Prediction models of soil moisture content and electrical conductivity in citrus orchard based on internet of things and LSTM
-
摘要:目的
构建柑橘果园环境信息物联网实时采集系统，建立基于物联网和长短期记忆(LSTM)的柑橘园土壤含量和电导率预测模型，为果园灌溉施肥管理、效果预测评估提供参考依据。
方法利用土壤温度、含水量、电导率三合一传感器，在柑橘果园中设置5个节点和1个气象站，通过ZigBee短距离无线通信和GPRS远距离无线传输，将果园气象数据和土壤墒情数据传输至远程服务器。利用LSTM模型建立气象数据与土壤含水量和电导率的预测模型，计算均方根误差(RMSE)和决定系数(R2)以进行性能评估。
结果物联网系统能够实现远程传输柑橘果园环境数据，建立了基于LSTM和广义回归神经网络(GRNN)的土壤含水量和电导率预测模型，模型在5个节点的数据集的训练结果分别为：LSTM模型训练的土壤含水量和电导率的RMSE范围分别为6.74~8.65和6.68~8.50，GRNN模型训练的土壤含水量和电导率的RMSE范围分别为7.01~14.70和7.60~13.70。利用生成的LSTM模型和气象数据进行拟合，将土壤含水量和电导率的预测值与实测值进行回归分析，LSTM模型拟合的土壤含水量和电导率的R2范围分别为0.760~0.906和0.648~0.850，GRNN模型拟合的土壤含水量和电导率的R2范围分别为0.126~0.369和0.132~0.268，说明LSTM模型的性能表现较好。
结论建立了柑橘果园环境的物联网信息传输系统，构建的基于LSTM的果园土壤含水量和电导率预测模型具有较高的精度，可用于指导柑橘果园的灌溉施肥管理。
Abstract:ObjectiveTo build an internet of things (IoT) system for transmitting the environmental information of citrus orchards in real time, establish prediction models of soil moisture content and electrical conductivity in citrus orchard based on IoT system and long short-term memory (LSTM), and provide references for irrigation and fertilization management as well as effect prediction and evaluation.
MethodSoil temperature, moisture and electrical conductivity sensors were applied in five IoT nodes and a weather station was set in citrus orchard. The meteorological data and soil moisture data collected in the orchard were transmitted to a remote server via ZigBee, a short range wireless communication technique, and GPRS, a long distance wireless transmission technique. The prediction models of soil moisture content and electrical conductivity were established using weather data based on the LSTM model. The root mean square error (RMSE) and coefficient of determination (R2) were calculated to evaluate the performance of the model.
ResultThe IoT system was capable to transmit environmental data of the citrus orchard to a remote server. LSTM and general regression neural network (GRNN) model were built to predict soil moisture content and electrical conductivity. The performance of models in five nodes were as following: The RMSE of soil moisture content and electrical conductivity ranged from 6.74 to 8.65 and 6.68 to 8.50 respectively based on LSTM model, and ranged from 7.01 to 14.70 and 7.60 to 13.70 respectively based on GRNN model. With the generated LSTM model and meteorological data for predicting, regression analysis was conducted between predicted and measured values of soil moisture content and electrical conductivity. The R2 of soil moisture content and electrical conductivity ranged from 0.760 to 0.906 and 0.648 to 0.850 respectively based on LSTM model, and ranged from 0.126 to 0.369 and 0.132 to 0.268 respectively based on GRNN model. The results indicated that the LSTM model performed better than the GRNN model.
ConclusionThe IoT system for citrus orchard environmental information transmission is established. The LSTM model has high accuracy in predicting soil moisture content and electrical conductivity, and the model can be helpful for guiding irrigation and fertilization management.
