CN105446142A - 一种温室co2气肥增施方法、装置及系统 - Google Patents

Abstract

本发明涉及一种温室CO₂气肥增施方法、装置及系统，其中方法包括：获取温室内的环境信息和作物的光合速率值；将环境信息、光合速率值分别作为输入变量、输出变量，建立基于SVM的光合速率预测模型；分析得到各环境因子交互作用下CO₂浓度及光合速率间的关系曲线图；从关系曲线图中获取各特定环境因子变量组合条件下最大光合速率值对应的CO₂浓度饱和点；建立CO₂增施调控模型；计算CO₂供给量，并控制向温室内增施CO₂。装置包括数据采集单元、光合速率预测模型建立单元、分析处理单元、CO₂增施计算单元和执行控制单元。通过本发明的CO₂气肥增施方法、装置及系统，能快速准确的计算最优CO₂供给量，实现CO₂气肥增施的精细调控，提高作物的光合作用效率和作物的产量。

Description

一种温室CO2气肥增施方法、装置及系统

技术领域

本发明涉及设施农业环境控制技术领域，特别是涉及一种温室CO₂气肥增施方法、装置及系统。

背景技术

日光温室因其密闭、可控的环境条件被广泛应用于农业生产中，是设施农业的典型代表。对温室内环境信息的长期监测可合理指导与管理作物生长中所需资源的投入，有效提高作物产量与品质。无线传感器网络(WSN)是一种分布式传感网络，它的末梢是可以感知和检查外部信息的传感器。WSN由大量分布在监测区域的无线传感器网络节点、网关节点组成，能为日光温室内环境信息的自动获取提供便利。目前，WSN已被大量应用于大田农业与温室，主要用于环境信息的实时快速监测。

CO₂是作物进行光合作用的主要原料之一，其浓度直接影响作物光合作用的质量与光合速率大小。温室栽培使作物长期生长在相对密封的场所，作物生长旺盛期常会出现CO₂短缺问题，若温室内CO₂浓度得不到及时的补充，将限制作物生长。然而，现有技术CO₂的增施依据多为机理模型或单一环境因子模型，忽略了其他环境因子对光合速率的交互影响，不能很好的挖掘多个环境因子与光合速率间的关系，具有一定的局限性。

发明内容

本发明提供一种温室CO₂气肥增施方法、装置及系统，以解决现有技术中以单一环境因子作为CO₂气肥增施依据，忽略其他环境因子对光合速率的交互影响，导致无法实现CO₂气肥增施的精细调控的问题。

为此目的，本发明提出了以下技术方案。

一方面，本发明提供一种温室CO₂气肥增施方法，包括：

S1，获取温室内多种环境因子对应的环境信息和温室内作物的光合速率值；

S2，将所述环境信息作为输入变量、光合速率值作为输出变量，建立所述作物对应的基于支持向量机的光合速率预测模型；

S3，利用所述光合速率预测模型分析，得到温室内各环境因子交互作用对应的CO₂浓度及光合速率之间的关系曲线图；

S4，从所述关系曲线图中获取各特定环境因子变量组合条件下最大光合速率对应的CO₂浓度饱和点；

S5，根据所述CO₂浓度饱和点，建立CO₂增施调控模型；

S6，利用所述CO₂增施调控模型，计算CO₂供给量，并控制向所述温室内增施CO₂。

具体地，所述步骤S1中获取环境信息和光合速率值的方法为：

通过布置在温室内多个位置处的无线传感器网络节点对温室的环境因子进行实时监测，获取温室的环境信息；

通过光合速率仪采集作物单叶光合速率值。

优选地，所述步骤S1还包括：获取作物的生长指标；

所述步骤还S2还包括：对所述获取的环境信息、生长指标和光合速率值进行预处理，剔除与所述作物的生长指标、光合速率值关联程度小的环境因子，得到优化的环境因子集，并作为输入变量。

具体地，所述步骤S2中对获取的环境信息、生长指标和光合速率值进行预处理，剔除与作物的生长指标、光合速率值关联程度小的环境因子，得到优化的环境因子集包括：

S201，对所述环境信息、生长指标和光合速率值分别进行归一化处理；

$x_i^{*}\left(k\right)=\frac{2\left(x_i\right(k)-\underset{1\≤k\≤n}{\min }{x}_i(k\left)\right)}{\underset{1\≤k\≤n}{\max }{x}_i\left(k\right)-\underset{1\≤k\≤n}{\min }{x}_i\left(k\right)}-1,i=1,2,\mathrm{...},m;k=1,2,\mathrm{...},n;$

其中，为n个样本作物中第i种环境因子变量的最小观测值，为n个样本作物中第i种环境因子变量的最大观测值，x_i(k)为第k个样本作物第i种环境因子变量对应的原始数据，为第k个样本作物第i种环境因子变量对应的归一化处理后的数据；

