基于振动特性预测不同栽培措施下油菜抗倒性

陈佃贞，任奕林，王浩杰，黄秋航，邢博源，蒯 婕，周广生

(1. 华中农业大学工学院，农业农村部长江中下游农业装备重点实验室，武汉 430070；2. 华中农业大学植物科学技术学院，武汉 430070)

油菜是我国植物油第一大油源，每年提供的食用油可占国产植物油的47%[1]。在实际生产中，普遍存在油菜倒伏现象，倒伏的油菜不仅产量比正常油菜低 10%～30% （严重的可达50%以上），而且制约了油菜机械化收获的发展，降低了油菜生产的经济效益，影响油菜种植户的生产积极性[2]，油菜倒伏已经严重影响我国油菜生产水平的提高和相关产业的发展[3]。

油菜倒伏分为根倒和茎倒[4]，根倒多为根部强度较差导致茎秆歪倒，茎倒则为茎秆强度低并受风等外力作用发生主茎折断，长江流域油菜多采用直播栽培技术，根部强度较大，不易发生根倒，但易受大风天气影响，发生茎倒[2]，因此有必要研究风力对油菜倒伏的影响。目前，关于风对植物倒伏影响的研究对象多为树木[5-9]、小麦[10-12]，方法多为简化模型理论分析、有限元数值模拟等，有关风力作用下油菜抗倒性的研究尚不多见。

油菜倒伏与其株型结构、茎秆性状关系密切，茎秆机械强度高的油菜植株抗倒伏能力更强[13]。实际生产中，种植密度、施氮量和播期均为影响油菜抗倒能力的关键因素，不同栽培措施会影响植株茎秆不同化学成分的含量，改变植株茎秆的形态结构，从而改变植株的抗倒性[14]。相关研究表明，农作物茎秆穿刺强度、抗折力的压碎强度等随密度增大而降低，即高密度下植株抗倒伏能力显著减弱[15-16]，在油菜种植中，可通过适当减少施氮量，增加种植密度来获得较高产量，同时可降低倒伏风险[14]，推迟播期，油菜整体鲜重和茎秆强度均降低，而鲜重降幅较大，导致抗倒性增强但产量下降[17]。目前，研究栽培措施对油菜抗倒影响的评价指标多为理化性质、农艺性状、静力学特性和显微结构等[2,14,18]，以油菜植株的自由振动（自振）和风致响应振动（风振）作为油菜抗倒评价指标的研究较少，利用风力作用下茎秆力学特性预测农作物倒伏，尤其是预测油菜抗倒性的研究也不多见。

本试验为研究油菜抗风性能，设置不同种植密度、施氮量及播期处理，拟从油菜茎秆的自振、风振和弯曲力学方面，探究栽培措施对油菜茎秆抗倒性影响，建立油菜倒伏指数预测模型，旨在为油菜抗倒栽培和倒伏预测提供理论依据和技术支撑。

1 材料与方法

1.1 试验设计

试验时间为2020—2021 年，于华中农业大学试验基地（30.48° N, 114.37° E）进行，试验采用裂区试验设计，2 个品种油菜（华杂62 和金油杂158）为主区，种植密度（30×104、45×104和 60×104株·hm-2，分别记为D1、D2 和D3）、施氮量（120、240 和360 kg·hm-2，分别记为N1、N2 和N3）和播期（9 月20 日、10 月1 日和10 月10 日，分别记为S1、S2 和S3）为裂区，3 次重复，总计48 个小区，小区面积为20 m2。播期和种植密度处理小区的基肥为750 kg·hm-2复合肥（N∶P∶K 为15%∶15%∶15%），苗肥均为尿素（N：46%）150 kg·hm-2；施氮量处理小区基施磷钾肥10 kg·hm-2，氮肥的基追比为5∶3∶2；种植密度和施氮量处理播期均为10月1 日。其他管理同常规大田。