-
根系是植物吸收水分、养分的重要器官，植物根系的生长与地上部的生长紧密相关，地上部生长所需的水分和矿物质主要由根系供应，其对地上部生长发育和籽粒产量形成具有重要影响[1-2]。由于根系生长在地下，给研究工作带来不便，根系伤流是根系活力的重要体现，因此可以通过伤流液的数量和成分分析，反映根系吸收、转运物质的基本情况[3]。Morita等[4]认为根系伤流量是反映根系活动能力强弱的重要指标，不同作物的伤流强度不同，伤流液中的养分主要是根系吸收的结果。目前对水稻、小麦和马铃薯等研究表明，伤流液质量与作物产量呈极显著正相关关系，尤其生育后期根系活力对作物产量影响更显著[5-7]。李国强等[8]研究发现玉米在上午时的根系伤流量与作物产量呈显著正相关。Cui等[9]研究发现，大豆叶片净光合速率的变化与根系生理活性密切相关，与根系活力变化趋势相同。以上研究表明大豆的根系伤流和作物产量可能存在关联，通过测量根系伤流情况来研究根系生理活动，可以作为预测作物产量的重要指标。
大豆是喜磷且需氮量多的作物，氮素运输需通过根系活动进行，其所需氮素除了来自土壤和肥料，还可以通过根瘤菌进行共生固氮，后者能满足大豆氮素需求的50%~60%[10]。Osaki等[11]研究超高产大豆时提出根系比氮率(根系每天每克干物质中所含氮的毫克数)是大豆超高产的重要生理指标。孙庆泉等[12]研究玉米根系伤流液时发现，随着品种更替，根系对矿质元素的吸收速率逐渐增大。根系伤流液中的氮素及养分元素含量水平可以反映大豆根系吸收利用养分的情况，氮素通过自身形态和对介质酸度的综合效应来影响作物对各养分元素的吸收[13]，氨基酸含量可以间接反映根系的合成能力[14]。本研究以不同产量水平大豆品种为材料，比较生育后期根系伤流强度及伤流液中氮素及养分元素含量的差异，分析大豆对氮素及养分元素的吸收和利用规律，进一步探索大豆品种地下部与地上部的协同作用，指导大豆合理施肥，提高大豆产量和改善作物品质，为大豆高产品种选育及栽培提供一定的理论参考。
1. 材料与方法
1.1 试验地点与材料
试验于2014和2015年(5—10月)在吉林农业大学作物研究中心基地进行。土壤类型为黑壤土，肥力中等，土壤有机质26.9 g·kg–1、全氮1.64 g·kg–1、全磷0.86 g·kg–1、碱解氮120 mg·kg–1、速效磷16.1 mg·kg–1、速效钾122 mg·kg–1，pH 6.87。供试材料为9个不同产量水平的大豆Glycine max (L.) Merr.品种 (表1)，由吉林农业大学作物研究所和吉林省农业科学院大豆研究所提供。
表 1 不同产量水平的大豆品种Table 1. The soybean cultivars with different yield levels产量水平 品种 产量/(kg·hm–2) 高产 长农16号 3 370 吉农19号 3 251 吉育95号 3 013 中产 吉林35号 2 445 吉林36号 2 409 吉林38号 2 535 低产 吉林5号 1 714 吉林8号 1 840 吉林16号 2 008 1.2 试验设计
试验采取单因素随机区组试验设计，3次重复。2年均于5月6日播种，人工点播，每个品种种植5行作为1个小区，行长5 m，行距0.65 m，小区面积16.25 m2，总计27个小区，密度2×105 株·hm–2。各品种苗期进行间苗、定苗，采取常规大田栽培技术及田间管理措施。9月28、29日统一收获，取中间3行，去除每行两端各0.5 m的大豆籽粒产量为小区产量，根据小区产量计算每公顷产量。
1.3 取样和样品测定
根系伤流液收集：取样前将大豆子叶节附近用蒸馏水洗净擦干，剪断地上部分，套上已称质量(m1)装有脱脂棉的密封塑料套，并将其扎紧，收集2 h (9:00—11:00) 后取下称质量(m2)，将脱脂棉中的汁液离心收集，用于测定每个品种根系伤流强度、伤流液中总氮、硝态氮、铵态氮、氨基酸以及磷、钾、钙和钠的含量。分别于开花期 (R2期)、结荚期 (R4期) 和 鼓粒期 (R6期)[15]取样，3次重复。
伤流强度=(m2−m1)×2。
总氮含量用凯氏定氮法[16]测定，硝态氮(NO3––N)含量用水杨酸法[16]测定，铵态氮(NH4+–N)含量用靛酚蓝比色法[17]测定，氨基酸(AA)含量用水合茚三酮法[16]测定，P含量用钼酸铵比色法[18]测定，K、Ca、Na含量用原子吸收分光光度法[16]测定。
1.4 数据处理
