2依次提高，RMSE、MAE依次降低。其中，Fv/Fo是反映了PSII反应中心潜在活性，由图2也可以看出，在遭受轻度冷害时，初始Fv/Fo值不同的黄瓜幼苗，随低温持续时间的增加，Fv/Fo值变化趋势存在较大差异，因此，将其引入预测模型相比于仅考虑温度和时间的模型，模型精确度得到了提高。
而黄瓜叶片最小荧光Fo，反映了黄瓜叶片PSII反应中心处于完全开放时荧光产量，其值与叶片叶绿素浓度有关；黄瓜叶片可变荧光Fv，为最大荧光Fm与最小荧光Fo之差，反映了PSII反应中心原初电子受体QA的还原情况，其值与叶片PSII反应中心相对活性大小有关。由于低温温度条件下，两者变化速率也不相同，从而导致黄瓜幼苗在初始Fv/Fo值相同而Fo、Fv不同的条件下，当其遭受低温胁迫后时，Fv/Fo值变化趋势存在差异的现象，其结果与图2所示一致。上述现象，也就说明初始Fo与Fv组合相比于Fv/Fo更能反应黄瓜叶片生理状态，说明以组合荧光参数信息表征遭受冷害前黄瓜叶片生理状态更为准确，与图10验证结果一致，故本发明选择以初始Fo、初始Fv与低温温度及持续时间作为黄瓜荧光参数预测模型输入。
2.3.2模型的性能评价
为验证本发明提出的QGA-SVR模型对冷害条件下黄瓜荧光参数的预测性能，同时选取非线性回归(Non-linear regression，NLR)、随机森林(Random Forest，RF)模型对试验数据进行训练及预测，算法性能对比如表1所示。
表1不同算法的性能比较
由表1可知，非线性回归模型训练集及预测集精度均小于其他三种机器学习算法，这是因为机器学习对非线性样本拟合能力强，RF模型训练集精度高于预测集，且R2均小于SVR模型，说明在小样本训练中SVR模型优势更大。在所有模型中，采用QGA-SVR模型建立的黄瓜叶片Fv/Fo预测模型效果最好，其训练集R2为0.9817，RMSE为0.2141，MAE为0.1490；测试集R2为0.9864，RMSE为0.1741，MAE为0.1338，且训练时间短，故选取其作为冷害条件下黄瓜荧光参数预测模型，在提高精度的同时避免了繁琐的手动调参，具有更好的参数调优效率和预测性能。
3结论
(1)通过对不同初始Fv/Fo值的黄瓜幼苗进行不同环境温度下的低温胁迫实验，发现在黄瓜幼苗遭受冷害时，荧光参数Fv/Fo快速发生变化，可有效监控低温胁迫且黄瓜幼苗初始荧光参数大小影响其应对低温胁迫的能力。
(2)构建融合环境因子与初始荧光参数耦合的黄瓜Fv/Fo值预测模型，在不同初始荧光参数选择中，以初始Fv值、初始Fo值组合作为输入构建模型，性能最佳。
(3)基于量子遗传支持向量机回归算法，构建冷害条件下黄瓜叶片荧光参数预测模型，该模型在训练集和测试集上的R2分别为0.9817和0.9864，RMSE分别为0.2141和0.1741，RMAE为0.1490和0.1338，能对冷害条件下黄瓜叶片荧光参数进行高精度预测。QGA算法针对SVR算法参数进行自动优化选择，可提高模型预测精度。与智能算法SVR、RF、NLR相比，QGA-SVR针对冷害条件下黄瓜荧光参数预测方面具有更高的泛化性、稳定性和推广性。与GA-SVR算法相比，QGA-SVR算法寻优用时更少，精度更高。
Claims (6)
1.一种基于QGA-SVR的冷害黄瓜PSII潜在活性预测方法，其特征在于，以不同初始叶绿素荧光参数Fv/Fo值的黄瓜幼苗为试验样本，测量在不同低温条件、不同持续时间下的Fv/Fo值变化数据，并构建建模样本集，采用量子遗传支持向量机算法建立低温环境下黄瓜叶片Fv/Fo值变化预测模型，依据该模型对Fv/Fo值进行预测，以Fv/Fo表示冷害黄瓜PSII潜在活性，其中Fv表示可变荧光，Fo表示最小荧光；
所述试验样本为按照初始荧光参数高低分为4组的黄瓜幼苗，试验在CO2人工气候箱中进行，CO2人工气候箱内环境参数设置为：光周期昼/夜为14/10h，温度为设置试验温度梯度，分别为8、10、12、14℃，空气相对湿度昼/夜为60％/50％，CO2浓度为400μmol·mol-1，连续8天，在8天内每天16:00采集四个人工气候箱黄瓜幼苗叶片荧光参数，其中每株黄瓜取相同叶位功能叶片上的两个点，共获取黄瓜幼苗叶片荧光参数288组，所述荧光参数利用便携式MINI-PAM-Ⅱ型调制叶绿素荧光仪进行采集，测定前使用暗适应叶片夹夹取待测叶片，充分暗适应20分钟后，打开暗适应叶片夹挡光板，启动荧光仪，获取试验样本的最小荧光Fo、最大荧光Fm和可变荧光Fv，其中Fv＝Fm-Fo；
在建立预测模型时，首先对获取的原始试验数据进行归一化处理，使得数据的波动映射到[0.2,0.8]区间上，以8:2划分数据生成训练数据集及预测数据集；其次，SVR模型选取径向基核函数，利用量子遗传算法，以预测数据集决定系数为适应度评价指标，完成模型参数c和g的寻优；最后以环境温度、低温持续时间、初始可变荧光和初始最小荧光为输入，以荧光参数Fv/Fo为输出量，建立QGA-SVR黄瓜荧光参数预测模型，其中环境温度即实验设置的低温温度。
2.根据权利要求1所述基于QGA-SVR的冷害黄瓜PSII潜在活性预测方法，其特征在于，所述归一化处理中，归一化变换函数为
