有限二氧化碳資源條件下的溫室光氣耦合優(yōu)化調控模型

單慧勇 李晨陽 張程皓 趙輝 衛(wèi)勇 郭旭存

摘要：?針對當前溫室環(huán)境調控成本較高的問題，為了在滿足作物生長需求的條件下降低調控成本，擬研究1種在有限二氧化碳（CO2）資源條件下的溫室光氣耦合優(yōu)化調控模型。首先，以溫度、CO2濃度、光照度作為輸入，以凈光合速率作為輸出，構建基于最小二乘支持向量機（LS-SVM）的光合速率預測模型;然后，基于提出的光合速率預測模型，構建在有限CO2資源條件下溫室CO2優(yōu)化調控模型數據庫，可根據用戶輸入的CO2資源總量，自動尋優(yōu)獲取最佳補氣時間與單位補氣量;最后，提出以光照度增長相對價值為評價指標的經濟性相對最優(yōu)的補光策略，在確定的補氣時間段內進行補光，最終實現了有限CO2資源條件下的溫室光氣耦合優(yōu)化調控，進一步提高了設施溫室環(huán)境因子調控的精準度與智能化水平。

關鍵詞：?光合速率預測;光氣耦合;調控模型;最小二乘支持向量機（LS-SVM）

中圖分類號：?S24;S11+9??文獻標識碼：?A??文章編號：?1000-4440（2021）02-0471-09

Abstract：?Due to the high cost of environmental regulation in greenhouse， an optimal control model of greenhouse light gas coupling under limited carbon dioxide（CO2） resources is proposed to reduce the cost of regulation and control under the condition of meeting the needs of crop growth. Firstly， the photosynthetic rate prediction model based on least squares support vector machine（LS-SVM） was constructed with temperature， CO2 concentration and illumination as input and net photosynthetic rate as output. Secondly， based on the proposed photosynthetic rate prediction model， the database of greenhouse carbon dioxide optimal regulation model under limited carbon dioxide resources was constructed. The optimal replenishment time and unit replenishment amount could be obtained automatically according to the total amount of carbon dioxide resources input by users. Then， a relatively optimal light replenishment strategy with the relative value of light growth as the evaluation index was proposed， and light supplement was carried out in a certain period of time. Finally， the optimal control of greenhouse light gas coupling under limited carbon dioxide resources is realized， which further improves the accuracy and intelligence level of greenhouse environmental regulation.

Key words：?photosynthetic rate prediction;coupling regulation of light and CO2;control model;least squares support vector machine（LS-SVM）

在植物的光合作用過程中，溫度、光照、二氧化碳等均是影響光合速率的主要因素，對于反季節(jié)的溫室栽培而言，光照、CO2濃度是限制植物生長的主要環(huán)境因子[1-2]。因此，以提高作物光合速率為目的建立植物的光氣耦合優(yōu)化調控模型，是設施溫室智能調控系統的重要組成部分。

光氣耦合優(yōu)化調控模型的基礎是光合速率預測模型，傳統的預測模型存在擬合精度低等問題，近年來，研究者以光合作用的主要影響因子為變量進行光合速率預測模型研究[3-5]，構建了不同的光合速率模型，極大改善了預測模型的適應性和準確度。在溫室CO2和光照調控方面，以飽和點為調控指標的調控模型得到了廣泛研究應用[6-8]?；陲柡忘c的調控雖然可以達到最大光合速率，但會造成調控效益下降。目前，在考慮環(huán)境參數調控效益的前提下，胡瑾等[9-11]提出了基于離散曲率算法的光照度、CO2優(yōu)化調控模型，可以在有效降低調控成本的前提下提升作物的光合速率。但是在實際生產實踐中，CO2補充量并不能按照上述理論調控模型進行持續(xù)優(yōu)化調控，因此探討在有限CO2資源條件下的溫室光氣耦合優(yōu)化調控方案顯得極為重要。

本研究首先構建基于最小二乘支持向量機（LS-SVM）的光合速率預測模型，然后基于預測模型構建有限CO2資源條件下溫室CO2的優(yōu)化調控模型數據庫，用戶在進行CO2調控時，僅需輸入總補氣量便可自動獲取對應的最優(yōu)補氣時間與單位補氣量。然后結合本研究提出的經濟性相對最優(yōu)的補光策略，在上述確定的補氣時間段內進行光照調控，最終實現有限CO2資源條件下的溫室光氣耦合優(yōu)化調控。

