本發(fā)明屬于智能農(nóng)業(yè)
技術(shù)領(lǐng)域：
，特別涉及一種基于適宜根溫區(qū)間的水培蔬菜光環(huán)境高效調(diào)控方法與系統(tǒng)。
背景技術(shù)：
：我國(guó)設(shè)施蔬菜栽培面積占世界總面積的90％以上，已成為我國(guó)現(xiàn)代農(nóng)業(yè)的重要組成部分。傳統(tǒng)設(shè)施栽培易受到土壤病害、面源農(nóng)藥過量施加、肥力不均衡等問題。近年來(lái)水培栽培技術(shù)因其環(huán)保無(wú)污染、營(yíng)養(yǎng)均衡、品質(zhì)良好等優(yōu)點(diǎn)，已成為研究熱點(diǎn)，但由于我國(guó)管理技術(shù)水平與發(fā)達(dá)國(guó)家相比仍存在較大差距，蔬菜單位面積產(chǎn)量?jī)H為荷蘭的1/5-1/3。光合作用是作物在光照條件下，將二氧化碳和水轉(zhuǎn)化為有機(jī)物，實(shí)現(xiàn)物質(zhì)積累的生化過程，是決定產(chǎn)量與品質(zhì)的基本過程，受多種外部環(huán)境因素影響，光合速率具有顯著差異性。近幾年針對(duì)上述需求已開展大量基于植物光合生理技術(shù)的研究，在水培蔬菜光合速率影響因素的分析中發(fā)現(xiàn)，光是植物生長(zhǎng)過程中不可或缺的因素之一，然而由于人工設(shè)施受覆蓋材料、灰塵、及結(jié)構(gòu)遮光等影響，設(shè)施光照狀況僅為大田30％-70％，難以滿足作物生長(zhǎng)要求，導(dǎo)致作物生長(zhǎng)發(fā)育減緩、各種病蟲害發(fā)生幾率增加，造成落葉、發(fā)花數(shù)量少、花形花色不正、坐果率低等問題。同時(shí)，葉溫、co2濃度、根溫亦可以通過影響葉片中葉綠素的含量、氣孔阻力、內(nèi)部酶活性等多種途徑影響葉片光合強(qiáng)度以及干物質(zhì)的積累，其中，水培栽培種中根溫的調(diào)控?zé)o論從調(diào)控成本還是光合速率上均明顯優(yōu)于葉溫、co2濃度調(diào)控效果。因此，以光合速率優(yōu)化為目標(biāo)，基于作物生理需求，如何研發(fā)融合根溫控制的水培蔬菜光環(huán)境智能調(diào)控系統(tǒng)，提高水培蔬菜的產(chǎn)量和品質(zhì)，成為水培技術(shù)發(fā)展中亟待解決的關(guān)鍵問題。近年來(lái)隨著半導(dǎo)體產(chǎn)業(yè)發(fā)展，led光源和配套器件成本急劇下降，使應(yīng)用led進(jìn)行設(shè)施園藝補(bǔ)光成為可能，基于led的光環(huán)境調(diào)控技術(shù)近期成為研究熱點(diǎn)，眾多學(xué)者在設(shè)施光環(huán)境調(diào)控模型、方法和系統(tǒng)開展了一定研究，包括不同led復(fù)合光質(zhì)補(bǔ)光對(duì)作物形態(tài)特征和生理特性的不同影響；紅藍(lán)光質(zhì)比例、光強(qiáng)和補(bǔ)光時(shí)間對(duì)作物生長(zhǎng)有不同影響；張海輝等(2011)研制了可調(diào)光質(zhì)的精確補(bǔ)光系統(tǒng)；pinho等(2013)研究了溫室環(huán)境中光子通量密度強(qiáng)度的動(dòng)態(tài)控制機(jī)制?，F(xiàn)有研究一定程度提高了補(bǔ)光系統(tǒng)有效性，為光環(huán)境高效調(diào)控進(jìn)行了有益探索。但是上述研究主要針對(duì)傳統(tǒng)設(shè)施栽培模式，沒有基于水培生產(chǎn)根溫調(diào)控具有高效、低成本的特點(diǎn)，將根溫限制和高效調(diào)控作為主要調(diào)控目標(biāo)，開展融合適宜根溫調(diào)控的光環(huán)境動(dòng)態(tài)調(diào)控。技術(shù)實(shí)現(xiàn)要素：為了克服上述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提供一種基于適宜根溫區(qū)間的水培蔬菜光環(huán)境高效調(diào)控方法與系統(tǒng)，從根溫與光合速率之間的限制關(guān)系入手，在分析影響作物光合速率的主要因素后，設(shè)計(jì)多階段多因子嵌套試驗(yàn)獲取了多維大樣本數(shù)據(jù)，建立了基于回歸型支持向量機(jī)的多因子耦合水培生菜光合速率預(yù)測(cè)模型；利用魚群尋優(yōu)算法，獲取根溫與最大光合速率的響應(yīng)曲線，融合基于曲率理論完成對(duì)響應(yīng)曲線中適宜根溫區(qū)間的獲??