CN107329511B - 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 - Google Patents

Abstract

本发明是在分析影响作物光合速率的基础上，基于智能控制理论研究适宜根温区间获取，以及此范围内多元耦合作物光合速率高效调控技术的研发。设计嵌套试验获取多维大样本数据，建立基于回归型支持向量机的多因子耦合水培生菜光合速率预测模型；利用鱼群寻优算法，获取根温与最大光合速率响应曲线，融合曲率理论完成响应曲线中适宜根温区间的获取；在适宜根温区间内，基于量子遗传算法进行光环境调控目标值寻优，以获取最优光合速率为目标，构建适宜根温区间光环境调控目标值模型，提出基于多传感器融合的生菜水培根温与光环境智能调控方法，构建了基于物联网的智能调控系统。为提高设施光环境调控效率，推动现代设施园艺快速发展奠定了基础。

Description

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

技术领域

本发明属于智能农业技术领域，特别涉及一种基于适宜根温区间的水培蔬菜光环境高效调控方法与系统。

背景技术

我国设施蔬菜栽培面积占世界总面积的90％以上，已成为我国现代农业的重要组成部分。传统设施栽培易受到土壤病害、面源农药过量施加、肥力不均衡等问题。近年来水培栽培技术因其环保无污染、营养均衡、品质良好等优点，已成为研究热点，但由于我国管理技术水平与发达国家相比仍存在较大差距，蔬菜单位面积产量仅为荷兰的1/5-1/3。光合作用是作物在光照条件下，将二氧化碳和水转化为有机物，实现物质积累的生化过程，是决定产量与品质的基本过程，受多种外部环境因素影响，光合速率具有显著差异性。近几年针对上述需求已开展大量基于植物光合生理技术的研究，在水培蔬菜光合速率影响因素的分析中发现，光是植物生长过程中不可或缺的因素之一，然而由于人工设施受覆盖材料、灰尘、及结构遮光等影响，设施光照状况仅为大田30％-70％，难以满足作物生长要求，导致作物生长发育减缓、各种病虫害发生几率增加，造成落叶、发花数量少、花形花色不正、坐果率低等问题。同时，叶温、CO₂浓度、根温亦可以通过影响叶片中叶绿素的含量、气孔阻力、内部酶活性等多种途径影响叶片光合强度以及干物质的积累，其中，水培栽培种中根温的调控无论从调控成本还是光合速率上均明显优于叶温、CO₂浓度调控效果。因此，以光合速率优化为目标，基于作物生理需求，如何研发融合根温控制的水培蔬菜光环境智能调控系统，提高水培蔬菜的产量和品质，成为水培技术发展中亟待解决的关键问题。

近年来随着半导体产业发展，LED光源和配套器件成本急剧下降，使应用LED进行设施园艺补光成为可能，基于LED的光环境调控技术近期成为研究热点，众多学者在设施光环境调控模型、方法和系统开展了一定研究，包括不同LED复合光质补光对作物形态特征和生理特性的不同影响；红蓝光质比例、光强和补光时间对作物生长有不同影响；张海辉等(2011)研制了可调光质的精确补光系统；Pinho等(2013)研究了温室环境中光子通量密度强度的动态控制机制。现有研究一定程度提高了补光系统有效性，为光环境高效调控进行了有益探索。但是上述研究主要针对传统设施栽培模式，没有基于水培生产根温调控具有高效、低成本的特点，将根温限制和高效调控作为主要调控目标，开展融合适宜根温调控的光环境动态调控。

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适宜根温区间的水培蔬菜光环境高效调控方法与系统，从根温与光合速率之间的限制关系入手，在分析影响作物光合速率的主要因素后，设计多阶段多因子嵌套试验获取了多维大样本数据，建立了基于回归型支持向量机的多因子耦合水培生菜光合速率预测模型；利用鱼群寻优算法，获取根温与最大光合速率的响应曲线，融合基于曲率理论完成对响应曲线中适宜根温区间的获取；在适宜根温区间内，以获取最优光合速率为目标，研究多环境因子融合的基于量子遗传算法的光环境调控目标值寻优算法，建立了适宜根温区间的光环境调控目标值模型。在此基础上，研究多因子动态变化条件下环境参数动态定量调控算法与闭环调控机制，利用无线传感技术和基于人机界面的智能控制技术，融合适宜根温区间与环境调控目标值模型，提出了基于多传感器融合的生菜水培根温与光环境智能调控方法，构建了基于物联网水培环境栽培的智能调控系统，实现了对根温和光照的高效精准调控。