利用DPS7.05统计软件和Microsoft Excel 2007进行数据处理及统计分析，按Duncan’s法进行多重比较。对2年的试验数据统计分析发现，同一品种各指标变化在年际间差异不显著，因此，将2年数据合并分析，文中数据为2014和2015年的平均值。
2. 结果与分析
2.1 不同生育时期根系伤流强度的变化
从图1可以看出，不同产量水平的大豆品种根系伤流强度，在3个生育时期内表现出相似的变化规律，由R2期到R4期逐渐增大，R4期达到最大值，R6期降至最低。籽粒产量水平与伤流强度在R4期呈极显著正相关(r=0.765**)，在R2和R6期相关性不显著。R2期各品种根系伤流强度表现为高产品种>低产品种>中产品种，高产品种比低产品种高3.5%，差异不显著，比中产品种高15.8%，差异显著(P<0.05)；R4期根系伤流强度以高产品种最大，其次中产品种，低产品种最小，高产品种比中产品种高19.1%，差异显著(P<0.05)，比低产品种高48.7%，差异极显著(P<0.01)；R6期高产品种根系伤流强度比中产品种高5.3%，差异不显著，比低产品种高19.8%，差异显著(P<0.05)。高产大豆品种具有较高的伤流强度，表明其生育后期根系代谢旺盛。
![图 1 不同产量水平大豆品种根伤流强度的比较]()
图 1 不同产量水平大豆品种根伤流强度的比较相同生育期、不同柱子上凡是有一个相同小、大写字母者，分别表示在0.05、0.01水平差异不显著(Duncan’s法)。Figure 1. Comparison of root bleeding intensities of soybeans with different yield levels2.2 不同生育时期根系伤流液氮素含量变化
2.2.1 不同生育时期根系伤流液总氮含量比较 从不同产量水平大豆根系伤流液总氮含量的变化来看(图2)，植株开花后，随着生育进程的推进，伤流液总氮含量逐渐降低，R2期最高，R6期最低。高产品种根系伤流液总氮含量在R2和R4期极显著高于中、低产品种(P<0.01)，在R6期显著高于中产品种(P<0.05)，极显著高于低产品种(P<0.01)，籽粒产量水平与伤流液中总氮含量在R2和R4期呈显著正相关(r分别为0.482* 和0.588*)，在R6期相关性不显著。在R2期，高产品种根系伤流液总氮含量比中、低产品种分别高39.2%和49.7%，差异极显著(P<0.01)；在R4期，高产品种根系伤流液总氮含量比中、低产品种分别高34.5%和81.1%，差异极显著(P<0.01)；在R6期，高产品种根系伤流液总氮含量比中、低产品种分别高21.9%(P<0.05)和91.8% (P<0.01)。高产大豆品种根系含氮化合物含量高于其他品种，表明其在整个生育后期根系对氮素的有效吸收利用能力较强。
![图 2 不同产量水平大豆品种根系伤流液中总氮含量的比较]()
图 2 不同产量水平大豆品种根系伤流液中总氮含量的比较相同生育期、不同柱子上凡是有一个相同小、大写字母者，分别表示在0.05、0.01水平差异不显著(Duncan’s法)。Figure 2. Comparison of total nitrogen contents in root bleeding sap of soybeans with different yield levels2.2.2 不同生育时期根系伤流液硝态氮(NO3––N)含量比较 图3表明，根系伤流液NO3––N含量在不同生育时期的变化规律与总氮含量相似，随着生育进程的推进，伤流液NO3––N含量逐渐降低。相同生育时期根系伤流液NO3––N含量中产品种>高产品种>低产品种，NO3––N含量与籽粒产量水平在R2和R4期呈显著正相关(r分别为0.480* 和0.398*)。R2期高产和中产品种NO3––N含量比低产品种分别高21.9%和26.8%，差异显著(P<0.05)；R4期高产和中产品种NO3––N含量比低产品种分别高18.4%和25.2%，差异显著(P<0.05)；R6期高产和中产品种NO3––N含量比低产品种分别高19.3%和24.0%，差异显著(P<0.05)。高产和中产品种各时期NO3––N含量差异均不显著。
![图 3 不同产量水平大豆品种根系伤流液中NO3––N含量的比较]()