1?材料與方法

1.1?試驗設計

本試驗于2019年12月在天津農學院西校區(qū)實訓基地溫室內進行，以黃瓜品種津優(yōu)35為試驗材料，采用常規(guī)栽培方法進行管理。環(huán)境因子變量包括溫度、光照度及CO2濃度，其中溫度設7個梯度（15 ℃、18 ℃、21 ℃、25 ℃、28 ℃、33 ℃、36 ℃），光照度設7個梯度[200 μmol/（m2·s）、500 μmol/（m2·s）、800 μmol/（m2·s）、1 100 μmol/（m2·s）、1 400 μmol/（m2·s）、1 700 μmol/（m2·s）、2 000 μmol/（m2·s）]，CO2濃度設7個梯度（300 μmol/mol、600 μmol/mol、900 μmol/mol、1 200 μmol/mol、1 500 μmol/mol、1 800 μmol/mol、2 100 μmol/mol）。本試驗剔除低溫（15 ℃、18 ℃）條件下對應的最高光照度[2 000 μmol/（m2·s）]及高溫（33 ℃、36 ℃）條件下對應的最低光照度[300 μmol/（m2·s）]后，采用各環(huán)境因子間嵌套方式進行設計。

1.2?凈光合速率的測定

選取生長狀況差異較小、健壯的黃瓜植株進行試驗，測量設備為CI-340便攜式光合作用儀，可按需要控制測量葉室的小環(huán)境，以設置不同試驗條件;為了避免植物“午休現象”對數據采集的影響，選擇9∶00-11∶00、14∶30-16∶00時間段進行試驗[12-13]。本研究用單葉片瞬時試驗，為了得到足夠穩(wěn)定的凈光合速率，選擇連續(xù)2 d以上的相同天氣進行測量，測量前對夾入葉室的葉片進行充分的光誘導。最終形成以溫度（℃）、CO2濃度（μmol/mol）、光照度[μmol/（m2·s）]為輸入，凈光合速率（Pn）[μmol/（m2·s）]為輸出的315組試驗樣本集。

2?基于LS-SVM的光合速率預測模型

2.1?LS-SVM回歸模型建模過程

影響黃瓜光合速率的主要影響因素有溫度、光照度及CO2濃度，光合速率模型的構建過程，就是尋求溫度（x1）、光照度（x2）、CO2濃度（x3）與輸出光合速率（yi）之間的函數關系。相關公式為yi=f（xi）（i=1，2，3）。

本研究采用LS-SVM算法構建光合速率預測模型，其算法理論參照文獻[14]，具體流程見圖1。

基于本試驗得到的數據，利用MATLAB R2018b進行編程，對前期315組數據進行隨機排序，取前252組數據作為預測模型的輸入，占總數據量的80%，用其余63組數據對預測模型進行檢驗。由于各輸入參數、輸出參數的數量級不同，因此采用MATLAB平臺自帶的歸一化函數mapminmax，模型歸一化區(qū)間為[0.2，0.9];選取徑向基函數作為核函數進行建模[15];gam是控制錯分樣本懲罰程度的可調參數，sig2是徑向基核函數的參數，通過網格搜索獲取最優(yōu)建模參數gam、sig2[16]，其確定的gam=263.549，sig2=0.204 042 5。確定模型各參數后，調用LS-SVM工具箱的trainlssvm函數進行光合速率預測模型的構建。

2.2?LS-SVM回歸模型的評估

在MATLAB的LS-SVM工具箱中調用simlssvm 函數進行模型驗證，將預測結果與實際樣本進行反歸一化處理，結果表明，其平均絕對誤差為0.520 9 μmol/（m2·s），決定系數（R2）=0.967 4，均方誤差為0.632 5 μmol/（m2·s）。預測數據與實際數據之間的誤差見圖2，可以看出，基于LS-SVM建立的光合速率預測模型誤差較小，最大誤差也低于4.500 0 μmol/（m2·s），可以較好地預測作物的光合速率。

