-
水分和养分是影响植物生长发育的两大重要因素。水分是植株输送营养的必要条件,养分只有溶解在水中才能被植物吸收,水分状况在很大程度上决定着肥料的有效性、吸收量和利用率[1-3]。在农林生产中,经常通过灌溉或施肥来改善植物的生长状况,但施用过多会造成水资源和肥料浪费,严重时还会导致水体富营养化、土壤盐渍化等环境问题[4]。水肥耦合可以提高水分和肥料的利用效率,还能调节苗木的生理生长过程,达到节水节肥、促进苗木生长的目的[5]。对花椒Zanthoxylum bungeanum[6]和楸树Catalpa bungei[7]进行水肥研究发现:适宜的水肥耦合条件能够促进幼苗生长和养分吸收利用,能显著提高苗木生物量。栓皮栎Quercus variabilis是壳斗科Fagaceae栎属Quercus落叶乔木,是中国温带、暖温带和亚热带地区森林植被的优势树种,是生产木材、软木、栲胶、薪炭、食用菌等的主要原料,也是发展燃料乙醇重要的“非粮”原料[8],具有很高的经济价值。作为提供大径级无节良材的珍贵乡土树种,栓皮栎在中国水源涵养、水土保持、改善生态环境方面发挥重要的作用[9-10]。栓皮栎在天然林中种群更新困难,育苗成活率低,苗木质量不高,因此深入开展栓皮栎水肥需求规律的研究,对于提高出圃栓皮栎苗木质量具有重要意义。目前,关于栓皮栎苗期水肥需求的研究,主要涉及水分和氮肥单因素及交互效应对苗木生长和养分状况的影响[11-13]。磷、钾肥对植物的生长同样具有重要作用,是植物必需的营养元素之一[7],但磷、钾元素如何影响栓皮栎苗木生长的研究尚未有相关报道,且有关水肥交互效应如何影响苗高、地径、根系生物量等重要苗木质量指标的研究较少,无法制定精准的灌溉施肥制度。本研究以栓皮栎当年生幼苗为研究对象,采用4因素5水平二次回归通用旋转组合设计进行盆栽试验,通过水肥耦合处理对苗木生长指标的测定,建立其与土壤水分、施氮量、施磷量、施钾量的回归模型,探讨栓皮栎生长对水肥耦合的响应规律,重点探究各生长指标的水肥耦合交互效应,确立最佳水肥组合,以期为栓皮栎苗期的水分管理和合理施肥提供理论依据。
-
于2018年4−11月在中国林业科学研究院科研温室(40°00′10″N,116°14′38″E)中进行试验。海拔61 m,研究期间平均气温为24.0 ℃,夜间气温不低于10.0 ℃,白天气温不高于30.0 ℃,光合光子照度为200~1 000 μmol·m−2·s−1,湿度为60%~70%。
-
2017年9−10月,于河南林州随机选取50株健康栓皮栎母树,母树间距不小于20 m,采集到的种子用60 ℃温水持续浸泡2 h杀虫处理后置于阴凉处阴干。对种子进行筛选、消毒,将成熟种子进行沙藏储存。2018年4月挑选已发芽的栓皮栎种子断根并播种,种子播在花盆(内径10 cm,高20 cm)内,培养基质为V(泥炭土)∶V(珍珠岩)=5∶3,基质容重为0.28 g·cm−3,田间持水量18.5%,pH 6.05,速效氮、速效磷、速效钾质量分数分别为74.67、27.17、11.63 mg·kg−1。
种子播种后到幼苗出苗整齐,统一采用上方喷灌,每天喷水1次,使基质保持湿润。出苗后每隔1周喷洒质量浓度为0.1%的50%多菌灵可湿性粉剂。在培育过程中,采用自然光,所有苗木每周进行1次位置轮换,以减少边缘效应。待5月中旬出苗整齐后开始进行试验,试验处理前测定苗木平均高度和地径分别为16.8 cm和2.09 mm。肥料选用氮肥(尿素,含质量分数为46%的氮)、磷肥(磷酸二氢钠,含质量分数为26%磷)、钾肥(硫酸钾,含质量分数为50%钾)。
-
采用4因素5水平二次回归通用旋转设计(RCCD),共30个处理。各试验因素和水平编码值见表1,试验结构矩阵见表2。土壤含水率上限设为田间持水量。采用FOM/mts便携式土壤湿度、温度和盐度计测量土壤水分,同时结合称量法进行校正。3 d测定1次土壤含水率,测定时将传感器的探针插入基质中进行测定,得到体积含水量,根据土壤容重,经换算得到质量含水率,测得土壤含水率(占田间持水量的比例)低于下限则灌水。灌水量(mL)=[(田间持水量−土壤含水率)/容重]×盆土质量/水的密度。于5月底到7月底,7 d施氮肥1次,共10次,15 d施1次磷肥和钾肥,共5次[13]。每次施肥量固定,对苗木进行水分补充时将肥料溶于水中施入。此期间为栓皮栎苗木的速生期,水溶肥少量多施,符合植物根系不间断吸收养分的特点,以减少一次性大量施肥造成肥料损失。
表 1 试验因素和水平编码值
Table 1. Coded and physical values of experimental factors
编码水平 土壤含水
率/%施氮量/
(mg·株−1)施磷量/
(mg·株−1)施钾量/
(mg·株−1)−2.0 40 0 0 0 −1.0 50 75.0 15.0 15.0 0 60 150.0 30.0 30.0 1.0 70 225.0 45.0 45.0 2.0 80 300.0 60.0 60.0 表 2 结构矩阵和各处理栓皮栎苗木生长情况
Table 2. Experimental design matrix and growth of Q. variabilis seedlings under different treatments
处理 x1 x2 x3 x4 苗高/cm 地径/mm 根干质量/g 生物量/g 叶面积/cm2 1 −1.0 −1.0 −1.0 −1.0 31.97±0.56 h 3.46±0.11 cd 3.45±0.03 k 6.69±0.18 de 291.93±3.41 g 2 1.0 −1.0 −1.0 −1.0 38.80±0.85 cd 3.82±0.20 bc 4.57±0.02 e 8.53±0.25 bc 364.24±7.36 de 3 −1.0 1.0 −1.0 −1.0 30.07±0.75 i 3.92±0.10 bc 3.84±0.03 i 6.90±0.23 de 274.35±4.79 h 4 1.0 1.0 −1.0 −1.0 40.20±0.77 c 4.15±0.17 ab 5.21±0.04 b 9.71±0.12 b 397.33±10.49 c 5 −1.0 −1.0 1.0 −1.0 29.47±0.73 i 3.42±0.13 d 3.66±0.02 j 6.47±0.41 de 275.37±5.81 h 6 1.0 −1.0 1.0 −1.0 39.03±0.92 cd 3.93±0.19 bc 4.74±0.05 d 9.18±0.10 bc 370.65±7.67 de 7 −1.0 1.0 1.0 −1.0 30.92±0.64 hi 3.83±0.16 bc 4.10±0.03 h 7.33±0.18 cd 298.80±10.18 g 8 1.0 1.0 1.0 −1.0 42.27±0.98 b 4.24±0.20 ab 5.81±0.04 a 10.79±0.11a 426.75±13.37 b 9 −1.0 −1.0 −1.0 1.0 28.90±0.76 i 3.72±0.10 c 3.48±0.03 k 6.18±0.17 de 259.70±11.61 i 10 1.0 −1.0 −1.0 1.0 37.00±0.91 e 4.10±0.09 ab 4.56±0.05 e 8.65±0.11 bc 360.34±5.49 e 11 −1.0 1.0 −1.0 1.0 31.30±0.54 hi 3.66±0.13 cd 3.80±0.03 i 6.82±0.16 de 276.32±9.52 h 12 1.0 1.0 −1.0 1.0 39.33±0.85 cd 4.03±0.14 b 5.29±0.02 b 9.95±0.18 ab 390.31±6.27 cd 13 −1.0 −1.0 1.0 1.0 30.77±0.66 hi 3.61±0.11 cd 3.20±0.02 l 5.88±0.39 e 249.13±6.11 i 14 1.0 −1.0 1.0 1.0 38.97±0.82 cd 4.16±0.17 ab 4.67±0.04 d 8.94±0.11 bc 367.71±11.04 de 15 −1.0 1.0 1.0 1.0 30.77±0.60 hi 3.45±0.12 cd 3.78±0.01 i 6.96±0.45 de 294.75±8.29 g 16 1.0 1.0 1.0 1.0 44.57±0.95 a 4.04±0.20 b 5.75±0.03 a 10.99±0.12 a 445.03±13.33 a 17 −2.0 0 0 0 26.03±0.67 j 3.44±0.14 cd 2.60±0.06 m 4.85±0.35 e 245.46±5.69 i 18 2.0 0 0 0 43.13±0.99 b 4.34±0.26 a 5.72±0.05 a 10.69±0.35 ab 439.87±11.94 ab 19 0 −2.0 0 0 33.27±0.74 g 3.61±0.17 cd 3.77±0.04 i 7.10±0.19 c 272.22±7.48 hi 20 0 2.0 0 0 36.37±0.70 ef 3.82±0.15 bc 4.87±0.04 c 8.85±0.18 bc 339.81±8.12 f 21 0 0 −2.0 0 31.53±0.64 h 3.88±0.16 bc 4.13±0.04 h 7.48±0.18 c 327.63±4.80 f 22 0 0 2.0 0 33.97±0.77 g 3.91±0.19 bc 4.50±0.03 ef 8.30±0.20 bc 334.72±10.71 f 23 0 0 0 −2.0 35.50±0.81 f 3.92±0.17 bc 4.42±0.04 f 8.07±0.19 bc 335.99±10.88 f 24 0 0 0 2.0 36.33±0.58 ef 3.88±0.17 bc 4.30±0.03 g 7.95±0.31 c 330.40±12.97 f 25 0 0 0 0 37.87±0.89 de 4.00±0.22 bc 4.67±0.03 de 8.84±0.18 bc 376.50±9.18 d 26 0 0 0 0 36.77±0.69 ef 4.10±0.15 ab 4.45±0.04 f 8.44±0.20 c 356.43±4.59 e 27 0 0 0 0 38.53±0.78 d 4.05±0.12 b 4.80±0.03 cd 9.05±0.19 bc 397.25±4.30 c 28 0 0 0 0 39.33±0.82 cd 4.00±0.16 bc 4.70±0.03 d 8.82±0.19 bc 394.06±12.09 c 29 0 0 0 0 37.80±0.70 de 3.90±0.13 bc 4.87±0.04 c 9.09±0.21 bc 386.09±9.43 cd 30 0 0 0 0 39.77±0.81 cd 3.91±0.09 bc 4.70±0.04 d 8.85±0.17 bc 394.45±6.87 c 说明:x1、x2、x3、x4分别表示土壤含水率、施氮量、施磷量和施钾量的水平编码值;表中数值为平均值±标准误;不同小写字母代 表各处理间苗木苗高、地径和生物量在0.05水平上差异显著 -