图 3 不同产量水平大豆品种根系伤流液中NO3––N含量的比较相同生育期、不同柱子上凡是有一个相同小写字母者，表示在0.05水平差异不显著(Duncan’s法)。Figure 3. Comparison of nitrate nitrogen content in root bleeding sap of soybeans with different yield levels2.2.3 不同生育时期根系伤流液铵态氮(NH4+–N含量比较 图4表明，在整个生育后期根系伤流液NH4+–N含量的变化规律与总氮和NO3––N有差异，随着生育进程的推进，低产和高产品种根系伤流液NH4+–N含量呈下降趋势，而中产品种呈先升高后下降的趋势。NH4+–N含量与籽粒产量水平呈负相关，但相关性不显著。在R2和R4期，根系伤流液NH4+–N含量较高，R6期NH4+–N含量明显降低。不同产量水平大豆品种在不同生育期的根伤流液NH4+–N含量变化规律不同，R2期高产品种NH4+–N含量比中产品种高13.0% (P<0.05)，高产和中产品种NH4+–N含量比低产品种分别低36.9%和44.2%，差异极显著(P<0.01)；R4期高产品种NH4+–N含量比中产和低产品种分别低12.1%和12.5%，差异显著(P<0.05)，中产品种NH4+–N含量比低产品种低0.5%，差异不显著；R6期高产、中产和低产品种三者之间NH4+–N含量差异不显著。
![图 4 不同产量水平大豆品种根系伤流液中NH4+–N含量的比较]()
图 4 不同产量水平大豆品种根系伤流液中NH4+–N含量的比较相同生育期、不同柱子上凡是有一个相同小、大写字母者，分别表示在0.05、0.01水平差异不显著(Duncan’s法)。Figure 4. Comparison of ammonium nitrogen contents in root bleeding sap of soybeans with different yield levels2.2.4 不同生育时期根系伤流液氨基酸(AA)含量比较 图5表明，在整个生育后期，随着生育进程推进，根系伤流液AA含量呈逐渐降低的变化趋势。高产品种根系伤流液AA含量均高于中、低产品种，AA含量与籽粒产量水平呈正相关，R2期达到显著水平(r=0.640*)，R4期达到极显著水平(r=0.824**)。R2期高产品种AA含量比中产和低产品种分别高66.7%和81.9%，差异极显著(P<0.01)；R4期高产品种AA含量比中产和低产品种分别高43.7%和135.7%，差异极显著(P<0.01)；R6期高产和中产品种AA含量比低产品种分别高28.5%和25.5%，差异显著(P<0.05)，高产品种AA含量比中产品种高2.4%，差异不显著。高产大豆品种根系伤流液中AA含量较高，可能是高产大豆根系对AA合成能力更强所致。
![图 5 不同产量水平大豆品种根系伤流液中AA含量的比较]()
图 5 不同产量水平大豆品种根系伤流液中AA含量的比较相同生育期、不同柱子上凡是有一个相同小、大写字母者，分别表示在0.05、0.01水平差异不显著(Duncan’s法)。Figure 5. Comparison of amino acid contents in root bleeding sap of soybeans with different yield levels2.3 不同生育时期根系伤流液中养分元素含量的变化
由表2可见，3个产量水平大豆品种根系伤流液中P、K含量变化规律相同，随生育期的推进均呈单峰曲线变化，从R2期开始增加，到R4期达到最大值，之后又开始下降，整个生育后期根系伤流液中P、K含量，高产品种>中产品种>低产品种。P含量与籽粒产量水平呈正相关，R2期达到极显著水平(r=0.801**)，R4期达到显著水平(r=0.512*)。R4期高产品种P含量比中产和低产品种分别高10.3%和16.5%，差异显著(P<0.05)；R6期3个产量水平大豆品种间根系伤流液P含量差异显著(P<0.05)，高产品种比中产和低产品种分别高11.7%和16.3%。高产品种根系伤流液中K含量均高于中产和低产品种，且在R6期三者间差异达到显著水平(P<0.05)，高产品种K含量比中产和低产品种分别高9.3%和15.6%；R4期高产品种与中产和低产品种间K含量差异显著(P<0.05)，高产品种比中产和低产品种分别高10.3%和11.2%。K含量与籽粒产量水平呈正相关，且在R2和R4期达到显著水平(r=0.554*，r=0.512*)。