$x_0^{*}\left(k\right)=\frac{2\left(x_0\right(k)-\underset{1\≤k\≤n}{\min }{x}_0(k\left)\right)}{\underset{1\≤k\≤n}{\max }{x}_0\left(k\right)-\underset{1\≤k\≤n}{\min }{x}_0\left(k\right)},k=1,2,\mathrm{...},n;$

其中，为n个样本作物中生长指标变量或光合速率值变量的最小观测值，为n个样本作物中生长指标变量或光合速率值变量的最大观测值，x₀(k)为第k个样本作物生长指标变量或光合速率值变量对应的原始数据，为第k个样本作物生长指标变量或光合速率值变量对应的归一化处理后的数据；

S202，分别计算各环境因子与生长指标、光合速率间的灰度关联系数；

${\mathrm{\ξ}}_{0i}=\frac{\underset{i}{min}\underset{k}{min}|x_0^{*}\left(k\right)-x_i^{*}\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0^{*}\left(k\right)-x_i^{*}\left(k\right)|}{|x_0^{*}\left(k\right)-x_i^{*}\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0^{*}\left(k\right)-x_i^{*}\left(k\right)|};$

其中，ρ为分辨系数，取值范围为(0，1)，第k个样本作物生长指标变量或光合速率值变量对应的归一化处理后的数据，为第k个样本作物第i种环境因子变量对应的归一化处理后的数据；

S203，根据所述灰度关联系数，计算各环境因子变量与所述生长指标或光合速率值之间的灰度关联度；

$r_{0i}=\frac{1}{n}{\mathrm{\Σ}}_{k=1}^n{\mathrm{\ξ}}_{0i}\left(k\right);$

S204，剔除与所述作物的生长指标、光合速率值关联程度小的环境因子，得到优化的环境因子集。

具体地，所述步骤S5中建立CO₂增施调控模型指利用偏最小二乘法建立各环境因子与CO₂浓度饱和点之间的回归方程，形成CO₂增施调控模型。

优选地，所述步骤S2和步骤S3之间还包括：

S2’，对所述基于支持向量机的光合速率预测模型中的核函数参数和惩罚因子进行优化，建立优化的基于支持向量机的光合速率预测模型。

另一方面，本发明还提供一种温室CO₂气肥增施装置，包括：

数据采集单元，用于获取温室的环境信息和温室内作物的光合速率值；

光合速率预测模型建立单元，用于将所述环境信息作为输入变量、光合速率值作为输出变量，建立所述作物对应的基于支持向量机的光合速率预测模型；

分析处理单元，用于利用所述光合速率预测模型分析，得到温室内各环境因子交互作用对应的CO₂浓度及光合速率之间的关系曲线图，并从所述关系曲线图中获取各特定环境因子变量组合条件下最大光合速率对应的CO₂浓度饱和点；

CO₂增施计算单元，用于根据所述CO₂浓度饱和点，建立CO₂增施调控模型，并利用所述CO₂增施调控模型，计算CO₂供给量；

执行控制单元，用于根据CO₂供给量，控制向所述温室内增施CO₂。

优选地，所述数据采集单元还用于获取作物的生长指标；

所述光合速率预测模型建立单元还用于：对所述获取的环境信息、生长指标和光合速率值进行预处理，剔除与所述作物的生长指标、光合速率值关联程度小的环境因子，得到优化的环境因子集，并作为输入变量。

优选地，所述光合速率预测模型建立单元还用于对所述基于支持向量机的光合速率预测模型中的核函数参数和惩罚因子进行优化。

再者，本发明还提供一种温室CO₂气肥增施系统，包括上述任一所述的温室CO₂气肥增施装置。

本发明的有益效果为：

本发明提供的温室CO₂气肥增施方法、装置及系统，通过获取温室内多个环境因子对应的环境信息及作物的光合速率值，建立基于支持向量机的光合速率预测模型，通过该光合速率预测模型分析得到各环境因子交互作用对应的CO₂浓度及光合速率之间的关系曲线图，并从关系曲线图中获取各特定环境因子变量组合条件下最大光合速率对应的CO₂浓度饱和点，进而建立CO₂增施调控模型，利用该模型，结合实时采集的环境数据，便可快速准确的计算出最优CO₂供给量，实现温室内CO₂气肥增施的精细调控，提高了作物的光合作用效率和作物的产量。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1示出了本发明温室CO₂气肥增施方法的流程图；