2018年10月测量每处理苗木的苗高、地径,并对苗木进行破坏性取样。使用LI-3000(LI-COR Inc.,美国)测定叶面积,每处理测15株。随后将待测植株分成根、茎、叶,置于烘箱105 ℃杀青30 min,80 ℃烘干至恒量,称量。用Excel 365和SPSS 23.0进行数据整理,采用Design Expert 8.0.6与Matlab 2018建立模型并进行回归分析和回归系数显著性检验。各指标与土壤含水率和施肥量的回归分析采用如下模型:
$$\begin{split} y{\rm{ = }}&{b_0}{\rm{ + }}{b_1}{x_{\rm{1}}} + {b_2}{x_2} + {b_3}{x_3}{\rm{ + }}{b_4}{x_4} + {b_1}{b_2}{x_1}{x_2} + {b_1}{b_3}{x_1}{x_3}{\rm{ + }}{b_1}{b_4}{x_1}{x_4} + {b_2}{b_3}{x_2}{x_3} + \\ & {b_2}{b_4}{x_2}{x_4} + {b_3}{b_4}{x_3}{x_4} + {b_{11}}{x_1}^2 + {b_{22}}{x_2}^2 + {b_{33}}{x_3}^2 + {b_{44}}{x_4}^2 \text{。} \end{split} $$ 式(1)中:y表示响应变量,x1、x2、x3、x4分别表示土壤含水率、施氮量、施磷量和施钾量的水平编码值,b表示回归系数[14]。
-
如表2所示:各处理苗木的苗高、地径的趋势总体一致,且存在显著差异(P<0.05)。低水、低肥处理生长量相对较低,其中处理17苗高、地径、单株叶面积数值最低。高水、高氮处理生长量较大,其中处理8、处理16、处理18苗高为40.20~44.57 cm,处理4、处理8、处理18地径为4.15~4.34 mm。处理8、处理16、处理18的叶面积为426.75~445.03 cm2。总的来说,不同水肥配比对各指标的影响有一定差异,适宜的水肥配比可以促进苗木生长。
-
如表2所示:各处理苗木总生物量间存在显著差异,低水、低氮肥的处理生物量较低,其中处理17生物量最低。高水、高氮肥处理生物量较大,其中处理12、处理8、处理16、处理18生物量为9.95~10.99 g,处理8、处理16、处理18的根系生物量为5.72~5.81 g。适宜的灌溉和施肥量对苗木生物量有促进作用,土壤水分含量过低,施肥水平过高或过低都可能抑制苗木生长。
-
以栓皮栎苗木苗高、地径、叶面积、根干质量、总生物量为目标函数,土壤含水率、施氮量、施磷量和施钾量为自变量,运用方差分析和F-test对方程的可靠性和匹配程度进行检验,回归方程均为显著(P<0.05),R2为0.950 1~0.981 7,因此,模拟结果与实际情况拟合较好。剔除不显著的回归系数后,模型表达如下:
$${y_{\text{苗高}}} {\text{=}} 38{\rm{.34 \,+\, 4}}{\rm{.59}}{x_1} \,+\, 0.82{x_2} \,+\, 0.59{x_3} \,+\, 0.66{x_1}{x_2} + 0.61{x_1}{x_3} \,-\, 0.83{x_1}^2 \,-\, 0.70{x_2}^2 \,-\, 1.28{x_3}^2 - 0.49{x_4}^2\text{;}$$ (2) $${y_{\text{地径}}} {\text{=}} 3{\rm{.990 \,+\, 0}}{\rm{.220}}{x_{\rm{1}}} \,+\, 0.063{x_2}{\rm{ \,+\, }}0.046{x_1}{x_3} - 0.120{x_2}{x_4} \,-\, 0.026{x_1}^2 \,-\, 0.070{x_2}^2 \,-\, 0.026{x_3}^2 - 0.024{x_4}^2\text{;}$$ (3) $$ \begin{split} \!\!\!\!\!\!{y_{\text{叶面积}}}\,{\text{=}}\, &{\rm{ 384}}{\rm{.13 \,+\, 53}}{\rm{.78}}{x_1} \,+\, 16.66{x_2} \,+\, 5.33{x_3} \,+\, 8.03{x_1}{x_2} \,+\, 8.77{x_2}{x_3}\, -\, 9.42{x_1}^2 \,-\, 18.59{x_2}^2 \,-\, 12.30{x_3}^2 - \\ & 11.79{x_4}^2\text{;} \end{split} $$ (4) $$ \begin{split} {y_{\text{根干质量}}} {\text{=}} & 4{\rm{.700 + 0}}{\rm{.730}}{x_1} + 0.310{x_2} + 0.094{x_3} + 0.110{x_1}{x_2} + 0.074{x_1}{x_3} + 0.067{x_2}{x_3} - 0.120{x_1}^2 - 0.081{x_2}^2 - \\ & 0.083{x_3}^2 - 0.071{x_4}^2\text{;} \end{split} $$ (5) $$ \begin{split} {y_{\text{生物量}}} {\text{=}} & 8{\rm{.85 + 1}}{\rm{.47}}{x_1} \,+\, 0.52{x_2} \,+\, 0.20{x_3} \,+ \,0.21{x_1}{x_2}\, +\, 0.19{x_1}{x_3} + 0.12{x_1}{x_4} + 0.14{x_2}{x_3} - 0.23{x_1}^2 - 0.18{x_2}^2 -\\ & 0.20{x_3}^2 - 0.17{x_4}^2\text{。} \end{split} $$ (6) 式(2)~(6)中,y表示响应变量,x1、x2、x3、x4分别表示土壤含水率、施氮量、施磷量和施钾量的水平编码值。
-
土壤含水率、施氮量、施磷量对苗高、单株叶面积、根干质量、生物量有显著正效应,效应从高到低依次为土壤含水率、施氮量、施磷量;土壤含水率、施氮量对地径有显著正效应,且土壤含水率效应高于施氮量。施钾量对所有指标的效应不显著,施磷对地径无显著效应。此外,土壤含水率×施氮量、土壤含水率×施磷量对苗高有显著正交互效应,且后者大于前者;土壤含水率×施磷量对地径有显著正交互效应,施氮量×施钾量有显著负交互效应,且施氮量×施钾量的负效应大于土壤含水率×施磷量的正效应;土壤含水率×施氮量、施氮量×施磷量对单株叶面积有显著正交互效应,且后者大于前者;土壤含水率×施氮量、土壤含水率×施磷量、施氮量×施磷量、土壤含水率×施钾量对生物量有显著正交互效应,且从高到低依次为土壤含水率×施氮量、土壤含水率×施磷量、施氮量×施磷量、土壤含水率×施钾量;土壤含水率×施氮量、土壤含水率×施磷量、施氮量×施磷量根系生物量有显著正交互效应,且从高到低依次为土壤含水率×施氮量、土壤含水率×施磷量、施氮量×施磷量。土壤含水率和施氮量的交互效应对植物的生长影响更大。
-
为了更直观地分析水肥因素对生长的影响效应,对回归模型进行降维处理,分析各个因素对苗高、地径、单株叶面积、根干质量、生物量的单独效应。如图1所示:氮、磷和钾效应对各指标的影响均为抛物线形状,呈现出先增加后减小的变化趋势,符合“报酬递减”的规律,但各指标达到峰值时对应的土壤水分、施肥量因子不同。当土壤含水率达到一定程度(x1=1.0)时,增长速率减缓。5个指标均随着施氮量的增加而显著增加,当施氮量达到一定水平(x2=1.0)时,苗木的生长会受到抑制,开始出现下降的趋势。磷肥对各指标的影响趋势为先促进后抑制,x3=0.5时,开始对根系生长和总生物量产生抑制作用。在较低水平(x4=−0.5)的钾肥下5个指标均可达到最高值,且x4=2.0时比不施钾肥的苗木生长量和生物量更小。土壤水分对幼苗的生长影响更大,其次为氮肥。增加土壤水分和施肥量可以显著促进幼苗的生长和生物量的积累,但过度灌溉和施肥会限制幼苗生长。
-
根据各指标的回归方程,对其中效应显著的交互项做耦合效应分析。如图2所示:土壤含水率×施氮量、土壤含水率×施磷量对苗高有显著正效应。苗高随着土壤含水率和施氮量的增加而显著增加,当x1=−2.0、x2=1.5时,苗高达到最大,为45.79 cm。低水分条件下,低磷肥和高磷肥均不利于苗高生长,苗高随着水分和磷肥同时增加而增大,达到一定程度时增加速率减缓,当x1=2.0、x3=0.7时,苗高最大可达44.84 cm。土壤含水率×施磷量对地径有显著正效应。水分较低时,磷肥过高或者过低都会抑制地径生长。水分较高时,添加适量磷肥有利于地径生长,当x1=2.0、x3=1.6,地径可达4.40 mm。施氮量×施钾量对地径有显著负效应,氮肥和钾肥都较低时地径生长受到抑制,但随着氮肥的增加,添加少量钾肥可以促进地径的增加,随后继续添加钾肥会对地径产生显著的抑制作用。