表 2 不同产量水平大豆品种根系伤流液中养分元素含量的比较1)Table 2. Comparison of nutrient element contents in root bleeding sap of soybeans with different yield levels养分元素 生育期 w/ (mg·g–1) 高产品种 中产品种 低产品种 P R2 66.7±3.98a 54.5±2.46a 49.5±4.73a R4 121.1±10.90a 108.6±7.61b 101.5±8.61b R6 94.7±6.84a 83.6±7.97b 79.3±4.12c K R2 170.1±11.91a 163.2±5.19a 157.8±11.16a R4 363.1±19.98a 325.8±16.29b 322.4±22.6b R6 292.9±11.72a 265.8±21.3b 247.2±17.5c Ca R2 59.1±6.51a 58.5±5.27a 54.6±4.94b R4 72.3±7.95a 70.5±5.53b 63.3±5.26c R6 56.3±3.38a 49.5±3.96b 52.6±5.13c Na R2 15.4±1.39a 17.1±0.65b 19.9±8.45c R4 29.1±1.74a 38.4±4.11b 31.7±1.15c R6 66.7±3.98a 33.1±1.51b 32.2±2.42b 1) 同行数据后凡是有一个相同小写字母者，表示差异不显著 (P>0.05，Duncan’s 法)。 3个产量水平大豆品种在不同生育期的根系伤流液中Ca含量与P、K含量具有相似的变化趋势，呈现先升高后下降的变化，R4期最高，R6期最低(表2)。高产品种整个生育后期根系伤流液中Ca含量均保持较高水平，高于中、低产品种。Ca含量与籽粒产量水平在R2期呈显著正相关(r=0.606*)，在R4和R6期相关性不显著。R4和R6期3个产量水平大豆品种间Ca含量差异显著(P<0.05)，R4期高产品种Ca含量比中产和低产品种分别高2.5%和12.5%，R6期高产品种Ca含量比中产和低产品种分别高12.1%和6.6%。3个产量水平大豆品种根系伤流液中Na含量随生育期变化的规律性不明显(表2)，Na含量与籽粒产量水平相关性不显著。R6期高产品种根系伤流液中Na含量显著高于中产和低产品种，R2和R4期高产品种根系伤流液中Na含量均比中产和低产品种低，且3个产量水平大豆品种间差异显著。
3. 讨论与结论
3.1 大豆产量与根系活力的关系
周蓉等[19]认为，根系的生长发育除受土壤环境、气候条件和栽培措施影响外，自身遗传因素也进行着调控，根系对产量的影响是复杂、间接的生理过程，根系性状与产量性状密切相关，大豆根系性状可以作为高产间接选择指标之一。孙彪等[20]研究表明，随着大豆品种的遗传改良，植株地上部生物量增加明显，同时根系伤流量也显著提高，二者均衡增长协同进化。Guan等[21]认为，适当的翻耕和旋耕措施能增加玉米根系生物量和伤流量，显著提高植株生物产量和籽粒产量。Zhang等[22]的研究结果也表明，水稻较高的根系活力能明显提高灌浆期籽粒的灌浆速率，根系活力与灌浆速率具有显著正相关性。本研究表明，随着生育进程推进，3个产量水平大豆品种的根系伤流强度在结荚期达到最大，该时期产量与伤流强度呈极显著正相关，而后伤流强度呈下降趋势，说明大豆在生殖生长后期根系活力下降，但高产大豆品种根系后期仍具有较高的伤流强度和较旺盛的根系生理活动。
3.2 不同产量水平大豆品种根系氮素累积的差异
植物利用的氮源主要是无机氮化物，尤其又以NO3––N和NH4+–N为主，不同作物对二者的吸收利用能力有所差异。大豆根系伤流液中NO3––N和NH4+–N含量变化是其根系吸收氮素能力和氮代谢状况的直接反映，根系伤流液中AA/NO3––N比值直接反映根部活性的高低和植株对NO3––N的吸收和利用能力[23]。Schj
$\phi $ rring[24]用水培试验证明大麦、油菜等作物对NO3––N的吸收速率均大于NH4+–N，本试验也得到相同结果。本研究发现，整个生育后期，不同产量水平大豆品种的根系伤流氮素成分含量的峰值多出现在开花期，说明此时期大豆氮代谢最为旺盛。氮素需求水平较高，有利于植株干物质积累，这不仅有助于降低脱花落荚，也为鼓粒期提供了充足的养分，这与杨光等[25]的结果相一致。在开花期和结荚期根系伤流液中总氮、NO3––N和AA含量与大豆产量呈显著或极显著正相关，高产品种生殖生长阶段根系活力较强，具有较高的伤流强度和伤流组分含量，氮素的形成速度及运输较快。从开花期到鼓粒期高产品种根系具有较强的吸收力和物质生产力，其根系竞争力普遍高于中产和低产品种。AA具有防止花荚脱落的生理功能，高产大豆根系伤流液中AA含量较高，可能是因为高产大豆根系中参与AA合成的酶活性更强，根系吸收的NO3––N、NH4+–N被迅速同化为AA。大豆生育后期根系供应AA等氮素给地上部，促进地上部器官中蛋白质的合成，具有至关重要的作用。因此应根据作物根系性状加强栽培管理和品种选育，通过延缓根系衰老速度而获得高产。3.3 不同产量水平的大豆品种根系养分元素含量的差异
