基于人工神經網絡技術的烤煙重金屬積累特征研究.pdf

1、本文在我國主產煙區(qū)的7省11縣11個試驗點，采用統(tǒng)一栽培方法，利用3年的田間試驗，通過對土壤、氣象及煙葉重金屬含量等相關資料的分析，研究了重金屬在煙株體內的含量分布和吸收特點。同時，運用人工神經網絡技術，研究了我國烤煙重金屬積累的區(qū)域性差異，以及影響我國烤煙重金屬含量和累積量的生態(tài)因子，并對這些因子的重要性進行了量化評價；建立了不同的數學及神經網絡預測模型，反應烤煙重金屬累積特點與環(huán)境因子之間的關系，用于預測和預報我國烤煙重金屬的含量。

2、 1.重金屬在煙株體內的含量、分布與積累量。 在煙株各器官中，Cu的含量依次為芽＞花＞根＞莖＞葉；Zn：芽≈＞根≈莖≈葉；Mn：葉＞根＞花＞芽＞莖；Pb：根＞葉＞芽＞莖＞花；Cd：以葉片含量最高，其它器官的含量較低。表明在煙株體內，Cu、Zn在花、芽等器官中的含量最高，Mn、Cd主要集中于葉片，Pb則在根系累積較多。在根、莖、葉、芽、花各部位，重金屬的含量均表現出Mn＞Zn＞Cu＞Pb＞Cd的規(guī)律。在同一器官中，不同重金

3、屬含量的變化趨勢基本一致，但標準差較大。可見盡管環(huán)境條件可能顯著改變重金屬在各器官中的絕對含量，但難于改變它們在煙株各部位的相對含量。 從煙株各器官重金屬積累量占全株積累量的比例表明，葉片重金屬的累積量遠高于煙株的其它部位。在葉片中，Cu的積累量約占全株的45﹪，其它4種重金屬的積累比例超過50﹪，Mn、Cd積累比例達到了全株的70﹪。在根和莖中，幾種重金屬的積累量占全株的比例在8.37﹪-25.24﹪間變化，遠低于葉片的比例。

4、重金屬在煙芽和煙花中的積累分配比例最小，僅0.95﹪-3.53﹪。煙葉是煙株的收獲器官，降低它們重金屬的含量很有必要。此外，不同重金屬的積累速率不同，高積累速率多出現在生長前期。Cu、Zn、Mn的累積高峰在烤煙栽后30-60天，以后則明顯下降；Pb、Cd在30-60天達累積高峰，但在移栽后90天仍然有較高的累積速率。說明控制烤煙積累重金屬的主要措施應放置在烤煙生長前期。 烤煙對不同重金屬元素的富集系數依次為：Zn＞Cu＞Cd＞M

5、n＞Pb，高低之間相差50多倍。說明烤煙對不同重金屬元素的積累能力是不同的。就同一重金屬元素而言，它們的富集系數隨生育進程的延長而逐漸降低，尤以富集系數較大的Zn、Cu最為顯著，進一步說明烤煙前期積累重金屬的能強，降低煙葉重金屬含量的關鍵在生長前期。 2.烤煙重金屬累積的地域分類。 試驗建立的SOM神經網絡分類模型包括了11個試驗點的煙葉重金屬含量、富集系數和累積量等資料，并以此為網絡輸入，設網絡的競爭層為6×4的結構，

6、利用“train”和“sim”函數對網絡進行訓練和仿真，分別在訓練步數為5，50和500時顯示分類結果。在網絡訓練過程中，當其運行到第5步時，它通常把重金屬按地區(qū)特點分為了4或5類。煙葉中不同重金屬含量的分類與試驗點的地理位置關系不大；富集系數的變化除受到煙葉重金屬含量的影響之外，同時還受到土壤中重金屬含量的制約，因此其分類特點常常與煙葉重金屬含量的分區(qū)有一定差異；煙葉重金屬累積量明顯受煙葉生物量大小的影響，影響程度往往大于煙葉重金屬含

7、量產生的影響，在分區(qū)上會看到我國煙葉重金屬累積量南方煙區(qū)低于北方煙區(qū)，云南煙區(qū)單獨歸類的特點。 通過SOM神經網絡分類模型的建立，對烤煙重金屬累積的地域進行分區(qū)，有益于加強烤煙生產的分類管理，有效降低煙葉的重金屬含量，提高卷煙的安全性。在植物營養(yǎng)管理工作中，該技術可以將復雜的各種類型進行科學分類，然后再根據不同類型制定管理技術，做到因地制宜和精確管理。 3.影響烤煙重金屬含量的環(huán)境因子。 試驗研究所選擇的環(huán)境條件

8、包括了氣象因子(平均氣溫、最高溫度、最低溫度、降雨量、日照時數、相對濕度和10cm地溫)，土壤因子(pH、有機質、全氮、全磷、全鉀、速效氮、速效磷和速效鉀)，以及土壤中Cu、Zn、Mn、Pb、Cd5種重金屬的有效含量。試驗采用BP神經網絡權值評價法，研究了各環(huán)境因子對煙葉重金屬含量的貢獻率。 在氣象因子中，煙葉Cu含量主要受最低溫度、降雨量、10cm地溫和平均氣溫的影響，4者對煙葉Cu含量的貢獻率達80﹪；Zn主要受日照時數、平