；在適宜根溫區(qū)間內(nèi)，以獲取最優(yōu)光合速率為目標(biāo)，研究多環(huán)境因子融合的基于量子遺傳算法的光環(huán)境調(diào)控目標(biāo)值尋優(yōu)算法，建立了適宜根溫區(qū)間的光環(huán)境調(diào)控目標(biāo)值模型。在此基礎(chǔ)上，研究多因子動(dòng)態(tài)變化條件下環(huán)境參數(shù)動(dòng)態(tài)定量調(diào)控算法與閉環(huán)調(diào)控機(jī)制，利用無(wú)線傳感技術(shù)和基于人機(jī)界面的智能控制技術(shù)，融合適宜根溫區(qū)間與環(huán)境調(diào)控目標(biāo)值模型，提出了基于多傳感器融合的生菜水培根溫與光環(huán)境智能調(diào)控方法，構(gòu)建了基于物聯(lián)網(wǎng)水培環(huán)境栽培的智能調(diào)控系統(tǒng)，實(shí)現(xiàn)了對(duì)根溫和光照的高效精準(zhǔn)調(diào)控。為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種基于適宜根溫區(qū)間的水培蔬菜光環(huán)境高效調(diào)控方法，包括：步驟1，設(shè)計(jì)多階段多因子嵌套試驗(yàn)，獲取多維大樣本數(shù)據(jù)，建立基于回歸型支持向量機(jī)的多因子耦合水培蔬菜光合速率預(yù)測(cè)模型，輸入因子為根溫、葉溫、二氧化碳以及光量子通量密度，輸出為光合速率；步驟2，利用魚群尋優(yōu)算法，獲取根溫與最大光合速率的響應(yīng)曲線，融合曲率理論完成對(duì)響應(yīng)曲線中適宜根溫區(qū)間的獲??；步驟3，在適宜根溫區(qū)間內(nèi)，以獲取最優(yōu)光合速率為目標(biāo)，基于多因子融合的基于量子遺傳算法的光環(huán)境調(diào)控目標(biāo)值尋優(yōu)算法，建立適宜根溫區(qū)間的光環(huán)境調(diào)控目標(biāo)值模型；步驟4，基于所述光環(huán)境調(diào)控目標(biāo)值模型，實(shí)現(xiàn)對(duì)多因子動(dòng)態(tài)變化條件下的根溫和光照的高效精準(zhǔn)調(diào)控。所述步驟1中，采用svm擬合算法建立光合速率預(yù)測(cè)模型，過程如下：步驟1.1，獲取樣本數(shù)據(jù)采用培養(yǎng)箱為作物提供一個(gè)適宜恒定的外界環(huán)境，培養(yǎng)箱內(nèi)溫度設(shè)定為20℃，濕度設(shè)定為50％，co2濃度設(shè)定為400μl/l，同時(shí)采用光合儀測(cè)定凈光合速率，在實(shí)驗(yàn)過程中采用光合儀選配的多個(gè)子模塊按需控制葉片周圍的溫度、co2濃度以及光照強(qiáng)度參數(shù)，其中，利用控溫模塊設(shè)定10、15、20、25、30℃共5個(gè)葉溫梯度；利用co2注入模塊設(shè)定二氧化碳體積比為400、800、1200μl/l共3個(gè)梯度；利用led光源模塊獲得0、20、50、100、300、500、550、600、700μmol/(m2·s)共9個(gè)光子通量密度(photofluxdensity,pfd)梯度，利用加濕模塊設(shè)定葉室濕度為50％，另外，以水浴加熱方式獲得13、15、17、21、25、29℃共6個(gè)根溫梯度，以嵌套方式共進(jìn)行810組實(shí)驗(yàn)，每組實(shí)驗(yàn)隨機(jī)選取3株同齡植株做重復(fù)測(cè)試，從而形成以葉溫、co2濃度、光照強(qiáng)度、根溫為輸入，凈光合速率為輸出的810組實(shí)驗(yàn)樣本集；步驟1.2，光合速率預(yù)測(cè)模型構(gòu)建模型輸入信號(hào)為x＝(x′1,x′2,x′3,x′4)t，x′1、x′2、x′3、x′4分別為根溫、葉溫、co2濃度、光照強(qiáng)度，輸出信號(hào)to，表示網(wǎng)絡(luò)計(jì)算得到的光合速率，每組對(duì)應(yīng)實(shí)測(cè)光合速率均為教師信號(hào)td，通過支持向量機(jī)訓(xùn)練法建立光合速率預(yù)測(cè)模型td'(x)，訓(xùn)練過程采用80％的數(shù)據(jù)集作為訓(xùn)練集，20％的數(shù)據(jù)集作為驗(yàn)證集，采用異校驗(yàn)方式進(jìn)行光合速率預(yù)測(cè)模型性能的驗(yàn)證分析。所述步驟2中，基于所述光合速率預(yù)測(cè)模型，利用魚群尋優(yōu)算法尋找不同根溫條件下的最優(yōu)葉溫、二氧化碳濃度和光子通量密度以及相應(yīng)的最大光合速率，并以根溫為自變量，最大光合速率為因變量，可得不同根溫條件下的最大光合速率曲線，即根溫與最大光合速率的響應(yīng)曲線，基于曲率理論精確獲取適宜根溫區(qū)間。