为了实现上述目的，本发明采用的技术方案是：

一种基于适宜根温区间的水培蔬菜光环境高效调控方法，包括：

步骤1，设计多阶段多因子嵌套试验，获取多维大样本数据，建立基于回归型支持向量机的多因子耦合水培蔬菜光合速率预测模型，输入因子为根温、叶温、二氧化碳以及光量子通量密度，输出为光合速率；

步骤2，利用鱼群寻优算法，获取根温与最大光合速率的响应曲线，融合曲率理论完成对响应曲线中适宜根温区间的获取；

步骤3，在适宜根温区间内，以获取最优光合速率为目标，基于多因子融合的基于量子遗传算法的光环境调控目标值寻优算法，建立适宜根温区间的光环境调控目标值模型；

步骤4，基于所述光环境调控目标值模型，实现对多因子动态变化条件下的根温和光照的高效精准调控。

所述步骤1中，采用SVM拟合算法建立光合速率预测模型，过程如下：

步骤1.1，获取样本数据

采用培养箱为作物提供一个适宜恒定的外界环境，培养箱内温度设定为20℃，湿度设定为50％，CO₂浓度设定为400μL/L，同时采用光合仪测定净光合速率，在实验过程中采用光合仪选配的多个子模块按需控制叶片周围的温度、CO₂浓度以及光照强度参数，其中，利用控温模块设定10、15、20、25、30℃共5个叶温梯度；利用CO₂注入模块设定二氧化碳体积比为400、800、1200μL/L共3个梯度；利用LED光源模块获得0、20、50、100、300、500、550、600、700μmol/(m²·s)共9个光子通量密度(Photo flux density,PFD)梯度，利用加湿模块设定叶室湿度为50％，另外，以水浴加热方式获得13、15、17、21、25、29℃共6个根温梯度，以嵌套方式共进行810组实验，每组实验随机选取3株同龄植株做重复测试，从而形成以叶温、CO₂浓度、光照强度、根温为输入，净光合速率为输出的810组实验样本集；

步骤1.2，光合速率预测模型构建

模型输入信号为x＝(X′₁,X′₂,X′₃,X′₄)^T，X′₁、X′₂、X′₃、X′₄分别为根温、叶温、CO₂浓度、光照强度，输出信号T_O，表示网络计算得到的光合速率，每组对应实测光合速率均为教师信号T_d，通过支持向量机训练法建立光合速率预测模型T_d'(x)，训练过程采用80％的数据集作为训练集，20％的数据集作为验证集，采用异校验方式进行光合速率预测模型性能的验证分析。

所述步骤2中，基于所述光合速率预测模型，利用鱼群寻优算法寻找不同根温条件下的最优叶温、二氧化碳浓度和光子通量密度以及相应的最大光合速率，并以根温为自变量，最大光合速率为因变量，可得不同根温条件下的最大光合速率曲线，即根温与最大光合速率的响应曲线，基于曲率理论精确获取适宜根温区间。

所述步骤2中，所述曲率理论是利用所得响应曲线进行曲率计算，计算根温单因素限制条件下，其响应曲线曲率的变化情况规律，并对所得曲率曲线求一阶导，导数为零的点即曲率最大的点，其两点之间的部分即所求的适宜根温区间。

所述步骤3中，建立适宜根温区间的光环境调控目标值模型的具体步骤如下：

调用光合速率预测模型，通过光合速率寻优算法，探寻不同根温、不同叶温、不同二氧化碳浓度条件下的需光量和光调控模型，以净光合速率预测模型为基础设计寻优目标函数，继而采用量子遗传算法进行寻优，并提取不同根温、叶温、二氧化碳浓度条件下的光饱和点实测值与预测值做对比，对光调控模型进行验证。

