一种用于日光温室的CO2气肥精细调控方法与装置制造方法及图纸

一种用于日光温室的CO2气肥精细调控方法与装置，该装置实时监测温室环境信息和作物生长信息，通过基于BP神经网络的光合速率预测模型来确定最优CO2气肥需求量并预测光合速率值，从而实现CO2浓度的精细调控。该装置解决了日光温室CO2气肥根据作物生长需求精细供给的问题，既可提高温室作物的品质和产量，又可避免过渡施用CO2气肥造成的环境污染。

【技术实现步骤摘要】
—种用于日光温室的CO2气肥精细调控方法与装置
本专利技术涉及一种用于日光温室的CO2气肥精细调控方法与装置。
技术介绍
日光温室作为设施农业的典型代表，是具有高投入和高产出、知识与技术高度集成、工厂化生产特征明显的特殊农业生产方式。日光温室的各种环境信息具有一定的可控性，充分利用这一优势，可获取更高的作物品质及更高的投资回报。CO2是作物生长的一种重要原料。在光合作用期间，植物利用CO2和光照去生产碳水化合物，用于作物生长，因此一个丰富的空气环境将有利于作物生长。另一方面，CO2应该控制在合理的范围之内，过量的CO2不仅不经济，还会对环境产生负作用。由于CO2在作物光合作用中的重要作用，将温室中CO2浓度调控到最优不仅能够提高温室作物的生长效率，而且可以减少对全球变暖的影响。因此，对日光温室CO2浓度的精细调控意义重大。物联网的飞速发展为温室产业的发展提供了有利条件。物联网由大量分布在监测区域的感知节点、网关节点和具有人际交互功能的远程数据管理中心组成，涉及无线通信技术、传感器技术和计算机技术等多门学科。ZigBee技术凭借其低功耗、高可靠性等优点，在物联网中已被广泛应用。利用物联网可以为日光温室环境信息的自动获取与调控提供强有力的手段和工具。目前物联网在温室中的应用研究较多，但主要集中在温室环境信息的监测，对于作物生长信息监测方面、温室环境调控尤其是C02气肥自动调控方面研究较少。神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。神经网络类似于一个黑盒子，不需要知道内部机理，即可根据数据建立模型，找出输入属性和可预测属性之间的平滑而连续的非线性关系。对日光温室CO2浓度的精细调控依赖于一个准确精细的CO2需求模型，而CO2需求模型的建立与作物光合能力评估息息相关。目前在光合速率预测的研究中，一方面，大多采用传统方法人工获取环境信息参数，采样周期较长，不能较好的反映温室内环境参数的变化情况；另一方面，建模时考虑的环境和生长影响因素相对较少，模型的输出不能精确的预测植物单叶片光合作用速率，因而不能确定最佳的CO2气肥需求量。因此，本专利技术充分利用了物联网的信息获取优势，对日光温室环境及生长信息进行了实时监测，并根据大量数据建立了不同作物不同生长阶段的光合速率预测模型及CO2浓度需求模型，实现了日光温室作物CO2气肥的精细调控。
技术实现思路
本专利技术实施例的目的是提供一种用于日光温室的CO2气肥精细调控方法与装置，利用该方法能够充分利用物联网易获取的环境信息及作物生长信息，实现日光温室CO2气肥的精细调控，解决日光温室气肥利用率低的问题，达到高产高效的目的。为实现上述目的，本专利技术的实施例提供了一种用于日光温室的C02气肥精细调控方法，以及实现上述方法的装置。本专利技术公开了一种用于日光温室的CO2气肥精细调控方法，实时监测温室环境信息和作物生长信息，确定最优CO2气肥需求量并预测光合速率值，从而实现CO2浓度的精细调控，所述最优气肥需求量以及预测的光合速率值通过基于BP神经网络的光合速率预测模型来确定。所述光合速率预测模型通过以下步骤建立:第一步:实验数据的获取:通过物联网监测温室环境信息和部分作物生长信息；通过光合速率仪测量作物在不同光照不同CO2浓度下的单叶净光合速率；通过手工测量方法定期获取部分作物生长信息；其中，温室环境信息和作物生长信息作为模型的输入参数，单叶净光合速率作为模型的输出参数；第二步:对模型输入参数进行优化，达到消除冗余数据并降维的目的；第三步:将优化的模型输入参数数据随机分成神经网络模型训练组和测试组，设置神经网络参数，将训练组数据代入网络进行训练，直到达到网络训练终止条件；第四步:模型的验证，用预测组数据代入已建立的神经网络模型，比较光合速率预测值与测量值的误差，并计算网络性能评估指标；第五步:若网络性能评估指标达到要求，则模型建立完成，否则，调整网络参数，重复训练、验证步骤。并且，对模型输入参数的优化通过以下步骤实现:第一步:使用K-均值聚类法对模型的输入输出数据进行聚类划分，得到离散化的数据，并将输出数据即光合速率值用聚类中心表示；第二步:离散后的数据可能出现2组或以上相同的对象，视为冗余对象，将其删除，得到初步化简的离散数据，其中，一组观测值称为一个对象；第三步:计算每个输入参数对输出参数即光合速率的影响值，设共有η个输入参数，Xi为第i个输入参数，依次去掉Xi，剩下η-l个输入参数，可能出现2个或以上输入参数相同而输出参数不同的对象，计算这些对象对应的光合速率差值du，若输入参数相同的对象是2个，则由大的光合速率值减去小的光合速率值，若对象是2个以上，则由最大光合速率值减去最小光合速率值，将去掉Xi后所求的差值进行求和，作为Xi对输出参数的影响值本文档来自技高网...