所述步驟2中，所述曲率理論是利用所得響應(yīng)曲線進(jìn)行曲率計(jì)算，計(jì)算根溫單因素限制條件下，其響應(yīng)曲線曲率的變化情況規(guī)律，并對(duì)所得曲率曲線求一階導(dǎo)，導(dǎo)數(shù)為零的點(diǎn)即曲率最大的點(diǎn)，其兩點(diǎn)之間的部分即所求的適宜根溫區(qū)間。所述步驟3中，建立適宜根溫區(qū)間的光環(huán)境調(diào)控目標(biāo)值模型的具體步驟如下：調(diào)用光合速率預(yù)測(cè)模型，通過光合速率尋優(yōu)算法，探尋不同根溫、不同葉溫、不同二氧化碳濃度條件下的需光量和光調(diào)控模型，以凈光合速率預(yù)測(cè)模型為基礎(chǔ)設(shè)計(jì)尋優(yōu)目標(biāo)函數(shù)，繼而采用量子遺傳算法進(jìn)行尋優(yōu)，并提取不同根溫、葉溫、二氧化碳濃度條件下的光飽和點(diǎn)實(shí)測(cè)值與預(yù)測(cè)值做對(duì)比，對(duì)光調(diào)控模型進(jìn)行驗(yàn)證。所述量子遺傳算法的每組尋優(yōu)均建立在如下條件基礎(chǔ)上：根溫以2℃為步長(zhǎng)，二氧化碳濃度以400μl/l為步長(zhǎng)，葉溫以5℃為步長(zhǎng)，建立尋優(yōu)條件數(shù)據(jù)樣本集，并以樣本集中數(shù)據(jù)完成對(duì)光合速率調(diào)控模型的實(shí)例化，作為量子遺傳算法的適應(yīng)度函數(shù)，在完成根溫、葉溫、二氧化碳濃度條件下對(duì)應(yīng)光子通量密度的尋優(yōu)后，重新提取1組新的尋優(yōu)條件，重復(fù)上述尋優(yōu)步驟直至最終完成所有不同根溫、不同葉溫、不同二氧化碳濃度的尋優(yōu)，得到不同根溫、不同葉溫、不同二氧化碳濃度條件下的光子通量密度尋優(yōu)圖，基于上述尋優(yōu)結(jié)果，得到蔬菜在不同根溫、不同葉溫、不同二氧化碳濃度條件下光飽和點(diǎn)的對(duì)應(yīng)關(guān)系，在此基礎(chǔ)上利用多元回歸建立基于適宜根溫范圍的光環(huán)境調(diào)控目標(biāo)值模型。本發(fā)明還提供了利用所述基于適宜根溫區(qū)間的水培蔬菜光環(huán)境高效調(diào)控方法的調(diào)控系統(tǒng)，包括：傳感器子系統(tǒng)，采集實(shí)時(shí)紅藍(lán)光光子通量密度、根溫、氣溫、co2濃度信息；數(shù)據(jù)融合子系統(tǒng)，接收傳感器子系統(tǒng)采集的實(shí)時(shí)環(huán)境信息，輸入光環(huán)境調(diào)控目標(biāo)值模型，經(jīng)過數(shù)據(jù)融合得到該環(huán)境下葉溫信息、相應(yīng)控溫值以及最優(yōu)光飽和點(diǎn)，并將該信息經(jīng)由目標(biāo)值推送模塊發(fā)至決策控制子系統(tǒng)和數(shù)據(jù)庫(kù)，數(shù)據(jù)庫(kù)負(fù)責(zé)收集實(shí)時(shí)環(huán)境信息和最優(yōu)目標(biāo)值信息為模型修正提供信息；決策控制子系統(tǒng)，根據(jù)接收的最優(yōu)目標(biāo)值信息和實(shí)時(shí)光環(huán)境信息再次進(jìn)行數(shù)據(jù)融合，通過動(dòng)態(tài)差值計(jì)算得到紅、藍(lán)需補(bǔ)光量，并進(jìn)一步轉(zhuǎn)換得到pwm調(diào)光信號(hào)，下發(fā)執(zhí)行控制器，同時(shí)決策控制子系統(tǒng)將控溫量下發(fā)至執(zhí)行控制器，執(zhí)行控制器通過無(wú)線傳感網(wǎng)絡(luò)接收動(dòng)態(tài)調(diào)控指令，控制補(bǔ)光節(jié)點(diǎn)完成定量補(bǔ)光，同時(shí)控制控溫節(jié)點(diǎn)完成控溫，從而實(shí)現(xiàn)多元實(shí)時(shí)環(huán)境信息融合的動(dòng)態(tài)反饋控制。