图2示出了图1中对步骤S2的变量进行预处理的流程图；

图3示出了本发明中光合速率预测模型的预测效果图；

图4示出了本发明中通过光合速率预测模型获得的CO₂浓度及光合速率之间的关系曲线图；

图5示出了本发明中CO₂增施调控模型预测效果图；

图6示出了本发明温室CO₂气肥增施装置的原理图；

图7示出了本发明温室CO₂气肥增施系统的原理图。

具体实施方式

下面将结合附图对本发明的实施例进行详细描述。

图1为本发明提供的温室CO₂气肥增施方法，如图1所示，该方法包括：

S1，获取温室内多种环境因子对应的环境信息和温室内作物的光合速率值；

S2，将环境信息作为输入变量、光合速率值作为输出变量，建立作物对应的基于支持向量机的光合速率预测模型；

S3，利用光合速率预测模型分析，得到温室内各环境因子交互作用对应的CO₂浓度及光合速率之间的关系曲线图；

S4，从关系曲线图中获取各特定环境因子变量组合条件下最大光合速率对应的CO₂浓度饱和点；

S5，根据CO₂浓度饱和点，建立CO₂增施调控模型；

S6，利用CO₂增施调控模型，计算CO₂供给量，并控制向温室内增施CO₂。

本发明实施例通过获取温室内多个环境因子对应的环境信息及作物的光合速率值，建立基于支持向量机的光合速率预测模型，通过该光合速率预测模型分析得到各环境因子交互作用对应的CO₂浓度及光合速率之间的关系曲线图，并从关系曲线图中获取各特定环境因子变量组合条件下最大光合速率对应的CO₂浓度饱和点，建立CO₂增施调控模型，利用该模型，结合实时采集的环境数据，便可快速准确的计算出最优CO₂供给量，实现温室内CO₂气肥增施的精细调控，提高了作物的光合作用效率和作物的产量。

上述步骤S1中的环境信息包括CO₂浓度、光照强度、空气温湿度、土壤温湿度等，通过布置在温室内多个位置处的无线传感器网络节点对温室的环境因子进行实时监测，即通过CO₂传感器采集CO₂浓度信息，通过光照强度传感器采集光照强度信息，通过空气温湿度传感器采集空气温度信息及空气湿度信息，通过土壤温度传感器采集土壤温度信息，通过土壤水分传感器采集土壤湿度信息等，以获取温室内各环境因子对应的环境信息。采用光合速率仪采集作物单叶光合速率值，以获取温室内作物的光合速率值。

支持向量机(SupportVectorMachine，SVM)是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，它利用有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以获得最好的推广能力。支持向量机在小样本、非线性、数据高维等机器学习问题中具有一定的优势，能有效避免局部最优及过拟合问题。因此，本发明实施例将环境信息作为输入变量、光合速率值作为输出变量，建立作物对应的基于SVM的光合速率预测模型，以分析多输入变量与输出间复杂的非线性关系。

为了简化光合速率预测模型的输入变量，提高光合速率预测模型的精度，加快光合速率预测模型在具体实施时的响应速度，优选地，上述步骤S2还包括：对获取的环境信息和光合速率值进行预处理，剔除与作物的光合速率值关联程度小的环境因子。

考虑到反应作物生长状态的因素除了光合速率值外，还包括作物的生长指标，如叶绿素、株高、茎粗、叶面积等，因此，在简化光合速率预测模型的输入变量的同时，为了保证优化的输入变量更加合理，进一步优选地，上述步骤S1还包括：获取作物的生长指标，该生长指标包括作物叶绿素、作物株高、作物茎粗、作物的叶面积等。此时，上述步骤S2还具体包括：对获取的环境信息、生长指标和光合速率值进行预处理，剔除与作物的生长指标、光合速率值关联程度小的环境因子，得到优化的环境因子集，并作为输入变量，结合光合速率值作为输出变量，建立作物对应的基于SVM的光合速率预测模型。

如图2所示，步骤S2中对获取的环境信息、生长指标和光合速率值进行预处理，剔除与作物的生长指标、光合速率值关联程度小的环境因子，得到优化的环境因子集包括：

S201，对环境信息、生长指标和光合速率值分别进行归一化处理。由于不同输入变量、输出变量处于不同数量级，为了消除变量之间的量纲影响，避免小数据被大数据淹没，对输入变量、输出变量进行归一化处理，使其标准化，以解决变量之间的可比性。

$x_i^{*}\left(k\right)=\frac{2\left(x_i\right(k)-\underset{1\≤k\≤n}{\min }{x}_i(k\left)\right)}{\underset{1\≤k\≤n}{\max }{x}_i\left(k\right)-\underset{1\≤k\≤n}{\min }{x}_i\left(k\right)}-1,i=1,2,\mathrm{...},m;k=1,2,\mathrm{...},n;$