3?溫室補氣優(yōu)化決策模型的構建

3.1?有限CO2資源條件下溫室補氣優(yōu)化決策模型

基于上文構建的光合速率預測模型，本研究提出了在1 d內有限CO2資源條件下對溫室CO2濃度進行優(yōu)化調控的思路，即尋找當天溫室最適補氣時間與對應的補氣量，以補氣后的光合速率增量作為評價指標，在有限的CO2資源條件下建立CO2優(yōu)化調控模型數據庫。

以天津農學院西校區(qū)溫室作為研究基地，其1 d內溫室溫度被升起的時間段為9∶00-16∶00，因此選擇9∶30-15∶30進行尋優(yōu)補氣，即將該6 h以△t為步長進行分割，△t設置為30 min、60 min、90 min、120 min、180 min，從而分別將9∶30-15∶30分割為12個、6個、4個、3個、2個時間段;設給定有限CO2資源為CCO2·T（CO2濃度×時間）， 將CO2的濃度區(qū)間設為600～3 000μmol/mol，固定步長為50 μmol/mol，T設為30 min，將有限光照資源均分到各△t時間內，即得到該時間段的補氣量（△CO2=CCO2·T/△t）。分別獲取上述時間段內的環(huán)境因子參數[T、CCO2、光子通量密度（PPFD）]與補氣后的環(huán)境因子參數（T、CCO2+△CO2、PPFD），將其分別作為光合速率預測模型的輸入參數，得到未補氣的光合速率（Pn1）、補氣后的光合速率（Pn2），計算其在對應時間段的光合速率增量，尋優(yōu)得到最大增量及對應的調控時段，將其匯總為調控模型數據庫。繼而尋找在給定有限CO2資源條件下不同時間間隔對應的5組數據，獲取最大光合速率增量及對應時間段作為該有限CO2資源條件下的調控方案。為了清晰地描述本研究內容，繪制有限CO2資源條件下的補氣決策優(yōu)化方案流程（圖3）。

在對設施進行補氣時，操作人員遠程在控制面板給定補氣總量（圖4），并基于上述模型數據庫，自動獲取補氣時間段與單位補氣量，從而形成結合溫度、光照度等參數的最優(yōu)補氣策略。

3.2?模型數據分析

為了構建上述模型的調控數據庫，通過日光溫室遠程智能監(jiān)控系統獲取天津農學院西校區(qū)實訓基地溫室內2020年3月1日至2020年3月31日的環(huán)境參數，用MATLAB軟件進行調控數據庫的建立。本研究以2020年3月5日的數據為例進行分析，用該時間的調控數據庫共構建出245組數據，由于不能一一列舉，因而給出1 000 mol/mol×30 min、1 500 mol/mol×30 min、2 000 mol/mol×30 min 3組有限補氣資源總量下的以△t分段的共15組數據。

由表1可以看出，補氣時間總體分布在9∶30-12∶30。對圖5、表1進行綜合分析可知，2020年3月5日上午、下午的光照度基本呈對稱分布，可見光照度對補氣時間的影響較小;溫度從9∶00時最低的15 ℃一路攀升至13∶00的38 ℃，之后開始緩慢下降，至16∶00時為32 ℃，可見表1中的補氣時間與溫度有著密切聯系;當溫度高于35 ℃時，在高溫脅迫下黃瓜的光合速率下降，與文獻[17]、[18]的研究結論一致。由此可見，在午后補充CO2并未能得到較高的光合收益，這也從側面證明了本研究提出的有限CO2資源補充時間段的正確性。

4?經濟相對最優(yōu)的光照調控模型的構建

4.1?經濟相對最優(yōu)的光照調控目標值獲取方案

在獲取了補氣時間段與單位補氣量后，需要對溫室光照度進行補充。本研究提出了依據光照度增長相對價值曲線曲率最大值進行尋優(yōu)的光照度調控目標值獲取方案，并繪制了經濟相對最優(yōu)的光照調控目標值獲取流程（圖6）。其中光照度增長相對價值=Pn/PPFD。