與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：1、本發(fā)明提出了智能算法和曲率理論相融合的作物根系適宜溫度獲取方法，其依據(jù)作物根溫、葉溫、co2和光照強(qiáng)度嵌套光合速率耦合實(shí)驗(yàn)結(jié)果，構(gòu)建基于支持向量機(jī)(svm)算法的光合速率預(yù)測(cè)模型；以預(yù)測(cè)模型網(wǎng)絡(luò)為尋優(yōu)目標(biāo)值函數(shù)，構(gòu)建基于魚群尋優(yōu)算法的多因子耦合最大光合速率尋優(yōu)方法，獲取根溫與對(duì)應(yīng)最大光合速率的響應(yīng)曲線；利用曲率理論對(duì)根溫響應(yīng)曲線進(jìn)行曲率分析，提出以區(qū)率拐點(diǎn)為限制的作物適宜的根溫區(qū)間獲取方法。2、提出基于根溫約束條件構(gòu)建光環(huán)境優(yōu)化調(diào)控目標(biāo)值模型，基于svm作物光合速率預(yù)測(cè)模型，在適宜根溫區(qū)間內(nèi)，構(gòu)建葉溫與co2雙嵌套尋優(yōu)條件并采用量子遺傳算法進(jìn)行光飽和點(diǎn)尋優(yōu)，進(jìn)而構(gòu)建光環(huán)境優(yōu)化調(diào)控目標(biāo)值模型。3、提出基于根溫約束下的光環(huán)境多傳感器融合理論，基于根溫約束的光環(huán)境調(diào)控目標(biāo)值模型、氣溫耦合模型與環(huán)境檢測(cè)節(jié)點(diǎn)實(shí)時(shí)監(jiān)測(cè)數(shù)據(jù)，按需動(dòng)態(tài)調(diào)整led光源輸出光強(qiáng)、光質(zhì)與根溫調(diào)控信號(hào)，實(shí)現(xiàn)設(shè)施光環(huán)境精準(zhǔn)調(diào)控，保證了處理數(shù)據(jù)的準(zhǔn)確性和實(shí)時(shí)性。附圖說(shuō)明圖1是本發(fā)明建立光合速率預(yù)測(cè)模型算法流程圖。圖2是本發(fā)明建立光合速率預(yù)測(cè)模型結(jié)果驗(yàn)證圖。圖3是本發(fā)明建立作物根系適宜溫度獲取算法流程圖。圖4是本發(fā)明獲取根系適宜溫度區(qū)間結(jié)果曲線。圖5是本發(fā)明建立的基于根溫約束的光環(huán)境優(yōu)化調(diào)控目標(biāo)值模型算法流程圖。圖6是本發(fā)明建立的光環(huán)境優(yōu)化調(diào)控目標(biāo)值尋優(yōu)結(jié)果曲線，其中a對(duì)應(yīng)葉溫23℃，b對(duì)應(yīng)葉溫29℃。圖7是本發(fā)明建立光環(huán)境優(yōu)化調(diào)控目標(biāo)值模型結(jié)果驗(yàn)證圖。圖8是本發(fā)明調(diào)控系統(tǒng)框圖。圖9是本發(fā)明基于無(wú)線傳感器網(wǎng)絡(luò)的多傳感器融合的無(wú)線網(wǎng)絡(luò)信息交互平臺(tái)的系統(tǒng)框圖。具體實(shí)施方式下面結(jié)合附圖和實(shí)施例詳細(xì)說(shuō)明本發(fā)明的實(shí)施方式。本發(fā)明一種基于適宜根溫區(qū)間的水培蔬菜光環(huán)境高效調(diào)控系統(tǒng)的建立過程如下：1、多因子融合光合速率預(yù)測(cè)模型為了實(shí)現(xiàn)設(shè)施光環(huán)境的精確調(diào)控，準(zhǔn)確構(gòu)建基于適宜根溫區(qū)間的多因子耦合光合調(diào)控優(yōu)化模型。目前溫室環(huán)境下的補(bǔ)光多采用粗獷式光環(huán)境調(diào)控方法，成本高，效率低，造成補(bǔ)光過?；蜓a(bǔ)光不足，甚至造成光破壞和光抑制現(xiàn)象。因此，構(gòu)建基于適宜根溫區(qū)間的四因子耦合光合調(diào)控優(yōu)化模型，實(shí)現(xiàn)不同光環(huán)境下光飽和點(diǎn)信息動(dòng)態(tài)獲取，是光環(huán)境調(diào)控技術(shù)發(fā)展亟需解決的問題。針對(duì)上述問題，提出了基于量子遺傳算法的光合作用優(yōu)化調(diào)控模型。即利用光合速率多因素嵌套試驗(yàn)獲取多維數(shù)據(jù)，構(gòu)建基于svm算法擬合的根溫、葉溫、二氧化碳、光量子通量密度耦合的光合速率多元回歸模型，設(shè)計(jì)了基于量子遺傳算法的光合速率預(yù)測(cè)模型尋優(yōu)方法，得到適宜根溫區(qū)間、不同葉溫、不同二氧化碳濃度條件下的光飽和點(diǎn)，繼而建立以光飽和點(diǎn)為目標(biāo)值的植物光合優(yōu)化調(diào)控模型。對(duì)提高設(shè)施光環(huán)境調(diào)控效率具有重要的意義。1.1、試驗(yàn)方案設(shè)計(jì)本實(shí)驗(yàn)于2016年9月8日-2016年10月8日進(jìn)行。