其中，为n个样本作物中第i种环境因子变量的最小观测值，为n个样本作物中第i种环境因子变量的最大观测值，x_i(k)为第k个样本作物第i种环境因子变量对应的原始数据，为第k个样本作物第i种环境因子变量对应的归一化处理后的数据。

$x_0^{*}\left(k\right)=\frac{2\left(x_0\right(k)-\underset{1\≤k\≤n}{\min }{x}_0(k\left)\right)}{\underset{1\≤k\≤n}{\max }{x}_0\left(k\right)-\underset{1\≤k\≤n}{\min }{x}_0\left(k\right)},k=1,2,\mathrm{...},n;$

其中，为n个样本作物中生长指标变量或光合速率值变量的最小观测值，为n个样本作物中生长指标变量或光合速率值变量的最大观测值，x₀(k)为第k个样本作物生长指标变量或光合速率值变量对应的原始数据，为第k个样本作物生长指标变量或光合速率值变量对应的归一化处理后的数据。

S202，分别计算各环境因子与生长指标、光合速率间的灰度关联系数。

${\mathrm{\ξ}}_{0i}=\frac{\underset{i}{min}\underset{k}{min}|x_0^{*}\left(k\right)-x_i^{*}\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0^{*}\left(k\right)-x_i^{*}\left(k\right)|}{|x_0^{*}\left(k\right)-x_i^{*}\left(k\right)|+\mathrm{\ρ}\underset{i}{\max }\underset{k}{\max }|x_0^{*}\left(k\right)-x_i^{*}\left(k\right)|};$

其中，ρ为分辨系数，该分辨系数取值范围为(0，1)，本发明实施例取ρ＝0.5，第k个样本作物生长指标变量或光合速率值变量对应的归一化处理后的数据，为第k个样本作物第i种环境因子变量对应的归一化处理后的数据。另表示两级最小值，表示两级最大值。

S203，根据灰度关联系数，计算各环境因子变量与生长指标或光合速率值之间的灰度关联度；

$r_{0i}=\frac{1}{n}{\mathrm{\Σ}}_{k=1}^n{\mathrm{\ξ}}_{0i}\left(k\right).$

S204，剔除与作物的生长指标、光合速率值关联程度小的环境因子，得到优化的环境因子集。此时，再将该优化的环境因子集作为输入变量、光合速率值作为输出变量，建立作物对应的基于SVM的光合速率预测模型。

决定SVM性能的主要因素为核函数的选择，由于存在多个环境因子，且环境因子与光合速率间存在复杂的非线性关系，因此，本发明实施例选择高斯函数(RBF函数)作为SVM的核函数。为了获取最优核函数参数g和惩罚因子c，提高基于SVM的光合速率预测模型的预测精度，优选地，在步骤S2和步骤S3之间还包括图中未示出的：

S2’，对SVM中的核函数参数g和惩罚因子c进行优化，建立优化的基于SVM的光合速率预测模型。本发明实施例采用改进的粒子群算法(ParticleSwarmOptimization，PSO)优化基于SVM的光合速率预测模型中的核函数参数g和惩罚因子c，具体方法如下。

在s个粒子的群体中，第j个粒子的状态由粒子j的当前位置x_j(t)＝(x_j1(t),x_j2(t),···,x_jd(t))和粒子j的当前飞行速度v_j(t)＝(v_j1(t),v_j2(t),···,v_jd(t))描述。其中，位置向量对应d元目标函数的决策变量组，速度向量对应决策变量的变化量。向量p_j(t)＝(p_j1(t),p_j2(t),···,p_jd(t))代表粒子j所经历的最好位置，称为个体最好位置。s个粒子的群体中，所有粒子所经历过的最好位置为全局最优位置p_g(t)。其中，粒子j的当前最好位置p_j(t)由下式确定：

$p_j\left(t\right)=\left\{\begin{array}{c}{p}_j(t-1),f\left(x_j\right(t\left)\right)\&GreaterEqual;f\left(p_j\right(t\left)\right)\\ x_j\left(t\right),f\left(x_j\right(t\left)\right)<f\left(p_j\right(t\left)\right)\end{array}\right.,$ 函数f(x_j(t))为粒子j当前位置的适应度函数，f(p_j(t))为粒子个体最好位置的适应度函数值，即粒子j的个体极值p_jbest。

S201’，初始化粒子群(c，g)，确定粒子群体规模s，最大迭代次数t_max，设置算法局部学习因子的最小值C_1,ini和最大值C_1,fni，设置全局学习因子的最小值C_2,ini和最大值C_2,fni，以及惯性权重的最大值w_max的最小值w_min等。

S202’，初始化粒子位置和粒子速度。另，由于c，g的数量级不同，在随机初始化粒子位置和粒子速度时应乘以相应的系数。

S203’，将每个粒子的初始个体极值p_jbest设置为当前位置，利用已确定的适应度函数(取能直接反应SVM回归性能的均方根误差作为适应度函数)计算出每个粒子的适应度，取适应度最好的粒子所对应的个体极值作为最初的全局极值p_g。