为了保证大豆高产和稳产，必须施用大量的矿质元素，根系通过矿质元素的吸收来控制植株个体和群体的生长发育[26]；籽粒产量的提高是品种更替的核心，高产品种需要合成和贮藏更多的生物产量，其根系一定具有更强的吸收能力[27]。矿质营养是植物生长发育所必需的，矿质元素肥料的施用促进农业高产，大多数作物产量与它们吸收肥料的数量呈线性关系[28]。本研究发现，大豆整个生育后期根系对P、K的吸收符合S型曲线，其积累都呈现“慢–快–慢”的过程，高产大豆品种根系对P、K的吸收、运输能力较强。在开花期和结荚期，伤流液中P、K含量与大豆产量呈显著或极显著正相关。高产大豆品种整个生育后期根系伤流液中P、K、Ca含量较高，表明其具有较强的根系活力且通过根系从土壤中摄取养分数量显著高于低产品种，高产品种根系衰老进程显著落后于低产品种，这与刘莹等[29]研究一致。较高的根系活力能改善植株生长发育状况，提高叶片光合性能，增加干物质积累，这是高产形成的重要原因之一。3个产量水平大豆品种均在结荚期对养分元素需求量较大，结荚期吸收P、K、Ca可能对籽粒形成效率的影响最大，P、K吸收相互促进，P、K能够促进作物根系对NO3––N的吸收转化及运输；Ca可以提高根系硝酸还原酶和谷氨酰胺合成酶等活性，增加氮素的积累，植物在逆境胁迫下Ca能提高植物的抗逆性。高浓度的Na对植物生长有害，但植物的生长也需要一定量的Na，Na能提高根系渗透吸水能力，此外低水平的Na对许多C3植物生长是有益的。高产大豆品种开花期和结荚期根系伤流液中Na含量低，成熟期Na含量较高，说明根系生育后期还具有较强的Na元素吸收和运输能力，这也从侧面反映了高产大豆生育后期对逆境的适应能力较强。
综上所述，高产大豆的遗传改良显著提高了大豆品种根系伤流强度及伤流液中氮素和养分元素的含量，高产大豆品种开花期根系氮素含量最高，氮代谢最为旺盛，结荚期、鼓粒期次之。与中、低产大豆品种相比，高产大豆品种在整个生育后期一直具有较高的根系活力，保持根系对土壤中P、K和Ca等养分元素的高效吸收和利用，根系衰老进程延缓，这可能是高产大豆品种产量高的主要原因。
-
![]()
图 8 LSTM模型在不同节点的土壤含水量实测值与预测值的比较
a1~e1中，蓝线代表实测值，红线代表预测值
Figure 8. Comparison of measured and predicted soil moisture of LSTM model in different nodes
In a1−e1, blue line represents measured value, and red line represents predicted value
![]()
图 9 LSTM模型在不同节点的土壤电导率实测值与预测值的比较
a1~e1中，蓝线代表实测值，红线代表预测值
Figure 9. Comparison of measured and predicted soil electrical conductivity of LSTM model in different nodes
In a1−e1, blue line represents measured value, and red line represents predicted value
表 1 土壤含水量和电导率与环境参数的相关系数
Table 1 Correlation coefficients of soil moisture, electrical conductivity and environmental parameters
土壤因子
Soil factor空气温度 Air temperature 降雨量
Precipitation空气湿度
Air
humidity土壤温度
Soil
temperature蒸散量
Evapotranspiration最高值
Max.
最低值
Min.