1.2 试验装备和工具

自主搭建风洞平台（图1），采用轴流式风机供风，额定转速1 450 r·min-1；数码相机（IXUS 145），分辨率1 280 × 720，帧率25 帧·s-1；视频处理工具：Python 3.8 + OpenCV；测量工具：风速仪（KANOMAX 6004 数字手持式风速仪，精度0.1 m·s-1）和数显拉力计（精度0.01 N）等。

1.3 试验材料

于油菜花期（初花期（3 月3 日）、盛花期（3月12 日）和终花期（3 月21 日），记为T1，T2 和T3）田间取样，每小区重复取样3 株，样品整体带根土取出，保鲜袋保持根部水分，防止植株萎蔫。

1.4 测定指标与方法

1.4.1 茎秆振动特性测试方法 振动试验包括茎秆自振试验（图2）和风振试验（图3）。在距离油菜茎秆基部60 cm 处固定标记点，作为茎秆振动特性测试点。在1 mm 精度网格板标定下，利用无弹力绳将标记点拉至100 mm，用相机记录释放无弹力绳后茎秆的自振情况；打开风机至额定转速，用相机记录茎秆的风振情况。经风速仪测量，油菜茎秆受风位置风速可达15～17 m·s-1，满足近地面风速一般不超过17 m·s-1的测试要求[19]。将视频导入处理程序，获得视频第一帧标记点坐标，从第二帧起获得标记点坐标与第一帧标记点坐标的差值，全部帧处理结束后，将第一帧坐标归零，逐帧记录各值和对应时间（每帧加0.04 s），绘制振动曲线得到振动参数（图4）。每株油菜重复测试3 次。

1.4.2 茎秆弯曲特性测试方法 弯曲特性获取一般采用间接测量方式，İnce 等[20]和Esehaghbeygi 等[21]分别以向日葵和油菜为研究对象，使用悬臂梁模型测试50 mm 挠度下茎秆弯曲力，经计算得出茎秆的弯曲特性参数。悬臂梁模型对茎秆破坏较小，能够真实地反映茎秆受力情况[22]，花期油菜茎秆的髓质部分并未转化为空心髓腔[23]，因此假设油菜茎秆横截面从表皮到中心是均质的圆形。将去除根部的油菜竖直固定在夹持装置上，用橡皮垫包裹茎秆被夹持部分，防止茎秆被破坏，从油菜主干基部开始，向上每隔15 cm测量该位置茎秆直径（重复3 次求均值），测得5 个位置茎秆直径后求均值，作为该株油菜茎秆的平均直径（D）。通过无弹力绳将数显拉力计连接至油菜茎秆距基部60 cm 位置，在1 mm 精度的网格板标定下，水平拉动数显拉力计，在拉动到50 mm 挠度时，记录数显拉力计示值（重复3 次求均值），得到茎秆弯曲力（F）（图5）。对于圆形截面，已知挠度和测量得到的各参数，由公式(1—3)计算惯性矩（I），弹性模量（E）和弯曲应力（σ）[20-21,24]。

式中，y为挠度，mm；l为连接位置到基部距离，mm。

1.4.3 茎秆倒伏指数 倒伏指数越小，植株抗倒性越强。终花后20 d，各小区连续取样10 株，参照张喜娟等[25]提出的倒伏指数测试方法，获取油菜的倒伏指数（lodgingindex, LI）。

1.5 抗倒性预测方法

1.5.1 预测方法 BP 神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，分为输入层、隐含层和输出层，其具有强大的非线性计算能力，通过梯度下降法，不断调整各个神经元的权值和阈值[26]，得到符合实测和误差最小的预测模型。神经网络的输入向量X（输入层数据排列方式）和输出向量Y（输出层数据排列方式）表示为式（4）（5）。隐含层对模型训练精度影响较大，隐含层节点数用经验公式（6）确定，通过不断调整a值，反复训练获得检验误差较小的隐含层节点数[27]。