S204’，计算粒子群算法局部学习因子C₁、全局学习因子C₂和惯性权重w_v；

$C_1=C_{1,ini}+\frac{C_{1,fni}-C_{1,ini}}{t_{max}}t:C_2=C_{2,ini}+\frac{C_{2,fni}-C_{2,ini}}{t_{max}}t;$

$w_v=w_{max}+\frac{(w_{min}-w_{max})(t_{max}-t)}{t_{max}};$

其中，t为当前迭代次数。

S205’，按照以下公式进行迭代计算，并更新粒子位置和粒子速度。

v_jd(t+1)＝w_vv_jd(t)+c₁r_1d(t)(p_jd(t)-x_jd(t))+c₂r_2d(t)(p_gd(t)-x_jd(t))；

x_jd(t+1)＝v_jd(t+1)+x_jd(t)；

其中，下标d表示粒子的第d维，j表示第j个粒子；t表示第t次迭代，即当前迭代次数，w_v为惯性权重，r_ld和r_2d为(0，1)区间上均匀分布的随机数，p_jd(t)为个体粒子最优位置，p_gd(t)为粒子的全局最优位置，x_jd(t)为第t次迭代后粒子的位置，v_jd(t)为第t次迭代后粒子的速度，t为1时，x_jd(t)、v_jd(t)为初始化粒子的位置、速度。

S206’，根据适应度函数求取每个粒子的适应度。

S207’，将每个粒子的适应度与其p_ibest对应的适应度比较，若优则更新p_ibest，否则，保留上次更新值。将更新后每个粒子的p_ibest与全局极值p_g比较，若优则更新p_g，否则保留原值。

S208’，判断是否满足终止条件，若达到最大迭代次数(如初始设置最大迭代次数为200次)或者满足设定误差精度(如设置误差精度为10^-4)，则终止迭代，输出该核函数参数g和惩罚因子c，否则，返回上述步骤S204’至步骤S208’继续对核函数参数g和惩罚因子c进行寻优，最终根据优化的核函数参数g和惩罚因子c，得到优化的基于SVM的光合速率预测模型。

上述步骤S206’中用于评估通过核函数参数g和惩罚因子c建立的基于SVM的光合速率预测模型的性能、精度的适应度函数可以取能直接反应SVM回归性能的均方根误差RMSE，当然也可以取决定系数R²、平均相对误差ARE、平均绝对误差MAE等。其计算公式分别为：

其中，Y_o(k)为作物实测光合速率值，Y_s(k)为通过上述基于SVM的光合速率预测模型计算的预测光合速率值，n为样本作物数量。

$R^2={\left(\frac{{\mathrm{\&Sigma;}}_{k=1}^n\left(Y_o\right(k)-\stackrel{\&OverBar;}{Y_o})\left(Y_s\right(k)-\stackrel{\&OverBar;}{Y_s})}{\sqrt{{\mathrm{\&Sigma;}}_{k=1}^n{\left(Y_o\right(k)-\stackrel{\&OverBar;}{Y_o})}^2}\sqrt{{\mathrm{\&Sigma;}}_{k=1}^n{\left(Y_s\right(k)-\stackrel{\&OverBar;}{Y_s})}^2}}\right)}^2,$ 其中，为预测光合速率值的平均值，为实测光合速率值的平均值。

$ARE=\frac{1}{n}{\&Sigma;}_{k=1}^n\frac{|Y_o\left(k\right)-Y_k\left(k\right)|}{\left|Y_o\left(k\right)\right|},MAE=\frac{1}{n}{\&Sigma;}_{k=1}^n|Y_o\left(k\right)-Y_k\left(k\right)|.$

若基于SVM的光合速率预测模型的预测精度、性能达到要求，如决定系数R²大于0.8，均方根误差较小等，则核函数参数g和惩罚因子c优化结束。需要说明的是，在建立基于SVM的光合速率预测模型时，会将获取的环境信息、光合速率值数据集按照一定比例随机分为训练集和验证集，利用训练集建立光合速率预测模型，通过验证集对初步建立的模型的预测精度、性能进行评估、验证，即通过上述决定系数R²、平均相对误差ARE、平均绝对误差MAE、均方根误差RMSE中的一种或多种组合来评估基于SVM的光合速率预测模型的预测精度、性能。作为一种分配方式，本发明实施例将获取的环境信息、光合速率值数据集按照3:1的比例随机分为训练集和验证集。本发明实施例建立的光合速率预测模型预测效果如图3所示。