植株一直放于md1400培養(yǎng)箱(荷蘭sinder公司)內(nèi)培養(yǎng)，培養(yǎng)箱內(nèi)的光源由紅色(波長(zhǎng)630nm)和藍(lán)色(波長(zhǎng)460nm)燈珠組成。培養(yǎng)箱的溫度設(shè)為25℃，相對(duì)濕度設(shè)為60％，co2設(shè)為400μl/l，光周期設(shè)為14小時(shí)。在實(shí)驗(yàn)過程中，作物進(jìn)行正常的栽培管理，不噴施任何農(nóng)藥和激素。實(shí)驗(yàn)為以奶油生菜作為實(shí)驗(yàn)對(duì)象，針對(duì)同一作物，基于不同環(huán)境因子對(duì)光合速率的影響，使用li-6800便攜式光合測(cè)定系統(tǒng)對(duì)生菜的幼苗期進(jìn)行測(cè)量，實(shí)驗(yàn)設(shè)置外界環(huán)境變量包括光子通量密度、葉溫、根溫、二氧化碳濃度等生理因子，在作物適應(yīng)生長(zhǎng)的條件范圍內(nèi)設(shè)計(jì)各環(huán)境因子嵌套實(shí)驗(yàn)。利用控溫模塊設(shè)定10、15、20、25、30℃共5個(gè)葉溫梯度；利用co2注入模塊設(shè)定二氧化碳體積比為400、800、1200μl/l共3個(gè)梯度；利用led光源模塊獲得0、20、50、100、300、500、550、600、700μmol/(m2·s)共9個(gè)光子通量密度(photofluxdensity,pfd)梯度，利用加濕模塊設(shè)定葉室濕度為50％，另外，以水浴加熱方式獲得13、15、17、21、25、29℃共6個(gè)根溫梯度。根據(jù)以上方案設(shè)定各因子的范圍和步長(zhǎng)，為減少實(shí)驗(yàn)數(shù)據(jù)的偶然性，每組實(shí)驗(yàn)條件均重復(fù)進(jìn)行，同時(shí)，為避免作物午休效應(yīng)影響本實(shí)驗(yàn)精度，只在每天9:00-11:00和14:00-17:00兩個(gè)時(shí)間段內(nèi)進(jìn)行實(shí)驗(yàn)?；谝陨蠈?shí)驗(yàn)方案測(cè)得作物幼苗期的光合速率，從而獲得適宜根溫區(qū)間的多因子耦合光合速率建模所需的實(shí)驗(yàn)數(shù)據(jù)共810組，完成建模方法中基于適宜根溫區(qū)間的多因子耦合光合速率實(shí)驗(yàn)方案的建立，為光合速率建模數(shù)據(jù)采集提供理論方案?；谏鲜鰳颖緶y(cè)試集，采用相關(guān)分析法，分析各個(gè)因子與光合速率的相關(guān)性，確定各個(gè)變量與光合速率的相關(guān)程度。為了消除不同數(shù)量級(jí)和不同量綱對(duì)訓(xùn)練結(jié)果的影響，首先將根溫、葉溫、二氧化碳、光子通量密度和光合速率等不同量綱的數(shù)據(jù)進(jìn)行歸一化，其次應(yīng)用pearson相關(guān)分析法計(jì)算各因子與光合速率的相關(guān)系數(shù)，其結(jié)果如表1所示。表1各因子與凈光合速率的相關(guān)性自變量根溫/(℃)葉溫/(℃)co2濃度/(μl/l)光量子通量密度/(μmol/(m2*s)相關(guān)系數(shù)0.078*0.158**0.140**0.832**顯著性檢驗(yàn)值<0.0001<0.0001<0.0001<0.0001由表1得知，光合速率與根溫、葉溫、二氧化碳濃度、光子通量密度相關(guān)性，且均達(dá)到顯著水平。根溫雖不是相關(guān)性最強(qiáng)的，但其相關(guān)性在0.05水平上顯著相關(guān)，說(shuō)明根溫在一定程度上對(duì)光合速率有很大影響，且考慮到設(shè)施環(huán)境中不同環(huán)境因子調(diào)節(jié)所需的能耗和成本，本系統(tǒng)首先將根溫調(diào)控至適宜范圍，再構(gòu)建融合氣溫、葉溫、光照、二氧化碳濃度構(gòu)建多因子光環(huán)境調(diào)控模型是很有必要的。1.2、光合速率預(yù)測(cè)模型建立作物的光合速率預(yù)測(cè)模型是最適根溫區(qū)間獲取和光環(huán)境調(diào)控目標(biāo)值模型建立的基礎(chǔ)。由于根溫、葉溫、二氧化碳、光子通量密度與作物的光合速率存在著緊耦合強(qiáng)相關(guān)的關(guān)系，以根溫、葉溫、綜合考慮擬合精度及計(jì)算復(fù)雜性，采用svm擬合算法進(jìn)行回歸分析建立以根溫、葉溫、二氧化碳濃度、光子通量密度為自變量的凈光合速率預(yù)測(cè)模型。光合速率預(yù)測(cè)模型建立過程如圖1所示。