图 2 水肥耦合对栓皮栎苗木苗高、地径、叶面积、根干质量的影响
Figure 2. Coupling effects of water and fertilizeron stem height, ground diameter, leaf area, root weight of Q. variabilis seedlings
如图2所示:土壤含水率×施氮量、施氮量×施磷量对叶面积有显著正效应。单株叶面积随着水分和氮肥的增加而逐渐增大,当x1=2.0、x2=0.9时,单株叶面积达到最大为467.00 cm2。氮肥和磷肥的交互效应相比水氮交互效应小,且随着氮肥和磷肥的增加,单株叶面积先增加后降低,当x2=0.5、x3=0.4时,单株叶面积最大达到390.00 cm2。
如图2所示:土壤含水率×施氮量、土壤含水率×施磷量、施氮量×施磷量对根干质量有显著正效应。随着水分和氮肥的同时增加,根干质量逐渐增大,水分较氮肥的影响更大,当x1=2.0、x2=2.0时,根干质量达到最大为6.40 g。水磷交互作用较水氮交互作用小,随着磷肥和水分的增加,根干质量逐渐增大,当x1=2.0、x3=1.2时,根干质量可达最大,为5.80 g。肥料之间的交互作用较水分和肥料的交互作用小,氮肥和磷肥均处于较低水平时根干质量较小,随着施肥量的增加,根干质量呈现出先增大后减小的趋势,当x2=1.3、x3=1.0时,根干质量可达最大为5.10 g。
如图3所示:土壤含水率×施氮量、土壤含水率×施磷量、土壤含水率×施钾量、施氮量×施磷量对苗木生物量有显著正效应。低水分和氮肥苗木的生物量较小,随着水分和氮肥的增加,生物量逐渐增大,当x1=2.0、x2=2.0时,植株生物量可达到11.95 g。低磷肥和高磷肥均能抑制苗木生长,随着水分和磷肥的增加,生物量呈现先增加后减小的变化趋势,直到x1=1.9、x3=1.4,生物量可以达到11.20 g。低钾肥和高钾肥均会抑制苗木生长,且在低水和高钾肥的条件下生物量较小,当x1=2.0、x4=0.5时,生物量最高可达10.88 g。氮和磷肥的交互作用相对水肥交互作用的影响小,且生物量随施氮量和施磷量的增加先增大后减小;在低水分条件下,过高的磷、钾肥比低磷、钾肥更易对生物量产生抑制作用,当x2=1.7、x3=1.0时,生物量达到最大为9.43 g。适宜的水肥比有利于苗木生长和生物量的积累。
-
综合各个指标进行多目标决策模型分析,在各因素取−2.0≤x≤2.0时,用计算机对模型进行模拟寻优,以寻求可促进栓皮栎生长量最大化的最佳水肥条件组合。得出当x1=1.9,x2=1.3,x3=0.8,x4=−0.9,即土壤含水率为79%,施氮量为215.3 mg·株−1,施磷量46.0 mg·株−1,施钾量为18.1 mg·株−1,苗木生长可达最优,苗高可达45.14 cm,地径达4.40 mm,根干质量达6.30 g,生物量达11.70 g,单株叶面积可达460.83 cm2。
-
土壤水分和养分(氮、磷、钾)是影响植物生长的重要因素且发挥着不同的作用[15-16],并与植物生理生长紧密相关,对植物的生物量积累、光合作用、营养分配和根系生长有着显著影响[17]。本研究中水分、氮肥和磷肥对苗木生长有着显著影响,并且水分大于施氮量和施磷量的影响,这与之前研究结论类似[18-20]。本研究中测定的5个指标均随着土壤含水率的增加而快速增长,当土壤含水率达到一定程度(70%)时,增长速率减缓。5个指标均随着施氮量的增加而显著增加,当施氮量达到一定水平时(大于225.0 mg·株−1),苗木生长减缓,各指标开始出现下降的趋势。磷肥大于45.0 mg·株−1,开始对苗木生物量产生抑制作用。5个指标均在较低水平的钾肥(22.5 mg·株−1)下达到最高值,但钾肥单因素影响较其他3个因素的影响不显著。这说明合理增施肥料可促进栓皮栎苗木生长发育,施肥量过高会导致土壤水分亏缺,此时再施加肥料会产生拮抗效应,引起水分胁迫,进而使苗木生长受阻。
-
水分与肥料之间的互作效应对栓皮栎苗木的生长影响显著。在一定范围内,土壤含水率×施氮量、土壤含水率×施磷量能产生正向协同效应。高水分和高氮肥有利于栓皮栎的生长,这与杨自立[13]的研究结果不同,可能是因为样地条件和种源地不同而导致的苗木间的差异。然而,水氮交互能够显著影响其他树种的生长状况,如土壤含水率×施氮量对楸树苗高、地径、叶面积、生物量有显著正效应,土壤含水率×施磷量对楸树苗高有显著正效应[7];土壤含水率×施氮量对尾巨桉Eucalyptus urophylla × E. grandis生物量具有显著正效应[21]。干旱环境中土壤养分会对植物生长产生互作影响,在水分亏缺的条件下,施肥可以提高植物的耐旱能力[22],如通过氮磷等养分的施入可以补偿小麦Triticum aestivum水分亏缺产生的不良反应,使生长抑制现象得到一定缓解[23]。但也有研究表明,施肥会加剧植物生长后期的水分胁迫[24]。本研究中,土壤含水率×施磷量除叶面积外,对其他4个指标均有显著交互正效应,且在低水分条件下,添加高磷肥比低磷肥更能抑制苗木生长。土壤含水率×施钾量对生物量有正向协同效应,低水分条件下施加氮肥可促进生物量积累,过量施加钾肥会明显产生拮抗作用。较高水分条件下,施加高氮肥、磷肥可促进苗木生长、根生物量和总生物量增加,低钾肥可促进地径增加和生物量的积累。原因是土壤水分增加时,土壤中的有机氮会矿化为更利于植物吸收的铵态氮和硝态氮,让有机态磷矿化为植物可以吸收的无机态磷,并增强钾元素的移动性。而土壤水分缺乏时,各营养元素进入根部会受到影响,各组织中的元素比例会失调,进而植物生长受到抑制[25]。随着水分的增加,适宜的施肥量能够很快促进苗木生长,而养分过量和亏缺都会对植株生长造成伤害。MARIS等[26]研究表明:土壤水分能促进植物对养分的吸收,且在很大程度上决定着养分的吸收,土壤中的养分只有溶解在水中才能被植物吸收,充足的灌溉能显著提高养分吸收的有效性。
-
除不同肥料与水分之间存在交互效应外,不同肥料之间也存在交互效应。水曲柳Fraxinus mandschurica苗木在氮、磷供给失衡的情况下,不能调整氮磷营养资源,单株总生物量显著下降[27]。枣树Ziziphus jujuba施肥试验也表明:钾肥可促进氮肥的增产,但两者之间存在拮抗效应[28]。此外,在低氮肥条件下,少量的磷肥可使叶面积、根干质量和总生物量达到最大,再继续添加磷肥会对苗木生长产生抑制作用,这与徐有明等[29]对湿地松Pinus elliottii幼林研究的结论类似。在较高水平的氮肥下,适当添加磷肥可促进叶面积、根干质量和总生物量的增加。钾肥与氮肥交互对地径有负效应,即随着氮肥的增加,继续添加钾肥会对地径产生显著抑制效应。原因可能是栓皮栎幼苗对钾肥需求量较小,栓皮栎种子中所含的营养元素已经能够满足其当年生长过程对钾的需求,因此再施用钾肥不会对地径生长产生促进作用。有研究发现:钾肥能缓解氮肥过量所引起的有害作用[30],这也可能是钾肥产生负效应的原因,但具体原因还有待进一步研究。由此可见,在栓皮栎苗期,应当给予苗木充足的水分,适宜的氮肥和磷肥,在此基础上施加少量钾肥即可满足苗木生长的需求。单一种类的肥料并不能满足苗木生长的需求,需要各种肥料混合以适当的配比进行使用,并供给苗期充足的水分,从而促进植物更好地吸收养分,提高苗木的生长量。
-
土壤水分和氮肥是影响栓皮栎苗木的主要因子,而土壤水分是限制苗木生长的最主要因素。高水和高氮肥可以促进苗木吸收磷和钾,总体而言钾肥对苗木的增产效应较小。因此,本研究综合考虑单因素以及因素之间的耦合效应,对模型进行多目标决策分析得到:栓皮栎苗木苗高、地径、单株叶面积、根干质量和生物量的最大值出现在高水(田间最大持水量的79%),高氮肥(215.3 mg·株−1),高磷肥(46.0 mg·株−1),低钾肥(18.1 mg·株−1)的条件下。
Coupling effects of soil water and fertilizer application on the growth of Quercus variabilis seedlings
-
摘要:
目的 探讨栓皮栎Quercus variabilis当年生苗木的苗高、地径、单株叶面积、根干质量、生物量积累对水肥耦合的响应规律,并确立最佳的灌溉施肥组合。 方法 采用4因素5水平二次回归通用旋转组合设计(RCCD),建立各指标与土壤含水率、施氮量、施磷量和施钾量回归模型,分析各因子的主效应、单因素和耦合效应对生长的影响。 结果 ①对苗高、地径、单株叶面积、根干质量、生物量的方差分析表明,各指标的不同处理间存在显著差异(P<0.05),处理8、处理16、处理18苗木生长情况较好。②模型检验结果表明:土壤含水率和施氮量对5个指标均有显著正效应,施磷量对地径无显著效应,施钾量对各指标均无显著效应,主效应从大到小依次为土壤含水率、施氮量、施磷量和施钾量。③单因素效应表明:各指标随着施肥量的增加均呈现出类似“抛物线”的变化趋势,生长速率随着土壤含水率的增加而增加,到一定程度时速率减缓。④耦合效应表明:土壤含水率×施氮量对苗高、生物量、叶面积、根干质量有显著正效应,土壤含水率×施磷量对苗高、地径、根干质量、生物量有显著正效应,土壤含水率×施钾量对生物量有显著正效应,施氮量×施磷量对叶面积、根干质量、生物量有显著正效应,施氮量×施钾量对地径有显著负效应,水肥间的耦合效应大于肥料间的耦合效应。 结论 栓皮栎苗期水肥需求量从大到小依次为土壤含水率、施氮量、施磷量和施钾量,适宜的水分和施肥配比可促进苗木生长。高水、高氮、高磷、低钾条件下苗木生长情况更好。水肥调控的最佳组合为:土壤含水率为田间最大持水量的79%,氮、磷、钾用量分别为215.3、46.0、18.1 mg·株−1,苗木的苗高可达到45.14 cm,地径达到4.40 mm,根干质量达到6.30 g,生物量达到11.70 g,单株叶面积可达460.83 cm2。图3表2参30 Abstract:Objective The aim is to investigate the response of stem height, ground diameter, leaf area, root weight and biomass accumulation of the seedlings of Quercus variabilis to the coupling of water and fertilizer, and to establish optimal combination of irrigation and fertilization. Method The four-factor-five-level quadratic regression general rotatable central composite design(RCCD) was employed to establish the regression model of each index and soil moisture (W), nitrogen (N), phosphorus (P) and potassium (K), with an analysis conducted of the main effect, monofactor and coupling effect of each factor on growth. Result (1)With the variance analysis of the stem height, ground diameter, leaf area, root weight and biomass, it was found that there is a significant divergence in the treatment of various factors (P<0.05) and the growth of seedling 8,16 and18 is the most favorable. (2) The model test results show that W and N have significant positive effect on all 5 indexes, P has no significant effect on ground diameter, K has no significant effect on any indexes, and there is a decrease of the main effect: W>N>P>K. (3) In terms of monofactor effect, it was shown that all the indexes presented a trend of first increase and then decrease with the increase of fertilizer application, in the path of a parabola. There was a gradual growth of the seedling with the increase of W before the a drop occurred in the growth rate. (4) With the anlaysis of the coupling effect, it was found that W×N has significant positive effects on stem height, root weight, biomass and leaf area, W×P has significant positive effects on stem height, ground diameter, root weight and biomass, W×K has significant positive effects on biomass, and N×P has significant positive effects on root weight, leaf area and biomass, N×K has significant negative effects on the ground diameter and the coupling effect between water and fertilizer is greater than that between fertilizers. Conclusion In conclusion, the water and fertilizer demand in the seedling stage of Q. variabilis is W>N>P>K, and suitable water and fertilizer ratio can promote the growth of seedlings. Seedlings grow better with conditions of high water, high nitrogen, high phosphorus and low potassium fertilizer. The optimal combination of water and fertilizer regulation was as follows: soil water content was 79% of the maximum field moisture capacity, nitrogen application was 215.3 mg·plant−1, phosphorus application was 46.0 mg·plant−1, potassium fertilizer application was 18.1 mg·plant−1, with seedling height reaching 45.14 cm, ground diameter reaching 4.40 mm, root weight reaching 6.30 g·plant−1,biomass reaching 11.70 g· plant−1, and leaf area reaching 460.83 cm2. [Ch, 3 fig. 2 tab. 30 ref.] -
植物病害是导致现代农林业减产的主要原因,及时准确的植物病害识别技术是实施有效防治的关键。在实际生产中,植物病害识别主要依靠人工肉眼观察及经验判断,需要人们在实地进行持续监测[1-2]。这种人工评估方法耗时费力且具有一定的主观性,阻碍了现代农林业的快速发展,因此,快速准确的植物病害自动识别成为了精准农业、高通量植物表型和智能温室等领域的研究热点[3-4]。基于图像处理的植物病害识别方法得到了广泛的研究和应用。早期的识别过程需要从图片中分割病斑,人工提取病斑特征,再利用机器学习算法对特征进行分类。HIARY等[5]提取病斑的纹理特征,采用k-means聚类算法和人工神经网络(artificial neural network,ANN)对5种植物病害进行识别,准确率达94%。TIAN等[6]提出用基于支持向量机(support vector machine,SVM)的多分类器识别小麦Triticum aestivum叶部病害。秦丰等[7]对4种苜蓿Medicago叶部病害进行识别研究,分析比较了多种分割方法、特征选择和分类方法。虽然以上方法在特定场景取得了较好效果,但仍无法实现病害的现场实时诊断。这些方法极大程度上基于阈值的病斑分割算法,对亮度、物体形态和遮挡程度都非常敏感[8−9],都只适合背景单一且对比度高的扫描式图像。此外,特征提取和选择复杂耗时,仅局限于有限几种病害,难以处理复杂背景的大数据。近年来,深度学习在计算机视觉领域取得重大突破。深度卷积网络神经网络(convolutional neural network,CNN)可在大数据中自动端到端提取特征,避免了人工图像分割和特征工程[10]。MOHANTY等[11]针对PlantVillage数据集[11] 54 306张植物病害图像,使用AlexNet[12]和GoogLeNet[13]识别38种植物病害。孙俊等[14]在同样的数据集上,将AlexNet进行改进,提出一种批归一化与全局池化相结合的识别模型。龙满生等[15]采用参数精调的迁移学习方式训练AlexNet,用于油茶Camellia oleifera病害图像识别。张建华等[16]基于改进的VGG16模型,通过迁移学习实现自然条件下棉花Anemone vitifolia病害图像分类。DECHANT等[17]提出了集成多个CNN的方法,实现玉米Zea mays大斑病图像的高精度识别。PICON等[18]利用深度残差网络ResNet对3种早期小麦病害进行识别,改善了复杂背景下的病害识别率。通常深度学习模型部署在云平台,需要将拍摄图像上传至云平台进行识别。但这种方法严重依赖高速的4G/5G无线网络和强大的云平台,不仅无法覆盖广大偏远农田林地,长时间大范围的上传与识别还导致能耗、流量及云服务成本大幅上涨,限制了物联网的建设规模。然而,目前的监控设备借助低成本低功耗加速芯片,即可支持边缘计算,仅在发现病害时通过低功耗广覆盖的NB-IoT网络[19]上报,可显著降低网络及云服务成本,促进大规模的农林业物联网普及。但现有的CNN模型计算量和参数量过大,不适用于边缘部署。轻量级模型MobileNet[20]在速度和精度两者间达到了一个较好的均衡,但其目标平台是手机等高端嵌入式平台,参数量及运算量仍超过PaddlePi等廉价边缘设备的承受能力。近年来,学术界也提出了多种模型压缩方法。模型通道剪枝[21]剪裁掉模型一部分冗余或低权重的卷积核,减少模型的参数量。量化[22]将模型由32 bit浮点数转化为定点整数,减少模型参数占用的空间。然而上述压缩方法仅应用于ResNet等重量级模型,尚未对MobileNet等轻量级模型压缩进行优化,而且这些压缩方法彼此相互独立,未能联合使用实现模型的深度压缩。为解决上述问题,本研究提出了面向边缘计算的植物病害识别模型构建方法,主要贡献为:①首次针对轻量级模型MobileNet实现深度压缩。②通过联合通道剪枝、量化等多种模型压缩方法,得到了深度压缩的轻量级边缘端模型,可在廉价边缘节点运行。③将模拟学习方法[23]与量化相结合,实现模型压缩的同时,提升识别效果,最后得到的边缘端模型可达到与原模型相近的识别准确率。
