CN105654242A - 一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型及建立与应用 - Google Patents
一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型及建立与应用 Download PDFInfo
- Publication number
- CN105654242A CN105654242A CN201511025030.9A CN201511025030A CN105654242A CN 105654242 A CN105654242 A CN 105654242A CN 201511025030 A CN201511025030 A CN 201511025030A CN 105654242 A CN105654242 A CN 105654242A
- Authority
- CN
- China
- Prior art keywords
- fish
- pfd
- mol
- optimizing
- flux density
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 118
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 39
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 37
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 230000033228 biological regulation Effects 0.000 title abstract description 18
- 244000299906 Cucumis sativus var. sativus Species 0.000 title 1
- 241000251468 Actinopterygii Species 0.000 claims abstract description 71
- 230000004907 flux Effects 0.000 claims abstract description 70
- 240000008067 Cucumis sativus Species 0.000 claims abstract description 50
- 230000000243 photosynthetic effect Effects 0.000 claims abstract description 44
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 230000001419 dependent effect Effects 0.000 claims abstract description 8
- 235000011089 carbon dioxide Nutrition 0.000 claims description 68
- 235000013305 food Nutrition 0.000 claims description 43
- 230000029553 photosynthesis Effects 0.000 claims description 18
- 238000010672 photosynthesis Methods 0.000 claims description 18
- 230000000007 visual effect Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 14
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 6
- 238000005859 coupling reaction Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 claims description 5
- 230000012010 growth Effects 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 238000013386 optimize process Methods 0.000 claims description 3
- 230000003252 repetitive effect Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 239000002417 nutraceutical Substances 0.000 claims description 2
- 235000021436 nutraceutical agent Nutrition 0.000 claims description 2
- 238000012795 verification Methods 0.000 abstract description 4
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 abstract 1
- 239000007789 gas Substances 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 241000196324 Embryophyta Species 0.000 description 3
- 230000003750 conditioning effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 108010003581 Ribulose-bisphosphate carboxylase Proteins 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000010429 evolutionary process Effects 0.000 description 2