平均值
Mean
含水量 Moisture content 0.490 0.598 0.644 0.123 0.430 0.652 0.158 电导率 Electrical conductivity 0.467 0.311 0.231 0.300 0.168 0.251 0.148 
下载: 导出CSV
表 2 节点数据信息
Table 2 Datasets of nodes
节点
Node数据总数
Total number训练集
Training dataset测试集
Testing dataset1 216 151 65 2 241 168 73 3 241 168 73 4 196 137 59 5 203 142 61 气象站
Weather station241 168 73
下载: 导出CSV
表 3 模型性能表现
Table 3 Performance of models
节点
Node模型
Model土壤含水量
Soil moisture
content土壤电导率
Soil electrical
conductivityRMSE R2 RMSE R2 1 LSTM 8.65 0.811 6.88 0.850 GRNN 13.30 0.126 12.30 0.106 2 LSTM 7.30 0.906 6.68 0.727 GRNN 14.70 0.323 13.70 0.185 3 LSTM 6.74 0.814 8.22 0.648 GRNN 7.01 0.369 8.26 0.268 4 LSTM 7.93 0.760 8.50 0.767 GRNN 10.27 0.256 7.85 0.167 5 LSTM 8.40 0.768 7.78 0.769 GRNN 8.80 0.206 7.60 0.132
下载: 导出CSV
-
[1] 成家壮, 韦小燕, 范怀忠. 广东柑橘疫霉研究[J]. 华南农业大学学报, 2004, 25(2): 31-33. [2] 张超博, 李有芳, 李思静, 等. 土壤管理方式对伏旱期柑橘生长及土壤温度和水分的影响[J]. 华南农业大学学报, 2019, 40(3): 45-52. [3] 肖畅, 彭婷, 刘继红. 基于WOS和CiteSpace分析我国近十年柑橘研究热点与前沿[J]. 果树学报, 2020.doi: 10.13925/j.cnki.gsxb.20200119. [4] 李莉萍. 柑橘产业化经营案例分析: 评《柑橘绿色生产与产业化经营》[J]. 中国果树, 2020(3): 151. [5] 罗省根, 双巧云, 陈团显, 等. 江西省柑橘出口现状及发展对策[J]. 中国果树, 2020(3): 138-140. [6] 赖俊桂, 孙道宗, 王卫星, 等. 基于无线传感器网络的山地柑橘园灌溉控制系统设计与试验[J]. 江苏农业科学, 2020, 48(7): 245-249. [7] 陈昱辛, 贾悦, 崔宁博, 等. 滴灌水肥一体化对柑橘叶片光合、产量及水分利用效率的影响[J]. 灌溉排水学报, 2018, 37(S2): 50-58. [8] 谢家兴, 高鹏, 莫昊凡, 等. 荔枝园智能灌溉决策系统模糊控制器设计与优化[J]. 农业机械学报, 2018, 49(8): 26-32. [9] 赖呈纯, 黄贤贵, 王琦, 等. 果实生长与果园土壤含水量的变化对‘茂谷柑’裂果的影响[J]. 福建农林大学学报(自然科学版), 2019, 48(4): 434-439. [10] 朱浩, 刘珂欣, 刘维维, 等. 极端耐盐碱菌株的筛选及其菌肥对盐碱条件下小麦生长和土壤环境的影响[J]. 应用生态学报, 2019, 30(7): 2338-2344. [11] 杨伟志, 孙道宗, 刘建梅, 等. 基于物联网和人工智能的柑橘灌溉专家系统[J]. 节水灌溉, 2019(9): 116-120. [12] 李中良, 胡晨晓, 邹腾飞, 等. 基于物联网的柑橘土壤水分养分实时监测系统的设计与实现[J]. 农业网络信息, 2014(2): 21-24. [13] 罗党, 王浍婷. 灰色神经网络下的多变量土壤含水量预测模型[J]. 华北水利水电大学学报(自然科学版), 2017, 38(5): 70-75. [14] 蔡亮红, 丁建丽. 基于变量优选和ELM算法的土壤含水量预测研究[J]. 光谱学与光谱分析, 2018, 38(7): 2209-2214. [15] 张武, 洪汛, 李蒙, 等. 监测采样间隔对土壤墒情预测模型性能的影响[J]. 甘肃农业大学学报, 2020, 55(1): 221-228. [16] 何灿隆, 沈明霞, 刘龙申, 等. 基于NB-IoT的温室温度智能调控系统设计与实现[J]. 华南农业大学学报, 2018, 39(2): 117-124. [17] 岳学军, 王叶夫, 刘永鑫, 等. 基于GPRS与ZigBee的果园环境监测系统[J]. 华南农业大学学报, 2014, 35(4): 109-113. [18] 徐兴, 岳学军, 林涛. 基于ZigBee网络的水环境无线监测系统设计[J]. 华南农业大学学报, 2013, 34(4): 593-597. [19] 余国雄, 王卫星, 谢家兴, 等. 基于物联网的荔枝园信息获取与智能灌溉专家决策系统[J]. 农业工程学报, 2016, 32(20): 144-152. [20] 姜晟, 王卫星, 孙道宗, 等. 能量自给的果园信息采集无线传感器网络节点设计[J]. 农业工程学报, 2012, 28(9): 153-158. [21] 王卫星, 陈华强, 姜晟, 等. 基于低功耗的发射功率自适应水稻田WSN监测系统[J]. 农业机械学报, 2018, 49(3): 150-157. [22] ALLEN R G, PEREIRA L S, RAES D, et al. Crop evapotranspiration: Guidelines for computing crop water requirements: FAO irrigation and drainage paper 56[EB/OL]. [2020-06-30]. https://www.researchgate.net/publication/235704197.
