朱安琪, 景元书**, 胡保文, 谢新乔, 李湘伟, 朱云聪

玉溪烤烟‘K326’主要化学成分生态预测模型*

朱安琪1, 景元书1**, 胡保文2, 谢新乔2, 李湘伟2, 朱云聪2

(1. 气象灾害预报预警与评估协同创新中心/南京信息工程大学应用气象学院 南京 210044; 2. 红塔烟草(集团)有限责任公司原料部 玉溪 653100)

为了解烟叶化学成分与生态因子之间的定量化关系, 提高烤烟品质评价的智能化程度, 使用2009—2017年玉溪市9个烤烟‘K326’典型定位点烟叶主要化学成分(烟碱、总糖、还原糖、总氮、钾、氯)数据与对应不同生育期的生态因子(气象和土壤)数据, 分析得到生态因子影响综合指数, 在此基础上建立了烟叶各化学成分机理生态预测模型。根据2018年生态因子数据, 预测了各定位点烟叶主要化学成分含量, 并与实测值进行比较。同时, 使用相同的90个烤烟定位点数据, 利用最大信息系数(maximum information coefficient, MIC)筛选输入变量, 使用经过灰狼算法优化的BP神经网络建立智能算法的烟叶化学成分生态预测模型。机理算法的生态预测模型2平均值为0.29, RMSE平均值为0.13, 只有还原糖RMSE略大于0.2; 智能算法的生态预测模型2均大于0.95, RMSE均小于0.1。结果表明智能算法的生态模型预测效果优于机理算法的生态模型, 能够为烤烟品质提升与调优栽培管理提供一定理论支撑。

烤烟‘K326’; 化学成分; 生态因子; 预测模型

烟叶品质高低是由烟叶内在化学成分综合作用决定的, 烟叶化学成分除了与自身的遗传特性、栽培措施有关外, 还受到气象、土壤等生态因子的影响[1-3]。对于单个生态因子(气象或土壤)与烟叶化学成分的研究很多, 例如时鹏等[4]通过相关分析、逐步回归分析对湖北恩施气象因子与烟叶化学成分关系进行研究, 发现在气候因子中, 日照时数对烟叶化学成分影响最大, 降雨量次之, 积温、平均温度的影响最小, 这与石俊雄等[5]、陈伟等[6]研究结果类似, 认为在南方地区日照时数与降水量是影响烟叶化学成分的主导因子。刘冰洋等[7]研究了气象因子对不同烤烟()品种的影响, 分别对‘云烟87’和‘豫烟11号’的香味前体物质与气象因子进行了关联度分析, 发现‘豫烟11号’烟叶提取物含量受烟叶生长期间的日照时数影响较大, ‘云烟87’则受平均气温的影响较大。赵阿娟等[8]采用相关分析和逐步回归分析, 分析了长沙植烟区土壤理化性质与烟叶主要化学成分之间的关系, 其研究结果表明土壤交换性钙含量与烟碱累积量呈负相关, 土壤有效磷含量高不利于总氮的形成, 这与薛剑波等[9]、崔志燕等[10]的研究结果一致。王学杰等[11]综合简单相关分析和因子分析结果, 发现奉节植烟区土壤碱解氮含量与烟叶蛋白质含量存在正向共变趋势, 土壤有机质含量与总糖、淀粉含量存在反向共变趋势。梁兵等[12]对红河植烟区同烟区烟叶品质及土壤理化性质进行统计描述和相关性分析, 结果表明烟叶中氯含量变异极为明显, 土壤交换性镁、交换性钙含量与烟叶钾含量呈负相关, 土壤有效锰含量与烟叶总氮含量呈负相关。上述研究多偏重于不同生态区域的单个生态因子(气象或土壤)与烟叶化学成分的关系, 有关综合生态因子(气象和土壤)对烟叶化学成分影响, 以及通过量化分析和智能算法的模拟, 建立烟叶化学成分预测模型等方面尚缺乏深入研究。