同時(shí)可得光合速率預(yù)測(cè)模型公式為：其中，輸出f(x)表示預(yù)測(cè)的凈光合速率，輸入信號(hào)x＝(x′1,x′2,x′3,x′4)t，x′1、x′2、x′3、x′4分別為根溫、葉溫、co2濃度、光照強(qiáng)度，w為權(quán)值向量，b為偏置，φ(x)為非線性映射函數(shù)，l為訓(xùn)練集樣本對(duì){(xi,yi),i＝1,2,3,...,l}中的訓(xùn)練樣本個(gè)數(shù)，xi是第i訓(xùn)練樣本的輸入列向量，是i×d維實(shí)數(shù)域，d是列向量維數(shù)，σ為寬度參數(shù)，ai和ai*為下式的最優(yōu)解：其中k(xi,xj)＝φ(xi)φ(xj)為核函數(shù)，yi為對(duì)應(yīng)的輸出值，yi∈r，ε為中止訓(xùn)練誤差，c為懲罰因子；對(duì)光合速率實(shí)測(cè)值與預(yù)測(cè)值進(jìn)行相關(guān)性分析驗(yàn)證，得出svm回歸擬合所構(gòu)建光合速率預(yù)測(cè)模型可實(shí)現(xiàn)高精度預(yù)測(cè)，為調(diào)控目標(biāo)值模型構(gòu)建提供數(shù)據(jù)支持。由圖2可知葉溫耦合下的光合速率預(yù)測(cè)模型均方根誤差為0.7697，可以看出根據(jù)葉溫、根溫、光強(qiáng)、二氧化碳耦合下的光合模型更為精準(zhǔn)，實(shí)現(xiàn)設(shè)施光環(huán)境精準(zhǔn)調(diào)控。2、適宜根溫區(qū)間的獲取方法研究基于光合速率預(yù)測(cè)模型，利用魚群尋優(yōu)算法尋找不同根溫條件下的最優(yōu)葉溫、二氧化碳濃度和光子通量密度以及相應(yīng)的最大光合速率。并以根溫為自變量，最大光合速率為因變量，作出不同根溫條件下的最大光合速率曲線，基于曲率理論精確獲取適宜根溫區(qū)間。整個(gè)算法流程圖如圖3所示。魚群尋優(yōu)步驟如下：(1)魚群初始化魚群中的每條人工魚均為一組實(shí)數(shù)，在給定的隨機(jī)數(shù)組中產(chǎn)生隨機(jī)數(shù)組。(2)覓食、聚群、追尾利用以下公式分別進(jìn)行覓食行為、聚群行為、追尾行為。覓食行為：xj＝xi+(2r-1)st聚群行為：追尾行為：其中，xi為人工魚當(dāng)前的狀態(tài)，xj為感知范圍中的一個(gè)隨機(jī)狀態(tài)，r為隨機(jī)數(shù)，xi++為人工魚的當(dāng)前位置更新，xc為中心位置實(shí)物濃度，xgbest為當(dāng)前最優(yōu)位置食物濃度。(3)迭代尋優(yōu)對(duì)不同行為所得人工魚位置對(duì)應(yīng)的食物濃度進(jìn)行對(duì)比，選擇食物濃度高的人工魚位置完成位置更新，同時(shí)進(jìn)行優(yōu)化過程迭代，直達(dá)完成不同根溫條件下的最優(yōu)葉溫、co2濃度、光照強(qiáng)度以及最大的光合速率。重復(fù)上述步驟，直至完成所有根溫條件下的目標(biāo)尋優(yōu)。在此基礎(chǔ)上利用所得不同根溫條件下的最大光合速率曲線進(jìn)行曲率計(jì)算，計(jì)算根溫這一單因素限制條件下，其響應(yīng)曲線曲率的變化情況規(guī)律，并對(duì)所得曲率曲線求一階導(dǎo)，導(dǎo)數(shù)為零的點(diǎn)即曲率最大的點(diǎn)，其兩點(diǎn)之間的部分就是所求的適宜根溫區(qū)間。得到的不同根溫下的最大光合速率曲線圖、光合速率曲線的曲率以及曲率的導(dǎo)數(shù)如圖4所示。其中曲率計(jì)算公式為：由圖4可知，在一定根溫范圍內(nèi)，光合速率隨根溫升高而迅速升高；在適宜根溫區(qū)間，光合速率隨根溫升高而緩慢升高甚至趨于平緩；超過適宜根溫區(qū)間，光合速率隨根溫升高而迅速下降，由此得出水培生菜最適根溫區(qū)間范圍大概是20-28℃。3、基于適宜根溫區(qū)間的多因子耦合光環(huán)境調(diào)控目標(biāo)值模型建立基于光合速率預(yù)測(cè)模型，采用量子遺傳算法實(shí)現(xiàn)多因子耦合尋優(yōu)，根據(jù)尋優(yōu)結(jié)果建立基于適宜根溫區(qū)間的光合優(yōu)化調(diào)控模型。首先，調(diào)用光合速率預(yù)測(cè)模型，進(jìn)而，通過量子遺傳尋優(yōu)算法，探尋不同根溫、不同葉溫、不同二氧化碳濃度條件下的需光量和光調(diào)控模型。即，先以凈光合速率預(yù)測(cè)模型為基礎(chǔ)設(shè)計(jì)尋優(yōu)目標(biāo)函數(shù)，繼而采用量子遺傳算法進(jìn)行尋優(yōu)。