1. 材料与方法
1.1 材料
本研究使用PlantVillage植物病害数据集。PlantVillage既包含单一背景下的植物叶片扫描式图像,也收录自然背景下的植物叶片图像,包括叶片重叠、阴影和土壤干扰等情形。截至目前已收集了87 280张图像,包括25种植物和29种病害组成的58类植物-病害组合(图1)。
数据集按图1所示的编号将各种叶片归类并制作标签。随机抽取数据集中60%图像作为训练集,剩余的40%作为测试集。单一背景图像与自然背景图像使用相同的分割比例。由于PlantVillage数据集包含从不同角度对同一叶片拍摄的多张图像,因此相同叶片的图像仅存在于训练集或测试集中。
1.2 方法
选择轻量级卷积神经网络MobileNet[20]作为本研究的基准模型。MobileNet模型将传统的卷积分解为一个深度卷积(depthwise convolution,DC)和一个卷积核为1×1的逐点卷积(pointwise convolution,PC),计算速度比传统卷积快8~9倍,主要面向智能手机等高端嵌入式系统。为深度压缩MobileNet,本研究提出了如图2所示的面向边缘计算的植物病害识别模型二阶段构建方法。
第1阶段使用通道剪枝压缩迁移学习训练的MobileNet模型。与从头训练方法相比,迁移学习可以有效提升模型的识别准确率。迁移学习是用ImageNet数据集上预训练好的参数初始化模型,然后在PlantVillage数据集上通过标准多分类损失函数优化模型参数。最后使用基于L1范数的通道剪枝[21]精简低权值的卷积核,同时将该卷积核所有的输入输出连接从网络中删除,降低了模型计算量和存储空间。
第2阶段对剪枝后的模型通过量化方法进一步压缩,得到轻量级的边缘端模型。量化是将模型的权值和激活值由32 bit降低至8 bit,分为训练时量化和训练后量化。虽然训练时量化方法更适用于轻量级模型,但直接使用该方法压缩剪枝后的MobileNet模型仍会导致识别精度显著下降,因此第2阶段将模拟学习与训练时量化相结合,利用迁移学习的MobileNet监督剪枝后模型的量化训练过程,实现量化模拟学习,在模型压缩的同时提升识别准确率。
1.2.1 通道剪枝
模型通道剪枝采用均匀剪枝方法对MobileNet模型的分离卷积层进行通道剪枝,即每层都减掉同样比例的卷积核。依据需要减少模型的浮点运算数量(floating point operations, FLOPs)来确定每层的剪枝比例。计算各层中每个卷积核权值的绝对值和(即L1范数),L1范数越大,代表该卷积核对模型的贡献越大,反之越小。每层按L1范数由高到低的顺序排序卷积核,优先剪枝L1范数低的卷积核。为实现模型的深度压缩,需进行较高比例的通道剪枝,分别对模型减掉70%、80%和90%的FLOPs。
1.2.2 量化模拟学习
通常训练时,量化的损失函数是标准的多分类损失函数。量化模拟学习是用模拟学习损失函数作为训练时量化的损失函数。模拟学习方法使剪枝量化后模型的输出特征尽量接近迁移学习训练的MobileNet输出特征。利用2个输出特征之间的L2范数作为模拟损失函数,即:
$$ {L_{L_2}}\left( {{W_{\rm{s}}},{W_{\rm{t}}}} \right) =|| F\left( {x;{W_{\rm{t}}}} \right) - F\left( {x;{W_{\rm{s}}}} \right)||_2^2{\text{。}} $$ (1) 式(1)中:Wt和Ws分别是迁移学习训练的MobileNet和剪枝量化后模型的权值矩阵,F (x; Wt)和F(x; Ws)分别表示这2个模型的输出特征值。
剪枝量化后模型的输出特征再经Softmax归一化得到预测类别概率,与分类标签比较后得到交叉熵,作为标准多分类损失函数Lclass(Ws)。模拟学习的完整损失函数就是分类损失函数与模拟损失函数的权重和:
$$ L\left( W \right) = {L_{\rm{class}}}\left( {{W_{\rm{s}}}} \right) + \alpha {L_{{L}_{{\rm}2}}}\left( {{W_{\rm{s}}},{W_{\rm{t}}}} \right){\text{。}} $$ (2) 式(2)中:α为平衡损失权重的超参数。相较于普通多分类问题的损失函数,模拟学习方法可提供额外的监督信息。
将训练时量化方法与模拟学习相结合,实现量化模拟学习具体的训练步骤为:①在训练的前向传播中,将模型的权值wf和激活值af进行量化得到定点值wq和aq,对于浮点数x具体的量化过程为:
$$ {x_{{\rm{int}}}} = {\rm{round}}\left( {\frac{x}{\varDelta }} \right);\; {x_{\rm{Q}}} = {\rm{clamp}}\left[ { - \left( {\frac{N}{2} - 1} \right),\frac{N}{2} - 1,{x_{{\rm{int}}}}} \right]{\text{。}} $$ (3) xQ即为得到的量化值。其中:clamp函数对于输入的变量a,b,c输出为:
$$\begin{aligned} {\rm{clamp}}(a,b,c) & = a\;\;\;\;x {\text{≤}} a \\ & = x\;\;\;a {\text{<}} x {\text{≤}} b \\ & = b\;\;\;x {\text{>}} b\text{。} \end{aligned}$$ (4) 也就是将浮点数除以缩放因子Δ,再最近邻取整,最后把范围限制到1个区间内。N与量化后整数类型占用的比特数有关。本研究采用有符号8 bit整数类型,N=256。对于权值,每层权值的最大绝对值作为缩放因子。对于激活值,计算各训练批次激活的最大绝对值的滑动平均值作为缩放因子。②计算剪枝量化后模型对迁移学习训练的MobileNet进行模拟学习的损失函数,即计算公式(2),得到损失值L(wq)。③后向传播过程,利用步骤②得到的损失函数值对量化之后的权值求梯度,公式为
$ \dfrac{{{\rm{\partial}} L\left( {{w_q}} \right)}}{{{\rm{\partial}} {w_q}}}$ 。④用步骤③计算梯度去更新量化前的浮点值,也就是将模型的权值反量化回有误差的浮点类型。公式为$ {w_{\rm{f}}} = {w_{\rm{f}}} - v\dfrac{{{\rm{\partial}} L\left( {{w_q}} \right)}}{{{\rm{\partial}} {w_q}}}$ ,其中:ν为学习率。因此,模型的后向传播过程仍然是浮点数计算。⑤重复步骤①至步骤④,直至完成训练。最后再对模型按照步骤①量化,得到最终的边缘端模型。2. 结果与分析
模型实现和训练采用的软件环境为Ubuntu1 6.04操作系统和PaddlePaddle深度学习框架,硬件环境为GPU工作站,使用NVIDIA Titan X显卡(12 GB显存)和AMD Ryzen 7 1700X处理器(32 GB内存)。采用模型的平均识别准确率(accuracy)作为衡量模型精度的标准。同时为了更好地评价模型的鲁棒性,将每类病害样本分别进行测试,计算每个类别的查准率(precision)、查全率(recall)以及查全率与查准率的加权平均分数,并在所有类别上求平均。
2.1 MobileNet迁移学习训练试验
训练CNN模型需要对输入图片进行预处理。首先,利用数据增广技术对原图像进行变换,将训练图像变换为256×256大小,然后再随机剪枝成224×224,再进行随机水平翻转和随机垂直翻转。该过程极大扩充了训练数据集的多样性,可提升CNN模型的准确率,降低网络过拟合的风险。之后,计算训练集的红(R)、绿(G)、蓝(B)3个颜色通道的均值和方差,所有图像都减去该均值,除以方差,得到归一化后的数据作为CNN的输入,可加速训练过程收敛。对于测试集中的每一张图片,需要变换至224×224大小,减去训练集各通道均值,除以其方差进行归一化后就可以输入CNN模型进行识别。
利用迁移学习训练MobileNet,使用ImageNet数据集预训练的参数初始化模型,采用批量训练的方法将训练集分为多个批次(batch),使用随机梯度下降算法来实现模型优化,批次大小为32,遍历1次训练集中的所有图片作为1个周期(epoch),共迭代50个周期,初始学习率为0.005,动量值为0.9,之后每迭代20个周期就将学习率减小为原来的0.1倍。训练好的模型参数量为3.3 M,识别准确率为96.23%,查准率、查全率和加权平均分数分别为96.62%、95.46%和95.75%。
2.2 边缘端植物病害识别模型训练试验