为此, 本研究通过量化、解析烟叶化学成分与生态因子的相互关系, 引入烤烟‘K326’的各化学成分最适值与生态因子影响综合指数, 建立了云南烤烟‘K326’主要化学成分生态预测模型。烤烟‘K326’产量高、病害轻、性状表现优良、内在品质上佳, 在玉溪地区能够充分体现品种优势, 其种植面积多年稳定在80%左右, 是符合玉溪生产实际的良好研究对象。除此之外, 本文还借鉴前人利用BP神经网络具备处理任何复杂非线性映射强大功能的特点, 构建烟叶感官质量、化学成分预测模型[13-15]的思路, 通过利用最大信息系数(maximum information coefficient, MIC)筛选输入变量, 使用灰狼算法(grey wolf optimizer, GWO)优化BP神经网络对烟叶主要化学成分进行预测。通过2种方法实现对烤烟‘K326’主要化学成分机理和智能算法的生态预测模型构建, 为烟草品质评价智能精准化、烟叶品质提升提供科学依据。

1 材料与方法

1.1 研究区域概况

玉溪市位于云南省中部(23°19′~24°53′N、101°16′~103°09′E), 总面积15 285 km2。玉溪是我国优质烤烟主产区和中式中高档卷烟的主要原料基地, 烤烟‘K326’种植面积、总产量和总销售量均居于全国前列, 被誉为“云烟之乡”。玉溪市地势西北高, 东南低, 地形复杂, 山地、峡谷、高原、盆地交错分布, 立体气候的特征十分明显。由于地貌类型复杂和不同生物气候带的交错分布, 以及母质和岩石的多样, 导致全区土壤类型多, 垂直分布从低海拔到高海拔大体可分为3个土壤带: 赤红壤带、红壤带和棕壤带。玉溪市植烟区主要集中在中亚热带和北亚热带, 冬季温而不冷, 夏季暖而不热, 烟区冬短无夏, 春季较长。烤烟大田种植中、后期温差较小, 雨量适中, 与全国多数烟区相比辐射量多光照充足, 且光谱中最易被烤烟吸收利用的红光和蓝紫光较多, 光谱季节变化与优质烟对光的需求配合一致。土壤质地疏松、肥力中等、耕作层厚, 十分适宜于烤烟‘K326’生长。

1.2 数据来源

在玉溪市辖9个县(区)各选取1个具有代表性的烤烟‘K326’烟叶产质量典型监测点, 集成一套2009—2018年数据齐全的定位监测点数据库, 即在同一监测点包含气象数据、土壤数据、烟草产质量数据, 作为气象和土壤等主要生态要素与烟叶品质关系综合研究的基础。气象数据包括降水量、日照时数、平均气温、最高气温、最低气温、日较差、相对湿度、最小湿度; 土壤数据包括pH、有机质、有效磷、速效钾、全氮; 烤烟‘K326’化学成分数据包括烟碱、总糖、还原糖、总氮、钾、氯。

分别计算整个大田期及移栽伸根期(4月21日—5月30日)、旺长期(6月1—30日)、成熟期(7月1日—9月10日)平均气温、日照时数、降水量。

1.3 模型的建立及检验

1.3.1 机理算法的化学成分生态预测模型构建

以上述数据为基础, 对不同生态因子与烟叶化学成分含量的关系进行相关分析, 表1分析结果表明, 生态因子与化学成分含量之间有显著的线性相关关系。因此, 借鉴钟楚等[16]对烟叶化学成分含量预测的建模思想, 依据线性相关理论和生态因子对烟叶化学成分的影响趋势得到生态因子影响综合指数(), 建立模型。

表1 玉溪烤烟‘K326’化学成分与生态因子的相关性

*:<0.05; **:<0.01.

=0×[a×()+b] (1)

式中:为烟叶某化学成分含量的预测值(%),0为烟叶化学成分最适含量值(%), a和b均为常数。

烟叶不同生育期生态因子对烟叶化学成分的综合影响, 最终决定了烟叶化学成分是否协调与最终烟叶品质的高低。因而定义烤烟大田生长期气象条件对某化学成分的影响综合指数:

()=×()+×()(2)

式中:()为烟叶化学成分含量的气象因子影响综合指数,()为烟叶化学成分含量的土壤因子影响综合指数;和气象因子与土壤因子的贡献率, 采用组间均方与总体均方和的比值作为不同因素的贡献率(表2)。

表2 气象因子与土壤因子对烟叶化学成分贡献率

式中:SV为气象因子的标准化变量,M为气象因子的观测值,S为该气象因子的标准差。()的正负表示气象因子对烟叶该化学成分形成是正效应(促进效应)还是负效应(不利效应), 其绝对值的大小代表气象因子对烟叶该化学成分形成影响力大小。w为气象因子的权重系数, 对各气象因子与烟叶化学成分含量间的关系作偏相关分析, 以计算其权重系数:

式中:r为气象因子与烟叶化学成分含量的偏相关系数。在多要素所构成的系统中, 当研究某一个要素对另一个要素的影响或相关程度时, 把其他要素的影响视作常数(保持不变), 即暂时不考虑其他要素影响, 单独研究两个要素之间相互关系的密切程度, 所得数值结果为偏相关系数[17]。()的计算步骤同上。

1.3.2 智能算法的化学成分生态预测模型构建

BP神经网络典型3层(输入层、隐含层和输出层)结构就可以实现任意非线性映射[18]。MIC是由Reshef等[19]提出的一个统计学概念, 用来衡量变量和的线性或非线性强度。从23个生态因素中选取MIC值大于0.5的作为BP神经网络的输入参数, 以烟叶化学成分中烟碱、总糖、还原糖、总氮、钾、氯含量等6项指标含量分别作为网络模型的输出参数共建立6个预测模型, 隐含层的神经元数目确定方法参考文献[20], 并使用GWO算法优化BP神经网络的权重和阈值[21], 使预测值更加接近真实值。

1.3.3 化学成分生态预测模型检验

模型检验采用常用的根均方差法(root mean square error, RMSE)对模拟值与观测值之间的符合度进行统计分析[22], 检验模拟函数的拟合度和可靠性。

式中:P、O分别表示观测值与模拟值,为样本容量。RMSE能很好地反映模型模拟值的预测性, RMSE<0.1表明模拟值与实际观测值一致性非常好, 0.1~0.2之间较好, 0.2~0.3表明模拟效果一般, RMSE>0.3表明模拟值与实际值偏差大, 模拟效果差[23]。

2 结果与分析

2.1 机理算法的化学成分生态预测模型参数选择

根据玉溪烤烟‘K326’的风格特色及协调性确定烟叶化学成分最适含量值(0), 其最适含量值一般是范围值。为了更好地增加模型稳定性, 根据前人研究[16,24], 最终确定总糖和还原糖最适含量, 取最适含量范围的上限值, 烟碱、总氮、钾、氯最适含量取最适含量范围的中间值, 结果如表3所示。

表3 玉溪烤烟‘K326’烟叶化学成分最适含量值(C0)

生态因子是特色烟叶(即内在化学成分)形成的基础条件, 其中气象、土壤因子是最主要的影响因素[25-26]。根据以往研究和生产实际结合烤烟生育期, 最终确定了23个生态因子, 用来构建机理算法的化学成分生态预测模型。

2.2 机理算法的化学成分生态预测模型结果

采用最小二乘法的Marquardt迭代原理, 求取式(1)模型的参数a和b。烟叶各化学成分含量的预测模型表达式分别为:

烟碱=2.5´[0.075´()烟碱+1.221]=20.939**,2= 0.262 (7)

总糖=28´[0.064´()总糖+1.035]=52.388*,2= 0.373 (8)

还原糖=22´[0.020´()还原糖+0.850]=13.837**,2=0.136 (9)

总氮=2.5´[0.038´()总氮+0.990]=23.205*,2= 0.209 (10)

钾=2´[0.095´()钾+0.863]=54.121**,2= 0.381 (11)

氯=0.3´[0.257´()氯+1.019]=51.272**,2= 0.368 (12)

烟叶各化学成分含量预测模型的2平均值为0.2885, 处于一个较低的水平, 可能是由于生态因子对于烟叶化学成分的影响是一个复杂的系统, 且除生态因子外栽培措施、自身的遗传特性及各种因素之间的相互作用都会对化学成分形成产生一定的影响, 精确的数学关系式难以对这个系统进行表达。烟叶各化学成分含量预测模型的值均达显著水平, 其中总糖、钾、氯的值大于50, 说明预测模型是有意义的。分别将各烟叶化学成分的生态影响因子权重系数和2018年相应的生态因子标准化变量计算气象因子影响综合指数(), 然后代入以上各模型表达式中, 分别计算烟叶各化学成分含量, 结果见表4。

