基于番茄光响应差分特征的全生长期光强调控方法技术

本发明专利技术涉及一种基于番茄光响应数据集差分特征的全生长期光强调控方法，属于设施农业的作物环境智能调控领域，基于极限学习机建立了全生长期光合预测模型，并针对光合数据的特征进行了模型优化；基于光合预测模型，得到了植株净光合速率Pn对光强响应的离散集并绘制曲线；为了确定不同调控目标下温室适宜的光量子通量密度PPFD值以指导补光光强，对离散集进行了二阶中心差分运算，根据差分曲线与原曲线的对应关系，找到光合速率变化速度改变的分界点，基于该分界点使用三维三角插值法建立了光强目标值模型；提出了与“收益最大化”、“作物产出最大化”、“投入和产出平衡”等温室生产目标相对应的光强调控方法和策略。相对应的光强调控方法和策略。相对应的光强调控方法和策略。

【技术实现步骤摘要】
基于番茄光响应差分特征的全生长期光强调控方法


[0001]本专利技术涉及一种基于番茄光响应数据集差分特征的全生长期光强调控方法，属于设施农业的作物环境智能调控领域。

技术介绍

[0002]中国北方地区为典型的大陆性季风的气候环境，有着冬季寒冷干燥，夏季多雨的特点。在冬季，日光温室可以实现在不加温或少加温的条件下生产喜温蔬菜，保证了淡季的蔬菜供给，也带来了丰厚的经济效益。因此，日光温室等设施农业在中国北方地区有着大面积的应用。日光温室以太阳辐射为主要能源，节能环保，具有保温效果好、成本低等特点，在我国广泛推广。但是，日光温室背面和东西侧面均为墙体，相对于塑料大棚和玻璃温室，其采光效果较差，进入日光温室的光线强度比室外降低约20％
‑
60％。而且，当室外环境温度较低时，为维持温室内正常温度需要牺牲光照，例如温室保温被揭棚时间推迟、盖棚时间提前。在秋冬季节，连续的阴霾天气也使得温室内部的光照无法保证，影响着正常的农业生产。
[0003]补光(Supplemental lighting)可以弥补日光温室光照的不足，为植株的生长提供保障。近年来，发光二极管(Light
‑
emitting diode,LED)被迅速引入温室栽培系统。LED节能环保，发光效率高而热效应不显著，为番茄和其他温室作物的辅助照明提供了良好选择。合理的补光光强可以提高温室作物的光合速率，为增产做出贡献，然而过量的补光不仅增加了电力消耗，从而导致收入产出比下降，而且会增加作物光抑制等不良反应，危害作物生长，造成更大损失。此外，不同温度、二氧化碳浓度等条件下的作物对光强的敏感性不同，不同生长期的作物对光强的敏感性也不同，即作物的需光量随外界环境与自身生长而变化，因此，补光需要结合具体作物及其生长阶段和生长环境而进行精细化管理。
[0004]综上，需要建立一个根据外界环境与作物生长期等变量做出响应的作物光合速率预测模型，以实时地评估作物光合状态。净光合速率(Net photosynthetic rate,Pn)表征了植株光合作用固定二氧化碳的速度，一定程度上决定了作物的产量和产值。光量子通量密度(photosynthetic photon flux density,PPFD)，即有效光合波段内的光强对Pn有重要影响，此外Pn还受植株所处环境的温度、二氧化碳浓度等影响，因此需要根据环境对Pn作用的规律，进一步确定温室补光的目标光强，建立光强调控目标值模型，从而实现温室精细化科学补光。
[0005]本专利技术提出的光合预测模型与目标值调控模型，适用于苗期、开花期及果期的温室番茄，可以实现不同光照强度(PPFD)、二氧化碳浓度、空气温度、空气相对湿度等环境条件下番茄植株Pn的实时预测。以此为基础，本专利技术进一步提出了一种补光方法，根据光响应曲线的差分(difference)分析结果，在全生长期的不同环境条件下，确定了光合离散数据变化速度发生改变的关键点，即光响应曲线的分界点，并进一步基于分界点建立了光强调控的目标值模型。判断环境光强在目标值模型中的空间位置，根据调控目的输出目标值模型的光强值，指导温室补光。该方法避免了传统补光方法以最大光强(光饱和光量子通量密
度)为单一目标值进行调控所带来的高能耗与高成本问题，将补光调控与生产需求相结合，实现了温室补光的经济性。