式（4）（5）中，i为输入节点数；j为样本数。

式（6）中，k为隐含层节点数；m为输入层节点数；n为输出层节点数；a取1～10 之间的整数。

1.5.2 预测精度检验 均方根误差（RMSE）是均方误差（MSE, 预测值与实测值之差平方的平均值）的算术平方根，RMSE值越小，模型预测精确度越高。

平均绝对百分误差（MAPE）表示预测值与实测值之间的平均偏离程度，是百分比值，MAPE值越小，模型预测精确度越高。

式（7）（8）中，iP为预测值；yi为实测值；N为检验样本数。

2 结果与分析

2.1 油菜茎秆振动规律

2.1.1 自振规律

油菜茎秆的自振特性曲线如图6 所示，纵坐标0 点为振动起始位置，茎秆围绕中性轴（纵坐标100 mm）往复振动，由于阻尼存在，振幅逐渐减小。

陶嗣巍[19]使用自振频率和阻尼比描述树木自振特性，自振频率和阻尼比也适用于描述油菜自振特性，自振频率(f1)是茎秆的固有属性，指在无外力作用下茎秆单位时间内的振动次数，其值为周期(T)的倒数；阻尼比(ζ)用于表征油菜整体消耗振动能量的能力，使用公式（9）计算阻尼比的近似解。

式（9）中，yn和yn+m为相互间隔m个周期的峰值，mm；为保证计算准确，本研究取n= 1,m= 4。

2.1.2 风振规律 油菜茎秆的风振特性曲线如图7所示。纵坐标0 点为振动起始位置，茎秆受风力作用发生振动，振动分为 4 个阶段，以图7 为例：0～6 s，茎秆振幅逐渐增大并出现最大振幅；6～18 s，茎秆进入稳定振动阶段，在一定振幅范围内振动；18～32 s，关闭风机电源后，随着风速下降，茎秆振幅逐渐减小；32 s 后，风机供风停止，茎秆发生自振，但自振中性轴（虚线）相较于振动起始位置向顺风向发生偏移，可能是茎秆在风力作用下发生了塑性变形。

本试验监测油菜茎秆的风振最大振幅和茎秆在稳定振动阶段的振动频率，最大振幅(M)描述茎秆抵抗风力作用的能力，其值取风振特性曲线图中最大位移的绝对值（式10）；风振频率(f2)描述茎秆在风力作用下的动态特性，其值取稳定振动阶段各完整振动周期平均值的倒数（式11）。

式（10）（11）中，Ymax为顺风向最大位移，mm；n为稳定振动阶段完整振动周期的个数，图7中n= 3。

2.2 栽培措施对油菜茎秆各力学特性的影响

2.2.1 自振特性 油菜花期种植密度、施氮量和播期对华杂62和金油杂158油菜茎秆自振特性的影响如图8 所示。增大种植密度，油菜茎秆自振频率和阻尼比均先增大后减小；增大施氮量，油菜茎秆自振频率和阻尼比均逐渐减小；推迟播期，油菜茎秆自振频率和阻尼比均逐渐增大。方差分析显示，在花期各阶段，3 个栽培措施对油菜茎秆自振频率和阻尼比的影响均显著（P＜ 0.05）。在相同栽培条件下，华杂62 的茎秆阻尼比和自振频率均高于金油杂158。在各栽培措施试验中，从初花期到终花期油菜茎秆自振频率和阻尼比均显著降低，自振频率的降幅较均匀，而阻尼比从初花期到盛花期的降幅明显大于从盛花期到终花期的降幅。