式中Y为归一化之后的数据，X为待归一化数据，Xmax和Xmin分别为同一量纲数据序列中最大值和最小值，第i个数据的样本特征为标签为Yi，表示第i个样本的当前Fv/Fo值，/> 分别为第i个数据样本的低温温度、低温持续时间、初始可变荧光和初始最小荧光。
3.根据权利要求1所述基于QGA-SVR的冷害黄瓜PSII潜在活性预测方法，其特征在于，SVR模型中样本数据x通过非线性函数转换到高维特征空间，表示为
式中w为自变函数系数，wT为w的转置，b为偏置量。
4.根据权利要求3所述基于QGA-SVR的冷害黄瓜PSII潜在活性预测方法，其特征在于，根据结构风险最小化一致性原则求取w和b，引入松弛因子ξi和支持向量回归优化问题转化为
式中c为惩罚因子，‖w‖2为模型复杂度，m为样本数，ε为不敏感损失参数，对于约束条件，由对偶形式的lagrange多项式转换为下式的优化问题：
式中ai,aj,/>为拉格朗日乘子，K(Xi,Xj)为核函数。
5.根据权利要求4所述基于QGA-SVR的冷害黄瓜PSII潜在活性预测方法，其特征在于，将输入空间的非线性问题通过核函数K(Xi,Xj)映射到高维特征空间中，在高维空间中构造线性判别函数，从而解决非线性问题。
6.根据权利要求4所述基于QGA-SVR的冷害黄瓜PSII潜在活性预测方法，其特征在于，使用量子遗传算法对惩罚因子c和核函数参数g进行优化。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110042909.3A CN112735511B (zh) | 2021-01-13 | 2021-01-13 | 一种基于qga-svr的冷害黄瓜psii潜在活性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110042909.3A CN112735511B (zh) | 2021-01-13 | 2021-01-13 | 一种基于qga-svr的冷害黄瓜psii潜在活性预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112735511A CN112735511A (zh) | 2021-04-30 |
| CN112735511B true CN112735511B (zh) | 2023-11-03 |
Family
ID=75592963
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110042909.3A Active CN112735511B (zh) | 2021-01-13 | 2021-01-13 | 一种基于qga-svr的冷害黄瓜psii潜在活性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112735511B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113268867B (zh) * | 2021-05-17 | 2023-05-26 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种基于水热组合的冰川泥石流区域预警方法 |
| CN113408192B (zh) * | 2021-05-31 | 2022-11-11 | 国网山东省电力公司营销服务中心(计量中心) | 基于ga-fsvr的智能电表误差预测方法 |
| CN113609776B (zh) * | 2021-08-09 | 2023-11-10 | 山西省林业和草原科学研究院 | 一种木本植物幼苗生物量预测方法 |
| CN114034672B (zh) * | 2021-10-22 | 2023-07-07 | 西北农林科技大学 | 一种基于叶绿素荧光技术的作物冷损伤程度分级方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010113984A (ko) * | 2000-06-20 | 2001-12-29 | 강진호 | 박 종자의 발아 및 출현율을 높이기 위한 파종전종자처리방법 |
| CN102141517A (zh) * | 2011-01-05 | 2011-08-03 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊翌年蓝藻水华首次发生水域预测方法 |
| CN102783344A (zh) * | 2012-08-22 | 2012-11-21 | 吴庭贵 | 寒地桑树栽培种植方法 |
| CN105556287A (zh) * | 2013-09-25 | 2016-05-04 | 福斯分析股份公司 | 用于确定植物营养状态的方法和装置 |
| CN105654203A (zh) * | 2015-12-31 | 2016-06-08 | 西北农林科技大学 | 一种基于支持向量机的黄瓜全程光合速率预测模型及建立方法 |
| CN105916996A (zh) * | 2013-12-20 | 2016-08-31 | 特洁安科技有限公司 | 测定含水液体中生物的损失的方法 |