技术实现思路

[0006]本专利技术的目的在于提供一种基于光响应曲线差分特征的番茄全生长期光强调控方法，实现全生长期净光合速率Pn的光合实时预测与温室补光光强调控目标值的获取；基于极限学习机建立了全生长期光合预测模型，并针对光合数据的特征进行了模型优化；基于光合预测模型，得到了植株净光合速率Pn对光强响应的离散集并绘制曲线；为了确定不同调控目标下温室适宜的光量子通量密度PPFD值以指导补光光强，对离散集进行了二阶中心差分运算，根据差分曲线与原曲线的对应关系，找到光合速率变化速度改变的分界点，基于该分界点使用三维三角插值法建立了光强目标值模型；提出了与“收益最大化”、“作物产出最大化”、“投入和产出平衡”等温室生产目标相对应的光强调控方法和策略。
[0007]为了达到上述目的，本专利技术提供了如下技术方案：
[0008]基于光响应曲线差分特征的番茄全生长期光强调控方法，其中，所述方法包括以下步骤：
[0009]S1：数据采集
[0010]使用温室内布置的无线传感器网络节点采集不同有效光合波段内的环境参数数据，所述环境参数包括光量子通量密度PPFD、环境光照的红蓝比例R:B、室内二氧化碳浓度CO2、空气温度T和空气相对湿度RH；通过路由器将节点环境参数数据上传至远程服务器平台，并进行本地储存，方便后续数据分析；
[0011]使用光合速率仪获取番茄单叶的光合数据，通过叶室控制并稳定叶片环境，获得不同环境条件下所对应的净光合速率Pn；
[0012]所述采集步骤分别于番茄的苗期、开花期和果期进行；
[0013]S2：数据分析
[0014]S2.1：数据预处理
[0015]数据预处理包括数据匹配与清洗、变量筛选与归一化和数据集划分；
[0016]S2.1.1：数据匹配与清洗
[0017]采集过程中存在对同一样本的重复测量，求取平均值作为真实值，对数据集进行规范整理；
[0018]数据匹配：获取的光合数据需要与环境参数数据进行匹配，从而排除测量过程中由于短时环境波动、仪器气流不稳定等扰动带来的异常数据点；
[0019]数据清洗：绘制数据的箱线图，根据四分位数法检测并剔除离群值，从而实现对原始数据的清洗；
[0020]S2.1.2：变量筛选和归一化
[0021]变量筛选：即通过相关分析和平均影响值法来筛选变量；如果数据符合正态分布，且通过方差齐性检验，则对模型输入、输出进行相关分析，判断各变量和被测变量的相关性；同时借助平均影响值法计算变量的权重，判断影响的相对重要性；剔除与模型输出无关的输入变量，完成变量筛选；
[0022]若筛选后变量的维度仍过高，使用主成分分析方法，将原数据不断转换到新坐标
系中，取包含大部分方差的前几个坐标系，并忽略余下的坐标轴，从而降低变量维度；
[0023]归一化处理：使用max
‑
min标准化方法将数据集的各维度统一在区间[
‑
1,1]内，从而消除各维度量纲差异；
[0024]S2.1.3：数据集划分
[0025]为了验证模型有效性，通过数据集划分得到训练集和测试集，使用训练集数据进行模型训练，使用测试集数据完成验证；
[0026]随机取整体数据集的80％作为训练集，余下20％作为测试集；
[0027]S2.2：光合预测模型的建立
[0028]S2.2.1：模型参数优化
[0029]光合预测模型的结构：
[0030]光合预测模型包括原始输入层、预处理层、神经网络和预测输出层四部分；原始输入层负责读取步骤S1中所获取的环境参数及本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于光响应曲线差分特征的番茄全生长期光强调控方法，其特征在于：所述方法包括以下步骤：S1：数据采集使用温室内布置的无线传感器网络节点采集不同有效光合波段内的环境参数数据，所述环境参数包括光量子通量密度PPFD、环境光照的红蓝比例R:B、室内二氧化碳浓度CO2、空气温度T和空气相对湿度RH；通过路由器将节点环境参数数据上传至远程服务器平台，并进行本地储存，方便后续数据分析；使用光合速率仪获取番茄单叶的光合数据，通过叶室控制并稳定叶片环境，获得不同环境条件下所对应的净光合速率Pn；所述采集步骤分别于番茄的苗期、开花期和果期进行；S2：数据分析S2.1：数据预处理数据预处理包括数据匹配与清洗、变量筛选与归一化和数据集划分；S2.1.1：数据匹配与清洗采集过程中存在对同一样本的重复测量，求取平均值作为真实值，对数据集进行规范整理；数据匹配：获取的光合数据需要与环境参数数据进行匹配，从而排除测量过程中由于短时环境波动、仪器气流不稳定等扰动带来的异常数据点；数据清洗：绘制数据的箱线图，根据四分位数法检测并剔除离群值，从而实现对原始数据的清洗；S2.1.2：变量筛选和归一化变量筛选：即通过相关分析和平均影响值法来筛选变量；如果数据符合正态分布，且通过方差齐性检验，则对模型输入、输出进行相关分析，判断各变量和被测变量的相关性；同时借助平均影响值法计算变量的权重，判断影响的相对重要性；剔除与模型输出无关的输入变量，完成变量筛选；若筛选后变量的维度仍过高，使用主成分分析方法，将原数据不断转换到新坐标系中，取包含大部分方差的前几个坐标系，并忽略余下的坐标轴，从而降低变量维度；归一化处理：使用max