研究不同压缩率下本研究方法的有效性,使用不同的剪枝率,分别对模型减掉不同比例的FLOPs。结果表明:当剪枝率低于60%时,即使使用无模拟训练方法重新训练模型,得到的识别准确率与原MobileNet模型差别很小,说明原模型在该数据集上具有较高的冗余性,只有当剪枝率高于70%时,才能体现不同压缩方法表现的差距。因此,设置剪枝率为70%、80%和90%,对应的模型参数量大小为0.91、0.58和0.23 M,模型的参数量压缩了3.6、5.7、14.3倍,量化又将精度由32 bit降低至8 bit,压缩率为4倍,得到的边缘端模型的整体压缩率分别为14.4、22.8和57.2倍。为快速恢复剪枝后模型精度,首先利用模拟学习损失函数进行30个周期的32 bit浮点模型训练,使用随机梯度下降算法优化模型,批次大小为32,初始学习率为0.005。之后,每迭代15个周期就将学习率减小为原来的0.1倍。公式(2)的α值设置为1。之后再进行20个周期的量化模拟学习,学习率为0.005,公式(2)的α值为0.1,其余超参数值不变。训练结果如表1所示。
表 1 边缘端模型植物病害识别结果Table 1 Plant disease recognition results of models on the edge剪枝率/% 参数量/M 剪枝压缩率/倍 量化压缩率/倍 整体压缩率/倍 准确率/% 查准率/% 查全率/% 加权平均分数/% 70 0.91 3.6 4 14.4 95.99 96.18 94.41 94.92 80 0.58 5.7 4 22.8 95.55 95.51 93.52 93.99 90 0.23 14.3 4 57.2 94.58 94.87 92.41 93.15 表1表明:整体压缩率分别为14.4、22.8和57.2倍的边缘端模型,识别准确率分别为95.99%、95.55%和94.58%,与迁移学习训练的MobileNet模型相比仅下降了0.24%、0.68%和1.65%。同时查准率、查全率和加权平均分数值也表明边缘端模型具有较高的鲁棒性。
不同压缩率的边缘端模型在测试集的混淆矩阵如图3所示。图3列出了58个类中的每类被正确分类的比例(对角线上的值)和被误识别为其他类的比例(非对角线上的值)。每类的编号与图1一致。可以看出:边缘端模型对不同植物的不同病害均具有较强的识别能力,但不同病害识别结果之间存在着较大的差异。58类病害中,这3个边缘端模型的识别准确率均超过90%的有43类,均超过80%的有51类,均超过70%的有55类。其中有11号哈密瓜健康叶、24号葫芦霜霉病、25号葡萄健康叶、39号树莓健康叶、46号草莓健康叶这5类的识别准确率在3个模型均达到了100%。识别效果最差,在3个模型上识别准确率几乎均低于70%的病害是12号木薯褐斑病(3个模型识别率分别为48.15%、58.33%、48.15%),35号马铃薯健康叶(3个模型识别率分别为48.33%、33.33%、48.33%),21号黄瓜健康叶(3个模型识别率分别为67.92%、66.04%、77.36%)。这些病害大多都被误识别为外形相似的其他病害,例如12号木薯褐斑病被误识别为13号木薯绿螨病,35号马铃薯健康叶被误识别为病斑较小的36号马铃薯晚疫病,21号黄瓜健康叶被误识别为11号哈密瓜健康叶。
2.3 边缘端植物病害识别模型对比试验
为进一步测试边缘端模型性能,分别在剪枝率70%、80%和90%的条件下,利用无模拟学习方法,即标准的多分类损失函数分别训练通道剪枝后模型和通道剪枝并量化模型,训练的超参数与本研究的训练超参数一致,与本研究模型进行对比实验。从表2可见:在不同的剪枝率的情况下,本研究模型与其他模型压缩方法相比均具有更高的模型压缩率和识别准确率,而且压缩率越高,识别准确率相比其他方法提升越明显,能更好识别植物病害类别并部署于边缘设备。
表 2 不同压缩方法边缘端模型植物病害识别结果Table 2 Plant disease recognition results of models on the edge compressed by different methods剪枝率/% 参数量/M 边缘端模型 精度/bit 压缩率/倍 准确率/% 70 0.91 剪枝+无模拟学习 32 3.6 95.48 剪枝+量化+无模拟学习 8 14.4 95.45 本研究模型 8 14.4 95.99 80 0.58 剪枝+无模拟学习 32 5.7 94.95 剪枝+量化+无模拟学习 8 22.8 94.92 本研究模型 8 22.8 95.55 90 0.23 剪枝+无模拟学习 32 14.3 93.40 剪枝+量化+无模拟学习 8 57.2 93.53 本研究模型 8 57.2 94.58 3. 结论
本研究针对边缘环境下计算资源的限制,在迁移学习训练的MobileNet模型基础上,联合使用2种压缩算法降低模型参数量和运算量,并结合模拟学习恢复识别精度,得到深度压缩的边缘端模型。在PlantVillage的实验结果表明:利用本研究方法对MobileNet进行不同程度的深度压缩,均能够大大减少网络计算量并保留原始识别能力。其中减少70%~90% FLOPs的模型,参数量压缩了3.6~14.3倍,再经过量化模拟学习后整体压缩率为14.4~57.2倍,准确率达到了95.99%~94.58%,较迁移学习训练的MobileNet模型仅降低0.24%~1.65%,同时还具有较高的鲁棒性,对不同植物的不同病害均具有较强的识别能力。实验结果证明了该压缩方法的可行性和有效性。
随着PlantVillage数据集的不断扩展,深度学习模型能更多更准地识别植物病害。本研究提出的模型构建方法可平衡识别的速度和精度,满足植物病害识别边缘部署的需求。
-
表 1 试验因素和水平编码值
Table 1. Coded and physical values of experimental factors
编码水平 土壤含水
率/%施氮量/
(mg·株−1)施磷量/
(mg·株−1)施钾量/
(mg·株−1)−2.0 40 0 0 0 −1.0 50 75.0 15.0 15.0 0 60 150.0 30.0 30.0 1.0 70 225.0 45.0 45.0 2.0 80 300.0 60.0 60.0 表 2 结构矩阵和各处理栓皮栎苗木生长情况
Table 2. Experimental design matrix and growth of Q. variabilis seedlings under different treatments
处理 x1 x2 x3 x4 苗高/cm 地径/mm 根干质量/g 生物量/g 叶面积/cm2 1 −1.0 −1.0 −1.0 −1.0 31.97±0.56 h 3.46±0.11 cd 3.45±0.03 k 6.69±0.18 de 291.93±3.41 g 2 1.0 −1.0 −1.0 −1.0 38.80±0.85 cd 3.82±0.20 bc 4.57±0.02 e 8.53±0.25 bc 364.24±7.36 de 3 −1.0 1.0 −1.0 −1.0 30.07±0.75 i 3.92±0.10 bc 3.84±0.03 i 6.90±0.23 de 274.35±4.79 h 4 1.0 1.0 −1.0 −1.0 40.20±0.77 c 4.15±0.17 ab 5.21±0.04 b 9.71±0.12 b 397.33±10.49 c 5 −1.0 −1.0 1.0 −1.0 29.47±0.73 i 3.42±0.13 d 3.66±0.02 j 6.47±0.41 de 275.37±5.81 h 6 1.0 −1.0 1.0 −1.0 39.03±0.92 cd 3.93±0.19 bc 4.74±0.05 d 9.18±0.10 bc 370.65±7.67 de 7 −1.0 1.0 1.0 −1.0 30.92±0.64 hi 3.83±0.16 bc 4.10±0.03 h 7.33±0.18 cd 298.80±10.18 g 8 1.0 1.0 1.0 −1.0 42.27±0.98 b 4.24±0.20 ab 5.81±0.04 a 10.79±0.11a 426.75±13.37 b 9 −1.0 −1.0 −1.0 1.0 28.90±0.76 i 3.72±0.10 c 3.48±0.03 k 6.18±0.17 de 259.70±11.61 i 10 1.0 −1.0 −1.0 1.0 37.00±0.91 e 4.10±0.09 ab 4.56±0.05 e 8.65±0.11 bc 360.34±5.49 e 11 −1.0 1.0 −1.0 1.0 31.30±0.54 hi 3.66±0.13 cd 3.80±0.03 i 6.82±0.16 de 276.32±9.52 h 12 1.0 1.0 −1.0 1.0 39.33±0.85 cd 4.03±0.14 b 5.29±0.02 b 9.95±0.18 ab 390.31±6.27 cd 13 −1.0 −1.0 1.0 1.0 30.77±0.66 hi 3.61±0.11 cd 3.20±0.02 l 5.88±0.39 e 249.13±6.11 i 14 1.0 −1.0 1.0 1.0 38.97±0.82 cd 4.16±0.17 ab 4.67±0.04 d 8.94±0.11 bc 367.71±11.04 de 15 −1.0 1.0 1.0 1.0 30.77±0.60 hi 3.45±0.12 cd 3.78±0.01 i 6.96±0.45 de 294.75±8.29 g 16 1.0 1.0 1.0 1.0 44.57±0.95 a 4.04±0.20 b 5.75±0.03 a 10.99±0.12 a 445.03±13.33 a 17 −2.0 0 0 0 26.03±0.67 j 3.44±0.14 cd 2.60±0.06 m 4.85±0.35 e 245.46±5.69 i 