- 239000003337 fertilizer Substances 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 235000016709 nutrition Nutrition 0.000 description 2
- 230000035764 nutrition Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 241000195940 Bryophyta Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000003905 agrochemical Substances 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000009305 arable farming Methods 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000002045 lasting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 239000003415 peat Substances 0.000 description 1
- 230000005080 plant death Effects 0.000 description 1
- 230000037039 plant physiology Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Animal Husbandry (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Agronomy & Crop Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
Abstract
本发明基于鱼群算法的黄瓜幼苗期二氧化碳精准调控模型，以温度T和光子通量密度PFD为自变量，最大光合速率对应的二氧化碳浓度为因变量，提出了模型公式，同时公开了该模型的建立和应用，利用光合速率多因素嵌套试验获取多维数据，构建光合速率多元非线性回归模型，设计出基于鱼群算法的二氧化碳模型寻优方法，得到不同温度、不同光子通量密度条件下的二氧化碳饱和点，最终建立以二氧化碳饱和点为目标值的黄瓜二氧化碳优化调控模型，模型验证试验结果表明，本发明可动态获取不同温度、不同光子通量密度条件下二氧化碳饱和点，二氧化碳饱和点实测值与计算值决定系数为0.98，最大相对误差小于3％，精度较高，对提高设施二氧化碳环境调控效率具有重要意义。
Description
技术领域
本发明属于智能农业技术领域，特别涉及一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型及建立与应用。
背景技术
黄瓜是世界温室栽培的主要作物之一，栽培面积高达350.34万hm2，而光合速率优劣直接影响黄瓜的产量与品质。CO2是植物光合作用物质积累的主要原料，而且对作物生长发育起着非常重要的调节作用，是植物生长过程中不可或缺的因素之一，被人们形象的称为“气肥”，其浓度不足或过高对农作物的生长速度、产量以及品质都具有重要的影响。若CO2供给不足可直接影响光合效果，造成花果脱落、含糖量下降、生长期延长、产量及品质下降等问题；而CO2浓度过高也会影响作物对氧气的吸收，抑制正常的呼吸作用，引起叶片卷曲，阻碍生长发育，促进衰老，严重的甚至造成CO2中毒引起植物死亡。
但是植物利用CO2的能力与温度和光子通量密度之间存在着既相辅相成有相互制约的关系。已有研究证明当温度和光子通量密度低于或高于正常光合作用的温度和光子通量密度时，植物本身不能正常进行光合作用，即使提高CO2浓度，也达不到提高光合效率的目的。但即使在适宜温度和光子通量密度范围内，作物CO2浓度的饱和点也会根据温度和光子通量密度的变化发生动态变化，因此真正提高光合效率就必须基于实时环境因子实现对系统CO2饱和点的动态调整。因此，如何动态调整温度、光子通量密度和CO2浓度，建立基于最优光合速率的CO2调控模型，提高黄瓜等作物的光合作用速率已成为作物栽培领域亟待解决的问题。
近年来，二氧化碳模型作为构建光合优化调控模型的理论基础，已在国内外得到了广泛的研究。已有研究均未基于光合速率模型进行不同温度不同光子通量密度条件寻优，而二氧化碳优化调控模型应建立在寻优的基础上，因此设计基于不同温度不同光子通量密度条件下二氧化碳饱和点的动态寻优方法，成为建立二氧化碳优化调控模型的关键。
鱼群算法由于精度普遍高于遗传算法，同时具有收敛速度快、简单易实现、鲁棒性强、可克服局部极值、取得全局极值的能力，又对搜索空间有一定的自适应能力，得到了广泛关注，并被应用于多个工程领域，并取得良好效果。以上研究为建立基于鱼群算法的黄瓜幼苗二氧化碳精确调控模型提供了理论基础，但算法设计中仍存在参数种类、寻有条件、函数类型不同等问题。
发明内容
为了克服上述现有技术的缺点，本发明的目的在于提供一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型及建立与应用，以多因子耦合的非线性黄瓜光合速率模型为基础，得到不同温度不同光子通量密度条件下的最大光合速率与二氧化碳饱和点，从而建立以二氧化碳饱和点为目标的黄瓜二氧化碳优化调控模型，为设施二氧化碳的优化调控提供理论基础。
为了实现上述目的，本发明采用的技术方案是：
一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型，以温度T(℃)、光子通量密度PFD(μmol·m-2·s-1)为自变量，最大光合速率对应的二氧化碳浓度M(μmol·mol-1)为因变量，模型公式为：