2.2.2 风振特性 油菜花期种植密度、施氮量和播期对华杂62和金油杂158油菜茎秆风振特性的影响如图9 所示。增大种植密度，油菜茎秆风振频率先增大后减小，最大振幅先减小后增大；增大施氮量，油菜茎秆风振频率逐渐减小，最大振幅逐渐增大；推迟播期，油菜茎秆风振频率逐渐增大，最大振幅逐渐减小。方差分析显示，在花期各阶段，3 个栽培措施对油菜茎秆风振频率和最大振幅的影响均显著（P＜ 0.05）。在相同栽培条件下，华杂62 的茎秆风振频率略高于金油杂158，最大振幅低于金油杂158。在各栽培措施试验中，从初花期到终花期油菜茎秆风振频率逐渐减小，最大幅度逐渐增大。在种植密度试验中，从初花期到盛花期的油菜茎秆风振频率和最大振幅的变化幅度小于从盛花期到终花期的变化幅度；在施氮量试验中，从初花期到盛花期

油菜茎秆风振频率的降幅大于从盛花期到终花期的降幅，最大振幅的变化无规律；在播期试验中，从初花期到终花期油菜茎秆风振频率的降幅较均匀，从初花期到盛花期油菜茎秆最大振幅的增幅小于从盛花期到终花期的增幅。

2.2.3 弯曲特性 油菜花期种植密度、施氮量和播期对华杂62和金油杂158油菜茎秆弯曲特性的影响如图10 所示。增大种植密度，油菜茎秆弹性模量和弯曲应力均先增大后减小；增大施氮量或推迟播期，油菜茎秆弹性模量和弯曲应力均逐渐减小。方差分析显示，在花期各阶段，3 个栽培措施对油菜茎秆弹性模量的影响均显著（P＜ 0.05），施氮量和播期对油菜茎秆弯曲应力的影响均显著（P＜ 0.05）；在盛花期和终花期，种植密度对油菜茎秆弯曲应力影响显著（P＜ 0.05），而在初花期，种植密度对油菜茎秆弯曲应力的影响不显著。在相同栽培条件下，华杂62 的茎秆弹性模量和弯曲应力略高于金油杂158。在各栽培措施试验中，从初花期到终花期，油菜茎秆弹性模量和弯曲应力均逐渐增大。在种植密度和播期试验中，从初花期到盛花期茎秆弹性模量的增幅大于从盛花期到终花期的增幅，在施氮量试验中，初花期到盛花期弹性模量的增幅小于盛花期到终花期的增幅，弯曲应力变化无规律。

2.3 油菜茎秆抗倒性预测

2.3.1 栽培措施对油菜抗倒性影响 油菜终花后20 d，种植密度、施氮量和播期对华杂62 和金油杂158油菜茎秆倒伏指数的影响如表1 所示。增大种植密度，油菜茎秆倒伏指数先减小后增大；增大施氮量，油菜茎秆倒伏指数逐渐增大；推迟播期，油菜茎秆倒伏指数逐渐减小。方差分析显示，3 个栽培措施对油菜茎秆倒伏指数的影响均显著（P＜ 0.05）。

表1 栽培措施对油菜茎秆倒伏指数影响Table 1 Effects of cultivation measures on stem lodging index of rapeseed

2.3.2 BP 神经网络预测油菜抗倒性 华杂62 和金油杂158分别有24个小区，按小区把分别在初花期、盛花期和终花期获取的振动、弯曲特性数据与终花后20 d 获取的倒伏指数对应，每个小区可得到一组样本数据，华杂62 和金油杂158 分别获得24 × 3组样本数据。