所述量子遗传算法的每组寻优均建立在如下条件基础上：根温以2℃为步长，二氧化碳浓度以400μL/L为步长，叶温以5℃为步长，建立寻优条件数据样本集，并以样本集中数据完成对光合速率调控模型的实例化，作为量子遗传算法的适应度函数，在完成根温、叶温、二氧化碳浓度条件下对应光子通量密度的寻优后，重新提取1组新的寻优条件，重复上述寻优步骤直至最终完成所有不同根温、不同叶温、不同二氧化碳浓度的寻优，得到不同根温、不同叶温、不同二氧化碳浓度条件下的光子通量密度寻优图，基于上述寻优结果，得到蔬菜在不同根温、不同叶温、不同二氧化碳浓度条件下光饱和点的对应关系，在此基础上利用多元回归建立基于适宜根温范围的光环境调控目标值模型。

本发明还提供了利用所述基于适宜根温区间的水培蔬菜光环境高效调控方法的调控系统，包括：

传感器子系统，采集实时红蓝光光子通量密度、根温、气温、CO₂浓度信息；

数据融合子系统，接收传感器子系统采集的实时环境信息，输入光环境调控目标值模型，经过数据融合得到该环境下叶温信息、相应控温值以及最优光饱和点，并将该信息经由目标值推送模块发至决策控制子系统和数据库，数据库负责收集实时环境信息和最优目标值信息为模型修正提供信息；

决策控制子系统，根据接收的最优目标值信息和实时光环境信息再次进行数据融合，通过动态差值计算得到红、蓝需补光量，并进一步转换得到PWM调光信号，下发执行控制器，同时决策控制子系统将控温量下发至执行控制器，执行控制器通过无线传感网络接收动态调控指令，控制补光节点完成定量补光，同时控制控温节点完成控温，从而实现多元实时环境信息融合的动态反馈控制。

与现有技术相比，本发明的有益效果是：

1、本发明提出了智能算法和曲率理论相融合的作物根系适宜温度获取方法，其依据作物根温、叶温、CO₂和光照强度嵌套光合速率耦合实验结果，构建基于支持向量机(SVM)算法的光合速率预测模型；以预测模型网络为寻优目标值函数，构建基于鱼群寻优算法的多因子耦合最大光合速率寻优方法，获取根温与对应最大光合速率的响应曲线；利用曲率理论对根温响应曲线进行曲率分析，提出以区率拐点为限制的作物适宜的根温区间获取方法。

2、提出基于根温约束条件构建光环境优化调控目标值模型，基于SVM作物光合速率预测模型，在适宜根温区间内，构建叶温与CO₂双嵌套寻优条件并采用量子遗传算法进行光饱和点寻优，进而构建光环境优化调控目标值模型。

3、提出基于根温约束下的光环境多传感器融合理论，基于根温约束的光环境调控目标值模型、气温耦合模型与环境检测节点实时监测数据，按需动态调整LED光源输出光强、光质与根温调控信号，实现设施光环境精准调控，保证了处理数据的准确性和实时性。

附图说明

图1是本发明建立光合速率预测模型算法流程图。

图2是本发明建立光合速率预测模型结果验证图。

图3是本发明建立作物根系适宜温度获取算法流程图。

图4是本发明获取根系适宜温度区间结果曲线。

图5是本发明建立的基于根温约束的光环境优化调控目标值模型算法流程图。

图6是本发明建立的光环境优化调控目标值寻优结果曲线，其中a对应叶温23℃，b对应叶温29℃。

图7是本发明建立光环境优化调控目标值模型结果验证图。

图8是本发明调控系统框图。

图9是本发明基于无线传感器网络的多传感器融合的无线网络信息交互平台的系统框图。

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。

本发明一种基于适宜根温区间的水培蔬菜光环境高效调控系统的建立过程如下：

1、多因子融合光合速率预测模型

为了实现设施光环境的精确调控，准确构建基于适宜根温区间的多因子耦合光合调控优化模型。目前温室环境下的补光多采用粗犷式光环境调控方法，成本高，效率低，造成补光过剩或补光不足，甚至造成光破坏和光抑制现象。因此，构建基于适宜根温区间的四因子耦合光合调控优化模型，实现不同光环境下光饱和点信息动态获取，是光环境调控技术发展亟需解决的问题。针对上述问题，提出了基于量子遗传算法的光合作用优化调控模型。即利用光合速率多因素嵌套试验获取多维数据，构建基于SVM算法拟合的根温、叶温、二氧化碳、光量子通量密度耦合的光合速率多元回归模型，设计了基于量子遗传算法的光合速率预测模型寻优方法，得到适宜根温区间、不同叶温、不同二氧化碳浓度条件下的光饱和点，继而建立以光饱和点为目标值的植物光合优化调控模型。对提高设施光环境调控效率具有重要的意义。