9、均氣溫、最低溫度和相對濕度的影響，它們對煙葉Zn含量的貢獻率達89.32﹪。Mn主要受日照時數、最低溫度、平均氣溫、相對濕度和最高溫度的影響，它們對煙葉Mn含量的貢獻率達89.21﹪。Pb主要受日照時數、最低溫度、平均氣溫和最高溫度的影響，它們對煙葉Pb含量的貢獻率達83.41﹪。Cd主要受最低溫度、10cm地溫、降雨量、相對濕度和日照時數的影響，這五項因子對煙葉Cd含量的貢獻率達87.26﹪。 在土壤因子中，影響煙葉Cu含量主

10、要因子是有機質、全鉀、pH和有效磷，它們對煙葉Cu含量的貢獻率達75.51﹪。Zn主要受有效磷、pH、有機質和全氮的影響，它們對煙葉Cu含量的貢獻率達87.94﹪。Mn主要受有機質、pH、有效磷、全鉀和水解氮影響，它們對煙葉Cu含量的貢獻率達83.96﹪。Pb主要受有機質、有效磷、pH和全鉀的影響，它們對煙葉Pb的貢獻率達79.04﹪。Cd主要受全鉀、有效磷、pH和全氮的影響，它們對煙葉Cd含量的貢獻率達85.45﹪。 4.不同

11、模型對煙葉重金屬含量的預測。 試驗選擇了BP神經網絡(前饋型神經網絡)和Elman神經網絡(反饋型神經網絡)，并把它們與多元線性回歸模型作對比。在神經網絡模型的建立過程中，又將它們各自按隱含層數多少分成單隱層和雙隱層兩種形式，并進一步對模型的各項參數進行篩選及優(yōu)化。在試驗樣本方面，試驗收集了3年11個試驗點的分析資料，并把這33個樣本分成訓練樣本(24組)和測試樣本(9組)兩類，且在模型訓練及測試前對訓練及測試數據進行歸一化處理

12、。兩類神經網絡的優(yōu)化參數主要包括了網絡隱含層神經元的篩選，激活函數的選擇，訓練函數的選擇三個方面。針對不同的預測目標，試驗訓練得到了不同的預測模型： 煙葉Cu含量預測模型的MATLAB函數表達式為： net=newff(minmax(pn)，[14,1]，{'tansig'，'purelin'}，'trainlm')； 煙葉Zn含量預測模型的MATLAB函數表達式為： net=newff(minmax(p

13、n)，[16,1]，{'tansig'，'purelin'}，'trainlm')； 煙葉Mn含量的預測模型的MATLAB函數表達式為： 雙隱層：net=newff(minmax(pn)，[10，10,1]，{'tansig'，'tansig'，'purelin'}，'trainlm')。煙葉Pb含量的預測模型的MATLAB函數表達式為： net=newff(minmax(pn)，[12,1]，{'tansig'

14、，'purelin'}，'trainlm')；煙葉Cd含量的預測模型的線性回歸方程表達式為： YCd=7.797-0.327χpH-1.428χ全磷-0.017χ全鉀+0.002χ有效磷+5.915χ有效Cd-0.242χ最低溫度+0.002χ降雨量-0.0003χ日照時數-0.028χ相對濕度+0.0538χ10m地溫 結果表明，BP神經網絡模型能很好地預測煙葉重金屬含量，預測精度通常高于線性回歸模型，也高于Elman

15、神經網絡模型。在訓練過程中發(fā)現，雙隱層網絡常常要求更高的計算機配置，網絡運行時間明顯要多于單隱層神經網絡。 此外，線性回歸模型有較好的預測結果時，神經網絡模型通常有優(yōu)于線性回歸模型的預測結果；線性回歸模型預測效果不佳，神經網絡模型預測結果也不一定有理想的預測效果；在線性回歸模型達極高的預測精度時，神經網絡模型雖然有很高的預測精度，但往往不及線性回歸模型的預測效果。因此針對不同的具體問題應當通過測試，選擇不同的預測模型是必要的。

16、 綜上所述，本項研究在我國主產煙區(qū)采用統(tǒng)一栽培法，研究了我國重金屬在煙株體內的含量分布和吸收特點。首次運用人工神經網絡技術，研究了烤煙重金屬累積的地域分類，量化了影響烤煙重金屬含量與積累量的因子的重要性，建立了不同的數學及神經網絡預測模型，反應烤煙重金屬累積特點與環(huán)境因子之間的關系，用于預測和預報我國烤煙葉片中的重金屬含量。研究成果對于指導我國烤煙產區(qū)合理布局，制定降低重金屬含量的有效措施，提高烤煙的安全性，保證烤煙生產的可持續(xù)發(fā)