2.3 智能算法的化学成分生态预测模型参数选择

由于MIC具有普适性、公平性的性质, 能够更全面地找出生态因子与烟叶化学成分之间复杂关系,因此选取MIC>0.5的生态因子作为输入参数, 结果如表5所示。普适性是指在包含了样本大部分信息时, 能够不限于特定的函数类型, 例如周期、指数、线性函数等, 基本上可以覆盖所有的函数关系。公平性则是指在样本量足够大的情况下, 随着噪音的增加, 不同类型关联关系函数变化应当是相近的。

表4 玉溪烤烟‘K326’化学成分含量预测结果

在2009—2018年的90个样本中随机选择70%作为训练样本, 30%则作为验证样本, 训练参数选取:最大训练次数为1000, 学习速率为0.1, 误差精度为0.0001, 其余参数设定参考默认值。针对BP神经网络收敛速度慢和容易陷入局部最值的缺点, 选用GWO对BP神经网络的权重、阈值进行优化, 降低由其缺点带来的不利影响。GWO参数设定狼群的数量为50, 最大迭代次数为500。

2.4 智能算法的化学成分生态预测模型结果

根据上述参数设定, 分别对烟叶化学成分烟碱、总糖、还原糖、总氮、钾、氯这6个生态预测模型进行训练和仿真。图1a、c、e、g、i和k为烟叶6种化学成分实测值、BP神经网络模拟值、GWO优化BP神经网络之间的结果分析图。图中横坐标为化学成分验证集样本量, 纵坐标为含量, 即BP模拟值和优化后BP模拟值与实测值线重合程度越高, 表明模拟效果越好。为了更加直观地显示GWO优化后BP神经网络模拟值与优化前模拟值的差别, 引入了绝对误差, 图1b、e、f、h、j和l所示优化后的绝对误差明显小于优化前。所有烟叶化学成分生态预测模型结果的2都大于95%, 除总氮外, 其他预测模型的2高达99%, 说明模型拟合程度极高, 能够很好解释化学成分变异性。虽然绝大部分优化后的绝对误差都小于优化之前, 但仍然存在个别点优化后绝对误差大于优化前, 如图1k中第18个样本点所示, 表明还可以继续对GWO做出改进, 得到更接近实测值的预测模型。

2.5 两种算法的化学成分生态预测模型验证

如表6所示机理化学成分生态预测模型, 虽然2不高, 但烟碱、钾、氯的RMSE值皆小于0.1, 说明该模型模拟值与实际观测值一致性高, 模拟效果非常好; 总糖、总氮的RMSE值在0.1~0.2之间, 说明模型模拟效果较好; 只有还原糖的RMSE值略大于0.2, 该模型模拟效果一般。智能算法的化学成分生态预测模型的2很高, 且所有模型的RMSE值都小于0.1, 其中氯的RMSE值更是小于0.01, 模型模拟结果非常好。虽然机理化学成分生态预测模型的模拟结果不如智能算法的模型那么理想, 但机理模型的参数都具有非常明确的物理意义, 能够通过气象、土壤因子影响综合指数()、()了解其对烟叶化学成分产生了正效应还是负效应, 这种效应的影响程度又有多大。

表5 玉溪烤烟‘K326’化学成分与生态因子的最大信息系数

表6 两种算法的玉溪烤烟‘K326’化学成分生态预测模型验证

3 讨论与结论

已有的研究多针对单一的生态因子(气象或土壤)对烟叶化学成分特性的影响, 缺乏对气象、土壤因子综合考量[4-12]。且以往研究中多是给出单个因子(如气温、降水等)与化学成分之间的回归方程, 没考虑到不同生育期气象因子对烟叶化学成分的综合影响[1,27]。本研究通过对2009—2018年烤烟定位点气象、土壤、烤烟品质数据进行系统分析和综合, 建立了生态因子影响综合指数()与烟叶各化学成分之间的线性模型, 根据()的正负、大小可以定量了解生态因子对化学成分促进或不利作用的程度。该模型除还原糖的RMSE值略大于0.2之外, 烟碱、总糖、总氮、钾、氯的RMSE值皆小于0.17, 说明该模型在实际应用中具有一定的可行性, 能够在烤烟采烤结束前粗略地了解某一年景下玉溪烤烟成分特点, 为后续工作安排提供科学依据。虽然烟叶各化学成分含量预测模型的值均达显著水平, 但该模型的2普遍不高, 可能有以下几方面的原因: 1)生态因子对烟叶化学成分的影响是一个复杂的系统, 这种复杂影响表现光、温、水及土壤等因子大小、分配、组合, 即使是相同的组合在烤烟不同生育期时的影响也不相同[26,28], 精确的数学关系式难以对这个系统进行表达。尽管以往研究较为明确地阐述了烟叶化学成分形成的气候、土壤特点[7,11], 但尚缺乏更多的试验结果作为支撑, 导致目前仍有较大的困难对这个系统进行定量化的描述。2)文中分析的影响烤烟‘K326’各化学成分的主要生态因子虽然与化学成分的线性相关达显著或极显著水平, 但其相关系数低, 说明即使在相似的气候条件下, 烟叶化学成分仍会有较大的差异。3)虽然生态因子是影响烟叶化学成分的重要因素, 但并非是唯一因素, 栽培措施、自身的遗传特性及各种因素之间的相互作用都会对化学成分形成产生一定的影响[2], 因此在今后研究中应更为全面选取影响因素。