并提取不同根溫、葉溫、二氧化碳濃度條件下的光飽和點(diǎn)實(shí)測(cè)值與預(yù)測(cè)值做對(duì)比，對(duì)光調(diào)控模型進(jìn)行驗(yàn)證。具體流程圖如圖5。量子遺傳尋優(yōu)步驟如下：(1)初始化種群初始化種群q(t0)，將種群中的全部染色體的所有基因初始化為(2)量子比特編碼采用遺傳算法的二進(jìn)制編碼，對(duì)多態(tài)問題進(jìn)行量子比特編碼，然后對(duì)所有可能狀態(tài)進(jìn)行等概率疊加，可得染色體的表達(dá)。計(jì)算公式如下：其中，sk為該染色體的第k種狀態(tài)，m為二進(jìn)制串的長(zhǎng)度。(3)量子旋轉(zhuǎn)門對(duì)初始種群中的個(gè)體進(jìn)行一次測(cè)量，獲得一組確定的解對(duì)其進(jìn)行適應(yīng)度評(píng)估，記錄最佳適宜度個(gè)體作為下一步演化的目標(biāo)值。通過對(duì)種群中的個(gè)體進(jìn)行調(diào)整，與演化目標(biāo)值進(jìn)行比較確定下一次迭代的目標(biāo)值。本算法的每組尋優(yōu)均建立在特定條件的基礎(chǔ)上，其中根溫以2℃為步長(zhǎng)，二氧化碳濃度以400μl/l為步長(zhǎng)，葉溫以5℃為步長(zhǎng)建立尋優(yōu)條件數(shù)據(jù)樣本集。并以樣本集中數(shù)據(jù)完成對(duì)光合速率預(yù)測(cè)模型的實(shí)例化，作為量子遺傳算法的適應(yīng)度函數(shù)。在完成根溫、葉溫、二氧化碳濃度條件下對(duì)應(yīng)光子通量密度的尋優(yōu)后，重新提取1組新的尋優(yōu)條件，重復(fù)上述尋優(yōu)步驟直至最終完成所有不同根溫、不同葉溫、不同二氧化碳濃度的尋優(yōu)。得到不同根溫、不同葉溫、不同二氧化碳濃度條件下的光子通量密度尋優(yōu)圖。以二氧化碳濃度為800μl/l，葉溫25℃，根溫23℃、29℃為例，得到生菜的部分尋優(yōu)結(jié)果如圖6(a)(b)所示。從圖中可以發(fā)現(xiàn)不同根溫對(duì)應(yīng)下的最大光合速率值是不同的，這是由于根溫可以通過影響葉片中葉綠素含量、氣孔阻力、內(nèi)部酶活性等多種途徑影響葉片光合強(qiáng)度造成的?；谏鲜鰧?yōu)結(jié)果，得到生菜在不同根溫、不同葉溫、不同二氧化碳濃度條件下光飽和點(diǎn)的對(duì)應(yīng)關(guān)系，在此基礎(chǔ)上利用多元回歸建立基于適宜根溫范圍的多因子耦合光飽和點(diǎn)智能調(diào)控模型，如式下式所示。pfd＝f(yw,gw,co2)＝-2.219792×102×gw×yw+8.2184×yw×co2+8.1417×gw×co2-3.058×10-4×co22-2.1773×gw3+8.1857×gw3×yw-8.06×10-4×gw2×co2+1.3166×gw×yw2+3×10-2×gw×yw×co2-9.2×10-4×gw×co22-9.966×10-4×yw3+3.39×10-4×yw2×co2-1.27×10-4×yw×co22+5.3738×10-4×co23+4.3×10-3×gw4-1.116×10-4×gw3×yw+1.5×10-4×gw3×co2-8.409×10-4×gw2×yw×co2+2.7929×10-4×yw2×gw×co2-1.5485×10-6×co22×gw×yw-2.26×10-4×yw3×gw-5.5503×10-4×yw3×co2+2.21×10-4×yw4+3.8568×10-6×co23×gw+5.3126×10-4×co23×yw-2.4604×10-7×co24式中：pfd為需光量，yw為葉溫，gw為根溫，co2為co2濃度。該公式的相關(guān)系數(shù)為0.9503，表明其具有良好的擬合度。由公式和模型可以看出適宜根溫范圍內(nèi)，若二氧化碳濃度恒定情況下，植物光飽和點(diǎn)總遵循這樣一個(gè)規(guī)律，即先隨葉溫上升而快速上升，后隨葉溫上升而緩慢上升，當(dāng)葉溫超過一定值時(shí)，光飽和點(diǎn)開始下降。本發(fā)明為了驗(yàn)證調(diào)控模型的精度設(shè)計(jì)了相關(guān)驗(yàn)證試驗(yàn)，其通過光飽和點(diǎn)實(shí)測(cè)值與模型擬合結(jié)果的對(duì)比分析，驗(yàn)證本模型的準(zhǔn)確性及適應(yīng)性。驗(yàn)證中使用li-6800便攜式光合儀，在適宜根溫區(qū)間范圍內(nèi)隨機(jī)抽取20個(gè)不同條件下的光飽和點(diǎn)為實(shí)測(cè)值，模型計(jì)算相應(yīng)條件下得到的20個(gè)光飽和點(diǎn)作為預(yù)測(cè)值，二者之間的相關(guān)關(guān)系如圖7所示。