1.1、试验方案设计

本实验于2016年9月8日-2016年10月8日进行。植株一直放于MD1400培养箱(荷兰sinder公司)内培养，培养箱内的光源由红色(波长630nm)和蓝色(波长460nm)灯珠组成。培养箱的温度设为25℃，相对湿度设为60％，CO₂设为400μL/L，光周期设为14小时。在实验过程中，作物进行正常的栽培管理，不喷施任何农药和激素。

实验为以奶油生菜作为实验对象，针对同一作物，基于不同环境因子对光合速率的影响，使用LI-6800便携式光合测定系统对生菜的幼苗期进行测量，实验设置外界环境变量包括光子通量密度、叶温、根温、二氧化碳浓度等生理因子，在作物适应生长的条件范围内设计各环境因子嵌套实验。利用控温模块设定10、15、20、25、30℃共5个叶温梯度；利用CO₂注入模块设定二氧化碳体积比为400、800、1200μL/L共3个梯度；利用LED光源模块获得0、20、50、100、300、500、550、600、700μmol/(m²·s)共9个光子通量密度(Photo fluxdensity,PFD)梯度，利用加湿模块设定叶室湿度为50％，另外，以水浴加热方式获得13、15、17、21、25、29℃共6个根温梯度。根据以上方案设定各因子的范围和步长，为减少实验数据的偶然性，每组实验条件均重复进行，同时，为避免作物午休效应影响本实验精度，只在每天9:00-11:00和14:00-17:00两个时间段内进行实验。基于以上实验方案测得作物幼苗期的光合速率，从而获得适宜根温区间的多因子耦合光合速率建模所需的实验数据共810组，完成建模方法中基于适宜根温区间的多因子耦合光合速率实验方案的建立，为光合速率建模数据采集提供理论方案。

基于上述样本测试集，采用相关分析法，分析各个因子与光合速率的相关性，确定各个变量与光合速率的相关程度。为了消除不同数量级和不同量纲对训练结果的影响，首先将根温、叶温、二氧化碳、光子通量密度和光合速率等不同量纲的数据进行归一化，其次应用Pearson相关分析法计算各因子与光合速率的相关系数，其结果如表1所示。

表1各因子与净光合速率的相关性

自变量	根温/(℃)	叶温/(℃)	CO<sub>2</sub>浓度/(μL/L)	光量子通量密度/(μmol/(m<sup>2</sup>*s)
					相关系数	0.078*	0.158**	0.140**	0.832**
显著性检验值	<0.0001	<0.0001	<0.0001	<0.0001

由表1得知，光合速率与根温、叶温、二氧化碳浓度、光子通量密度相关性，且均达到显著水平。根温虽不是相关性最强的，但其相关性在0.05水平上显著相关，说明根温在一定程度上对光合速率有很大影响，且考虑到设施环境中不同环境因子调节所需的能耗和成本，本系统首先将根温调控至适宜范围，再构建融合气温、叶温、光照、二氧化碳浓度构建多因子光环境调控模型是很有必要的。

1.2、光合速率预测模型建立

作物的光合速率预测模型是最适根温区间获取和光环境调控目标值模型建立的基础。由于根温、叶温、二氧化碳、光子通量密度与作物的光合速率存在着紧耦合强相关的关系，以根温、叶温、综合考虑拟合精度及计算复杂性，采用SVM拟合算法进行回归分析建立以根温、叶温、二氧化碳浓度、光子通量密度为自变量的净光合速率预测模型。光合速率预测模型建立过程如图1所示。同时可得光合速率预测模型公式为：

其中，输出f(x)表示预测的净光合速率，输入信号x＝(X′₁,X′₂,X′₃,X′₄)^T，X′₁、X′₂、X′₃、X′₄分别为根温、叶温、CO₂浓度、光照强度，w为权值向量，b为偏置，Φ(x)为非线性映射函数，l为训练集样本对{(x_i,y_i),i＝1,2,3,...,l}中的训练样本个数，x_i是第i训练样本的输入列向量，是i×d维实数域，d是列向量维数，σ为宽度参数，a_i和a_i ^*为下式的最优解：

