基于人工神经网络技术的烤烟重金属积累特征研究
本文在我国主产烟区的7省11县11个试验点，采用统一栽培方法，利用3年的田间试验，通过对土壤、气象及烟叶重金属含量等相关资料的分析，研究了重金属在烟株体内的含量分布和吸收特点。同时，运用人工神经网络技术，研究了我国烤烟重金属积累的区域性差异，以及影响我国烤烟重金属含量和累积量的生态因子，并对这些因子的重要性进行了量化评价；建立了不同的数学及神经网络预测模型，反应烤烟重金属累积特点与环境因子之间的关系，用于预测和预报我国烤烟重金属的含量。
1.重金属在烟株体内的含量、分布与积累量。
在烟株各器官中，Cu的含量依次为芽＞花＞根＞茎＞叶；Zn：芽≈＞根≈茎≈叶；Mn：叶＞根＞花＞芽＞茎；Pb：根＞叶＞芽＞茎＞花；Cd：以叶片含量最高，其它器官的含量较低。表明在烟株体内，Cu、Zn在花、芽等器官中的含量最高，Mn、Cd主要集中于叶片，Pb则在根系累积较多。在根、茎、叶、芽、花各部位，重金属的含量均表现出Mn＞Zn＞Cu＞Pb＞Cd的规律。在同一器官中，不同重金属含量的变化趋势基本一致，但标准差较大。可见尽管环境条件可能显著改变重金属在各器官中的绝对含量，但难于改变它们在烟株各部位的相对含量。
从烟株各器官重金属积累量占全株积累量的比例表明，叶片重金属的累积量远高于烟株的其它部位。在叶片中，Cu的积累量约占全株的45﹪，其它4种重金属的积累比例超过50﹪，Mn、Cd积累比例达到了全株的70﹪。在根和茎中，几种重金属的积累量占全株的比例在8.37﹪-25.24﹪间变化，远低于叶片的比例。重金属在烟芽和烟花中的积累分配比例最小，仅0.95﹪-3.53﹪。烟叶是烟株的收获器官，降低它们重金属的含量很有必要。此外，不同重金属的积累速率不同，高积累速率多出现在生长前期。Cu、Zn、Mn的累积高峰在烤烟栽后30-60天，以后则明显下降；Pb、Cd在30-60天达累积高峰，但在移栽后90天仍然有较高的累积速率。说明控制烤烟积累重金属的主要措施应放置在烤烟生长前期。
烤烟对不同重金属元素的富集系数依次为：Zn＞Cu＞Cd＞Mn＞Pb，高低之间相差50多倍。说明烤烟对不同重金属元素的积累能力是不同的。就同一重金属元素而言，它们的富集系数随生育进程的延长而逐渐降低，尤以富集系数较大的Zn、Cu最为显著，进一步说明烤烟前期积累重金属的能强，降低烟叶重金属含量的关键在生长前期。
2.烤烟重金属累积的地域分类。
试验建立的SOM神经网络分类模型包括了11个试验点的烟叶重金属含量、富集系数和累积量等资料，并以此为网络输入，设网络的竞争层为6×4的结构，利用“train”和“sim”函数对网络进行训练和仿真，分别在训练步数为5，50和500时显示分类结果。在网络训练过程中，当其运行到第5步时，它通常把重金属按地区特点分为了4或5类。烟叶中不同重金属含量的分类与试验点的地理位置关系不大；富集系数的变化除受到烟叶重金属含量的影响之外，同时还受到土壤中重金属含量的制约，因此其分类特点常常与烟叶重金属含量的分区有一定差异；烟叶重金属累积量明显受烟叶生物量大小的影响，影响程度往往大于烟叶重金属含量产生的影响，在分区上会看到我国烟叶重金属累积量南方烟区低于北方烟区，云南烟区单独归类的特点。
通过SOM神经网络分类模型的建立，对烤烟重金属累积的地域进行分区，有益于加强烤烟生产的分类管理，有效降低烟叶的重金属含量，提高卷烟的安全性。在植物营养管理工作中，该技术可以将复杂的各种类型进行科学分类，然后再根据不同类型制定管理技术，做到因地制宜和精确管理。
3.影响烤烟重金属含量的环境因子。
试验研究所选择的环境条件包括了气象因子(平均气温、最高温度、最低温度、降雨量、日照时数、相对湿度和10cm地温)，土壤因子(pH、有机质、全氮、全磷、全钾、速效氮、速效磷和速效钾)，以及土壤中Cu、Zn、Mn、Pb、Cd5种重金属的有效含量。试验采用BP神经网络权值评价法，研究了各环境因子对烟叶重金属含量的贡献率。