为验证分别在初花期、盛花期和终花期使用油菜振动、弯曲特性能否预测终花后20 d的倒伏指数，分别建立华杂62 和金油杂158 在初花期、盛花期和终花期的BP 神经网络倒伏指数预测模型，将弹性模量、弯曲应力、自振频率、阻尼比、最大振幅和风振频率作为输入层节点，倒伏指数为输出层节点，即预测模型输入层节点数为6，输出层节点数为1，根据公式（6），隐含层节点数取4 ～ 12。BP 神经网络训练样本和检验样本一般按照4∶1 的比例分配，故每个预测模型选取19 组样本数据作为训练样本，5 组作为检验样本。隐含层节点数4～12 逐一反复训练并检验，保存误差最小的预测模型，结果显示（表2），华杂62 初花期、盛花期和终花期的预测模型在隐含层节点数分别为7、9 和8 时，倒伏指数预测值（predicted value）与实测值（measured value）之间误差较小，均方根误差（RMSE）分别为0.178、0.149 和0.162，平均绝对百分误差（MAPE）分别为8.94%、8.83%和7.43%；金油杂158 的预测模型在隐含层节点数分别为8、6 和9 时，预测误差较小，均方根误差分别为0.198、0.127 和0.153，平均绝对百分误差分别为8.02%、6.29%和5.97%。误差较小的预测模型预测值与实测值详细对比如图11 所示。以上误差较小的预测模型均方根误差均低于0.2，平均绝对百分误差均低于9%，说明在初花期、盛花期和终花期利用振动、弯曲特性可较为准确地预测油菜终花后20 d 的倒伏指数。

表2 不同隐含层节点数下预测误差Table 2 Prediction error under different number of hidden layer nodes

基于以上结果，分别综合华杂62 和金油杂158花期（T1+T2+T3）样本数据建立BP 神经网络倒伏指数预测模型，预测模型各层节点数设置同上，每个预测模型选取57 组样本数据作为训练样本，15组作为检验样本。预测模型训练和检验同上，结果显示（表2），华杂62 和金油杂158 的预测模型隐含层节点数分别为7 和5 时预测误差较小，均方根误差分别为0.157 和0.177，平均绝对百分误差分别为7.68%和8.30%。误差较小的预测模型预测值与实测值详细对比如图12 所示。华杂62 和金油杂158的预测模型均方根误差均低于0.18，平均绝对百分误差均低于8.5%，说明在花期利用振动、弯曲特性可较为准确地预测终花后20 d 的倒伏指数。

3 讨论与结论

本研究对华杂62 和金油杂158 实施不同栽培措施的单因素试验，于初花期、盛花期和终花期测试油菜茎秆振动、弯曲特性，于终花后20 d 测试油菜倒伏指数。结果表明：增大种植密度，油菜茎秆的自振、风振频率，阻尼比，弹性模量和弯曲应力先增大后减小，最大振幅先减小后增大，茎秆抗倒性先增强后降低；增大施氮量，油菜茎秆的自振、风振频率，阻尼比，弹性模量和弯曲应力均逐渐减小，最大振幅逐渐增大，抗倒性逐渐降低；推迟播期，油菜茎秆的弹性模量、弯曲应力和最大振幅均逐渐降低，自振、风振频率和阻尼比逐渐增大，抗倒性逐渐降低。不同栽培措施对油菜茎秆振动、弯曲特性影响显著，且油菜茎秆振动、弯曲特性与其抗倒性密切相关。

将弹性模量、弯曲应力、自振频率、阻尼比、最大振幅和风振频率作为BP 神经网络的输入层节点，倒伏指数作为输出层节点，建立了华杂62 和金油杂158 的BP 神经网络倒伏指数预测模型，检验结果显示：模型预测值与实测值的均方根误差均低于0.18，平均绝对百分误差均低于8.5%，模型预测精确度较高，可用于指导油菜抗倒生产。

本研究通过设置不同栽培措施的单因素试验，选择油菜形态结构变化较大的花期，对油菜茎秆抗倒性进行研究，分析了栽培措施对振动、弯曲特性的影响，获取终花后20 d 的倒伏指数，建立了BP神经网络倒伏指数预测模型，可实现于花期预测油菜终花后的抗倒性，为油菜抗倒栽培提供了技术支持。但本研究仅采用油菜顺风向的振动参数指标，垂直于顺风向的振动参数是否可用于油菜抗倒性评价有待进一步探究。