M＝957+35.62·T+0.677·PFD+0.1794·T2-0.01052·T·PFD-0.0002668·PFD2。
本发明还提供了所述基于鱼群算法的黄瓜幼苗期光合作用优化调控模型的建立方法，包括如下步骤：
首先，进行试验以获取试验数据，试验过程如下：
将批量黄瓜苗在日光温室内采用营养基质穴盘育苗并进行常规栽培管理，周期为一个月，选取定植后长势基本一致、健壮的黄瓜幼苗进行试验，设定二氧化碳浓度400μmol·mol-1、300μmol·mol-1、200μmol·mol-1、100μmol·mol-1、50μmol·mol-1、400μmol·mol-1、400μmol·mol-1、700μmol·mol-1、1000μmol·mol-1、1300μmol·mol-1、1600μmol·mol-1、1900μmol·mol-1；7个温度梯度为18℃、21℃、24℃、27℃、30℃、33℃、36℃；8个光子通量密度梯度为0μmol·m-2·s-1、100μmol·m-2·s-1、300μmol·m-2·s-1、600μmol·m-2·s-1、900μmol·m-2·s-1、1200μmol·m-2·s-1、1500μmol·m-2·s-1、1800μmol·m-2·s-1，共计56组试验条件，每组试验均选取6株幼苗重复测量6次净光合速率值，形成试验样本集；
其次，根据试验数据建立多因子耦合的温度T、光子通量密度PFD、二氧化碳浓度M和光合速率Pn多元非线性黄瓜光合速率模型；
Pn＝f(T,PFD,M)＝-12.029+1.389·T+0.005·M+0.008·PFD+0·T·M+0.001·T·PFD
+(2.05e-05)·M·PFD+(-8.4e-08)·T·M·PFD+(-0.058)·T2+(9.61e-07)·M2
+(-3.38e-05)·PFD2+0.001·T3+(-2.76e-09)·M3+(1.67e-08)·PFD3
+(2.53e-07)·T·M2+(-3.57e-07)·T·PFD2+(-6.28e-09)·M·PFD2
+(-3.12e-06)·M·T2+(-0.568e-05)·PFD·T2+(-2.19e-09)·PFD·M2
拟合结果决定系数为0.967。
然后，基于所述多元非线性黄瓜光合速率模型，采用鱼群算法实现寻优；
所述鱼群算法包含寻优条件嵌套构建和特定条件鱼群寻优两部分，其中，寻优条件嵌套构建是指采用嵌套方式，建立全温度范围、全光子通量密度范围内寻优梯度，从而完成不同寻优目标函数构建；特定条件鱼群寻优是根据特定寻优目标函数进行寻优，最终实现特定温度、特定光子通量密度的二氧化碳饱和点寻优。
所述特定条件鱼群寻优具体过程如下：
以3℃为步长建立寻优条件数据样本集T＝(T1,T2,...Tm)，其中Tm＝Tmin+3·m，Tmin表示初始温度值，m是[0,7]区间内的整数；以300umol/m2·s为步长建立寻优条件数据样本集PFD＝(PFD1,PFD2,...,PFDn)，其中PFDn＝150+(n-1)×300(umol/m2·s)，n是[1,7]区间内的整数；并以此样本集中数据完成对多元非线性黄瓜光合速率模型中Pn＝f(T,PFD,M)的温度、光子通量密度实例化，寻优过程中目标函数Pn m＝f(Tm，PFDn，M)，适应度函数F＝Pn m＝f(Tm，PFDn，M)，式中Pn m表示样本集中特定温度Tm特定光子通量密度PFDn条件下的光合速率；
基于随机生成初始种群，利用适应度函数计算适配值完成种群评价，当其种群评价不满足停止条件，则触发以下操作：
首先，在进行寻优前，鱼群初始化，其具体操作方法如下式：
鱼群中每条人工鱼均为一组实数，是在给定范围内产生的随机数组。例如，鱼群的大小为N，有两个待优化的参数x,y，范围分别为[x1,x2]和[y1,y2],则要产生一个2行N列的初始鱼群，每列表示一条人工鱼的两个参数。
其次，采用一般鱼群算法根据种群空间中的每个人工鱼的食物浓度、拥挤度以及伙伴数量，选择进行觅食、聚群和追尾操作，完成人工鱼的新位置的获取，其具体方法如下：
觅食行为：是指设一条人工鱼当前的状态为xi，在其感知范围内按下式随机选择一个状态xj：
xj＝xi+rand().visual
式中：rand为一个随机数，若该状态的食物浓度Yj>Yi，则使用下式完成位置更新；否则，再重复式上式进行迭代完成位置更新：
迭代超过尝试次数后，则按照式下进行随机行为完成位置更新：
xi|next＝xi+rand()×step
聚群行为：是人工鱼朝伙伴中心移动的行为，若人工鱼群中心位置食物浓度Yc与当前食物浓度的Yi，以及当前视野内的伙伴数量nf之间，满足Yc/nf>δYi，人工鱼根据式下式执行聚群行为；否则，执行觅食行为完成鱼群位置，其中δ为拥挤度，用来限制人工鱼群聚集的规模；
追尾行为：是人工鱼朝最优位置伙伴方向移动的行为，若人工鱼群当前最优位置食物浓度Yj与当前食物浓度的Yi满足Yj/nf>δYi时，人工鱼按下式执行追尾行为，否则，人工鱼执行觅食行为；
随机行为：为了更大范围的寻找食物和同伴而进行的行为；在视野中随机选择一个状态，然后向该方向移动，其实它是觅食行为的一个缺省行为，即Xi的下一个位置Xi|next为Xi|next＝Xi+r·Visual,其中，r是[-1,1]区间的随机数；Visual为感知距离行为。
最终，对比不同行为得到人工鱼的位置对应食物浓度，选取食物浓度高的人工鱼位置完成位置更新，并对生成的新鱼群进行优化过程迭代，直到完成特定温度、特定光子通量密度下最大光合速率与二氧化碳饱和点的寻优。然后重新提取一组温度、光子通量密度下的寻优条件，重复上述过程，直至完成所有温度所有光子通量密度下的光合速率寻优。