18 2.0 0 0 0 43.13±0.99 b 4.34±0.26 a 5.72±0.05 a 10.69±0.35 ab 439.87±11.94 ab 19 0 −2.0 0 0 33.27±0.74 g 3.61±0.17 cd 3.77±0.04 i 7.10±0.19 c 272.22±7.48 hi 20 0 2.0 0 0 36.37±0.70 ef 3.82±0.15 bc 4.87±0.04 c 8.85±0.18 bc 339.81±8.12 f 21 0 0 −2.0 0 31.53±0.64 h 3.88±0.16 bc 4.13±0.04 h 7.48±0.18 c 327.63±4.80 f 22 0 0 2.0 0 33.97±0.77 g 3.91±0.19 bc 4.50±0.03 ef 8.30±0.20 bc 334.72±10.71 f 23 0 0 0 −2.0 35.50±0.81 f 3.92±0.17 bc 4.42±0.04 f 8.07±0.19 bc 335.99±10.88 f 24 0 0 0 2.0 36.33±0.58 ef 3.88±0.17 bc 4.30±0.03 g 7.95±0.31 c 330.40±12.97 f 25 0 0 0 0 37.87±0.89 de 4.00±0.22 bc 4.67±0.03 de 8.84±0.18 bc 376.50±9.18 d 26 0 0 0 0 36.77±0.69 ef 4.10±0.15 ab 4.45±0.04 f 8.44±0.20 c 356.43±4.59 e 27 0 0 0 0 38.53±0.78 d 4.05±0.12 b 4.80±0.03 cd 9.05±0.19 bc 397.25±4.30 c 28 0 0 0 0 39.33±0.82 cd 4.00±0.16 bc 4.70±0.03 d 8.82±0.19 bc 394.06±12.09 c 29 0 0 0 0 37.80±0.70 de 3.90±0.13 bc 4.87±0.04 c 9.09±0.21 bc 386.09±9.43 cd 30 0 0 0 0 39.77±0.81 cd 3.91±0.09 bc 4.70±0.04 d 8.85±0.17 bc 394.45±6.87 c 说明:x1、x2、x3、x4分别表示土壤含水率、施氮量、施磷量和施钾量的水平编码值;表中数值为平均值±标准误;不同小写字母代 表各处理间苗木苗高、地径和生物量在0.05水平上差异显著 -
[1] WANG Yu, FU Delong, PAN Lulu, et al. The coupling effect of water and fertilizer on the growth of tea plants[Camellia sinensis (L.) O. Kuntz] [J]. J Plant Nutr, 2016, 39(5): 620 − 627. [2] HARTMANN A A, BARNARD R L, MARHAN S, et al. Effects of drought and N-fertilization on N cycling in two grassland soils [J]. Oecologia, 2013, 171(3): 705 − 717. [3] RAHBARI A, SINAKI J M, ZAREI M. Phosphate fertilizer and drought effects on growth components and elements of forage millet varieties [J]. Int J Agron Plant Prod, 2013, 4(2): 292 − 299. [4] DENIEL F C, GOMES D, DIONIZIO H, et al. Carrot yield and water-use efficiency under different mulching, organic fertilization and irrigation levels [J]. Revista Brasileira de Engenharia Agrícolae Ambiental, 2018, 22(7): 445 − 450. [5] 张小朋, 殷有, 于立忠, 等. 土壤水分与养分对树木细根生物量及生产力的影响[J]. 浙江农林大学学报, 2010, 27(4): 606 − 613. ZHANG Xiaopeng, YIN You, YU Lizhong, et al. Influence of water and soil nutrients on biomass and productivity of fine tree roots: a review [J]. J Zhejiang A&F Univ, 2010, 27(4): 606 − 613. [6] 王景燕, 唐海龙, 龚伟, 等. 水肥耦合对汉源花椒幼苗生长、养分吸收和肥料利用的影响[J]. 南京林业大学学报(自然科学版), 2016, 40(3): 33 − 40. WANG Jinyan, TANG Hailong, GONG Wei, et al. Effects of water and fertilizer coupling on growth, nutrients absorption and fertilizer use of Zanthoxylum bungeanum Maxim ‘Hanyuan’ seedling [J]. J Nanjing For Univ Nat Sci Ed, 2016, 40(3): 33 − 40. [7] QIU Quan, LI Jiyue, WANG Junhui, et al. Coupling effects of water and fertilizer on the growth characteristics of Catalpa bungei seedlings [J]. Pakistan J Bot, 2015, 47(3): 889 − 896. [8] 李迎超, 于海燕, 付甜, 等. 中国栓皮栎资源生产燃料乙醇的潜力及其空间分布[J]. 林业科学, 2013, 49(11): 129 − 134. LI Yinchao, YU Haiyan, FU Tian, et al. Spatial distribution and bio-ethanol potential of Quercus variabilis in China [J]. Sci Silv Sin, 2013, 49(11): 129 − 134. [9] 李志萍, 张文辉. NaCl胁迫对栓皮栎幼苗生长及其生理响应[J]. 西北植物学报, 2013, 33(8): 1630 − 1637. LI Zhiping, ZHANG Wenhui. Growth and physiological response of Quercus variabilis seedlings under NaCl stress [J]. Acta Bot Boreali-Occident Sin, 2013, 33(8): 1630 − 1637. [10] SUN Qiaoyu, DUNROESE R, LIU Yong. Container volume and subirrigation schedule influence, Quercus variabilis seedling growth and nutrient status in the nursery and field [J]. Scandinavian J For Res, 2018, 7: 1 − 8. [11] 李国雷, 祝燕, 蒋乐, 等. 指数施肥对栓皮栎容器苗生长和氮积累的影响[J]. 东北林业大学学报, 2012, 40(11): 6 − 9. LI Guolei, ZHU Yan, JIANG Le, et al. Effect of exponential fertilization on growth and nitrogen storage of containerized Quercus variabilis seedlings [J]. J Northeast For Univ, 2012, 40(11): 6 − 9. [12] 陈闯, 刘勇, 李国雷, 等. 底部渗灌灌水梯度对栓皮栎容器苗生长和养分状况的影响[J]. 林业科学, 2015, 51(7): 21 − 27. CHEN Chuang, LIU Yong, LI Guolei, et al. Effects of sub-irrigation gradients on growth and nutrient status of containerized seedlings of Quercus variabilis [J]. Sci Silv Sin, 2015, 51(7): 21 − 27. [13] 杨自立. 栓皮栎播种苗水氮需求规律研究[D]. 北京: 北京林业大学, 2011. YANG Zili. Study on the Water and Nitrogen Demand Characteristics of Quercus variabilis Seedlings[D]. Beijing: Beijing Forestry University, 2011. [14] 邱权, 李吉跃, 王军辉, 等. 水肥耦合效应对楸树苗期叶片净光合速率和SPAD值的影响[J]. 