| CN107356569A (zh) * | 2017-06-06 | 2017-11-17 | 河南农业大学 | 基于叶绿素荧光预测小麦籽粒产量的方法及其模型的构建方法 |
| CN107853054A (zh) * | 2017-11-22 | 2018-03-30 | 中国热带农业科学院椰子研究所 | 基于数字模型的椰子耐寒性鉴定方法 |
| CN110119767A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 |
| CN110321627A (zh) * | 2019-06-28 | 2019-10-11 | 西北农林科技大学 | 融合叶片光合潜能的光合速率预测方法 |
| CN110596055A (zh) * | 2019-05-30 | 2019-12-20 | 浙江大学山东工业技术研究院 | 基于叶绿素荧光成像技术的柑橘黄龙病检测方法 |
| CN111269941A (zh) * | 2020-02-27 | 2020-06-12 | 南京鼓楼医院 | 一种基于双色荧光系统的活化car-t细胞的示踪及定量方法 |
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
-
2021
- 2021-01-13 CN CN202110042909.3A patent/CN112735511B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20010113984A (ko) * | 2000-06-20 | 2001-12-29 | 강진호 | 박 종자의 발아 및 출현율을 높이기 위한 파종전종자처리방법 |
| CN102141517A (zh) * | 2011-01-05 | 2011-08-03 | 中国科学院南京地理与湖泊研究所 | 大型浅水湖泊翌年蓝藻水华首次发生水域预测方法 |
| CN102783344A (zh) * | 2012-08-22 | 2012-11-21 | 吴庭贵 | 寒地桑树栽培种植方法 |
| CN105556287A (zh) * | 2013-09-25 | 2016-05-04 | 福斯分析股份公司 | 用于确定植物营养状态的方法和装置 |
| CN105916996A (zh) * | 2013-12-20 | 2016-08-31 | 特洁安科技有限公司 | 测定含水液体中生物的损失的方法 |
| CN105654203A (zh) * | 2015-12-31 | 2016-06-08 | 西北农林科技大学 | 一种基于支持向量机的黄瓜全程光合速率预测模型及建立方法 |
| CN107356569A (zh) * | 2017-06-06 | 2017-11-17 | 河南农业大学 | 基于叶绿素荧光预测小麦籽粒产量的方法及其模型的构建方法 |
| CN107853054A (zh) * | 2017-11-22 | 2018-03-30 | 中国热带农业科学院椰子研究所 | 基于数字模型的椰子耐寒性鉴定方法 |
| CN110119767A (zh) * | 2019-04-19 | 2019-08-13 | 淮阴工学院 | 一种基于lvq神经网络的黄瓜温室温度智能化检测装置 |
| CN110596055A (zh) * | 2019-05-30 | 2019-12-20 | 浙江大学山东工业技术研究院 | 基于叶绿素荧光成像技术的柑橘黄龙病检测方法 |
| CN110321627A (zh) * | 2019-06-28 | 2019-10-11 | 西北农林科技大学 | 融合叶片光合潜能的光合速率预测方法 |
| CN111269941A (zh) * | 2020-02-27 | 2020-06-12 | 南京鼓楼医院 | 一种基于双色荧光系统的活化car-t细胞的示踪及定量方法 |
| AU2020101854A4 (en) * | 2020-08-17 | 2020-09-24 | China Communications Construction Co., Ltd. | A method for predicting concrete durability based on data mining and artificial intelligence algorithm |
Non-Patent Citations (3)
| Title |
|---|
| Rapid predictions of cold tolerance in Douglas-fir seedlings using chlorophyll fluorescence after freezing;MICHAEL P. PERKS等;New Forests;第28卷;49-62 * |
| 低温胁迫对返青期苜蓿叶片荧光参数的影响;王运涛等;中国草地学报;第35卷(第1期);29-34 * |