其中K(x_i,x_j)＝Φ(x_i)Φ(x_j)为核函数，y_i为对应的输出值，y_i∈R，ε为中止训练误差，c为惩罚因子；

对光合速率实测值与预测值进行相关性分析验证，得出SVM回归拟合所构建光合速率预测模型可实现高精度预测，为调控目标值模型构建提供数据支持。由图2可知叶温耦合下的光合速率预测模型均方根误差为0.7697，可以看出根据叶温、根温、光强、二氧化碳耦合下的光合模型更为精准，实现设施光环境精准调控。

2、适宜根温区间的获取方法研究

基于光合速率预测模型，利用鱼群寻优算法寻找不同根温条件下的最优叶温、二氧化碳浓度和光子通量密度以及相应的最大光合速率。并以根温为自变量，最大光合速率为因变量，作出不同根温条件下的最大光合速率曲线，基于曲率理论精确获取适宜根温区间。整个算法流程图如图3所示。

鱼群寻优步骤如下：

(1)鱼群初始化

鱼群中的每条人工鱼均为一组实数，在给定的随机数组中产生随机数组。

(2)觅食、聚群、追尾

利用以下公式分别进行觅食行为、聚群行为、追尾行为。

觅食行为：x_j＝x_i+(2r-1)s_t

聚群行为：

追尾行为：

其中，x_i为人工鱼当前的状态，x_j为感知范围中的一个随机状态，r为随机数，x_i++为人工鱼的当前位置更新，x_c为中心位置实物浓度，x_gbest为当前最优位置食物浓度。

(3)迭代寻优

对不同行为所得人工鱼位置对应的食物浓度进行对比，选择食物浓度高的人工鱼位置完成位置更新，同时进行优化过程迭代，直达完成不同根温条件下的最优叶温、CO2浓度、光照强度以及最大的光合速率。重复上述步骤，直至完成所有根温条件下的目标寻优。

在此基础上利用所得不同根温条件下的最大光合速率曲线进行曲率计算，计算根温这一单因素限制条件下，其响应曲线曲率的变化情况规律，并对所得曲率曲线求一阶导，导数为零的点即曲率最大的点，其两点之间的部分就是所求的适宜根温区间。得到的不同根温下的最大光合速率曲线图、光合速率曲线的曲率以及曲率的导数如图4所示。

其中曲率计算公式为：

由图4可知，在一定根温范围内，光合速率随根温升高而迅速升高；在适宜根温区间，光合速率随根温升高而缓慢升高甚至趋于平缓；超过适宜根温区间，光合速率随根温升高而迅速下降，由此得出水培生菜最适根温区间范围大概是20-28℃。

3、基于适宜根温区间的多因子耦合光环境调控目标值模型建立

基于光合速率预测模型，采用量子遗传算法实现多因子耦合寻优，根据寻优结果建立基于适宜根温区间的光合优化调控模型。首先，调用光合速率预测模型，进而，通过量子遗传寻优算法，探寻不同根温、不同叶温、不同二氧化碳浓度条件下的需光量和光调控模型。即，先以净光合速率预测模型为基础设计寻优目标函数，继而采用量子遗传算法进行寻优。并提取不同根温、叶温、二氧化碳浓度条件下的光饱和点实测值与预测值做对比，对光调控模型进行验证。具体流程图如图5。

量子遗传寻优步骤如下：

(1)初始化种群

初始化种群Q(t₀)，将种群中的全部染色体的所有基因初始化为

(2)量子比特编码

采用遗传算法的二进制编码，对多态问题进行量子比特编码，然后对所有可能状态进行等概率叠加，可得染色体的表达。计算公式如下：

其中，S_k为该染色体的第k种状态，m为二进制串的长度。

(3)量子旋转门

对初始种群中的个体进行一次测量，获得一组确定的解对其进行适应度评估，记录最佳适宜度个体作为下一步演化的目标值。通过对种群中的个体进行调整，与演化目标值进行比较确定下一次迭代的目标值。