根据寻优结果，得到温度、光子通量密度与二氧化碳饱和点之间对应关系，然后，以温度T、光子通量密度PFD为自变量，以最大光合速率对应的二氧化碳浓度M为因变量，利用非线性回归的方法建立黄瓜幼苗期二氧化碳优化调控模型M＝957+35.62·T+0.677·PFD+0.1794·T2-0.01052·T·PFD-0.0002668·PFD2，其中，决定系数为0.991。
基于该模型成果，可为现有设施环境调控系统中加入温光二氧化碳耦合的调控算法提供理论基础，其具体方式为：基于系统实时温度监测信息和光子通量密度监测信息，利用该模型实现不同温度、不同光子通量密度条件下最佳二氧化碳目标值获得，从而实现系统最适补二氧化碳量计算。
与现有技术相比，本发明的有益效果是：
1)提出了基于鱼群算法的二氧化碳寻优方法，通过视野和步长的动态调整，有效平衡了鱼群算法在全局收敛和局部收敛之间的差异，算法全局寻优能力强、寻优速度快、精度高于遗传算法可实现不同温度、不同光子通量密度下二氧化碳饱和点的快速精确寻优。
2)用非线性回归方法建立的调控目标值模型，其决定系数为0.991，具有良好拟合效果，可实现不同温度不同光子通量密度下以二氧化碳饱和点为目标的调控目标值获取。
3)对18℃-36℃范围内19个不同温度,150-1950umol/m2s范围内7个不同光子通量密度下二氧化碳饱和点的模型计算值与实测值进行相关性与误差分析。结果表明，二者高度线性相关，其决定系数为0.98，最大相对误差小于±3％。
本发明提出的二氧化碳优化调控模型可为黄瓜二氧化碳环境调控提供理论依据，可扩展应用于不同作物、不同阶段的二氧化碳优化调控模型建立，以提高温室作物的光合能力。
附图说明
图1是本发明鱼群算法流程图。
图2是本发明不同温度、不同光子通量密度下光合速率值的寻优、迭代进化过程示意图。图2(a)为寻优过程，图2(b)为进化过程。
图3是二氧化碳优化调控模型图。
图4是本发明模型验证中二氧化碳浓度实测值与模拟值之间的相关性示意图。
具体实施方式
下面结合附图和实施例详细说明本发明的实施方式。
如图1所示，
下面结合附图和实施例详细说明本发明的实施方式。
本发明一种基于鱼群算法的黄瓜幼苗期二氧化碳精准调控模型的建立过程如下：
1材料与方法
1.1试验方法
试验测试包括初试验和验证试验环节，供试黄瓜品种为“长春密刺”，选择长势均一的5叶1心黄瓜幼苗定植于盛有营养土的塑料盆内，营养土为加入草炭和复合肥的熟土，试验期内，施肥、浇水等管理均按照常规进行，不喷施任何农药和激素。
试验采用LI-COR公司生产的Li-6400XT型便携式光合仪，可在设定并调控叶室小环境的同时测定二氧化碳响应曲线。其中，温度梯度为18、21、24、27、30、33、36℃，光子通量密度为1800、1500、1200、900、600、300、100、0(umol/m2s)，二氧化碳设定为400、300、200、100、50、400、400、700、1000、1300、1600、1900(umol/mol)，采用光温二氧化碳耦合嵌套试验方式得到不同梯度温度、光子通量密度和二氧化碳浓度条件下的黄瓜幼苗光合速率，进行粗大误差分析并滤除，其次对滤除粗大误差后数据分别计算其均值，从而形成建模所需的不同温度、光子通量密度、二氧化碳浓度组合条件下对应的光合速率样本集。
1.2模型建立方法
本文首先利用处理后的数据建立光温二氧化碳耦合的非线性黄瓜净光合速率模型，并以此作为目标函数；其次基于光合速率模型采用鱼群算法实现嵌套条件下光温二氧化碳耦合寻优；最后根据嵌套寻优结果建立设施二氧化碳环境调控目标值模型，其流程如图1所示。
1.2.1黄瓜光合速率寻优目标值函数建立
Pn＝f(T,PFD,M)＝-12.029+1.389·T+0.005·M+0.008·PFD+0·T·M+0.001·T·PFD
+(2.05e-05)·M·PFD+(-8.4e-08)·T·M·PFD+(-0.058)·T2+(9.61e-07)·M2
+(-3.38e-05)·PFD2+0.001·T3+(-2.76e-09)·M3+(1.67e-08)·PFD3
+(2.53e-07)·T·M2+(-3.57e-07)·T·PFD2+(-6.28e-09)·M·PFD2
+(-3.12e-06)·M·T2+(-0.568e-05)·PFD·T2+(-2.19e-09)·PFD·M2
式中，采用多元非线性回归方法建立光温二氧化碳耦合的黄瓜光合速率模型Pn＝f(T,PFD,M)，其中Pn－光合速率值(umol/m2·s)，T－温度(℃)，PFD－光子通量密度(umol/m2·s),M-二氧化碳浓度(umol/mol)；并在18-36℃范围内，建立寻优条件数据样本集T＝(T1,T2,...,Tm)，其中Tm＝18+(m-1)×3(℃)，m∈[1,7]；并在150-1950umol/m2·s范围内，建立寻优条件数据样本集PFD＝(PFD1,PFD2,...,PFDn)，其中PFDn＝150+(n-1)×300(umol/m2·s),n∈[1,7],完成模型Pn＝f(T,PFD,M)对温度、光子通量密度的实例化，从而建立不同温度、不同光子通量密度条件下的寻优目标值函数Fm＝f(Tm,PFDn,M)。
1.2.2基于鱼群算法的寻优算法
在建立黄瓜净光合速率模型的基础上，本文提出了基于鱼群算法的二氧化碳寻优算法，完成特定温度、特定光子通量密度下最优二氧化碳目标值寻优，从而构建二氧化碳调控模型，其流程图如图1。由于遗传算法全局搜索能力强但是局部寻优能力较差，造成模型误差较大。近年来，鱼群算法由于精度普遍高于遗传算法，同时具有收敛速度快、简单易实现、鲁棒性强、可克服局部极值、取得全局极值的能力，又对搜索空间有一定的自适应能力，得到了广泛关注，并被应用于多个工程领域，并取得良好效果。以上研究为建立基于鱼群算法的黄瓜幼苗二氧化碳精确调控模型提供了理论基础。
在特定温度、特定光子通量密度下最优光合速率目标值寻优过程中，目标函数设定为人工鱼当前位置的食物浓度。首先随机生成初始鱼群，产生的初始鱼群个体的状态向量表示为X＝(x1,x2,...,xi,...,xn)，其中xi为欲寻优变量二氧化碳浓度；并利用得到的特定温度、特定光子通量密度下的寻优目标值函数Fn m，作为该温度、该光子通量密度下寻优的食物浓度Y，从而利用Ym＝Fn m计算食物浓度完成评价，当其鱼群评价不满足停止条件，则鱼群寻优操作。