生态学报, 2016, 36(11): 3459 − 3468. QIU Quan, LI Jiyue, WANG Junhui, et al. Interactive effects of soil water and fertilizer application on leaf netphotosynthetic rate and SPAD readings of Catalpa bungei seedlings [J]. Acta Ecol Sin, 2016, 36(11): 3459 − 3468. [15] ABDELHALIM E, SERRET M D, ARAUS J L. Interactive effect of water and nitrogen regimes on plant growth, root traits and water status of old and modern durum wheat genotypes [J]. Planta, 2016, 244(1): 125 − 144. [16] GHASSEMI G K, RAEI N, RAEI Y. Effects of water deficit and nitrogen levels on grain yield and oil and protein contents of maize [J]. Azarian J Agric, 2015, 2: 46 − 50. [17] DONG Lei, LI Jiyue, WANG Junhui, et al. Effects of drought stress on osmotic regulation substances of five Catalpa bungei clones [J]. Agric Sci Technol, 2013, 14(9): 1335 − 1343. [18] 孙巧玉, 刘勇. 控释肥和灌溉方式对栓皮栎容器苗苗木质量及造林效果的影响[J]. 林业科学研究, 2018, 31(5): 137 − 144. SUN Qiaoyu, LIU Yong. Effect of controlled-release fertilizer and irrigation method on seedlingquality and outplanting performance of Quercus variabilis [J]. Forest Res, 2018, 31(5): 137 − 144. [19] 程中倩, 李国雷. 氮肥和容器深度对栓皮栎容器苗生长、根系结构及养分贮存的影响[J]. 林业科学, 2016, 52(4): 21 − 29. CHENG Zhongqian, LI Guolei. Effects of nitrogen supply and container size on seedling growth root characteristics and nutrient status in Quercus variabilis container seedlings [J]. Sci Silv Sin, 2016, 52(4): 21 − 29. [20] 屈明华, 俞元春, 李生, 等. 丛枝菌根真菌对矿质养分活化作用研究进展[J]. 浙江农林大学学报, 2019, 36(2): 394 − 405. QU Minghua, YU Yuanchun, LI Sheng, et al. Advances in research on activation of mineral nutrients by arbuscular mycorrhizal fungi [J]. J Zhejiang A&F Univ, 2019, 36(2): 394 − 405. [21] 林国祚, 谢耀坚, 彭彦, 等. 水肥耦合对尾巨桉苗木生物量的影响[J]. 桉树科技, 2013, 30(2): 1 − 8. LIN Guozuo, XIE Yaojian, PENG Yan, et al. Couple effects of water and fertilizer on the biomass of Eucalyptus urophylla×E. grandis seedlings [J]. Eucalypt Sci Technolo, 2013, 30(2): 1 − 8. [22] SINGH B, SINGH G. Effects of controlled irrigation on water potential, nitrogen uptake and biomass production in Dalbergia sissoo seedlings [J]. Environ Exp Bot, 2006, 55(1/2): 209 − 219. [23] GOWING J W, ROSE D A, GHAMARNIA H. The effect of salinity on water productivity of wheat under deficit irrigation above shallow groundwater [J]. Agric Water Manage, 2009, 96(3): 517 − 524. [24] CABELLO M J, CASTELLANOS M T, ROMOJARO F, et al. Yield and quality of melon grown under different irrigation and nitrogen rates [J]. Agric Water Manage, 2009, 96(5): 866 − 874. [25] 王梓, 马履一, 贾忠奎, 等. 滴灌下欧美107杨苗高水肥耦合效应[J]. 浙江农林大学学报, 2012, 29(1): 29 − 34. WANG Zi, MA Lüyi, JIA Zhongkui, et al. Interaction of water and fertilizer on seedling height for first-year growth Populus×euramericana ‘74/76’ with drip irrigation [J]. J Zhejiang A&F Univ, 2012, 29(1): 29 − 34. [26] MARIS S C, TERIA-ESMATGES M R, ARBONES A, et al. Effects of irrigation, nitrogen application, and a nitrification inhibitor on nitrous oxide, carbon dioxide and methane emissions from an olive (Olea europaea L.) orchard [J]. Sci Total Environ, 2015, 538(15): 966 − 978. [27] 吴楚, 王政权, 范志强. 氮素形态处理下水曲柳幼苗养分吸收利用与生长及养分分配与生物量分配的关系[J]. 生态学报, 2005, 25(6): 1282 − 1290. WU Chu, WANG Zhenquan, FAN Zhiqiang. Relationships between nutrient uptake, use efficiency and growth, and between nutrient partitioning patterns and biomass partitioning patterns in Fraxinus mandshurica seedlings supplied with different ratios of nitrogen forms [J]. Acta Ecol Sin, 2005, 25(6): 1282 − 1290. [28] 柴仲平, 王雪梅, 孙霞, 等. 不同氮磷钾配比滴灌对灰枣产量与品质的影响[J]. 果树学报, 2011, 28(2): 229 − 233. CHAI Zhongping, WANG Xuemei, SUN Xia, et al. Influence of N, P, K with drip irrigation on yield and fruit quality of Huizao jujube [J]. J Fruit Sci, 2011, 28(2): 229 − 233. [29] 徐有明, 林汉, 洪院生, 等. 施肥对湿地松幼林生长和木材物理力学性质的影响[J]. 林业科学, 2002, 38(4): 125 − 133. XU Youming, LIN Han, HONG Yuansheng, et al. Effects of fertilization on growth increments and wood physical mechanical properties of young slash pine [J]. Sci Silv Sin, 2002, 38(4): 125 − 133. [30] YAN Xiaoli, JIA Liming, DAI Tengfei, et al. Effects of water and nitrogen coupling under drip irrigation on tree growth and soil nitrogen content of Populus×euramericana cv. ‘Guariento’ [J]. Chin J Appl Ecol, 2018, 29(7): 2159 − 2202. -
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20190456