基于人工神經(jīng)網(wǎng)絡(luò)技術(shù)的烤煙重金屬積累特征研究.pdf

1、本文在我國(guó)主產(chǎn)煙區(qū)的7省11縣11個(gè)試驗(yàn)點(diǎn)，采用統(tǒng)一栽培方法，利用3年的田間試驗(yàn)，通過對(duì)土壤、氣象及煙葉重金屬含量等相關(guān)資料的分析，研究了重金屬在煙株體內(nèi)的含量分布和吸收特點(diǎn)。同時(shí)，運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，研究了我國(guó)烤煙重金屬積累的區(qū)域性差異，以及影響我國(guó)烤煙重金屬含量和累積量的生態(tài)因子，并對(duì)這些因子的重要性進(jìn)行了量化評(píng)價(jià)；建立了不同的數(shù)學(xué)及神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，反應(yīng)烤煙重金屬累積特點(diǎn)與環(huán)境因子之間的關(guān)系，用于預(yù)測(cè)和預(yù)報(bào)我國(guó)烤煙重金屬的含量。

2、 1.重金屬在煙株體內(nèi)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(nèi)，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(xiàn)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(shì)基本一致，但標(biāo)準(zhǔn)差較大?？梢姳M管環(huán)境條件可能顯著改變重金屬在各器官中的絕對(duì)含量，但難于改變它們?cè)跓熤旮鞑课坏南鄬?duì)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(yuǎn)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(dá)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(yuǎn)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(xiàn)在生長(zhǎng)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(dá)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(yīng)放置在烤煙生長(zhǎng)前期。 烤煙對(duì)不同重金屬元素的富集系數(shù)依次為：Zn＞Cu＞Cd＞M

5、n＞Pb，高低之間相差50多倍。說明烤煙對(duì)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(shù)隨生育進(jìn)程的延長(zhǎng)而逐漸降低，尤以富集系數(shù)較大的Zn、Cu最為顯著，進(jìn)一步說明烤煙前期積累重金屬的能強(qiáng)，降低煙葉重金屬含量的關(guān)鍵在生長(zhǎng)前期。 2.烤煙重金屬累積的地域分類。 試驗(yàn)建立的SOM神經(jīng)網(wǎng)絡(luò)分類模型包括了11個(gè)試驗(yàn)點(diǎn)的煙葉重金屬含量、富集系數(shù)和累積量等資料，并以此為網(wǎng)絡(luò)輸入，設(shè)網(wǎng)絡(luò)的競(jìng)爭(zhēng)層為6×4的結(jié)構(gòu)，

6、利用“train”和“sim”函數(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和仿真，分別在訓(xùn)練步數(shù)為5，50和500時(shí)顯示分類結(jié)果。在網(wǎng)絡(luò)訓(xùn)練過程中，當(dāng)其運(yùn)行到第5步時(shí)，它通常把重金屬按地區(qū)特點(diǎn)分為了4或5類。煙葉中不同重金屬含量的分類與試驗(yàn)點(diǎn)的地理位置關(guān)系不大；富集系數(shù)的變化除受到煙葉重金屬含量的影響之外，同時(shí)還受到土壤中重金屬含量的制約，因此其分類特點(diǎn)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(chǎn)生的影響，在分區(qū)上會(huì)看到我國(guó)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(dú)歸類的特點(diǎn)。 通過SOM神經(jīng)網(wǎng)絡(luò)分類模型的建立，對(duì)烤煙重金屬累積的地域進(jìn)行分區(qū)，有益于加強(qiáng)烤煙生產(chǎn)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(yíng)養(yǎng)管理工作中，該技術(shù)可以將復(fù)雜的各種類型進(jìn)行科學(xué)分類，然后再根據(jù)不同類型制定管理技術(shù)，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(yàn)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(shí)數(shù)、相對(duì)濕度和10cm地溫)，土壤因子(pH、有機(jī)質(zhì)、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(yàn)采用BP神經(jīng)網(wǎng)絡(luò)權(quán)值評(píng)價(jià)法，研究了各環(huán)境因子對(duì)煙葉重金屬含量的貢獻(xiàn)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(duì)煙葉Cu含量的貢獻(xiàn)率達(dá)80﹪；Zn主要受日照時(shí)數(shù)、平