【技术保护点】
一种用于日光温室的CO2气肥精细调控方法，包括实时监测温室环境信息和作物生长信息，确定最优CO2气肥需求量以及预测光合速率值，从而实现CO2浓度的精细调控，其特征在于：所述最优CO2气肥需求量以及预测的光合速率值通过基于BP神经网络的光合速率预测模型来确定。

【技术特征摘要】
1.一种用于日光温室的CO2气肥精细调控方法，包括实时监测温室环境信息和作物生长信息，确定最优CO2气肥需求量以及预测光合速率值，从而实现CO2浓度的精细调控，其特征在于:所述最优CO2气肥需求量以及预测的光合速率值通过基于BP神经网络的光合速率预测模型来确定。2.根据权利要求1所述的CO2气肥精细调控方法，其特征在于:所述光合速率预测模型通过以下步骤建立: 第一步:实验数据的获取:通过物联网监测温室环境信息和作物部分生长信息；通过光合速率仪测量作物在不同光照不同CO2浓度下的单叶净光合速率；通过手工测量方法定期获取作物部分生长信息；其中，温室环境信息和作物生长信息作为模型的输入参数，单叶净光合速率作为模型的输出参数； 第二步:对模型输入参数进行优化，达到消除冗余数据并降维的目的； 第三步:将优化的模型输入参数数据随机分成神经网络模型训练组和测试组，设置神经网络参数，将训练组数据代入网络进行训练，直到达到网络训练终止条件； 第四步:模型的验证，用预测组数据代入已建立的神经网络模型，比较光合速率预测值与测量值的误差，并计算网络性能评估指标； 第五步:若网络性能评估指标达到要求，则模型建立完成，否则，调整网络参数，重复训练、验证步骤。3.根据权利要求2所述的CO2气肥精细调控方法，其特征在于:对模型输入参数的优化通过以下步骤实现: 第一步:使用K-均值聚类法对模型的输入输出数据进行聚类划分，得到离散化的数据，并将输出数据即光合速率值用聚类中心表示； 第二步:离散后的数据可能出现2组或以上相同的对象，视为冗余对象，将其删除，得到初步化简的离散数据，其中，一组观测值称为一个对象； 第三步:计算每个输入参数对输出参数即光合速率的影响值，设共有η个输入参数，Xi为第i个输入参数，依次去掉Xi，剩下η-l个输入参数，可能出现2个或以上输入参数相同而输出参数不同的对象，计算这些对象对应的光合速率差值du，若输入参数相同的对象是2个，则由大的光合速率值减去小的光合速率值，若对象是2个以上，则由最大光合速率值减去最小光合速率值，将去掉Xi后所求的差值进行求和，作为Xi对输出参数的影响值 4....

【专利技术属性】
技术研发人员：张漫，蒋毅琼，王伟珍，李民赞，刘刚，沙莎，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：