下载:
-
开放科学（资源服务）标志码（OSID）：
-
打顶是烟草生产中实现株型控制、营养调控以及促进优质适产的关键措施之一[1]，在烟株生长过程中通过去除花苞来消除顶端优势，为一种人为地干扰和调控烟株生长的农事行为. 打顶可促使烟株根部和烟叶光合作用产生的营养物质在烟株体内进行重新分配，增加营养物质在烟株根系和烟叶中的积累，进而增强根系对营养物质的吸收能力，最终提升烟叶品质[2]. 烟株打顶过程对烟株的生长和烟叶的产量具有显著影响. 研究表明，打顶的位置不同，可能导致烟株的生长速度、烟叶成长状况及烟株抗病虫能力均呈现出明显的差异，同时这些因素也影响着烟叶的质量和产量. 此外，烟株生长的生态环境差异也会改变打顶后烟叶的理化性质[3-4].
由于烟农流失、老龄化严重等因素，农村劳动力短缺的问题已经严重影响到烟草产业的可持续发展. 为了解决这一问题，有必要对烟草打顶这一农事操作的精准性和科学性展开深入研究. 一些研究者已经以烟草打顶机械设备为突破口，尝试解决这一难题[5-6]. 另外，也有学者对打顶操作识别系统进行了研究[7]. 然而，对于影响烟株打顶的关键因素识别以及建立与烟株打顶适宜性相关的模型研究还相对较少. 烟株打顶后的生长状况直接影响着烟叶的品质. 因此，明晰影响烟株打顶的关键因素，建立相应的打顶指数模型至关重要，这将为烟株打顶决策提供科学依据，同时为烟草种植数字化和管理科学化提供必要的支持.
全文HTML
-
通过检索中国知网、维普、万方和Web of Science等数据库文献，对烟草打顶后烟草在田间生长的农艺性状进行分析. 在渝东北烟草种植基地单元，通过对烟农、烟草技术人员等一线工作人员进行调查记录，筛选出影响烟草打顶的关键因素. 同时，对不同打顶方式和烟株生产情况的研究数据进行统计分析. 在烟株打顶数据采集中，采用平行跳跃法，选择连续10株烟株记录其农艺性状，每个调查点选取3行，共设定4个调查点，获得120组烟株打顶数据，将这些数据按照随机75%和25%划分，用作模型构建的训练数据和验证模型的测试数据.
-
灰色关联度为模糊数学中一种宏观分析方法，可以对多组数据之间的关联性进行分析[8-9]. 本研究中，将不同入参因子与烟草打顶距离的选择分别看为一个本征性灰色系统，烟草打顶距离(Yi)当作该系统的参照序列，把各种条件参数(Xj)当作该系统的比较序列，并把不同时间段的烟草打顶距离与气象参数数值作为该序列在第k个时间段效果的白化值，以此进行多序列关系分析：
其中，n表示不同时间段，M代表气候参数类数，经过数据均值化得：
Yi与Xi在第k时间段上的关联系数：
式中，ρ为分辨系数，取值范围在0~1，一般取ρ=0.8[25~27]，Δij(k)=|yi(k)－xj(k)|为序列Yi与Xj在第k点上差的绝对值差；min|yi(k)－xj(k)|为1级最小差，表示Yi与Xj序列对应点差值中绝对值的最小值；max|yi(k)－xj(k)|为1级最大差，其含义表示Yi与Xj序列对应点差值中绝对值的最大值. R(Yi，Xj)=1/n∑rij(k)即为第j种条件参数(Xj)与烟草打顶指数(Yi)变程之间的关联度，它的大小反映出不同类型的参数与烟草打顶指数在不同时间范围的相互联系紧密程度. 该方法基于灰色系统理论，适用于信息不完整的系统分析[10]. 本研究中数据有缺失值，因此选用该方法进行研究.
-
BP神经网络(Backpropagation Neural Network)是一种常见的人工神经网络模型，用于机器学习和模式识别任务，尤其在分类和回归问题中应用广泛[11]. BP神经网络模型由多个神经元层组成，其中包括输入层、隐藏层和输出层，每个神经元与前一层和后一层的神经元相互连接[12]. BP神经网络的训练是一个迭代过程，通过最小化损失函数来调整权重，使模型的预测更加准确. 本研究中迭代次数1 000次，学习率为0.01，神经元数量依据模型入参因子数目选择.
-
模型数字平台基于J2EE平台，采用前后端分离模式构建[13]. 架构集成RESTApi开放接口技术，MySQL关系数据库和IoTDB时序数据存储技术，JSON文档模型配置技术，模型版本迭代管控技术，Java IOC模型对象自动装配技术等. 通过创建直观、易用的用户界面，确保使用者可以快速上手. 应用平台外接前端数据采集设备，通过NB-IoT将数据传回平台进行分析(图 1).
-
烟草品种选择重庆地区广泛种植的“云烟87”. 调查地区位于渝东北地区，该地区地形多山，地势复杂多变，山水交织，属亚热带湿润气候，春夏季湿热，降雨充沛，多雾，年均气温约18 ℃. 本研究选取该地区内4个基地单元(图 2)，涵盖海拔700~1 200 m. 通过设备记录与人工记录相结合方式获取数据. 将数据导入应用平台对烟草打顶指数模型准确率进行评估.