针对上述机理生态预测模型精准度、解释性方面的不足, 选择了可以处理复杂空间非线性系统的BP神经网络对生态因子与化学成分进行智能算法的建模。本研究放弃了以往研究中使用的相关系数[12], 而选用最大信息系数(MIC)来筛选输入参数。这种方法的优势在于不限于特定的函数类型(如线性函数), 只要生态因子与化学成分具有显著函数关系即可, 能最大程度地保证输入参数的完整性。针对BP神经网络易陷入局部极小、收敛速度慢的缺点, 在建模过程中使用了灰狼算法(GWO)优化BP网络的权重、阈值, 使最终结果更为精准。但优化后的BP网络仍然存在极个别点的绝对误差大于优化之前, 在今后的研究中可以对GWO再做出一些改进使预测结果更优。

本文从机理算法和智能算法两个方面对生态因子与烟叶化学成分进行建模, 得到了两个预测模型。机理生态模型参数具有明确的物理意义, 智能算法的生态模型预测结果精准符合实测值, 两个模型有各自的优势与缺陷。在实际生产中基于不同目的可以选择不同模型, 若想了解生态因子对于化学成分的具体影响则选择机理算法的预测模型, 若需得到精确的化学成分含量则选择智能算法的预测模型。希望在今后的研究中能够将机理与智能算法的模型相结合, 构建出在实际应用中可行性更高、效果更好的模型。

[1] 刘先超, 马君红, 刘健康, 等. 四川地区生态因素与烟叶化学成分的关系[J]. 西南农业学报, 2014, 27(6): 2644–2649 LIU X C, MA J H, LIU J K, et al. Relationship between ecological factors and chemical components of tobacco leaves in tobacco planting area of Sichuan[J]. Southwest China Journal of Agricultural Sciences, 2014, 27(6): 2644–2649

[2] 刘燕, 阙劲松, 于良君, 等. 烤烟致香物质含量的主要影响因素及其提高的可能途径[J]. 中国农学通报, 2013, 29(22): 83–89 LIU Y, QUE J S, YU L J, et al. The main factors influencing the content of aromatic substance in flue-cured tobacco leaves and possible measures for improving its content[J]. Chinese Agricultural Science Bulletin, 2013, 29(22): 83–89

[3] 薛宝燕, 沈嘉, 姜超强, 等. 两种典型环境对烤烟香型风格及致香物质的影响[J]. 中国烟草科学, 2016, 37(3): 1–7 XUE B Y, SHEN J, JIANG C Q, et al. Influence of two typical environments on flavor type and aroma substances of flue-cured tobacco[J]. Chinese Tobacco Science, 2016, 37(3): 1–7

[4] 时鹏, 申国明, 向德恩, 等. 恩施烟区主要气候因子与烤烟烟叶化学成分的关系[J]. 中国烟草科学, 2012, 33(4): 13–16 SHI P, SHEN G M, XIANG D E, et al. Relationships between main climatic factors and chemical components of flue-cured tobacco leaves in Enshi[J]. Chinese Tobacco Science, 2012, 33(4): 13–16

[5] 石俊雄, 陈雪, 雷璐. 生态因子对贵州烟叶主要化学成分的影响[J]. 中国烟草科学, 2008, 29(2): 18–22 SHI J X, CHEN X, LEI L. Effects of ecological factors on chemical components of tobacco leaves in Guizhou[J]. Chinese Tobacco Science, 2008, 29(2): 18–22