在气象因子中，烟叶Cu含量主要受最低温度、降雨量、10cm地温和平均气温的影响，4者对烟叶Cu含量的贡献率达80﹪；Zn主要受日照时数、平均气温、最低温度和相对湿度的影响，它们对烟叶Zn含量的贡献率达89.32﹪。Mn主要受日照时数、最低温度、平均气温、相对湿度和最高温度的影响，它们对烟叶Mn含量的贡献率达89.21﹪。Pb主要受日照时数、最低温度、平均气温和最高温度的影响，它们对烟叶Pb含量的贡献率达83.41﹪。Cd主要受最低温度、10cm地温、降雨量、相对湿度和日照时数的影响，这五项因子对烟叶Cd含量的贡献率达87.26﹪。
在土壤因子中，影响烟叶Cu含量主要因子是有机质、全钾、pH和有效磷，它们对烟叶Cu含量的贡献率达75.51﹪。Zn主要受有效磷、pH、有机质和全氮的影响，它们对烟叶Cu含量的贡献率达87.94﹪。Mn主要受有机质、pH、有效磷、全钾和水解氮影响，它们对烟叶Cu含量的贡献率达83.96﹪。Pb主要受有机质、有效磷、pH和全钾的影响，它们对烟叶Pb的贡献率达79.04﹪。Cd主要受全钾、有效磷、pH和全氮的影响，它们对烟叶Cd含量的贡献率达85.45﹪。
4.不同模型对烟叶重金属含量的预测。
试验选择了BP神经网络(前馈型神经网络)和Elman神经网络(反馈型神经网络)，并把它们与多元线性回归模型作对比。在神经网络模型的建立过程中，又将它们各自按隐含层数多少分成单隐层和双隐层两种形式，并进一步对模型的各项参数进行筛选及优化。在试验样本方面，试验收集了3年11个试验点的分析资料，并把这33个样本分成训练样本(24组)和测试样本(9组)两类，且在模型训练及测试前对训练及测试数据进行归一化处理。两类神经网络的优化参数主要包括了网络隐含层神经元的筛选，激活函数的选择，训练函数的选择三个方面。针对不同的预测目标，试验训练得到了不同的预测模型：
烟叶Cu含量预测模型的MATLAB函数表达式为：
net=newff(minmax(pn)，[14,1]，{'tansig'，'purelin'}，'trainlm')；
烟叶Zn含量预测模型的MATLAB函数表达式为：
net=newff(minmax(pn)，[16,1]，{'tansig'，'purelin'}，'trainlm')；
烟叶Mn含量的预测模型的MATLAB函数表达式为：
双隐层：net=newff(minmax(pn)，[10，10,1]，{'tansig'，'tansig'，'purelin'}，'trainlm')。烟叶Pb含量的预测模型的MATLAB函数表达式为：
net=newff(minmax(pn)，[12,1]，{'tansig'，'purelin'}，'trainlm')；烟叶Cd含量的预测模型的线性回归方程表达式为：
YCd=7.797-0.327χpH-1.428χ全磷-0.017χ全钾+0.002χ有效磷+5.915χ有效Cd-0.242χ最低温度+0.002χ降雨量-0.0003χ日照时数-0.028χ相对湿度+0.0538χ10m地温
结果表明，BP神经网络模型能很好地预测烟叶重金属含量，预测精度通常高于线性回归模型，也高于Elman神经网络模型。在训练过程中发现，双隐层网络常常要求更高的计算机配置，网络运行时间明显要多于单隐层神经网络。
此外，线性回归模型有较好的预测结果时，神经网络模型通常有优于线性回归模型的预测结果；线性回归模型预测效果不佳，神经网络模型预测结果也不一定有理想的预测效果；在线性回归模型达极高的预测精度时，神经网络模型虽然有很高的预测精度，但往往不及线性回归模型的预测效果。因此针对不同的具体问题应当通过测试，选择不同的预测模型是必要的。
综上所述，本项研究在我国主产烟区采用统一栽培法，研究了我国重金属在烟株体内的含量分布和吸收特点。首次运用人工神经网络技术，研究了烤烟重金属累积的地域分类，量化了影响烤烟重金属含量与积累量的因子的重要性，建立了不同的数学及神经网络预测模型，反应烤烟重金属累积特点与环境因子之间的关系，用于预测和预报我国烤烟叶片中的重金属含量。研究成果对于指导我国烤烟产区合理布局，制定降低重金属含量的有效措施，提高烤烟的安全性，保证烤烟生产的可持续发展有一定指导意义。
烟株体;重金属积累特征;神经网络;预测模型
西南大学
博士
植物营养学
黄建国;唐远驹
2006
中文
S572;TS207.51;TP183
128
2007-05-23（万方平台首次上网日期，不代表论文的发表时间）