首先，在进行寻优前，鱼群初始化，其具体操作方法如下式：
鱼群中每条人工鱼均为一组实数，是在给定范围内产生的随机数组。例如，鱼群的大小为N，有两个待优化的参数x,y，范围分别为[x1,x2]和[y1,y2],则要产生一个2行N列的初始鱼群，每列表示一条人工鱼的两个参数。
其次，采用一般鱼群算法根据种群空间中的每个人工鱼的食物浓度、拥挤度以及伙伴数量，选择进行觅食、聚群和追尾操作，完成人工鱼的新位置的获取，其具体方法如下：
觅食行为：是指设一条人工鱼当前的状态为xi，在其感知范围内按下式随机选择一个状态xj：
xj＝xi+rand()·visual
式中：rand为一个随机数，若该状态的食物浓度Yj>Yi，则使用下式完成位置更新；否则，再重复式上式进行迭代完成位置更新：
迭代超过尝试次数后，则按照式下进行随机行为完成位置更新：
xi|next＝xi+rand()·step
聚群行为：是人工鱼朝伙伴中心移动的行为，若人工鱼群中心位置食物浓度Yc与当前食物浓度的Yi，以及当前视野内的伙伴数量nf之间，满足Yc/nf>δYi，人工鱼根据式下式执行聚群行为；否则，执行觅食行为完成鱼群位置，其中δ为拥挤度，用来限制人工鱼群聚集的规模；
追尾行为：是人工鱼朝最优位置伙伴方向移动的行为，若人工鱼群当前最优位置食物浓度Yj与当前食物浓度的Yi满足Yj/nf>δYi时，人工鱼按下式执行追尾行为，否则，人工鱼执行觅食行为；
随机行为：为了更大范围的寻找食物和同伴而进行的行为；在视野中随机选择一个状态，然后向该方向移动，其实它是觅食行为的一个缺省行为，即Xi的下一个位置Xi|next为Xi|next＝Xi+r·Visual,其中，r是[-1,1]区间的随机数；Visual为感知距离行为。
最终，对比不同行为得到人工鱼的位置对应食物浓度，选取食物浓度高的人工鱼位置完成位置更新，并对生成的新鱼群进行优化过程迭代，直到完成特定温度、特定光子通量密度下最大光合速率与二氧化碳饱和点的寻优。然后重新提取一组温度、光子通量密度下的寻优条件，重复上述过程，直至完成所有温度所有光子通量密度下的光合速率寻优。
根据寻优结果，得到温度、光子通量密度与二氧化碳饱和点之间对应关系，然后以温度T、光子通量密度PFD为自变量，以最大光合速率对应的二氧化碳浓度M为因变量，利用非线性回归的方法建立黄瓜幼苗期二氧化碳优化调控模型M＝957+35.62·T+0.677·PFD+0.1794·T2-0.01052·T·PFD-0.0002668·PFD2，其中，决定系数为0.991。
基于该模型成果，可为现有设施环境调控系统中加入温光二氧化碳耦合的调控算法提供理论基础，其具体方式为：基于系统实时温度监测信息和光子通量密度监测信息，利用该模型实现不同温度、不同光子通量密度条件下最佳二氧化碳目标值获得，从而实现系统最适补二氧化碳量计算。
1.2.3二氧化碳环境调控目标值模型
利用非线性回归的方法，基于寻优结果，以温度、光子通量密度为自变量、二氧化碳饱和点为因变量，构建黄瓜二氧化碳环境调控目标值模型，实现任意温度、光子通量密度二氧化碳饱和点的动态获取。
2结果与讨论
2.1二氧化碳饱和点寻优结果分析
在对实验数据非线性回归建模的基础上，利用人工鱼群算法进行寻优，得到寻优结果如图2所示。
由图2可以看出，不同温度、不同光子通量密度下，人工鱼群算法在进化初始阶段，其食物浓度较小，经过觅食、追尾和聚类等处理，位置不断进行更新，从而使得新鱼群中个体食物浓度不断提高，黄瓜本代最佳光合速率值随进化代数增加而逐渐增长；而随进化代数增加，当鱼群算法产生新的个体逼近最优解时，其个体食物浓度基本保持恒定，从而完成光合速率寻优。随着温度升高，光合速率也随之上升，在达到最大值之后随着温度的继续升高其持续缓慢上升，符合作物光合速率的基本规律。
2.2二氧化碳环境调控目标值模型结果分析
基于鱼群算法得到不同温度、不同光子通量密度梯度下最佳光合速率对应的二氧化碳饱和点，即各温度、各光子通量密度下的二氧化碳环境调控目标值寻优结果如图3所示。从图3可以发现，二氧化碳饱和点会随温度升高而升高，达到一定温度后二氧化碳饱和点呈缓慢上升趋势，其与最大光合速率随温度变化趋势一致，进一步从作物生理分析可以发现：当温度在18℃到约26℃之间时，随着温度的上升，叶片Rubisco酶的活性、气孔导度等明显上升、光合能力升高，因此其最大光合速率、二氧化碳饱和点随温度迅速上升；26℃到36℃时，由于基本达到黄瓜最适生长温度区间，可能由于温度对Rubisco酶的活性、气孔导度等的影响开始明显减弱，最大光合速率和二氧化碳饱和点随温度缓慢波动综上表明上述二氧化碳饱和点的寻优结果符合作物光合生理规律。
基于上述结果，以温度T、光子通量密度PFD为自变量，二氧化碳饱和点为因变量，用非线性回归方法建立调控目标值模型，其决定系数为0.991，表明模型具有良好拟合效果，可获取不同温度、不同光子通量密度下以二氧化碳饱和点为目标的调控目标值M。
2.3模型验证结果分析
采用异校验方式，通过二氧化碳饱和点实测值与模型拟合结果的对比分析，验证本模型的准确性及适应性。试验随机另外选取健壮幼苗21株作为供试样本，用Li-6400XT型便携式光合速率仪，设定并调控叶室小环境，其中利用CO2注入模块(6400-01)控制二氧化碳浓度，利用光控模块得到0-1800umol/m2·s范围内，光子通量密度梯度为200，利用控温模块得到18℃-36℃范围内温度梯度为1℃的条件下的对应二氧化碳响应曲线。由于控温模块温度监测精度为±0.2℃，因此在二氧化碳响应曲线下的测试中采用重复检测的方式，待读取温度稳定在待测温度得到19个温度下的二氧化碳饱和点实测值。并利用模型计算对应温度下的二氧化碳饱和点模拟值，对上述试验结果进行相关性分析，二氧化碳饱和点实测值与模拟值之间关系如图4所示。拟合曲线决定系数为0.98，表明二者之间高度线性相关。
对试验结果进行误差分析可知，二氧化碳饱和点实测值与模拟值最大相对误差小于3％，表明本文所建立的目标值模型可实现不同温度、不同光子通量密度条件下二氧化碳饱和点的高精度、动态获取。