為了精確地描述程序中的尋優(yōu)條件及尋優(yōu)目標函數等關鍵參數，結合流程圖對上述尋優(yōu)方案的具體操作步驟進行描述。

4.1.1?獲取不同環(huán)境因子嵌套條件下的光合速率?在試驗梯度范圍內，以每個環(huán)境因素的不同步長增加的形式，循環(huán)獲取嵌套環(huán)境因子的所有梯度條件。在本研究中，設置溫度區(qū)間為12～33 ℃，固定步長為1 ℃;設置CO2濃度區(qū)間為300～1 500 μmol/mol，固定步長為50 μmol/mol;設置光照度為100～1 700 μmol/（m2·s），固定步長為5 μmol/（m2·s）。通過調用已建立的LS-SVM光合速率預測模型，獲取上述環(huán)境因子嵌套條件下對應的光合速率。

4.1.2?采用曲線平滑的差分曲率計算尋優(yōu)?在獲取不同尋優(yōu)方案下最優(yōu)光照度的過程中，需要進行溫度實例化和CO2濃度實例化，以光照度增長相對價值作為評價指標，尋優(yōu)時確定溫度與CO2濃度，光照度依次遞增，繪制評價指標曲線?；谇€平滑的差分曲率進行計算[19]，所需處理的曲線為C={P1，P2，…，Pi}，其中Pi=（xi，yi）表示邊界像素點。應用高斯函數將曲線作平滑處理，處理后的曲線為Ck={Pk1，Pk2，…，Pki}，Pki=（xki，yki），繼而用差分法計算構成曲線各點的離散曲率：

式中，xki為平滑處理后擬合曲線坐標點的橫坐標，yki為平滑處理后擬合曲線坐標點的縱坐標。

按照上述方法對評價指標曲線各點求曲率并找出最大值點，最大值對應的光照度即為尋優(yōu)光照度，記錄并保存尋優(yōu)光照度，獲取所有評價指標曲線曲率最大點對應的光照度時結束。

4.2?光照度調控數據分析

在建模過程中，每種方案均獲取了550組不同條件下光照度的調控點，由于無法完全羅列，故下文僅展示溫度為24～33 ℃（以3 ℃為步長）、CO2濃度為300～1 500 μmol/mol（以200 μmol/mol為步長）條件下不同尋優(yōu)方案的光照度。不同方案的尋優(yōu)結果見圖7，對比結果見表2。

從表2可以看出，本研究提出的光照調控方案可以使光照度大幅降低，同時使光合速率僅出現小幅度下降，相比于傳統光飽和點調控，光照度需求量平均下降18.27%，而光合速率僅平均降低2.43%，說明采用經濟相對最優(yōu)的光照調控策略，可以使設施補光在投入較少的情況下獲得相對較高的效益。

4.3?基于BP神經網絡經濟性相對最優(yōu)的光照調控模型的構建

基于上述尋優(yōu)方法，得到了以溫度、CO2為輸入，以光照度調控目標值為輸出的550組目標數據集，采用BP神經網絡分別進行光照度優(yōu)化模型構建。隨機選取其中440組數據作為預測模型的輸入，占總數據量的80%，用其余110組數據對預測模型進行檢驗。在訓練時，數據歸一化處理函數采用MATLAB自帶函數mapminmax。模型設計采用3層神經網絡，結合經驗公式m=n+l+α確定單隱層節(jié)點數[20]，式中，m為單隱層節(jié)點數，n為輸入層節(jié)點數（在本研究中為2），l為輸出層節(jié)點數（在本研究中為1），α為常數，其值為1～10。經過反復訓練和調試，最終將單隱層的神經元數量設置為7，網絡訓練的目標誤差設為0.000 1，訓練步數設為1 000步，在此基礎上，網絡隱含層的傳遞函數為tansig，輸出層傳遞函數為logsig。

基于BP神經網絡構建的優(yōu)化模型的驗證結果表明，決定系數（R2）=0.988 8，均方誤差為3.203 6 μmol/（m2·s），平均絕對誤差為3.362 1 μmol/（m2·s）。由圖8可知，基于BP神經網絡建立的光照度優(yōu)化模型誤差較小，其最大誤差也保持在30 μmol/（m2·s）以內，符合預測精度要求。