從圖中可以看出利用量子遺傳尋優(yōu)構(gòu)建的光調(diào)控模型可實(shí)現(xiàn)高精度預(yù)測(cè)，實(shí)現(xiàn)設(shè)施光環(huán)境精準(zhǔn)調(diào)控。4、系統(tǒng)設(shè)計(jì)基于以上設(shè)計(jì)目標(biāo)，本發(fā)明建立基于多傳感器信息融合調(diào)控理論的環(huán)境閉環(huán)調(diào)控機(jī)制框架，分為傳感器子系統(tǒng)、數(shù)據(jù)融合子系統(tǒng)、決策控制子系統(tǒng)等，如圖8所示?；诙鄠鞲衅魅诤系墓猸h(huán)境閉環(huán)控制系統(tǒng)分為傳感器子系統(tǒng)，數(shù)據(jù)融合子系統(tǒng)、決策控制子系統(tǒng)等幾部分。其具體工作流程為：傳感器子系統(tǒng)收集溫室的實(shí)時(shí)紅藍(lán)光光子通量密度、根溫、氣溫、co2濃度信息，并輸入數(shù)據(jù)融合子系統(tǒng)；數(shù)據(jù)融合子系統(tǒng)將實(shí)時(shí)環(huán)境信息輸入最優(yōu)目標(biāo)值模型，經(jīng)過數(shù)據(jù)融合得到該環(huán)境下葉溫信息、相應(yīng)控溫值以及最優(yōu)光飽和點(diǎn)，并將該信息經(jīng)由目標(biāo)值推送模塊將其發(fā)至決策控制子系統(tǒng)和數(shù)據(jù)庫(kù)，數(shù)據(jù)庫(kù)負(fù)責(zé)收集實(shí)時(shí)環(huán)境信息和最優(yōu)目標(biāo)值信息為模型修正提供信息；決策控制子系統(tǒng)根據(jù)接收的最優(yōu)目標(biāo)值信息和實(shí)時(shí)光環(huán)境信息再次進(jìn)行數(shù)據(jù)融合，通過動(dòng)態(tài)差值計(jì)算得到紅、藍(lán)需補(bǔ)光量，并進(jìn)一步轉(zhuǎn)換得到pwm調(diào)光信號(hào)，下發(fā)執(zhí)行控制器，同時(shí)決策控制子統(tǒng)將控溫量下發(fā)至執(zhí)行控制器，執(zhí)行控制器通過無(wú)線傳感網(wǎng)絡(luò)接收動(dòng)態(tài)調(diào)控指令，控制補(bǔ)光節(jié)點(diǎn)完成定量補(bǔ)光，同時(shí)控制控溫節(jié)點(diǎn)完成控溫，從而實(shí)現(xiàn)多元實(shí)時(shí)環(huán)境信息融合的動(dòng)態(tài)反饋控制。基于上述控制機(jī)制，設(shè)計(jì)了基于無(wú)線傳感器網(wǎng)絡(luò)的多傳感器融合的無(wú)線網(wǎng)絡(luò)信息交互平臺(tái)，其系統(tǒng)框圖如圖9所示。平臺(tái)由控溫節(jié)點(diǎn)、監(jiān)測(cè)節(jié)點(diǎn)、智能補(bǔ)光節(jié)點(diǎn)、智能控制節(jié)點(diǎn)組成，各節(jié)點(diǎn)均采用cc2530為核心芯片，zigbee為數(shù)據(jù)傳輸協(xié)議進(jìn)行調(diào)控作業(yè)。其中，控溫節(jié)點(diǎn)完成對(duì)水培作物根溫的控制，監(jiān)測(cè)節(jié)點(diǎn)完成溫度、co2濃度與光合有效輻射par值采集，智能控制節(jié)點(diǎn)完成基于實(shí)時(shí)環(huán)境信息和目標(biāo)值的調(diào)光量、調(diào)溫量計(jì)算，補(bǔ)光節(jié)點(diǎn)完成調(diào)光命令的執(zhí)行。其中智能控制終端是本系統(tǒng)的完成智能高效控制的關(guān)鍵，其中控制軟件的設(shè)計(jì)是其核心，包含基于組態(tài)軟件的用戶界面和宏代碼和plc設(shè)備串口驅(qū)動(dòng)兩部分。其中組態(tài)部分元件與元件之間通過宏代碼以及內(nèi)部寄存器地址設(shè)定緊密聯(lián)系，主要完成各種模型嵌入、管理、設(shè)置和決策結(jié)果的動(dòng)態(tài)計(jì)算等功能，從而組成整個(gè)界面；plc設(shè)備串口驅(qū)動(dòng)負(fù)責(zé)工控屏界面與協(xié)調(diào)器節(jié)點(diǎn)通訊，從而基于實(shí)時(shí)環(huán)境參量和作物自身需求的差異，實(shí)現(xiàn)對(duì)作物生長(zhǎng)環(huán)境的智能動(dòng)態(tài)優(yōu)化控制。當(dāng)前第1頁(yè)12