一个精确的果质量预测模型,集成驱动因素选和BP神经网络
Junkai Zeng1,2, Mingyang Yu1,2, Yan Chen1,2
1College of Horticulture and Forestry Science, Tarim University, Alar 843300, China.
Plants (Basel, Switzerland)
|December 31, 2025
概括
这项研究开发了一种逆向传播 (BP) 神经网络模型,用于预测果的质量,使用光合作用和代谢数据. 该模型准确地预测了维生素C,可溶性糖类和可定位酸,增强了智能果园管理.
科学领域:
- 园艺园艺 园艺园艺
- 植物生理学 植物生理学
- 农业工程 农业工程
背景情况:
- 果的质量至关重要,由维生素C (VC),可溶性糖类 (SSs),可定位酸 (TA) 和它们的比率 (SSs/TA) 决定.
- 准确预测这些质量参数对于有效的果园管理和消费者满意度至关重要.
研究的目的:
- 使用反向传播 (BP) 神经网络建立一个精确的果质量指标预测模型.
- 分析水果质量与果树生理特征之间的内在关系,特别是光合作用和碳水代谢指标.
- 通过特征选开发一种简化和高效的预测模型,以提高质量预测的准确性.
主要方法:
- 在"富士果"中系统测量水果质量指标,叶子光合作用参数 (Pn,Gs),树冠结构和碳水代谢指标.
- 相关性分析以确定影响水果质量的关键因素.
- 构建和优化BP神经网络模型,包括特征重要性分析,灵敏度分析和特征子集选择的废除实验.
主要成果:
- 光合作用参数 (Pn,Gs,SUE,DUE) 和代谢 (N,NLT) 与果关键质量指标 (VC,SSs,TA,SSs/TA) 有显著的相关性.
- 最优的BP神经网络模型实现了VC,SS,TA和SS/TA的高预测准确性,验证集R2值在0.86到0.89之间.
- 通过特征选开发的简化模型进一步提高了VC的预测准确性 (R2 = 0.93) 并减少了错误 (MAE,MAPE).
结论:
- 光合作用特性和代谢是果品质的基本生理驱动因素.
- 该BP神经网络模型为预测果质量提供了一个高度准确和有效的工具.
- 功能改进显著提高了BP模型的预测性能,为智能果园管理和精确的质量监管提供了有价值的方法.