本算法的每组寻优均建立在特定条件的基础上，其中根温以2℃为步长，二氧化碳浓度以400μL/L为步长，叶温以5℃为步长建立寻优条件数据样本集。并以样本集中数据完成对光合速率预测模型的实例化，作为量子遗传算法的适应度函数。在完成根温、叶温、二氧化碳浓度条件下对应光子通量密度的寻优后，重新提取1组新的寻优条件，重复上述寻优步骤直至最终完成所有不同根温、不同叶温、不同二氧化碳浓度的寻优。得到不同根温、不同叶温、不同二氧化碳浓度条件下的光子通量密度寻优图。以二氧化碳浓度为800μL/L，叶温25℃，根温23℃、29℃为例，得到生菜的部分寻优结果如图6(a)(b)所示。从图中可以发现不同根温对应下的最大光合速率值是不同的，这是由于根温可以通过影响叶片中叶绿素含量、气孔阻力、内部酶活性等多种途径影响叶片光合强度造成的。基于上述寻优结果，得到生菜在不同根温、不同叶温、不同二氧化碳浓度条件下光饱和点的对应关系，在此基础上利用多元回归建立基于适宜根温范围的多因子耦合光饱和点智能调控模型，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×CO₂ ²-2.1773×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×CO₂ ²-9.966×10^-4×YW³+3.39×10^-4×YW²×CO₂-1.27×10^-4×YW×CO₂ ²+5.3738×10^-4×CO₂ ³+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×CO₂ ²×GW×YW-2.26×10^-4×YW³×GW-5.5503×10^-4×YW³×CO₂+2.21×10^-4×YW⁴+3.8568×10^-6×CO₂ ³×GW+5.3126×10^-4×CO₂ ³×YW-2.4604×10^-7×CO₂ ⁴

式中：PFD为需光量，YW为叶温，GW为根温，CO2为CO2浓度。

该公式的相关系数为0.9503，表明其具有良好的拟合度。由公式和模型可以看出适宜根温范围内，若二氧化碳浓度恒定情况下，植物光饱和点总遵循这样一个规律，即先随叶温上升而快速上升，后随叶温上升而缓慢上升，当叶温超过一定值时，光饱和点开始下降。

本发明为了验证调控模型的精度设计了相关验证试验，其通过光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。验证中使用Li-6800便携式光合仪，在适宜根温区间范围内随机抽取20个不同条件下的光饱和点为实测值，模型计算相应条件下得到的20个光饱和点作为预测值，二者之间的相关关系如图7所示。从图中可以看出利用量子遗传寻优构建的光调控模型可实现高精度预测，实现设施光环境精准调控。

4、系统设计

基于以上设计目标，本发明建立基于多传感器信息融合调控理论的环境闭环调控机制框架，分为传感器子系统、数据融合子系统、决策控制子系统等，如图8所示。基于多传感器融合的光环境闭环控制系统分为传感器子系统，数据融合子系统、决策控制子系统等几部分。其具体工作流程为：传感器子系统收集温室的实时红蓝光光子通量密度、根温、气温、CO₂浓度信息，并输入数据融合子系统；数据融合子系统将实时环境信息输入最优目标值模型，经过数据融合得到该环境下叶温信息、相应控温值以及最优光饱和点，并将该信息经由目标值推送模块将其发至决策控制子系统和数据库，数据库负责收集实时环境信息和最优目标值信息为模型修正提供信息；决策控制子系统根据接收的最优目标值信息和实时光环境信息再次进行数据融合，通过动态差值计算得到红、蓝需补光量，并进一步转换得到PWM调光信号，下发执行控制器，同时决策控制子统将控温量下发至执行控制器，执行控制器通过无线传感网络接收动态调控指令，控制补光节点完成定量补光，同时控制控温节点完成控温，从而实现多元实时环境信息融合的动态反馈控制。

基于上述控制机制，设计了基于无线传感器网络的多传感器融合的无线网络信息交互平台，其系统框图如图9所示。平台由控温节点、监测节点、智能补光节点、智能控制节点组成，各节点均采用CC2530为核心芯片，ZIGBEE为数据传输协议进行调控作业。其中，控温节点完成对水培作物根温的控制，监测节点完成温度、CO₂浓度与光合有效辐射PAR值采集，智能控制节点完成基于实时环境信息和目标值的调光量、调温量计算，补光节点完成调光命令的执行。