Claims (9)
1.一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型，其特征在于，以温度T(℃)、光子通量密度PFD(μmol·m-2·s-1)为自变量，最大光合速率对应的二氧化碳浓度M(μmol·mol-1)为因变量，模型公式为：
M＝957+35.62·T+0.677·PFD+0.1794·T2-0.01052·T·PFD-0.0002668·PFD2。
2.权利要求1所述基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型的建立方法，其特征在于，包括如下步骤：
首先，进行试验以获取试验数据，试验过程如下：
将批量黄瓜苗在日光温室内采用营养基质穴盘育苗并进行常规栽培管理，周期为一个月，选取定植后长势基本一致、健壮的黄瓜幼苗进行试验，设定二氧化碳浓度400μmol·mol-1、300μmol·mol-1、200μmol·mol-1、100μmol·mol-1、50μmol·mol-1、400μmol·mol-1、400μmol·mol-1、700μmol·mol-1、1000μmol·mol-1、1300μmol·mol-1、1600μmol·mol-1、1900μmol·mol-1；7个温度梯度为18℃、21℃、24℃、27℃、30℃、33℃、36℃；8个光子通量密度梯度为0μmol·m-2·s-1、100μmol·m-2·s-1、300μmol·m-2·s-1、600μmol·m-2·s-1、900μmol·m-2·s-1、1200μmol·m-2·s-1、1500μmol·m-2·s-1、1800μmol·m-2·s-1，共计56组试验条件，每组试验均选取6株幼苗重复测量6次净光合速率值，形成试验样本集；
其次，根据试验数据建立多因子耦合的温度T、光子通量密度PFD、二氧化碳浓度M和光合速率Pn多元非线性黄瓜光合速率模型；
然后，基于所述多元非线性黄瓜光合速率模型，采用鱼群算法实现寻优；
最后，根据寻优结果建立二氧化碳优化调控模型。
3.根据权利要求2所述基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型的建立方法，其特征在于，所述多元非线性黄瓜光合速率模型如下式所示：
Pn＝f(T,PFD,M)＝-12.029+1.389·T+0.005·M+0.008·PFD+0·T·M+0.001·T·PFD
+(2.05e-05)·M·PFD+(-8.4e-08)·T·M·PFD+(-0.058)·T2+(9.61e-07)·M2
+(-3.38e-05)·PFD2+0.001·T3+(-2.76e-09)·M3+(1.67e-08)·PFD3
+(2.53e-07)·T·M2+(-3.57e-07)·T·PFD2+(-6.28e-09)·M·PFD2
+(-3.12e-06)·M·T2+(-0.568e-05)·PFD·T2+(-2.19e-09)·PFD·M2
拟合结果决定系数为0.967。
4.根据权利要求2所述基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型的建立方法，其特征在于，所述鱼群算法包含寻优条件嵌套构建和特定条件鱼群寻优两部分，其中，寻优条件嵌套构建是指采用嵌套方式，建立全温度范围、全光子通量密度范围内寻优梯度，从而完成不同寻优目标函数构建；特定条件鱼群寻优是根据特定寻优目标函数进行寻优，最终实现特定温度、特定光子通量密度的二氧化碳饱和点寻优。
5.根据权利要求4所述基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型的建立方法，其特征在于，所述特定条件鱼群寻优具体过程如下：
以3℃为步长建立寻优条件数据样本集T＝(T1,T2,…Tm)，其中Tm＝Tmin+3·m，Tmin表示初始温度值，m是[0,7]区间内的整数；以300umol/m2·s为步长建立寻优条件数据样本集PFD＝(PFD1,PFD2,…,PFDn)，其中PFDn＝150+(n-1)·300(umol/m2·s)，n是[1,7]区间内的整数；并以此样本集中数据完成对多元非线性黄瓜光合速率模型中Pn＝f(T,PFD,M)的温度、光子通量密度实例化，寻优过程中目标函数Pn m＝f(Tm,PFDn,M)，适应度函数F＝Pn m＝f(Tm,PFDn,M)，式中Pn m表示样本集中特定温度Tm特定光子通量密度PFDn条件下的光合速率；
基于随机生成初始种群，利用适应度函数计算适配值完成种群评价，当其种群评价不满足停止条件，则触发以下操作：
首先，在进行寻优前，鱼群初始化；
其次，采用一般鱼群算法根据种群空间中的每个人工鱼的食物浓度、拥挤度以及伙伴数量，选择进行觅食、聚群和追尾操作，完成人工鱼的新位置的获取；
最终，对比不同行为得到人工鱼的位置对应食物浓度，选取食物浓度高的人工鱼位置完成位置更新，并对生成的新鱼群进行优化过程迭代，直到完成特定温度、特定光子通量密度下最大光合速率与二氧化碳饱和点的寻优，然后重新提取一组温度、光子通量密度下的寻优条件，重复上述过程，直至完成所有温度所有光子通量密度下的光合速率寻优。
6.根据权利要求5所述基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型的建立方法，其特征在于，所述鱼群初始化方法如下：
鱼群中每条人工鱼均为一组实数，是在给定范围内产生的随机数组，假定鱼群的大小为N，有两个待优化的参数x,y，范围分别为[x1,x2]和[y1,y2],则要产生一个2行N列的初始鱼群，每列表示一条人工鱼的两个参数。
7.根据权利要求5所述基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型的建立方法，其特征在于，所述人工鱼的新位置的获取方法如下：