[6] 陈伟, 王三根, 唐远驹, 等. 不同烟区烤烟化学成分的主导气候影响因子分析[J]. 植物营养与肥料学报, 2008, 14(1): 144–150 CHEN W, WANG S G, TANG Y J, et al. Analysis of the dominant climatic factors influencing the chemical compositions of flue-cured tobacco in different tobacco- growing areas[J]. Plant Nutrition and Fertilizer Science, 2008, 14(1): 144–150

[7] 刘冰洋, 张小全, 张鋆鋆, 等. 气象因子对高香气烤烟品种主要香味前体物含量的影响[J]. 中国生态农业学报, 2016, 24(9): 1214–1222 LIU B Y, ZHANG X Q, ZHANG Y Y, et al. Effects of meteorological factors on aroma precursors contents of high aroma flue-cured tobacco[J]. Chinese Journal of Eco- Agriculture, 2016, 24(9): 1214–1222

[8] 赵阿娟, 文婧, 丁春霞, 等. 长沙植烟区土壤理化性质与烟叶常规化学成分相关性分析[J]. 作物研究, 2018, 32(6): 511–515 ZHAO A J, WEN J, DING C X, et al. Correlation analysis between physicochemical properties of soil and chemical composition of tobacco leaf in Changsha tobacco growing area[J]. Crop Research, 2018, 32(6): 511–515

[9] 薛剑波, 符云鹏, 尹永强. 影响烟草中烟碱含量的因素及调控措施[J]. 安徽农业科学, 2005, 33(6): 1053–1055 XUE J B, FU Y P, YIN Y Q. Factor and controlling measures influencing the nicotine content in tobacco leaf[J]. Journal of Anhui Agricultural Sciences, 2005, 33(6): 1053–1055

[10] 崔志燕, 陈富彩, 张玲, 等. 不同施磷水平对烟叶氮磷钾含量、光合特性和产质量的影响[J]. 河南农业大学学报, 2016, 50(2): 171–175 CUI Z Y, CHEN F C, ZHANG L, et al. Effects of different phosphorus fertilizer applications on content of nitrogen, phosphorus and potassium, photosynthetic characteristics and yield of flue-cured tobacco[J]. Journal of Henan Agricultural University, 2016, 50(2): 171–175

[11] 王学杰, 李承荣, 王政, 等. 奉节烟区植烟土壤养分状况及其与烟叶内在质量的相关性[J]. 贵州农业科学, 2016, 44(12): 28–32 WANG X J, LI C R, WANG Z, et al. Status of tobacco-growing soil nutrients in Fengjie production area and its relationship with quality of flue-cured tobacco leaves[J]. Guizhou Agricultural Sciences, 2016, 44(12): 28–32

[12] 梁兵, 黄坤, 阙劲松, 等. 红河植烟区烟叶品质与土壤中微量元素含量关系研究[J]. 西南农业学报, 2017, 30(4): 824–829 LIANG B, HUANG K, QUE J S, et al. Relationship between quality of tobacco leaves and middle-micro elements in Honghe tobacco soil[J]. Southwest China Journal of Agricultural Sciences, 2017, 30(4): 824–829

[13] 聂铭, 周冀衡, 杨荣生, 等. 基于粒子群优化BP神经网络的烤烟钾氯比预测模型[J]. 烟草科技, 2014, 47(6): 49–53 NIE M, ZHOU J H, YANG R S, et al. A model of BP neural network optimized on particle swarm algorithm for predicting ratio of potassium to chlorine in flue-cured tobacco[J]. Tobacco Science & Technology, 2014, 47(6): 49–53

[14] 邵惠芳, 许自成, 李东亮, 等. 基于BP神经网络建立烤烟感官质量的预测模型[J]. 中国烟草学报, 2011, 17(1): 19–25 SHAO H F, XU Z C, LI D L, et al. The establishment of BP neural network based models for predicting tobacco leaf sensory quality[J]. Acta Tabacaria Sinica, 2011, 17(1): 19–25

[15] 张明乾, 刘立博, 赵羡波, 等. BP神经网络烟叶化学成分预测模型构建[J]. 贵州农业科学, 2020, 48(2): 136–139 ZHANG M Q, LIU L B, ZHAO X B, et al. Establishment of prediction model for tobacco chemical composition based on BP neural network[J]. Guizhou Agricultural Sciences, 2020, 48(2): 136–139