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

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

11、模型對(duì)煙葉重金屬含量的預(yù)測(cè)。 試驗(yàn)選擇了BP神經(jīng)網(wǎng)絡(luò)(前饋型神經(jīng)網(wǎng)絡(luò))和Elman神經(jīng)網(wǎng)絡(luò)(反饋型神經(jīng)網(wǎng)絡(luò))，并把它們與多元線性回歸模型作對(duì)比。在神經(jīng)網(wǎng)絡(luò)模型的建立過程中，又將它們各自按隱含層數(shù)多少分成單隱層和雙隱層兩種形式，并進(jìn)一步對(duì)模型的各項(xiàng)參數(shù)進(jìn)行篩選及優(yōu)化。在試驗(yàn)樣本方面，試驗(yàn)收集了3年11個(gè)試驗(yàn)點(diǎn)的分析資料，并把這33個(gè)樣本分成訓(xùn)練樣本(24組)和測(cè)試樣本(9組)兩類，且在模型訓(xùn)練及測(cè)試前對(duì)訓(xùn)練及測(cè)試數(shù)據(jù)進(jìn)行歸一化處理

12、。兩類神經(jīng)網(wǎng)絡(luò)的優(yōu)化參數(shù)主要包括了網(wǎng)絡(luò)隱含層神經(jīng)元的篩選，激活函數(shù)的選擇，訓(xùn)練函數(shù)的選擇三個(gè)方面。針對(duì)不同的預(yù)測(cè)目標(biāo)，試驗(yàn)訓(xùn)練得到了不同的預(yù)測(cè)模型： 煙葉Cu含量預(yù)測(cè)模型的MATLAB函數(shù)表達(dá)式為： net=newff(minmax(pn)，[14,1]，{'tansig'，'purelin'}，'trainlm')； 煙葉Zn含量預(yù)測(cè)模型的MATLAB函數(shù)表達(dá)式為： net=newff(minmax(p

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

14、，'purelin'}，'trainlm')；煙葉Cd含量的預(yù)測(cè)模型的線性回歸方程表達(dá)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(shí)數(shù)-0.028χ相對(duì)濕度+0.0538χ10m地溫 結(jié)果表明，BP神經(jīng)網(wǎng)絡(luò)模型能很好地預(yù)測(cè)煙葉重金屬含量，預(yù)測(cè)精度通常高于線性回歸模型，也高于Elman

15、神經(jīng)網(wǎng)絡(luò)模型。在訓(xùn)練過程中發(fā)現(xiàn)，雙隱層網(wǎng)絡(luò)常常要求更高的計(jì)算機(jī)配置，網(wǎng)絡(luò)運(yùn)行時(shí)間明顯要多于單隱層神經(jīng)網(wǎng)絡(luò)。 此外，線性回歸模型有較好的預(yù)測(cè)結(jié)果時(shí)，神經(jīng)網(wǎng)絡(luò)模型通常有優(yōu)于線性回歸模型的預(yù)測(cè)結(jié)果；線性回歸模型預(yù)測(cè)效果不佳，神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果也不一定有理想的預(yù)測(cè)效果；在線性回歸模型達(dá)極高的預(yù)測(cè)精度時(shí)，神經(jīng)網(wǎng)絡(luò)模型雖然有很高的預(yù)測(cè)精度，但往往不及線性回歸模型的預(yù)測(cè)效果。因此針對(duì)不同的具體問題應(yīng)當(dāng)通過測(cè)試，選擇不同的預(yù)測(cè)模型是必要的。

16、 綜上所述，本項(xiàng)研究在我國(guó)主產(chǎn)煙區(qū)采用統(tǒng)一栽培法，研究了我國(guó)重金屬在煙株體內(nèi)的含量分布和吸收特點(diǎn)。首次運(yùn)用人工神經(jīng)網(wǎng)絡(luò)技術(shù)，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(shù)學(xué)及神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，反應(yīng)烤煙重金屬累積特點(diǎn)與環(huán)境因子之間的關(guān)系，用于預(yù)測(cè)和預(yù)報(bào)我國(guó)烤煙葉片中的重金屬含量。研究成果對(duì)于指導(dǎo)我國(guó)烤煙產(chǎn)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(chǎn)的可持續(xù)發(fā)