光合速率模型建立完成后，利用该模型对采集的各环境因子进行分析，得到温室内各环境因子交互作用对应的CO₂浓度及光合速率之间的关系曲线图。以番茄作为实例，令通过预处理，得到土壤温度对番茄某一选定的生长期内的光合速率值影响不大，且土壤温度与空气温度具有较高的相关性，故剔除该土壤温度环境因子。利用基于SVM的光合速率预测模型，得到在特定空气温度32.85℃、特定空气湿度24.91％、特定土壤湿度16.85％等情况下，不同光照条件下获得的CO₂浓度及光合速率之间的关系曲线图，如图4所示。需要说明的是，同理，也可得到其他关系曲线图，如在特定光照、特定空气湿度、特定土壤湿度等情况下，不同空气温度条件下获得的CO₂浓度及光合速率之间的关系曲线图；特定光照、特定空气温度、特定空气湿度等情况下，不同土壤湿度条件下获得的CO₂浓度及光合速率之间的关系曲线图等。以下以不同光照条件下获得的CO₂浓度及光合速率之间的关系曲线图为实例继续进行说明。

继续参考图4，获取不同光照条件下最大光合速率对应的CO₂浓度饱和点，即在光照强度为600μmol/(m²·s)条件下最大光合速率对应的CO₂浓度饱和点为A点，即1350μmol/mol；在光照强度为900μmol/(m²·s)条件下最大光合速率对应的CO₂浓度饱和点为B点，即1400μmol/mol；在光照强度为1200μmol/(m²·s)条件下最大光合速率对应的CO₂浓度饱和点为C点，即1550μmol/mol。同理，通过各环境因子交互作用对应的CO₂浓度及光合速率之间的关系曲线图，可以获得各特定环境因子变量组合条件下最大光合速率对应的CO₂浓度饱和点。

继续以番茄作为实例，其环境因子有光照强度(Light)、空气温度(Air-T)、空气湿度(Air-H)、土壤湿度(Soil-M)，步骤S5中建立CO₂增施调控模型，指利用偏最小二乘法建立各环境因子与CO₂浓度饱和点之间的回归方程，形成CO₂增施调控模型，即：

根据获取的温室内各环境因子对应的环境信息，以及通过光合速率预测模型得到的各环境因子变量组合条件下最大光合速率对应的CO₂浓度饱和点，利用偏最小二乘法，建立回归方程：

X＝Q₁×Light+Q₂×Air-T+Q₃×Air-H+Q₄×Soil-M+Q’；

其中，X为CO₂浓度饱和点，Q₁、Q₂、Q₃、Q₄为各环境因子的环境数据对应的系数，Q’为常数。

通过多组获取的光照强度(Light)、空气温度(Air-T)、空气湿度(Air-H)、土壤湿度(Soil-M)以及根据光合速率预测模型获得的CO₂浓度饱和点数据，可以得到Q₁、Q₂、Q₃、Q₄的系数值以及常数的Q’值。本发明实施例通过多组样本数据计算，得到回归方程：

X＝0.19×Light+31.74×Air-T+34.45×Air-H+349.99×Soil-M－8499.6。根据该回归方程，结合实时采集的环境数据，便可快速准确的计算出最优CO₂供给量，实现温室内CO₂气肥增施的精细调控。

在得到各环境因子与CO₂浓度饱和点之间的回归方程后，一般会将实测CO₂饱和浓度值和通过CO₂增施调控模型计算的预测值进行对比，分析CO₂增施调控模型的预测精度。为了提高CO₂增施调控模型的精度，还可以通过非线性曲线拟合工具对CO₂增施调控模型进行优化，以降低实测值和通过CO₂增施调控模型计算的预测值之间的误差，如使用1stOpt非线性曲线拟合工具，根据CO₂增施调控模型训练集数据拟合得到优化的表达式：

CO₂＝(p₁+p₃×ln(X)+p₅×(ln(X))²+p₇×(ln(X))³)/(1+p₂×ln(X)+p₄×(ln(X))²+p₆×(ln(X))³+p₈×(ln(X))⁴)+150.02；

该表达式中， $\left\{\begin{array}{cc}{p}_1=-6361899.887;& p_2=23.950;\\ p_3=2760920.985;& p_4=-3.288;\\ p_5=-398696.661;& p_6=-0.471;\\ p_7=19157.220;& p_8=0.064;\end{array}\right..$

上述训练集的输入变量指：根据CO₂增施调控模型的回归方程计算得到的预测CO₂浓度饱和点X；输出变量为：根据基于SVM的光合速率预测模型的关系曲线图得到的CO₂浓度饱和点。

优化后的CO₂增施调控模型预测效果如图5所示，从图中可以看出，预测CO₂浓度饱和点与对应环境因子条件下实际测得的CO₂浓度饱和点之间的决定系数R²为0.891、平均相对误差ARE为0.132，由此可知，优化后的CO₂增施调控模型预测误差较小、精度较高。

应用上述优化的CO₂增施调控模型，结合实时采集的温室内的环境数据，便可快速准确的计算出最优CO₂供给量，利用电磁阀等装置控制CO₂气源的打开或关闭，将温室内CO₂控制在目标范围内，允许超调量50μmol/mol，提高作物的光合作用效率和作物的产量。

图6为本发明提供的温室CO₂气肥增施装置，包括：

数据采集单元，用于获取温室的环境信息和温室内作物的光合速率值；

光合速率预测模型建立单元，用于将环境信息作为输入变量、光合速率值作为输出变量，建立作物对应的基于SVM的光合速率预测模型；

分析处理单元，用于利用光合速率预测模型分析，得到温室内各环境因子交互作用对应的CO₂浓度及光合速率之间的关系曲线图，并从关系曲线图中获取各特定环境因子变量组合条件下最大光合速率对应的CO₂浓度饱和点；

CO₂增施计算单元，用于根据CO₂浓度饱和点，建立CO₂增施调控模型，并利用CO₂增施调控模型，计算CO₂供给量；

执行控制单元，用于根据CO₂供给量，控制向温室内增施CO₂。

优选地，数据采集单元还用于获取作物的生长指标；

光合速率预测模型建立单元还用于：对获取的环境信息、生长指标和光合速率值进行预处理，剔除与作物的生长指标、光合速率值关联程度小的环境因子，得到优化的环境因子集，并作为输入变量。

优选地，光合速率预测模型建立单元还用于对基于SVM的光合速率预测模型中的核函数参数和惩罚因子进行优化。

不难理解的是，温室CO₂气肥增施装置还包括显示单元和数据存储单元，显示单元用于实时显示数据信息，便于用户读取及管理；数据存储单元用于存储数据。

图7为本发明实施例提供的温室CO₂气肥增施系统，包括上述任一种温室CO₂气肥增施装置、网关节点、无线传感器网络节点、设置在温室内的环境传感器和用于控制CO₂气源打开或关闭的电磁阀。网关节点包括ZigBee无线通信模块A、GPRS无线通信模块等，实现与温室CO₂气肥增施装置、无线传感器网络节点之间的通讯。无线传感器网络节点包括微控制器、串口通讯模块、ZigBee无线通讯模块B；通过串口通讯模块实现环境传感器与微控制器之间的连接，如CO₂传感器经UART接口与微控制器相连，空气温湿度传感器经I²C数字接口与微控制器相连，光照传感器经ADC模拟接口与微控制器相连，土壤温度传感器、土壤水分传感器经ADC模拟接口与微控制器相连；ZigBee无线通讯模块B用于实现无线传感器网络节点自组网的通讯以及与网关节点间的通讯。环境传感器用于实现温室内各个环境因子的环境监测。电磁阀一端连接微控制器，另一端直接连接CO₂气源，控制CO₂气源打开或关闭，实现CO₂气肥的增施。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种温室CO₂气肥增施方法，其特征在于，包括：

S1，获取温室内多种环境因子对应的环境信息和温室内作物的光合速率值；

S2，将所述环境信息作为输入变量、光合速率值作为输出变量，建立所述作物对应的基于支持向量机的光合速率预测模型；

S3，利用所述光合速率预测模型分析，得到温室内各环境因子交互作用对应的CO₂浓度及光合速率之间的关系曲线图；

S4，从所述关系曲线图中获取各特定环境因子变量组合条件下最大光合速率对应的CO₂浓度饱和点；

S5，根据所述CO₂浓度饱和点，建立CO₂增施调控模型；

S6，利用所述CO₂增施调控模型，计算CO₂供给量，并控制向所述温室内增施CO₂。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中获取环境信息和光合速率值的方法为：

通过布置在温室内多个位置处的无线传感器网络节点对温室的环境因子进行实时监测，获取温室的环境信息；

通过光合速率仪采集作物单叶光合速率值。

3.根据权利要求1所述的方法，其特征在于，所述步骤S1还包括：获取作物的生长指标；

所述步骤S2还包括：对所述获取的环境信息、生长指标和光合速率值进行预处理，剔除与所述作物的生长指标、光合速率值关联程度小的环境因子，得到优化的环境因子集，并作为输入变量。

4.根据权利要求3所述的方法，其特征在于，所述步骤S2中对获取的环境信息、生长指标和光合速率值进行预处理，剔除与作物的生长指标、光合速率值关联程度小的环境因子，得到优化的环境因子集包括：