[16] 钟楚, 李蒙, 朱勇. 基于气象因子影响的云南烤烟主要化学成分预测[J]. 西南农业学报, 2013, 26(2): 535–540 ZHONG C, LI M, ZHU Y. Forecasting for main chemical compositions of flue-cured tobacco in Yunnan based on effects of meteorological factors[J]. Southwest China Journal of Agricultural Sciences, 2013, 26(2): 535–540

[17] 郑培根, 刘梓修. 偏相关系数的定义及计算[J]. 江西财经学院学报, 1986, (1): 75–79 ZHENG P G, LIU Z X. Definition and calculation of partial correlation coeffcient[J]. Contemporary Finance & Economics, 1986, (1): 75–79

[18] GUO Z H, WU J, LU H Y, et al. A case study on a hybrid wind speed forecasting method using BP neural network[J]. Knowledge-Based Systems, 2011, 24(7): 1048–1056

[19] RESHEF D N, RESHEF Y A, FINUCANE H K, et al. Detecting novel associations in large data sets[J]. Science, 2011, 334(6062): 1518–1524

[20] 孙弋清. 基于进退法的神经网络隐含层节点数的确定方法[J]. 现代商贸工业, 2018, 39(35): 197–199 SUN Y Q. The method to determine the number of hidden layer nodes of neural network based on the advance and retreat method[J]. Modern Business Trade Industry, 2018, 39(35): 197–199

[21] MIRJALILI S, MIRJALILI S M, LEWIS A. Grey wolf optimizer[J]. Advances in Engineering Software, 2014, 69: 46–61

[22] RINALDI M, LOSAVIO N, FLAGELLA Z. Evaluation and application of the OILCROP-SUN model for sunflower in southern Italy[J]. Agricultural Systems, 2003, 78(1): 17–30

[23] JAMIESON P D, SEMENOV M A. Modelling nitrogen uptake and redistribution in wheat[J]. Field Crops Research, 2000, 68(1): 21–29

[24] 张晓兵, 夏琛, 项波卡, 等. 基于灰色关联分析的云南烟叶化学成分适宜性评价[J]. 烟草科技, 2011, 44(10): 32–35 ZHANG X B, XIA C, XIANG B K, et al. Suitability evaluation of chemical components in Yunnan tobacco with grey incidence analysis[J]. Tobacco Science & Technology, 2011, 44(10): 32–35

[25] 李熙全, 代飞. 主要生态因素对烟叶质量影响研究进展[J]. 安徽农业科学, 2013, 41(2): 531–532, 537 LI X Q, DAI F. Research progress on the influence of main ecological factors on tobacco quality[J]. Journal of Anhui Agricultural Sciences, 2013, 41(2): 531–532, 537

[26] 文建川, 景元书. 烟草化学成分与气象因子关系研究进展[J]. 河南农业科学, 2019, 48(4): 1–8 WEN J C, JING Y S. Research progress on the relationship between tobacco chemical composition and meteorological factors[J]. Journal of Henan Agricultural Sciences, 2019, 48(4): 1–8

[27] 姬兴杰, 孟寒冬, 左璇, 等. 河南烟区主要气候因子与烤烟烟叶化学成分的关系[J]. 中国烟草科学, 2017, 38(1): 35–41 JI X J, MENG H D, ZUO X, et al. Relationships between main climatic factors and chemical components of flue-cured tobacco leaves in Henan tobacco-growing areas[J]. Chinese Tobacco Science, 2017, 38(1): 35–41

[28] 易建华, 彭新辉, 邓小华, 等. 气候和土壤及其互作对湖南烤烟还原糖、烟碱和总氮含量的影响[C]//中国烟草学会六届三次理事会暨学术年会论文集. 长沙, 2011: 112–119 YI J H, PENG X H, DENG X H, et al. Effects of climate, soil and their interactions on reducing sugar, nicotine and total nitrogen contents of flue-cured tobacco in Hunan[C]. Sixth Third Council and Annual Conference of the Chinese Tobacco Society. Changsha, 2011: 112–119

Ecological prediction model of main chemical components of Yuxi flue-cured tobacco ‘K326’*

ZHU Anqi1, JING Yuanshu1**, HU Baowen2, XIE Xinqiao2, LI Xiangwei2, ZHU Yuncong2

(1. Collaborative Innovation Center of Meteorological Disaster Forecasting Warning and Assessment / College of Applied Meteorology, Nanjing University of Information Science & Technology, Nanjing 210044, China; 2. Raw Material Department, Hongta Tobacco Co., Ltd., Yuxi 653100, China)