觅食行为：是指设一条人工鱼当前的状态为xi，在其感知范围内按下式随机选择一个状态xj：
xj＝xi+rand()·visual
式中：rand为一个随机数，若该状态的食物浓度Yj>Yi，则使用下式完成位置更新；否则，再重复式上式进行迭代完成位置更新：
迭代超过尝试次数后，则按照式下进行随机行为完成位置更新：
xi|next＝xi+rand()·step
聚群行为：是人工鱼朝伙伴中心移动的行为，若人工鱼群中心位置食物浓度Yc与当前食物浓度的Yi，以及当前视野内的伙伴数量nf之间，满足Yc/nf>δYi，人工鱼根据式下式执行聚群行为；否则，执行觅食行为完成鱼群位置，其中δ为拥挤度，用来限制人工鱼群聚集的规模；
追尾行为：是人工鱼朝最优位置伙伴方向移动的行为，若人工鱼群当前最优位置食物浓度Yj与当前食物浓度的Yi满足Yj/nf>δYi时，人工鱼按下式执行追尾行为，否则，人工鱼执行觅食行为；
随机行为：为了更大范围的寻找食物和同伴而进行的行为；在视野中随机选择一个状态，然后向该方向移动，其实它是觅食行为的一个缺省行为，即Xi的下一个位置Xi|next为Xi|next＝Xi+r·Visual,其中，r是[-1,1]区间的随机数；Visual为感知距离行为。
8.根据权利要求2所述基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型的建立方法，其特征在于，根据寻优结果，得到温度、光子通量密度与二氧化碳饱和点之间对应关系，然后，以温度T、光子通量密度PFD为自变量，以最大光合速率对应的二氧化碳浓度CO2为因变量，利用非线性回归的方法建立黄瓜幼苗期光合优化调控模型M＝957+35.62·T+0.677·PFD+0.1794·T2-0.01052·T·PFD-0.0002668·PFD2，其中，决定系数为0.991。
9.根据权利要求1所述基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型的应用，其特征在于，基于系统实时温度监测信息和光子通量密度监测信息，利用该模型实现不同温度、不同光子通量密度条件下最佳二氧化碳目标值获得，从而实现系统最适补二氧化碳量计算。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511025030.9A CN105654242A (zh) | 2015-12-31 | 2015-12-31 | 一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型及建立与应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201511025030.9A CN105654242A (zh) | 2015-12-31 | 2015-12-31 | 一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型及建立与应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN105654242A true CN105654242A (zh) | 2016-06-08 |
Family
ID=56490819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201511025030.9A Pending CN105654242A (zh) | 2015-12-31 | 2015-12-31 | 一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型及建立与应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105654242A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107329511A (zh) * | 2017-05-31 | 2017-11-07 | 西北农林科技大学 | 基于适宜根温区间的水培蔬菜光环境高效调控方法与系统 |
| CN107368111A (zh) * | 2016-08-01 | 2017-11-21 | 北京航空航天大学 | 一种基于植物光周期交错设置维持植物工厂中氧气和二氧化碳浓度稳定的方法 |
| CN108614601A (zh) * | 2018-04-08 | 2018-10-02 | 西北农林科技大学 | 一种融合随机森林算法的设施光环境调控方法 |
| CN115226516A (zh) * | 2022-07-07 | 2022-10-25 | 西北农林科技大学 | 一种设施光与二氧化碳环境协同调控方法 |
-
2015
- 2015-12-31 CN CN201511025030.9A patent/CN105654242A/zh active Pending
Non-Patent Citations (1)
| Title |
|---|
| 胡瑾等: "基于遗传算法的番茄幼苗光合作用优化调控模型", 《农业工程学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107368111A (zh) * | 2016-08-01 | 2017-11-21 | 北京航空航天大学 | 一种基于植物光周期交错设置维持植物工厂中氧气和二氧化碳浓度稳定的方法 |
| CN107368111B (zh) * | 2016-08-01 | 2020-04-21 | 北京航空航天大学 | 一种基于植物光周期交错设置维持植物工厂中氧气和二氧化碳浓度稳定的方法 |
| CN107329511A (zh) * | 2017-05-31 | 2017-11-07 | 西北农林科技大学 | 基于适宜根温区间的水培蔬菜光环境高效调控方法与系统 |