| 融合暗荧光参数的茄子叶片光合速率预测模型构建;胡瑾等;《农业机械学报》;20200430;第51卷(第4期);第328-336页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112735511A (zh) | 2021-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112735511B (zh) | 一种基于qga-svr的冷害黄瓜psii潜在活性预测方法 | |
| CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
| Zhang et al. | Photosynthetic rate prediction model of newborn leaves verified by core fluorescence parameters | |
| CN105654203A (zh) | 一种基于支持向量机的黄瓜全程光合速率预测模型及建立方法 | |
| CN107145941B (zh) | 基于最优光质和光子通量密度的需光量实时动态获取方法 | |
| CN105678405A (zh) | 一种融合气孔导度的黄瓜ga-rbf光合速率预测模型建模方法 | |
| Hu et al. | Model for tomato photosynthetic rate based on neural network with genetic algorithm | |
| CN107220672A (zh) | 一种基于作物需求的适宜根温区间获取方法 | |
| CN105389452A (zh) | 基于神经网络的黄瓜全程光合速率预测模型及建立方法 | |
| CN110321627B (zh) | 融合叶片光合潜能的光合速率预测方法 | |
| CN101044823A (zh) | 一种作物能量利用率评价及产量预测的方法 | |
| CN110564884B (zh) | 旱柳耐盐枢纽基因的发掘方法 | |
| Musse et al. | A mobile NMR lab for leaf phenotyping in the field | |
| Liu et al. | Prediction model of photosynthetic rate based on SOPSO-LSSVM for regulation of greenhouse light environment | |
| Wang et al. | Application of hyperspectral technology combined with bat algorithm-AdaBoost model in field soil nutrient prediction | |
| CN111855592A (zh) | 水稻单位面积内地上部干物重遥感反演模型和方法 | |
| Wang et al. | Real-time monitoring of environmental information and modeling of the photosynthetic rate of tomato plants under greenhouse conditions | |
| Chen et al. | Analyzing the effect of light on lettuce Fv/Fm and growth by machine learning | |
| Zhu et al. | Parameterization of a coupled CO 2 and H 2 O gas exchange model at the leaf scale of Populus euphratica | |
| Kaishan et al. | Soybean LAI estimation with in-situ collected hyperspectral data based on BP-neural networks | |
| CN106803209B (zh) | 实时数据库和先进控制算法的作物培育模式分析优化方法 | |
| CN105654242A (zh) | 一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型及建立与应用 | |
| Xin et al. | An improved photosynthesis prediction model based on artificial neural networks intended for cucumber growth control | |
| CN114034672B (zh) | 一种基于叶绿素荧光技术的作物冷损伤程度分级方法 | |
| Lu et al. | Assessing chilling injury in cucumber seedlings using chlorophyll fluorescence based on a quantum genetic algorithm and support vector regression model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |