Temperature prediction of intensive pig house based on time series and multivariate models
-
摘要:目的
从挖掘猪舍历史环境参数数据时序信息角度出发，提出基于时间序列模型和多元模型序列的猪舍温度预测模型。
方法采取缺失部分环境因子统计预测，评估猪舍环境中相对湿度、二氧化碳浓度、氧气浓度等环境因子对温度预测的影响程度。针对猪舍温度时间序列进行数据预处理，滤除错误值和缺失值，采用时间序列模型构建基于门控循环单元网络(Gated recurrent unit，GRU)的猪舍温度预测模型，采用多元模型建立基于梯度提升决策树(Extreme gradient boosting，XGBoost)缺失值重要程度的猪舍温度预测模型。将该预测模型用于预测广东省某集约化猪场母猪分娩舍温度，并与循环神经网络(Recurrent neural network, RNN)模型、反向神经网络(Back propagation neural network, BPNN)模型进行对比试验。
结果对比温度预测值与实测值发现，基于GRU模型对应的猪舍温度均方根误差和平均绝对误差分别为0.25和0.19 ℃，平均绝对百分比误差为0.65%；基于XGBoost多元模型的猪舍温度均方根误差和平均绝对误差分别为1.21和0.71 ℃，平均绝对百分比误差为2.50%。在时间序列的温度预测模型中，GRU模型表现出更优的预测效果；在多元模型的温度预测中，XGBoost模型的预测效果更优。
结论本研究使用的GRU模型在时间维度上对母猪分娩舍温度的变化起到了预警作用，确定了各种环境参数对温度的影响程度，为养殖环境的精细调控提供了参考。
Abstract:ObjectiveOn account of history environmental factors such as temperature and humidity in farrowing houses, based on the data of a farrowing house of a modern pig farm in Guangdong Province, the temperature prediction model of pig house was studied based on time series and multivariate models.
MethodThe effects of relative humidity, carbon dioxide concentration, oxygen concentration and other environmental factors on temperature prediction in pigsty was evaluated by statistical prediction of missing part environmental factors. Data preprocessing was carried out for the time series of piggery temperature to filter out the error value and missing value. The time series model was used to construct the temperature prediction model of piggery based on gated recurrent unit (GRU). Based on extreme gradient boosting (XGBoost), the temperature prediction model of missing value importance degree in pigsty was established using multivariate model. The prediction model was applied to predict the temperature of a farrowing house of an intensive pig farm in Guangdong Province, and compared with the recurrent neural network (RNN) model and back propagation neural network (BPNN) model.
ResultComparing the predicted value with the measured value, root mean square error (RMSE), mean absolute error (MAE) and mean absolute percent error (MAPE) of the GRU model were 0.25 ℃, 0.19 ℃ and 0.65% respectively, while RMSE, MAE and MAPE of the XGBoost multicomponent model were 1.21 ℃, 0.71 ℃ and 2.50% respectively. For temperature prediction based on time series models, GRU model showed better prediction effect. The XGBoost model was better in temperature prediction for multivariate model.
ConclusionThe CRU model used in this study plays an early warning role on the temperature change of the farrowing house in time dimension, and the influence degree of various environmental parameters on temperature is also determined, which provides a reference for the fine regulation of the breeding environment.
-
优质土壤是维持土壤生态系统生物的生产力、保护环境质量以及保证动植物健康的基础能力[1]。随着现代工业的快速发展，人类活动对土壤质量的影响正在加剧[2-3]，寻找更加便捷的土壤质量调查方法已引起大量学者的关注。可见−近红外光光谱(Visible-near infrared spectrum，VNIRS)是一种利用物质的某些官能团(如O—H、N—H等)对光的选择性吸收而快速评估其中某一项或几项成分含量的技术，与传统化学分析方法相比，它具有分析速度快、稳定、准确、样品制备简单且量小、无破损、节能环保等优势，在医药、食品、石油化工等行业得到广泛应用[4-7]。在农业科学中，研究学者已利用VNIRS技术进行了植物细根木质素，籽粒淀粉、蛋白质和氨基酸含量测定等[8-10]。由于土壤中几乎所有有机物质的主要组成和结构都能吸收特定波长的可见−近红外光，研究学者利用VNIRS技术进行了土壤碳储量估算、元素分析[11-12]、质量评估[13-14]、土壤团聚体来源辨别[15]和土壤分类及溯源等多方面的研究[16]。
土壤有机质具有较高的光谱响应属性，而氮、磷、钾等大量营养元素能够通过影响土壤的理化特性，从而影响土壤对光的吸收和反射特性。因此，研究人员对土壤有机质含量以及氮、磷和钾全量与光谱的关系进行了大量探讨，但是此前光谱分析的定量分析多用于常量范围内的物质分析[17-18]。赵明松等[19]和陈秋宇等[20]分别研究了江苏中部水稻土和潮土以及互花米草入侵湿地的土壤有机质的预测模型。Qiao等[21]用近红外光谱(Near infrared spectrum)技术分析了山西种植大豆褐土的有机质和全量养分含量，并利用主成分分析和最小二乘支持向量机(Least squares support vector machine)建立了土壤有机质含量与氮、磷、钾全量的预测模型。随着光谱分析仪器测试精度的提升，研究人员也开始逐渐关注光谱与土壤速效养分的关系，以期更加科学、快速地指导施肥。光谱学手段可以通过芳香碳的含量表征土壤可溶性有机质的组成和结构[22]，且红外光谱能够识别可溶性有机质中的有机官能团[23]，碱解氮含有C—H+C—H、C—H+C—C和N—H键的组合[24]，而速效磷虽然没有直接相关的光谱吸收峰，但是可以通过与其他有吸收峰物质之间的相关性被光谱技术预测[25]。张欣跃等[16]分析了黑龙江、安徽和江苏3个省的黑土、白浆土、草甸土、沼泽土、红壤、砂浆黑土、水稻土、潮土、棕壤、黄棕壤多种土壤指标的光谱特征，如pH，有机质、全磷、全钾、速效磷含量，阳离子交换量等。方向等[26]和汪六三等[27]利用VNIRS技术分别对皖南地区黄红壤和宁夏地区水稻土的碱解氮含量进行预测。李伟等[18]运用偏最小二乘法和人工神经网络算法建立了预测黑土土壤碱解氮、速效磷和速效钾含量的近红外光谱分析模型。
现有研究主要关注北方和长江中下游土壤[19-20]，鲜见华南地区土壤光谱评估模型的研究资料。华南地区处于热带亚热带地区，广泛分布着红壤、黄壤、赤红壤和砖红壤以及由这些土壤发育成的水稻土[28]。由于土壤性质存在高度空间异质性，不同地区土壤性质存在较大差异，因此华南区域土壤光谱评估无法借鉴北方和长江流域土壤的预测模型。广东省是华南地区的重要省份，粤东、粤西、粤北、珠三角、粤西北地区耕地的种植模式多样、变更较快，土壤质量变化大。因此，利用VNIRS构建模型快速分析不同区域的土壤养分能够及时掌握区域耕地土壤质量状况，保障全省粮食安全。另外，国内土壤学领域关于VNIRS的研究主要集中在借助国际土壤参比与信息中心(International Soil Reference and Information Center)提供的全球土壤光谱库(Global soil spectral library)进行全球或者跨省尺度下的有机质和肥力的光谱分析[29-31]，或是田间试验的小尺度研究[19, 21]。而在省域尺度下，针对华南地区的土壤光谱特征，构建有机质和养分VNIRS模型的研究仍缺乏。
因此，本研究以广东省不同地区514个耕地土壤样点为研究对象，通过传统化学分析方法和VNIRS技术对土壤有机质、全氮、可溶性有机碳、碱解氮和速效磷含量进行分析，并利用偏最小二乘法和主成分分析建立VNIRS预测模型，并进行反向验证，评估利用光谱分析土壤全量和速效养分含量的可行性，以期为快速检测广东省各地区耕地土壤养分、综合评价土壤质量、未来土壤监测和溯源普查提供科学参考。
1. 材料与方法
1.1 采样点分布与采样方法
本研究以广东耕地土壤为研究对象，土壤样品采自粤北、粤东、珠江三角洲、粤西北和粤西5个地区。具体采样区概况如表1所示。采用五点取样法在每个样点采集表面0~20 cm土层1 kg左右的土壤样品。共采集514份土壤样品，装入自封袋后按地区进行编号。土样在实验室自然风干后，挑除植物残体，研磨，过1 mm筛后，均匀分成两部分，一部分用作VNIRS扫描，另一部分粉碎过0.15 mm筛供实验室分析。
表 1 采样区概况Table 1. Information about sampling pots地区
Region行政市
Administrative city样点数量
Sampling point number气候类型
Climate type土壤类型
Soil type粤北
North Guangdong韶关 100 亚热带季风气候 以红壤为主，风化程度深，富铁铝化作用明显，质地较黏重 粤东
East Guangdong梅州 102 亚热带季风气候 以赤红壤、黄壤为主 粤西
West Guangdong湛江 98 热带北缘季风气候 有赤红壤、砖红壤，土层深厚，质地黏重，呈强酸性反应，铁铝富集最为显著 粤西北
Northwest Guangdong肇庆 99 南亚热带季风气候 以赤红壤为主，农田土壤整体偏酸 珠三角
Pearl River Delta惠州 65 亚热带季风气候 有红壤、赤红壤和黄壤，以赤红壤类型分布最广，土壤呈酸性，阳离子交换量较低，矿质养分较贫乏 珠海 50 亚热带季风海洋性
气候有红壤和赤红壤，红壤面积较少，分布不广，300 m以上的丘陵台地多分布有红壤 1.2 土壤养分测试及光谱扫描
土壤有机质含量采用土壤有机碳含量换算得到，后者采用重铬酸钾容量法−外加热法测定；全氮含量采用半微量开氏法测定；碱解氮含量采用NaOH碱解扩散法测定；速效磷含量采用0.5 mol·L−1 NaHCO3浸提−钼锑抗比色法测定；可溶性有机碳含量采用重铬酸钾氧化−硫酸亚铁滴定法测定；土壤pH采用以水、土体积、质量比5∶1浸提的pH计(雷磁PHS-3C)法测定[32]；土壤VNIRS使用福斯多功能近红外分析仪NIRS DS 2500采集，设置波长范围为400~2 490 nm，采样间隔为2 nm，对每个土壤样品重复扫描2次，最终的光谱数据取2次扫描结果的平均值。
1.3 土壤光谱数据的预处理及定标模型的建立
将各地区的土壤样品根据各指标的实验室分析结果按从小到大的顺序排序，每5个点抽取1个样品用于反向检验模型，剩余的土壤样品用于建立定标方程模型，即80%的土壤样品用作建模集，剩下的20%用作验证集。将样品的光谱数据和实验室测定的理化数据导入WinISI软件进行预处理及定标模型的建立。使用主成分分析结合马氏距离(Principle component analysis-mahalanobis distance，PCA-MD)进行异常样本检查。采用SNV+Detrend和一阶微分变换进行预处理，SNV能够将光谱数据标准化，而Detrend能够去除光谱散射现象，一阶微分能将原始光谱吸收峰分离同时消除极限漂移。本研究采用主成分回归法结合改进偏最小二乘法建立多元回归模型，共建立5×5个定标方程模型。
使用WinISI软件建立的定标模型，其定标结果包括定标标准误差(Standard error of calibration，SEC)；定标相关系数(Coefficient of determination for validation，RSQ)，表示近红外预测数据和实测数据的相关系数；交互验证标准误差(Standard error of cross validation，SECV)，用来预测没有参与定标样品的近红外值与化学分析值的标准误差平均值；交叉验证相关系数(1 minus the variance ration，1-VR)，用来预测没有参加定标样品的近红外值与化学分析值相关系数的平均值。通过这4种统计数据对建立的定标模型进行评估，其中SECV和1-VR用来表征定标方程的优劣，SECV越低、1-VR越接近1的模型，即为最佳定标模型。
1.4 数据处理
采用Microsoft Excel 2010进行数据整理，用R语言进行数据分析及绘图，采用单因素方差分析比较不同地区土壤养分含量的差异，多重比较采用Duncan’s检验，剔除同地区样品中超过平均值200%的异常值，显著性水平为0.05，用R语言的ggplot2包进行绘图，通过在R语言中导入ADE-4软件包对不同地区土壤理化数据进行主成分分析及绘图。
2. 结果与分析
2.1 不同地区耕地土壤养分的差异
实验室分析所得广东省各地区土壤养分含量如图1所示。各地区土壤有机质含量的排序为粤西北 > 粤东 > 粤北 > 珠三角 > 粤西，分别为35.22、29.25、24.53、23.49和21.82 g·kg−1，其中粤北、粤西和珠三角的差异不显著，粤西北地区有机质含量显著高于其他地区(P < 0.05)，分别比粤西、粤东地区高61.44%和20.42% (图1A)。各地区土壤全氮含量排序与有机质含量相同，粤西北地区土壤的全氮含量高于其他地区，达到1.70 g·kg−1，粤西地区的全氮含量最低，只有1.02 g·kg−1，而粤东和粤西北以及粤北和珠三角之间的差异不显著(图1B)。不同地区土壤的可溶性有机碳含量排序为粤西 > 粤北 > 粤东 > 粤西北 > 珠三角，珠三角地区的土壤可溶性有机碳含量只有65.62 mg·kg−1，显著低于其他地区(P < 0.05)，比最高的粤西地区低50.14%，其他地区土壤可溶性有机碳含量为86.18~98.53 mg·kg−1，差异不显著(图1C)。不同地区土壤碱解氮含量的排序为粤西北 > 粤东 > 粤北 > 珠三角 > 粤西，变化范围为120.42~169.47 mg·kg−1，粤西和珠三角地区的碱解氮含量分别比粤西北地区低40.73%和36.47% (图1D)。不同地区土壤的速效磷含量差异较明显，变化范围为44.81~97.15 mg·kg−1，速效磷含量最高的粤西地区比含量最低的粤西北地区高116.81%，粤北、粤东和珠三角地区的速效磷含量分别比粤西北地区高69.34%、34.77%和92.15% (图1E)。
![]()
图 1 广东省不同地区土壤养分含量的差异NG：粤北，EG：粤东，WG：粵西，NWG：粤西北，PRD：珠三角；各小图中不同小写字母表示不同地区间差异显著(P < 0.05，Duncan’s法)Figure 1. Differences of soil nutrient contents in different areas of Guangdong ProvinceNG: North Guangdong, EG: East Guangdong, WG: West Guangdong, NWG: Northwest Guangdong, PRD: Pearl River Delta; Different lowercase letters in each figure indicate significant differences among different areas (P < 0.05, Duncan’s method)根据广东省5个地区土壤养分含量的主成分分析结果，第一主成分(PC1)和第二主成分(PC2)累计方差贡献率达到65.0%，可以反映不同土壤养分的大部分信息(图2A)。其中PC1的贡献率为43.9%，其主要与有机质、全氮、碱解氮有关，而PC2的贡献率为21.1%，其主要与可溶性有机碳有关。从各地区的主成分得分图(图2B)可以看出，粤西北、粤东、粤北和粤西地区的得分差异主要体现在PC1上，粤西北的养分偏向有机质、全氮和碱解氮较高的方向，粤西偏向于速效磷较高的方向，粤东和粤北的各养分处于居中水平，珠三角地区偏向于可溶性有机碳的水平较低，其他养分含量处于中间水平。
![]()
图 2 广东省各地区耕地土壤养分主成分分析SOM：土壤有机质；DOC：可溶性有机碳；TN：全氮；AN：碱解氮；AP：速效磷Figure 2. Principal component analyses of soil nutrients in different areas of Guangdong ProvinceSOM: Soil organic matter; DOC: Dissolved organic carbon; TN: Total nitrogen; AN: Available nitrogen; AP: Available phosphorus2.2 定标方程的评价
广东省各地区的红外−近红外光谱定标模型的评价参数如表2所示。有机质定标模型的总体效果较好，尤其是粤西北和珠三角的模型，定标相关系数RSQ分别达到0.831 1和0.817 2，交叉验证相关系数1-VR也分别达到0.735 8和0.729 5；而粤北和粤东地区的定标效果较差，其交叉验证相关系数1-VR只有0.406 5和0.337 7，低于其他地区。广东各地区土壤全氮的定标效果也较好，定标相关系数RSQ都在0.65以上；粤北、粤东和珠三角地区的RSQ都超过0.70，1-VR也在0.60以上，且交叉验证误差SECV都处于相对较低的水平，说明其定标模型稳定性较好，其中粤北的模型最佳(RSQ = 0.898 6，1-VR = 0.731 9)。对于可溶性有机碳而言，粤北地区的定标模型效果远超其他地区，RSQ和1-VR都远高于其他地区，SECV也低于其他地区；其他4个地区模型的RSQ都低于0.50，其中珠三角地区的RSQ低至0.132 6，1-VR也小于0。对于土壤碱解氮与速效磷的定标模型，珠三角地区的模型效果最好，RSQ分别为0.820 0和0.694 9，1-VR为0.685 0和0.546 2；粤北、粤东和粤西地区的效果较差，RSQ都低于0.50，1-VR也在0.40以下。
表 2 广东省各地区的土壤养分模型预测效果1)Table 2. Prediction performance of soil nutrient models in different areas of Guangdong Province指标
Index地区
AreaSEC RSQ SECV 1-VR 有机质
Soil organic matter粤北 4.260 2 0.662 2 5.666 3 0.406 5 粤东 10.191 2 0.476 4 11.699 5 0.337 7 粤西 3.803 4 0.837 8 7.071 8 0.595 1 粤西北 3.985 1 0.831 1 5.032 2 0.735 8 珠三角 5.057 6 0.817 2 6.123 1 0.729 5 全氮
Total nitrogen粤北 0.107 4 0.898 6 0.180 9 0.731 9 粤东 0.295 9 0.784 0 0.382 5 0.646 6 粤西 0.219 8 0.660 5 0.347 6 0.336 7 粤西北 0.245 3 0.704 7 0.310 4 0.540 2 珠三角 0.245 4 0.789 8 0.308 9 0.677 0 可溶性有机碳
Dissolved organic carbon粤北 24.437 4 0.694 1 26.896 4 0.641 1 粤东 31.206 8 0.141 4 34.763 2 0.043 9 粤西 25.987 2 0.471 5 30.433 7 0.324 5 粤西北 31.937 4 0.281 6 33.930 4 0.216 6 珠三角 27.896 4 0.132 6 30.310 7 −0.021 7 碱解氮
Available nitrogen粤北 61.912 7 0.108 7 72.340 4 −0.040 3 粤东 50.192 4 0.323 6 57.612 0 0.148 8 粤西 42.216 6 0.380 4 53.081 4 0.130 4 粤西北 19.314 8 0.731 4 25.338 4 0.536 7 珠三角 20.557 2 0.820 0 27.365 0 0.685 0 速效磷
Available phosphorus粤北 15.325 8 0.225 1 18.882 4 0.077 8 粤东 24.353 7 0.070 1 27.115 0 −0.040 5 粤西 31.471 9 0.482 7 34.417 0 0.374 3 粤西北 18.240 2 0.647 6 28.404 3 0.400 4 珠三角 28.844 6 0.694 9 35.797 0 0.546 2 1) SEC：定标标准误差；RSQ：定标相关系数；SECV：交互验证标准误差；1-VR：交叉验证相关系数
1) SEC: Standard error of calibration; RSQ: Coefficient of determination for validation; SECV: Standard error of cross validation; 1-VR: 1 minus the variance ration总体而言，不同地区和不同指标之间的定标模型效果存在较大差异。粤北地区的全氮和可溶性有机碳的红外−近红外光谱定标效果较好，碱解氮和速效磷的模型还有待提高；而粤东地区只有全氮的定标效果较佳，粤西地区的总体效果都不佳；粤西北地区有机质的定标模型优于其他指标，全氮、碱解氮和速效磷的效果都一般；珠三角地区除了可溶性有机碳的定标效果较差，其他养分的定标模型都具有较好效果。
2.3 定标模型的反向验证
广东省各地区土壤养分含量的实测值(x)与红外−近红外光谱模型预测值(y)的相关性如图3所示。各地区土壤有机质含量实测值和预测值的相关性较好，粤北、粤西北和珠三角地区的决定系数(R2)都达到0.65以上，而粤东和粤西地区效果稍差，验证结果与定标模型的SECV结果相似。全氮验证模型的总体效果一般，珠三角的全氮验证模型效果最佳，R2达到0.65，其次是粤东和粤北地区，R2分别为0.50和0.49，粤西和粤西北的验证效果较差，验证结果与定标模型的1-VR有相似趋势。而可溶性有机碳的验证模型跟定标模型结果相符，只有粤北地区的模型具有较好的效果。粤西北和珠三角地区的碱解氮验证模型的R2分别有0.63和0.62，具有较好的线性关系，跟定标模型的SECV和1-VR结果相符。在速效磷的验证模型中，不同地区差异较大，粤北、粤东和粤西北地区的速效磷含量主要集中在0~80 mg·kg−1，而粤西和珠三角地区的速效磷分散在0~200 mg·kg−1；其定标模型的总体效果一般，而验证模型也呈现相同的结果，粤北、粤东和粤西地区的R2都低于0.1。
![]()
图 3 广东省不同地区土壤养分含量实测值与VNIRS预测值的相关性Figure 3. Correlation between measured and VNIRS predicted values of soil nutrient contents in different regions of Guangdong Province总体而言，利用红外－近红外光谱定标模型得到的预测值与土壤有机质的实测值之间具有较好的相关性，全氮、可溶性有机碳和碱解氮则呈现出地区差异，而速效磷预测值与实测值的相关性较小。
3. 讨论与结论
3.1 VNIRS光谱特征能够溯源不同地区土壤
本研究采用传统分析手段和VNIRS 2种方式进行不同地区土壤有机碳和养分含量的分析。传统化学分析手段能够明显区分广东省各地区间的土壤有机质、全氮、可溶性有机碳、碱解氮和速效磷含量的差异。进一步对其进行主成分分析能够辨识不同地区养分差异的总体特征与关键影响因素；粤西北和粤东地区耕地的养分含量总体较高与土壤有机质、全氮、碱解氮密切相关，粤西地区耕地养分含量总体较低，但较高的速效磷含量是其区别于其他地区土壤的关键因素。这可能与广东不同地区的土壤类型、气候条件、地形地貌、耕作制度以及山地、丘陵、平原的不同施肥措施有关[33]。在本研究中，广东省不同地区的VNIRS光谱特征也存在较大的差异。通过VNIRS分析能够区分省域内不同土壤的来源，这与张欣悦等[16]进行的安徽省内县级尺度上土壤溯源模型验证的研究结果一致。利用不同县土壤的光谱特征与化学成分分别建模的判别精度差异只有0.1，进一步表明利用VNIRS分析可以进行土壤溯源，未来其在土壤分类研究方面可能具有一定的潜力。
3.2 VNIRS对不同元素的预测模型效果及精度差异明显
目前的研究表明，应用光谱模型预测土壤有机质和全氮等成分含量是可行的，但是预测的效果和精度有所差异[29-33]。本研究结果与前期研究相似，利用VNIRS技术对土壤碳、氮2种全量养分进行预测具有较好的效果，RSQ最高分别达到0.837 8和0.898 6，利用模型对剩余样品进行预测，样品预测值与实测值之间的R2最高分别达到0.69和0.65。土壤有机质预测效果较好是由于有机质含有C—C、C—H、N—H键以及这些键的组合，如702 nm波长与有机基团羟基(ROH)和甲基(—CH3)有关，742 nm波长与有机基团次甲基(—CH)有关，1 062 nm波长与有机基团芳烃(ArCH)有关，在VNIRS波长范围内有直接相关性[24]。全氮的预测效果较好是因为含有N—H键及N—H键组合基团，在VNIRS波长范围内具有直接相关性[34]。Mouazen等[17]发现，利用多种数学建模方式结合，能够有效提高光谱模型的预测精度。另外，土壤类型的复杂性可能在一定程度上影响有机质和全氮测定的精确性。王昶[35]和Ben-dor等[36]进行单种类型土壤有机碳和全氮的光谱模型预测，获得了更高的预测精度。
由于大多数土壤速效养分在可见−红外光波段没有直接的吸收峰，目前关于速效养分的研究主要通过各种数学建模手段探究其与其他拥有吸收峰物质之间的关系，从而达到预测的目的[24, 26-27]。但是大多数研究的建模效果不佳，在本研究中，部分地区的速效养分的预测效果达到较好的水平。土壤对可见−近红外光的吸收主要依靠有机成分和矿物的作用，而土壤的复杂性和不稳定性导致地域间各种因素都可能对光谱的吸收产生影响。广东地区土壤风化淋溶作用强，耕作强度高，养分贫瘠，耕地有效养分的补充主要依靠施肥[37]。地区间施肥强度差异大可能是导致可溶性有机碳、碱解氮和速效磷3种有效态养分只在部分区域具有较好预测效果的重要原因。另外，有研究表明，当土壤速效养分含量超过一定阈值后，其光谱预测效果也随之提升[38]。同时，土壤有效态养分的测试精度跟土壤类型、前处理方式、试验分析手段和仪器精度也有重要关系，采用高标准的采样分析技术有利于建立更好的模型。
3.3 VNIRS分析在土壤质量监测、普查中的应用
广东是我国城市化水平较高、经济发展迅速的大省，人口、资源、环境与社会经济发展矛盾极其突出，高质量耕地土壤对我省粮食安全与生态安全极其重要。借助VNIRS分析手段，能够在短时间快速、无损地分析土壤养分含量，对不同时间，不同市域、县域、流域等中观尺度的土壤质量进行估算，有助于适时调控耕地土壤田间管理。同时，该技术也可以应用于土壤普查等相关工作。土壤普查常采取传统的土壤质量指标分析方法，这种分析方法虽然比较精准，但具有检测项目繁杂、成本高、实时性差、检测速度慢等不足，对于快速检测大范围的土壤需要耗费大量资源。通过采集较少样品进行VNIRS分析后，可以结合少量样品的传统分析结果建立模型，由此可估算其他样品在调查区域土壤养分及有机质含量等指标的现状及变化趋势。在此基础上，结合大数据分析和地理信息技术，可以全面掌握全省土壤质量等级，提升土壤资源保护和利用水平。
3.4 结论
本研究通过传统化学分析方法和VNIRS技术对广东典型地区的耕地土壤进行了分析，构建了土壤有机质、全氮、可溶性有机碳、碱解氮、速效磷含量的VNIRS预测模型，并评估了利用光谱分析预测土壤全量和速效养分的可行性。广东省各地区耕地土壤性质及光谱特征存在显著差异，有机质、全氮含量处于中等水平，碱解氮和速效磷含量较高，总体而言粤西北和粤东地区的养分含量较高，粤西地区较低；利用VNIRS定标模型能够较好地预测土壤有机质和全氮含量，但不同地区适用的预测模型有所差异；利用VNIRS技术对有效态养分含量进行预测在部分地区具有较好效果，建议未来通过提高样品质量和测试精度、完善模型的建立方法等提升预测效果。
致谢：感谢李永涛教授，孙岩博士，李明惠、崔莹莹、姜敏等研究生们在样品收集、前期样品制备中提供的帮助！
-
![]()
图 1 循环神经网络结构图
h(t−1)为上一个传输下来的状态；x(t)为当前节点的输入；z(t)为控制更新的门控；r(t)为控制重置的门控；$\tilde h\left( {\rm{t}} \right)$为重置后的数据；h(t)为当前的隐藏状态
Figure 1. Cyclic neural network structure diagram
h(t−1) is the last state transferred down; x(t) is the input for the current node; z(t) is a gating control for controlling updates; $ \tilde h\left( {\rm{t}} \right)$ is the reset data; h(t) is the current hidden state
![]()
图 2 基于时间序列和温度序列的猪舍温度预测流程图
Figure 2. A flow chart of temperature prediction of piggery based on time series and temperature series
![]()
图 4 试验分娩舍侧、俯视图及各区域节点分布
1：湿帘, 2：负压风机, 3：屋顶小窗，4：地沟，5：限位栏，6：传感器从节点(舍外)，7：传感器从节点(出风口区域)，8：传感器从节点(母猪呼吸区域)，9：传感器从节点(仔猪呼吸区域)，10：网关主节点，11：保温灯
Figure 4. Side and top views of test farrowing pig house and node distribution in each region
1:Wet curtain, 2:Negative pressure fan, 3:Roof window, 4:Trench, 5:Limit column, 6:Sensor slave node(outisde), 7:Sensor slave node(outlet area), 8:Sensor slave node(sow breathing area), 9:Sensor slave node(piglet breathing area), 10:Gateway master node, 11:Heat lamp
![]()
图 5 GRU和RNN时间序列模型温度预测结果对比
Figure 5. Comparison of temperature prediction results of GRU and RNN time series models
表 1 温度预测试验中GRU和RNN时间序列模型的指标1)
Table 1 Indexes of GRU and RNN time series models in temperature prediction test
模型 Model RMSE/℃ MAE/℃ MAPE/% GRU 0.25 0.19 0.65 RNN 0.31 0.24 0.84 1)RMSE：均方根误差，MAE：平均绝对误差，MAPE：平均绝对百分比误差 1)RMSE：Root mean square error, MAE：Mean absolute error, MAPE：Mean absolute percent error 
下载: 导出CSV
表 2 温度预测试验中多元模型的指标1)
Table 2 Indexes of multivariate model in temperature prediction test
模型 Model RMSE/℃ MAE/℃ MAPE/% XGBoost 1.21 0.71 2.50 BPNN 0.89 0.72 2.54 LR 1.25 0.89 3.14 1)RMSE：均方根误差，MAE：平均绝对误差，MAPE：平均绝对百分比误差 1)RMSE：Root mean square error, MAE：Mean absolute error, MAPE：Mean absolute percent error
下载: 导出CSV
表 3 温度预测试验中变量缺失的XGBoost和BPNN多元模型的Score值
Table 3 Score values of XGBoost and BPNN multivariate models with missing variables in temperature prediction test
缺失变量Missing variable Score XGBoost BPNN CO2浓度 CO2 content 0.415 0.435 O2浓度 O2 content 0.407 0.426 相对湿度 Relative humidity 0.428 0.475 节点编号 Node ID 0.433 0.481
下载: 导出CSV
-
[1] 汪开英, 苗香雯, 崔绍荣, 等. 猪舍环境温湿度对育成猪的生理及生产指标的影响[J]. 农业工程学报, 2002, 18(1): 99-102. doi: 10.3321/j.issn:1002-6819.2002.01.026 [2] 冯霞, 王思珍, 曹颖霞, 等. 饮水温度对断奶仔猪生产性能和养分表观消化率的影响[J]. 家畜生态学报, 2011, 32(3): 40-44. doi: 10.3969/j.issn.1673-1182.2011.03.010 [3] 秦琳琳, 马国旗, 储著东, 等. 基于灰色预测模型的温室温湿度系统建模与控制[J]. 农业工程学报, 2016, 32(S1): 233-241. [4] KÖNIG M, HEMPEL S, JANKE D, et al. Variabilities in determining air exchange rates in naturally ventilated dairy buildings using the CO2 production model[J]. Biosystems Engineering, 2018, 174: 249-259. doi: 10.1016/j.biosystemseng.2018.07.001
[5] 王德福, 黄会男, 张洪建, 等. 生猪养殖设施工程技术研究现状与发展分析[J]. 农业机械学报, 2018, 49(11): 1-14. doi: 10.6041/j.issn.1000-1298.2018.11.001 [6] 杨飞云, 曾雅琼, 冯泽猛, 等. 畜禽养殖环境调控与智能养殖装备技术研究进展[J]. 中国科学院院刊, 2019, 34(2): 163-173. [7] 黄凯, 唐倩, 沈丹, 等. 冬季猪舍内温湿度与有害气体分布规律研究[J]. 畜牧与兽医, 2019, 51(7): 35-41. [8] XIE Q, NI J, BAO J, et al. A thermal environmental model for indoor air temperature prediction and energy consumption in pig building[J]. Building and Environment, 2019, 161: 106238. doi: 10.1016/j.buildenv.2019.106238
[9] 韩建军, 南少伟, 李建平, 等. 基于随机森林算法的粮堆机械通风温度预测及控制研究[J]. 河南工业大学学报(自然科学版), 2019, 40(5): 107-113. [10] RONG L, AARNINK A J A. Development of ammonia mass transfer coefficient models for the atmosphere above two types of the slatted floors in a pig house using computational fluid dynamics[J]. Biosystems Engineering, 2019, 183: 13-25. doi: 10.1016/j.biosystemseng.2019.04.011
[11] BEDI J, TOSHNIWAL D. Empirical mode decomposition based deep learning for electricity demand forecasting[J]. IEEE Access, 2018, 6: 49144-49156. doi: 10.1109/ACCESS.2018.2867681
[12] XIE Q, NI J, SU Z. A prediction model of ammonia emission from a fattening pig room based on the indoor concentration using adaptive neuro fuzzy inference system[J]. Journal of Hazardous Materials, 2017, 325: 301-309. doi: 10.1016/j.jhazmat.2016.12.010
[13] DASKALOV P, ARVANITIS K, SIGRIMIS N, et al. Development of an advanced microclimate controller for naturally ventilated pig building[J]. Computers and Electronics in Agriculture, 2005, 49(3): 377-391. doi: 10.1016/j.compag.2005.08.010
[14] LITAGO J, BAPTISTA F J, MENESES J F, et al. Statistical modelling of the microclimate in a naturally ventilated greenhouse[J]. Biosystems Engineering, 2005, 92(3): 365-381. doi: 10.1016/j.biosystemseng.2005.07.015
[15] NORTON T, GRANT J, FALLON R, et al. Optimising the ventilation configuration of naturally ventilated livestock buildings for improved indoor environmental homogeneity[J]. Building and Environment, 2010, 45(4): 983-995. doi: 10.1016/j.buildenv.2009.10.005
[16] ANDONOV K, DASKALOV P, MARTEV K. A new approach to controlled natural ventilation of livestock buildings[J]. Biosystems Engineering, 2003, 84(1): 91-100. doi: 10.1016/S1537-5110(02)00218-0
[17] 杨柳. 基于多尺度信息融合的猪舍环境控制系统设计[D]. 西安: 陕西科技大学, 2019. [18] 李立峰, 武佩, 麻硕士, 等. 基于组态软件和模糊控制的分娩母猪舍环境监控系统[J]. 农业工程学报, 2011, 27(6): 231-236. doi: 10.3969/j.issn.1002-6819.2011.06.042 [19] 谢秋菊, 苏中滨, NI J Q, 等. 猪舍环境适宜性模糊综合评价[J]. 农业工程学报, 2016, 32(16): 198-205. doi: 10.11975/j.issn.1002-6819.2016.16.028 [20] HEMPEL S, KÖNIG M, MENZ C, et al. Uncertainty in the measurement of indoor temperature and humidity in naturally ventilated dairy buildings as influenced by measurement technique and data variability[J]. Biosystems Engineering, 2018, 166: 58-75. doi: 10.1016/j.biosystemseng.2017.11.004
[21] WANG Y, DONG H, ZHU Z, et al. CH4, NH3, N2O and NO emissions from stored biogas digester effluent of pig manure at different temperatures[J]. Agriculture, Ecosystems & Environment, 2016, 217: 1-12.
[22] DE SOUZA G B J, ROSSI L A, MENEZES D S Z. PID temperature controller in pig nursery: Spatial characterization of thermal environment[J]. International Journal of Biometeorology, 2018, 62(5): 773-781. doi: 10.1007/s00484-017-1479-x
[23] 陈昕, 唐湘璐, 李想, 等. 二次聚类与神经网络结合的日光温室温度二步预测方法[J]. 农业机械学报, 2017, 48(S1): 353-358. doi: 10.6041/j.issn.1000-1298.2017.S0.054 [24] 杨亮, 刘春红, 郭昱辰, 等. 基于EMD-LSTM的猪舍氨气浓度预测研究[J]. 农业机械学报, 2019, 50(S1): 353-360. [25] RODRIGUEZ M R, LOSADA E, BESTEIRO R, et al. Evolution of NH3 concentrations in weaner pig buildings based on setpoint temperature[J]. Agronomy, 2020, 10(1): 107. doi: 10.3390/agronomy10010107
[26] FERREIRA P M, FARIA E A, RUANO A E. Neural network models in greenhouse air temperature prediction[J]. Neurocomputing, 2002, 43(1): 51-75.
[27] 陈英义, 程倩倩, 方晓敏, 等. 主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧[J]. 农业工程学报, 2018, 34(17): 183-191. doi: 10.11975/j.issn.1002-6819.2018.17.024 [28] 王文广, 赵文杰. 基于GRU神经网络的燃煤电站NOx排放预测模型[J]. 华北电力大学学报(自然科学版), 2020, 47(1): 96-103. [29] CHEN C, ZHU W, STEIBEL J, et al. Recognition of aggressive episodes of pigs based on convolutional neural network and long short-term memory[J]. Computers and Electronics in Agriculture, 2020, 169: 105166. doi: 10.1016/j.compag.2019.105166
[30] FERREIRA L B, DA CUNHA F F. New approach to estimate daily reference evapotranspiration based on hourly temperature and relative humidity using machine learning and deep learning[J]. Agricultural Water Management, 2020, 234: 106113. doi: 10.1016/j.agwat.2020.106113
[31] 曾志雄, 董冰, 吕恩利, 等. 猪舍环境无线多点多源远程监测系统设计与试验[J]. 农业机械学报, 2019, 51(2): 1-10. doi: 10.6041/j.issn.1000-1298.2019.02.001 [32] 俞守华, 区晶莹, 张洁芳. 猪舍有害气体测定与温度智能控制算法[J]. 农业工程学报, 2010, 26(7): 290-294. doi: 10.3969/j.issn.1002-6819.2010.07.051 [33] 郑旭曼. 基于集成学习的O3浓度逐小时预测模型研究[D]. 上海: 华东师范大学, 2018. [34] 邹伟东, 张百海, 姚分喜, 等. 基于改进型极限学习机的日光温室温湿度预测与验证[J]. 农业工程学报, 2015, 31(24): 194-200. doi: 10.11975/j.issn.1002-6819.2015.24.029 [35] 李婷, 季宇寒, 张漫, 等. 基于PLSR和BPNN方法的番茄光合速率预测比较(英文)[J]. 农业工程学报, 2015, 31(S2): 222-229. [36] LIANG J, LI W, BRADFORD S, et al. Physics-informed data-driven models to predict surface runoff water quantity and quality in agricultural fields[J]. Water, 2019, 11(2): 200. doi: 10.3390/w11020200
[37] 朱虹, 李爽, 郑丽敏, 等. 基于粒子群算法的生猪养殖物联网节点部署优化研究[J]. 农业机械学报, 2016, 47(5): 254-262. doi: 10.6041/j.issn.1000-1298.2016.05.034 [38] 左志宇, 毛罕平, 张晓东, 等. 基于时序分析法的温室温度预测模型[J]. 农业机械学报, 2010, 41(11): 173-177. -
期刊类型引用(2)
1. 刘倩文，朱荣清，胡倩南，李翔，杨光，邱子栋，詹志来，南铁贵，陈美兰，康利平. 基于UPLC-Q-TOF-MS的苦参药材和药渣的化学成分研究. 中国中药杂志. 2025(03): 708-718 . 
百度学术
2. 王昕璐，武琳霞，代敏，韦迪哲，王蒙. 基于植物代谢组学的不同品种甜椒特征成分挖掘. 农产品质量与安全. 2024(04): 5-12 . 百度学术
其他类型引用(2)
计量
- 文章访问数: 923
- HTML全文浏览量: 8
- PDF下载量: 1151
- 被引次数: 4