其中智能控制终端是本系统的完成智能高效控制的关键，其中控制软件的设计是其核心，包含基于组态软件的用户界面和宏代码和PLC设备串口驱动两部分。其中组态部分元件与元件之间通过宏代码以及内部寄存器地址设定紧密联系，主要完成各种模型嵌入、管理、设置和决策结果的动态计算等功能，从而组成整个界面；PLC设备串口驱动负责工控屏界面与协调器节点通讯，从而基于实时环境参量和作物自身需求的差异，实现对作物生长环境的智能动态优化控制。

Claims (4)

1.一种基于适宜根温区间的水培蔬菜光环境高效调控方法，其特征在于，包括：

步骤1，设计多阶段多因子嵌套试验，设定10、15、20、25、30℃共5个叶温梯度，400、800、1200μL/L共3个二氧化碳体积比梯度，0、20、50、100、300、500、550、600、700μmol/（m²•s）共9个光量子通量密度梯度，13、15、17、21、25、29℃共6个根温梯度，设定叶室湿度为50%，获取810组多维大样本数据，建立基于回归型支持向量机的多因子耦合水培蔬菜光合速率预测模型，输入因子为根温、叶温、二氧化碳以及光量子通量密度，输出为光合速率；

步骤2，利用鱼群寻优算法，获取根温与最大光合速率的响应曲线，融合曲率理论完成对响应曲线中适宜根温区间的获取；

步骤3，在适宜根温区间内，以获取最优光合速率为目标，基于多因子融合的量子遗传算法光环境调控目标值寻优，建立适宜根温区间的光环境调控目标值模型；

步骤4，基于所述光环境调控目标值模型，实现对多因子动态变化条件下的根温和光照的高效精准调控。

2.根据权利要求1所述基于适宜根温区间的水培蔬菜光环境高效调控方法，其特征在于，所述步骤3中，建立适宜根温区间的光环境调控目标值模型的具体步骤如下：

调用光合速率预测模型，通过光合速率寻优算法，探寻不同根温、不同叶温和不同二氧化碳浓度条件下的需光量和光调控模型，以净光合速率预测模型为基础设计寻优目标函数，继而采用量子遗传算法进行寻优，并提取不同根温、叶温、二氧化碳浓度条件下的光饱和点实测值与预测值做对比，对光调控模型进行验证。

3.根据权利要求2所述基于适宜根温区间的水培蔬菜光环境高效调控方法，其特征在于，所述量子遗传算法的每组寻优均建立在如下条件基础上：根温以2℃为步长，二氧化碳浓度以400μL/L为步长，叶温以5℃为步长，建立寻优条件数据样本集，并以样本集中数据完成对光合速率调控模型的实例化，作为量子遗传算法的适应度函数，在完成根温、叶温、二氧化碳浓度条件下对应光量子通量密度的寻优后，重新提取1组新的寻优条件，重复上述寻优步骤直至最终完成所有不同根温、不同叶温、不同二氧化碳浓度的寻优，得到不同根温、不同叶温、不同二氧化碳浓度条件下的光量子通量密度寻优图，基于上述寻优结果，得到蔬菜在不同根温、不同叶温和不同二氧化碳浓度条件下光饱和点的对应关系，在此基础上利用多元回归建立基于适宜根温范围的光环境调控目标值模型。

4.利用权利要求1所述基于适宜根温区间的水培蔬菜光环境高效调控方法的调控系统，其特征在于，包括：

传感器子系统，采集实时红蓝光光量子通量密度、根温、气温和CO₂浓度信息；

数据融合子系统，接收传感器子系统采集的实时环境信息，输入光环境调控目标值模型，经过数据融合得到该环境下叶温信息、相应控温值以及最优光饱和点，并将该信息经由目标值推送模块发至决策控制子系统和数据库，数据库负责收集实时环境信息和最优目标值信息为模型修正提供信息；

决策控制子系统，根据接收的最优目标值信息和实时光环境信息再次进行数据融合，通过动态差值计算得到红和蓝需补光量，并进一步转换得到PWM调光信号，下发执行控制器，同时决策控制子系统将控温量下发至执行控制器，执行控制器通过无线传感网络接收动态调控指令，控制补光节点完成定量补光，同时控制控温节点完成控温，从而实现多元实时环境信息融合的动态反馈控制。