Due to national policies and adjustments to the industrial structure, the tobacco industry has implemented “quality optimization, planting regionalization, and technological intelligence” process requirements. To better meet these requirements, understand the quantitative relationships between tobacco chemical components and ecological factors, and improve the intelligence degree of flue-cured tobacco quality evaluation, it is necessary to develop an ecological prediction model of the chemical composition of tobacco leaves that corresponds with the actual production of Yuxi flue-cured tobacco. While prior research has only considered the impact of a single ecological factor (weather or soil) on the chemical composition of tobacco leaves, this study used the main chemical components (nicotine, total sugar, reducing sugar, total nitrogen, potassium, and chlorine) of flue-cured tobacco ‘K326’ in nine typical locations from 2009 to 2017 in the Yuxi area and ecological data (weather and soil) corresponding to the different growth periods. These factors were analyzed to obtain a comprehensive index of the influential ecological factors and to establish an ecological prediction model of the chemical composition mechanisms of tobacco leaves. Using the ecological data from 2018, the content of main chemical components in the tobacco leaves was predicted and compared with the observed values. Data from 90 flue-cured tobacco samples were used to calculate the maximum information coefficient (MIC) to screen the input variables; this method ensures the integrity of the input parameters and is not limited to specific function types (e.g., a linear function) as long as there is a significant functional relationship between the ecological factors and chemical components. To overcome the shortcomings of the back-propagation (BP) neural network (i.e., it is easy to fall into local minima and slow convergence speed), the Grey Wolf optimizer was used in the modeling process to optimize the weights and thresholds of the neural network. To establish an intelligent algorithm for the tobacco leaf chemical composition ecological prediction model, the absolute error was used to intuitively show the difference between the simulated value of the BP neural network optimized by the Grey Wolf algorithm and that before optimization. The results showed that the prediction model of the mechanism algorithm could judge the degree of influence of the ecological factors on the tobacco chemical composition and indicate whether the influence was positive (promoting effect) or negative (adverse effect) by the size and the positive and negative values of the comprehensive index. The average2value of the ecological prediction model of the mechanism algorithm was 0.29, the average root mean square error (RMSE) was 0.13, and only the RMSE of the reducing sugar was slightly greater than 0.2. These results indicated that the model understood the chemical composition characteristics of Yuxi flue-cured tobacco under particular ecological conditions in a given year. The absolute error of the ecology­ical prediction model of the optimized intelligent algorithm was significantly smaller than that before optimization, indicating a better simulation effect for the optimized intelligent algorithm of the ecological prediction model. All2values were greater than 0.95, and the2values of the other prediction models (except for total nitrogen) were as high as 0.99. This suggested a very high degree of fit and that the model did well to explain the variability in the chemical composition; each RMSE was less than 0.1, and some values were less than 0.01, suggesting accurate prediction results.

Flue-cured tobacco ‘K326’; Chemical compositions; Ecological factors; Prediction model

10.13930/j.cnki.cjea.200860

朱安琪, 景元书, 胡保文, 谢新乔, 李湘伟, 朱云聪. 玉溪烤烟‘K326’主要化学成分生态预测模型[J]. 中国生态农业学报(中英文), 2021, 29(5): 880-889

ZHU A Q, JING Y S, HU B W, XIE X Q, LI X W, ZHU Y C. Ecological prediction model of main chemical components of Yuxi flue-cured tobacco ‘K326’[J]. Chinese Journal of Eco-Agriculture, 2021, 29(5): 880-889

S572; P49

* 国家自然科学基金项目(41575111)、江苏省高校优势学科建设工程(PAPD)项目(2017-NY-038)和红塔烟草集团有限责任公司项目(S-6019001)资助

景元书, 主要从事农业气象和生态环境研究。E-mail: jingyshu@163.com

朱安琪, 研究方向为农业气象、生态环境。E-mail: 2499295176@qq.com

2020-10-23

2020-12-16

* This study was supported by the National Natural Science Foundation of China (41575111), the Priority Academic Discipline Development of Jiangsu Higher Education Institutions (2017-NY-038) and Hongta Tobacco Group Co., Ltd. Project (S-6019001).

, E-mail: jingyshu@163.com

Oct. 23, 2020;

Dec. 16, 2020