[23] RALLO G, GONZÁLEZ-ALTOZANO P, MANZANO-JUÁREZ J, et al. Using field measurements and FAO-56 model to assess the eco-physiological response of citrus orchards under regulated deficit irrigation[J]. Agr Water Manag, 2017, 180: 136-147. doi: 10.1016/j.agwat.2016.11.011
[24] FENG Y, PENG Y, CUI N, et al. Modeling reference evapotranspiration using extreme learning machine and generalized regression neural network only with temperature data[J]. Comput Electron Agr, 2017, 136: 71-78. doi: 10.1016/j.compag.2017.01.027
[25] SPECHT D F. A general regression neural network[J]. IEEE Trans Neural Netw, 1991, 2(6): 568-576. doi: 10.1109/72.97934
[26] MAJHI B, NAIDU D, MISHRA A P, et al. Improved prediction of daily pan evaporation using Deep-LSTM model[J]. Neural Comput Appl, 2019, 4(6): 110-122.
[27] ZHANG J, ZHU Y, ZHANG X, et al. Developing a long short-term memory (LSTM) based model for predicting water table depth in agricultural areas[J]. J Hydrol, 2018, 561: 918-929. doi: 10.1016/j.jhydrol.2018.04.065
[28] CHENG H, XIE Z, WU L, et al. Data prediction model in wireless sensor networks based on bidirectional LSTM[J]. Eurasip J Wirel Comm, 2019, 2019(1): 203-212. doi: 10.1186/s13638-019-1511-4
[29] MAJHI B, NAIDU D, MISHRA A P, et al. Improved prediction of daily pan evaporation using Deep-LSTM model[J]. Neural Comput Appl, 2020, 32(12): 7823-7838.
[30] REDDY D S, PRASAD P R C. Prediction of vegetation dynamics using NDVI time series data and LSTM[J]. Model Earth Syst, 2018, 4(1): 409-419. doi: 10.1007/s40808-018-0431-3
[31] NASH J E, SUTCLIFFE J V. River flow forecasting through conceptual models part I: A discussion of principles[J]. J Hydrol, 1970, 10(3): 282-290. doi: 10.1016/0022-1694(70)90255-6
-
期刊类型引用(8)
1. 黎武元，黄诗宸，林会. 根瘤菌和丛枝菌根真菌单双接种对不同品系大豆生长的影响. 华中农业大学学报. 2024(04): 140-149 . 
百度学术
2. 黄亦雄. VA菌根接种及外源钙对大叶相思抗旱性影响. 陕西林业科技. 2024(06): 13-18 . 百度学术
3. 黄活志，刘洋，陈阿，陈康，王秀荣. 接种丛枝菌根真菌促进磷高效基因型大豆生长和磷吸收. 植物营养与肥料学报. 2024(12): 2354-2365 . 百度学术
4. 李秋桦，尹敏，裴妍，陈秀，任禛，夏体渊，徐胜光. 健康与患黑胫病烟株根内AMF多样性和群落结构差异分析. 云南大学学报(自然科学版). 2023(01): 186-198 . 百度学术
5. 胡湘云，王奕文，方幽文，邵烨瑶，姚慧，唐星宇，连旖晴，谭莹，朱怡杰，江帆，李春俣，吴玉环，蔡妙珍，徐根娣，刘鹏. 酸性土壤下缓解大豆铝胁迫的研究进展. 科学通报. 2023(33): 4517-4531 . 百度学术
6. 温云英，张金莲，许诗萍，曾诗媛，陈廷速. 不同丛枝菌根真菌对长春花生长和养分吸收的影响. 南方农业. 2023(18): 1-4 . 百度学术
7. 赖明丽，董晓全，谢姗宴，冯嘉仪，邢鹤严，曾曙才，吴道铭. 污泥施用下园林植物生长适应性和重金属吸收. 华南农业大学学报. 2022(04): 47-57 . 本站查看
8. 李干蓉，张友，方小宁. 茶园土壤磷生物活化研究. 绿色科技. 2022(18): 23-27+32 . 百度学术
其他类型引用(5)