1.1. 数据获取
1.2. 分析方法
1.2.1. 灰色关联度分析
1.2.2. BP神经网络分析
1.2.3. 烟草打顶指数模型应用系统开发
1.3. 烟草打顶指数模型验证
-
通过文献梳理及现场调查，筛选出对烟株打顶的关键因子. 数据缺失值采用中位数填充处理，数据集中缺失值比例为0.6%，均在X4变量上. 查看数据散点图，剔除显著异常离群点，该处理可能会导致模型估计出现偏差. 整理出统计中前5位主要影响因子，如表 1.
-
采用灰色关联度对调查数据进行分析. 对原始数据进行处理，消除量纲和数量级差异的影响. 计算各个因素序列与参考序列之间的关联系数，对关联系数进行累加或平均处理，得到整体的关联度值，X1：0.672 4，X2：0.850 9，X3：0.811 7，X4：0.870 6，X5：0.531 9. 采用关联度值在0.8以上因素作为模型入参因子进行研究.
-
输入数据进入网络，逐层通过神经元进行加权求和并激活函数处理，直到输出层. 根据误差梯度和学习率来更新网络中的权重和偏置. 利用误差，通过反向传播算法计算每个权重对误差的贡献. 重复前向传播、计算误差、反向传播和权重更新的过程，直到网络达到预定的训练精度或迭代次数. 采用该模型对烟株打顶入参因子与打顶指数进行训练，模型实际值与拟合值如图 3所示. 通过该模型对数据进行预测，在30组测试数据中准确率为78.33%，模型测试集混淆矩阵如图 4所示. 模型R2=0.82，MSE=0.59，训练集F1分数=0.94，测试集F1分数=0.75.
-
将模型分别在4个烟草种植基地单元进行验证. 每个基地单元选取3列，每列选取20株烟株，将采集数据导入训练好模型进行预测. 预测结果与实际情况进行对比，模型最高吻合度为86.26%，最低吻合度为71.59%，平均吻合度为79.32%. 对烟草打顶指数模型进行系统可视化. 在系统窗口中，通过输入烟株有效叶片数，花蕾到烟株最上部叶距离，花蕾开放程度，3个模型入参指标，通过运算得出结果. 系统展示界面如图 5所示.
2.1. 影响烟株打顶的相关因素
2.2. 灰色关联度分析
2.3. BP神经网络分析
2.4. 模型验证及后台运行效果
-
烟株打顶作为一项农业技术，目的是控制植株的生长高度，促进分枝，增加叶片数量，提高烟草的产量和质量. 打顶可有效削弱顶端优势，有助于将养分更均匀地分配到各个分枝，进而促进烟草植株的均衡生长[14]. 传统的打顶农事操作主要依赖于烟农经验来判断烟草生长状况，缺乏科学指导，容易导致烟株打顶判断不准确、操作不规范以及打顶不均匀的问题. 研究烟株打顶适合度指数模型具有重要意义，该模型可通过科学方法优化烟草的种植管理，提高产量和品质. 同时，建立模型能够模拟打顶对烟株生长的影响，预测不同打顶策略对产量和品质的具体影响，为烟草种植者提供决策支持. 此外，模型研究有助于深入了解打顶对烟草生长机制的影响，为烟草栽培技术的发展和改进提供理论支持，推动整个烟草产业的可持续发展.
烟株移栽大田开放式环境时，由于生长在自然环境中，受自然气候条件及人为干预措施的影响，可能导致系统预测误差. 打顶指数模型实际操作平均吻合度为79.32%，能在较大程度上指导烟株打顶操作，解决烟株打顶指标判断不明晰、打顶操作不完善的问题. 尽管模型的准确率有待进一步提升，本次研究中模型入参因素主要涉及烟株物理性状，而对烟株及土壤内生物活性等因素尚未深入探究，这可能会对烟株打顶生长产生一定影响. 打顶通常在烟草生长到一定高度时进行，具体打顶时机和方法根据当地气候、土壤条件的不同而有所调整[15]，本研究以烟草主栽品种“云烟87”为研究对象，研究结果适用于“云烟87”，模型应用过程中需考虑到不同烟草品种之间的差异对结果产生的影响. 未来研究可从不同烟草品种之间的差异及不同气候带之间的差异展开，以扩大模型的适用范围和提高其适用性. 同时，在模型构建过程中可加入更多优化算法，以提升模型准确性.
本研究对重庆地区烟草打顶指数模型进行了深入研究，通过采用灰色关联度分析，明确了烟株有效叶片数、花蕾到烟株最上部叶距离和花蕾开放程度是影响打顶操作的关键因素；采用机器学习技术建立烟株打顶适合度指数模型，并为用户开发了应用平台，提供了模型系统交互界面. 研究结果显示，烟草打顶时机与烟草生长周期密切相关. 在烟株生长过程中，进行打顶是一项至关重要的农艺操作，通过消除顶端优势，有助于重新分配烟株内部的养分. 这一措施不仅促进了光合产物向叶片的有效转移，还可增加干物质的积累，协调化学成分. 利用该模型，结合烟草的生物学特性和生长阶段理论，可实现科学打顶，提高烟叶生产质量.