5?結論

本研究提出了1種有限CO2資源條件下的溫室光氣耦合優(yōu)化調控模型?；谔岢龅牟捎肔S-SVM算法的光合速率預測模型構建了有限CO2資源條件下溫室CO2優(yōu)化調控模型數據庫，可根據用戶輸入的CO2資源總量，自動尋優(yōu)獲取最佳補氣時間與單位補氣量，能夠在CO2資源一定的條件下最大幅度地提高光合收益。繼而結合經濟性相對最優(yōu)的補光策略，在上述確定的補氣時間段內進行光照調控，經評估計算，該補光方案能夠使設施溫室補光在投入較少的情況下獲得相對較高的效益。由于設施溫室作物光合速率還與溫度、濕度等環(huán)境參數有關，本課題組今后將在現有研究基礎上，結合其他環(huán)境參數調控的多維環(huán)境因子耦合調控模型進行研究，進一步提高智慧農業(yè)設施溫室內環(huán)境因子調控的精準度與智能化。

參考文獻：

[1]?張振賢，艾希珍，趙世杰，等. 黃瓜葉片光合作用的溫度補償點與光合啟動時間[J].園藝學報，2003，30（2）：157-162.

[2]?YIN-JIAN Z， YI-TING Z， HOU-CHENG L， et al. Supplemental blue light increases growth and quality of greenhouse pak choi depending on cultivar and supplemental light intensity[J]. Journal of Integrative Agriculture，2018，17（10）：2245-2256.

[3]?張?盼. 非均勻光合特性約束下的黃瓜立體需光模型構建方法研究[D].楊凌：西北農林科技大學，2019.

[4]?張海輝，張?珍，張斯威，等. 黃瓜初花期光合速率主要影響因素分析與模型構建[J].農業(yè)機械學報，2017，48（6）：242-248.

[5]?胡?瑾，何東健，任?靜，等. 基于遺傳算法的番茄幼苗光合作用優(yōu)化調控模型[J].農業(yè)工程學報，2014，30（17）：220-227.

[6]?胡?瑾，閆?柯，何東健，等. 基于改進型魚群算法的番茄光環(huán)境調控目標值模型[J].農業(yè)機械學報，2016，47（1）：260-265.

[7]?辛萍萍，張?珍，王智永，等. 基于支持向量機-改進型魚群算法的CO2優(yōu)化調控模型[J].農業(yè)機械學報，2017，48（6）：249-256.

[8]?朱?舟，童向亞，鄭書河. 基于作物光照需求的溫室光調控系統[J].農機化研究，2016，38（2）：192-196.

[9]?胡?瑾，田紫薇，汪健康，等. 基于離散曲率的溫室CO2優(yōu)化調控模型研究[J].農業(yè)機械學報，2019，50（9）：337-346.

[10]白京華. 基于光合速率預測模型的黃瓜幼期CO2-光照協同調控目標參數獲取方法[D]. 楊凌：西北農林科技大學，2019.

[11]辛萍萍. 效益優(yōu)先的溫室環(huán)境多因子協同調控模型與方法研究[D]. 楊凌：西北農林科技大學，2019.

[12]李萍萍，李冬生，王紀章，等. 溫室黃瓜葉片光合速率的類卡方模型[J].農業(yè)工程學報，2009，25（1）：171-175.

[13]史為民，陳青云，喬曉軍. 日光溫室黃瓜葉片光合速率模型及其參數確定的初步研究[J].農業(yè)工程學報，2005，21（5）：113-118.

[14]陳?濤，呂?松，任廷林，等. 基于最小二乘支持向量機的周用電量預測方法[J].華電技術，2020，42（1）：35-40.

[15]孫雙林，楊?倩. 基于最小二乘支持向量機的船舶集中空調系統能耗預測[J].艦船科學技術，2020，42（2）：184-186.

[16]陶開鑫，俞成丙，侯頎驁，等. 基于最小二乘支持向量機的棉針織物活性染料濕蒸染色預測模型[J].紡織學報，2019，40（7）：169-173.

[17]孫勝楠，王?強，孫晨晨，等. 黃瓜幼苗光合作用對高溫脅迫的響應與適應[J].應用生態(tài)學報，2017，28（5）：1603-1610.

[18]丁小濤. 溫室黃瓜高溫耐受性及其響應機制研究[D].上海：上海交通大學，2018.

[19]郭娟娟，鐘寶江. U弦長曲率：一種離散曲率計算方法[J].模式識別與人工智能，2014，27（8）：683-691.

[20]陶彥蓉. 基于BP神經網絡的黃瓜光合速率預測模型研究[D].楊凌：西北農林科技大學，2016.

（責任編輯：徐?艷）