摘要
提高作物的光合作用速率是作物高产育种的有效途径之一。目前主要采用红外气体分析法测定光合作用速率,方法原理可靠、技术成熟,但红外光源易受野外复杂工作环境的影响,尤其是环境温度的变化,因此红外分析法在定量分析的任务需求中测定误差较大且对浓度极低或浓度变化极弱的气体检测精度不高。针对上述问题,首先提出将可调谐半导体激光吸收光谱(TDLAS)技术应用到植物光合速率测定领域,用二次谐波峰值差表征单位采样时间内光合作用气体CO2痕量浓度的相对变化量;其次,建立基于萤火虫算法优化的宽度学习(FA-BLS)环境补偿模型,模型中每只萤火虫的位置信息对应表征宽度学习网络(BLS)权值和阈值的一组可行解,通过萤火虫不断迭代和更新优化来寻找亮度最高的萤火虫位置,即生成使得模型性能最佳的权值和阈值;最后,利用模型输出的补偿值对存在环境影响的原始二次谐波峰值差进行补偿,进而由补偿后的二次谐波峰值差反演得到单位采样时间内的净光合速率。实验结果表明,萤火虫种群规模和BLS网络增强层节点数是影响TDLAS-FA-BLS模型输出误差的重要因素,相比卷积神经网络(CNN)和长短期记忆网络(LSTM)两种深度学习网络,基于TDLAS-FA-BLS的光合速率测定模型很好地继承了BLS网络训练速度快、迭代时间短的优点,平均测量时间仅为0.81 s,模型输出误差小,模型预测输出与测试集数据的卡方距离仅为0.29×10-4,同时模型输出误差的样本方差和样本标准差均比BLS小,说明FA-BLS模型克服了BLS因随机选取参数导致网络输出结果不稳定和泛化性不高的缺陷,因此,基于TDLAS-FA-BLS的植物净光合速率测定方法,能够很好地满足在实际农业生产中野外复杂工作环境下测定光合速率的高精度、实时性、稳定可靠等需求。
- 单位