S201，对所述环境信息、生长指标和光合速率值分别进行归一化处理；

$x_i^{*}\left(k\right)=\frac{2\left(x_i\left(k\right)-\underset{1\&le;k\&le;n}{\min }{x}_i\left(k\right)\right)}{\underset{1\&le;k\&le;n}{\max }{x}_i\left(k\right)-\underset{1\&le;k\&le;n}{\min }{x}_i\left(k\right)}-1,i=1,2,...,m;k=1,2,...,n;$

其中，为n个样本作物中第i种环境因子变量的最小观测值，为n个样本作物中第i种环境因子变量的最大观测值，x_i(k)为第k个样本作物第i种环境因子变量对应的原始数据，为第k个样本作物第i种环境因子变量对应的归一化处理后的数据；

$x_0^{*}\left(k\right)=\frac{2\left(x_0\left(k\right)-\underset{1\&le;k\&le;n}{\min }{x}_0\left(k\right)\right)}{\underset{1\&le;k\&le;n}{\max }{x}_0\left(k\right)-\underset{1\&le;k\&le;n}{\min }{x}_0\left(k\right)},k=1,2,...,n;$

其中，为n个样本作物中生长指标变量或光合速率值变量的最小观测值，为n个样本作物中生长指标变量或光合速率值变量的最大观测值，x₀(k)为第k个样本作物生长指标变量或光合速率值变量对应的原始数据，为第k个样本作物生长指标变量或光合速率值变量对应的归一化处理后的数据；

S202，分别计算各环境因子与生长指标、光合速率间的灰度关联系数；

${\mathrm{\&xi;}}_{0i}=\frac{\underset{i}{min}\underset{k}{min}|x_0^{*}\left(k\right)-x_i^{*}\left(k\right)|+\mathrm{\&rho;}\underset{i}{\max }\underset{k}{\max }|x_0^{*}\left(k\right)-x_i^{*}\left(k\right)|}{|x_0^{*}\left(k\right)-x_i^{*}\left(k\right)|+\mathrm{\&rho;}\underset{i}{\max }\underset{k}{\max }|x_0^{*}\left(k\right)-x_i^{*}\left(k\right)|};$

其中，ρ为分辨系数，取值范围为(0，1)，第k个样本作物生长指标变量或光合速率值变量对应的归一化处理后的数据，为第k个样本作物第i种环境因子变量对应的归一化处理后的数据；

S203，根据所述灰度关联系数，计算各环境因子变量与所述生长指标或光合速率值之间的灰度关联度；

$r_{0i}=\frac{1}{n}{\mathrm{\&Sigma;}}_{k=1}^n{\mathrm{\&xi;}}_{0i}\left(k\right);$

S204，剔除与所述作物的生长指标、光合速率值关联程度小的环境因子，得到优化的环境因子集。

5.根据权利要求1所述的方法，其特征在于，所述步骤S5中建立CO₂增施调控模型指利用偏最小二乘法建立各环境因子与CO₂浓度饱和点之间的回归方程，形成CO₂增施调控模型。

6.根据权利要求1-5中任一项所述的方法，其特征在于，所述步骤S2和步骤S3之间还包括：

S2’，对所述基于支持向量机的光合速率预测模型中的核函数参数和惩罚因子进行优化，建立优化的基于支持向量机的光合速率预测模型。

7.一种温室CO₂气肥增施装置，其特征在于，包括：

数据采集单元，用于获取温室的环境信息和温室内作物的光合速率值；

光合速率预测模型建立单元，用于将所述环境信息作为输入变量、光合速率值作为输出变量，建立所述作物对应的基于支持向量机的光合速率预测模型；

分析处理单元，用于利用所述光合速率预测模型分析，得到温室内各环境因子交互作用对应的CO₂浓度及光合速率之间的关系曲线图，并从所述关系曲线图中获取各特定环境因子变量组合条件下最大光合速率对应的CO₂浓度饱和点；

CO₂增施计算单元，用于根据所述CO₂浓度饱和点，建立CO₂增施调控模型，并利用所述CO₂增施调控模型，计算CO₂供给量；

执行控制单元，用于根据CO₂供给量，控制向所述温室内增施CO₂。

8.根据权利要求7所述的装置，其特征在于，所述数据采集单元还用于获取作物的生长指标；

所述光合速率预测模型建立单元还用于：对所述获取的环境信息、生长指标和光合速率值进行预处理，剔除与所述作物的生长指标、光合速率值关联程度小的环境因子，得到优化的环境因子集，并作为输入变量。

9.根据权利要求7-8中任一项所述的装置，其特征在于，所述光合速率预测模型建立单元还用于对所述基于支持向量机的光合速率预测模型中的核函数参数和惩罚因子进行优化。

10.一种温室CO₂气肥增施系统，其特征在于，包括权利要求7-9中任一项所述的温室CO₂气肥增施装置。