| CN107329511B (zh) * | 2017-05-31 | 2019-09-03 | 西北农林科技大学 | 基于适宜根温区间的水培蔬菜光环境高效调控方法与系统 |
| CN108614601A (zh) * | 2018-04-08 | 2018-10-02 | 西北农林科技大学 | 一种融合随机森林算法的设施光环境调控方法 |
| CN115226516A (zh) * | 2022-07-07 | 2022-10-25 | 西北农林科技大学 | 一种设施光与二氧化碳环境协同调控方法 |
| CN115226516B (zh) * | 2022-07-07 | 2023-09-26 | 西北农林科技大学 | 一种设施光与二氧化碳环境协同调控方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Andarzian et al. | Validation and testing of the AquaCrop model under full and deficit irrigated wheat production in Iran | |
| CN107329511B (zh) | 基于适宜根温区间的水培蔬菜光环境高效调控方法与系统 | |
| QU et al. | The impacts of climate change on wheat yield in the Huang-Huai-Hai Plain of China using DSSAT-CERES-Wheat model under different climate scenarios | |
| CN110909933B (zh) | 一种耦合作物模型与机器学习语言的农业干旱快速诊断和评估方法 | |
| CN107341734A (zh) | 一种基于生理参数的设施作物苗期生长预测模型的建立方法 | |
| CN105654203A (zh) | 一种基于支持向量机的黄瓜全程光合速率预测模型及建立方法 | |
| CN105654242A (zh) | 一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型及建立与应用 | |
| US12112105B1 (en) | Soil-climate intelligent type determining method for rice target yield and nitrogen fertilizer amount | |
| Zhang et al. | Incorporating root distribution factor to evaluate soil water status for winter wheat | |
| CN111915062B (zh) | 水分利用率与光合速率协同的温室作物需水调控方法 | |
| Wang et al. | Cotton growth model under drip irrigation with film mulching: A case study of Xinjiang, China | |
| JP7544392B2 (ja) | 農作物の生産成績を予測する予測モデルの生成方法、生成装置、及び生成プログラム | |
| CN105913326B (zh) | 约束性知识与精英个体策略遗传算法融合的作物生育期模型品种参数优化方法 | |
| CN118446598A (zh) | 一种基于rzwqm2模型的精准灌溉决策方法 | |
| CN107609695B (zh) | 基于可调植被指数的作物产量遥感估算方法 | |
| Li et al. | Predicting crop growth under different cropping and fertilizing management practices | |
| CN105993720A (zh) | 一种日光温室基质袋培作物灌水量的模拟计算方法 | |
| Wu et al. | Crop yield estimation and irrigation scheduling optimization using a root-weighted soil water availability based water production function | |
| CN107085643A (zh) | 一种盐水灌溉节点的获取方法 | |
| CN105427061A (zh) | 基于改进型鱼群算法的番茄幼苗期光合作用优化调控模型及建立与应用 | |
| Amiri et al. | Comparison of the AquaCrop and CERES‐Maize models for simulating maize phenology, grain yield, evapotranspiration and water productivity under different irrigation and nitrogen levels | |
| Chang et al. | Bridging photosynthesis and crop yield formation with a mechanistic model of whole-plant carbon–nitrogen interaction | |
| CN109089789A (zh) | 一种基于源库关系确定玉米适宜群体容量的方法 | |
| CN118489387B (zh) | 水稻种植施肥智能管理系统及方法 | |
| Angus et al. | Simulation models of water balance and the growth of rainfed rice crops growing in sequence |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160608 |