‑
min标准化方法将数据集的各维度统一在区间[
‑
1,1]内，从而消除各维度量纲差异；S2.1.3：数据集划分为了验证模型有效性，通过数据集划分得到训练集和测试集，使用训练集数据进行模型训练，使用测试集数据完成验证；随机取整体数据集的80％作为训练集，余下20％作为测试集；S2.2：光合预测模型的建立S2.2.1：模型参数优化光合预测模型的结构：光合预测模型包括原始输入层、预处理层、神经网络和预测输出层四部分；原始输入层负责读取步骤S1中所获取的环境参数及作物光合数据，并整理数据类型及矩阵形状；预处理层对数据进行匹配和清洗，同时，还对数据集进行了筛选和归一化操作，从而降低数据集
维度并统一量纲；神经网络为光合预测模型的主体，包括网络输入层、网络隐含层和网络输出层，将模型输入的环境参数及作物光合数据和模型输出的净光合速率Pn建立联系，从而实现净光合速率Pn的实时预测；最终，预测输出层将预测数据进行反归一化数据解析处理，使模型输出净光合速率Pn预测值；模型原始输入层数据{x
′1,x
′2,...x
′
k
}包括温室当前的空气温度、空气相对湿度、室内二氧化碳浓度、光量子通量密度、环境光照的红蓝比例和植株的生长期，经步骤S2.1数据预处理后连接光合预测模型中神经网络的网络输入层神经元{x1,x2,...,x
n
}，光合预测模型的输出为植株的实时净光合速率Pn；使用增量式网络构造的方法确定网络的隐含层节点数，建立基于增量构造极限学习机I
‑
ELM的神经网络；I
‑
ELM网络权值和阈值优化：使用进化算法中的麻雀搜索算法实现权值和阈值的优化；S2.2.2：光合预测模型建立与验证基于步骤S2.2.1优化的模型参数，以步骤S2.1.3中数据预处理中划分好的训练集为模型训练的数据集对模型展开训练，得到光合预测模型；使用交叉验证的方法将原训练集数据进一步划分为新训练集和验证集，以验证集的模型误差表现为依据筛选出最优模型，克服样本量方面的不足；S2.3：光强目标值模型的建立S2.3.1：净光合速率Pn预测根据得到的光合预测模型，预测各生长期不同温度及二氧化碳浓度条件对应的净光合速率Pn离散集；S2.3.2：光响应曲线差分特征分析对苗期、开花期和果期的番茄植株在各环境梯度下的离散集数据进行差分运算和结果分析；如公式1和2所示，采用中心差分法，先对各生长期不同温度及二氧化碳浓度条件对应的净光合速率Pn的离散集分别进行一阶和二阶差分运算，再使用三次样条插值法提高差分曲线的分辨率，从而得到一阶和二阶差分曲线；率，从而得到一阶和二阶差分曲线；其中，c(x
k
)为净光合速率对光强的响应函数，单位为μmol
·
m
‑2·
s
‑1；c
′
(x
k
)和c
″
(x
k
)分别为一阶和二阶差分函数，单位均为μmol
·
m
‑2·
s
‑1；等距节点x
k
＝x0+kh，单位为μmol
·
m
‑2·
s
‑1，且常数k＝0,1,
…
,n；等距节点的步长h为常数，单位为μmol
·
m
‑2·
s
‑1；S2.3.3：光强目标值模型使用搜索算法提取差分曲线的极值点，通过三角插值法分别建立番茄苗期、开花期和果期的光强调控目标值超平面；苗期、开花期和果期的番茄植株在各环境梯度下的离散集数据的二阶差分曲线有三个极值点，根据二阶差分曲线各段的分界点，原函数被划分到了四个区间上：
区间1：该区间内二阶差分值从0开始，绝对值逐渐增大，表明原函数是从线性增长开始的，随后速度发生改变；记二阶差分曲线邻域内第一个极值点组成的集合为PPFD
′1，所述第一个极值点为极小值点，此时二阶差分值为负且极小，表明一阶差分值下降的速度在该邻域内最小；区间[0,PPFD
′1]记为区间1，区间1内二阶差分值为负且绝对值一直增大，即一阶差分值下降得快，也就是原函数增长放缓的速度快，区间1包括了光合作用的线性阶段及进入增长缓慢的转变阶段；区间2：记邻域内第二个极值点组成的集合为PPFD
′2，所述第二个极值点为极大值点，区间[PPFD
′1,PPFD
′2]记为区间2，区间2内二阶差分值的绝对值一直减小，即速度放缓，也就是原函数增长放缓的速度慢，在其他环境条件一定的情况下，区间1和区间2内限制光合作用的主要条件是光强；区间3：记邻域内第三个极值点组成的集合为PPFD
′3，区间[PPFD
′2,PPFD
′3]记为区间3，所述第三个极值点为极小值点，区间3内二阶差分值的绝对值开始增大，即一阶差分值最后一次快速下降，对应原函数增长速度快速放缓，原函数进入二氧化碳限制阶段，限制光合的主要外界条件是环境二氧化碳，表明光合作用趋向了饱和；区间4：区间[PPFD
′3,+∞]...

【专利技术属性】
技术研发人员：张漫，牛源艺，吕欢欢，刘新英，李寒，李民赞，孙红，王敏娟，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：