CN107341734A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN107341734A CN107341734A CN201710415970.1A CN201710415970A CN107341734A CN 107341734 A CN107341734 A CN 107341734A CN 201710415970 A CN201710415970 A CN 201710415970A CN 107341734 A CN107341734 A CN 107341734A
- Authority
- CN
- China
- Prior art keywords
- parameter
- growth
- environment
- physiology
- model
- 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
- 230000012010 growth Effects 0.000 title claims abstract description 116
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000010276 construction Methods 0.000 claims abstract description 6
- 238000012216 screening Methods 0.000 claims abstract description 6
- 230000035479 physiological effects, processes and functions Effects 0.000 claims description 44
- 230000007613 environmental effect Effects 0.000 claims description 30
- 230000000243 photosynthetic effect Effects 0.000 claims description 21
- 108010081996 Photosystem I Protein Complex Proteins 0.000 claims description 17
- 238000002474 experimental method Methods 0.000 claims description 16
- 230000009471 action Effects 0.000 claims description 15
- 229930002875 chlorophyll Natural products 0.000 claims description 14
- 235000019804 chlorophyll Nutrition 0.000 claims description 14
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 238000010791 quenching Methods 0.000 claims description 6
- 230000000171 quenching effect Effects 0.000 claims description 6
- 230000005068 transpiration Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000027756 respiratory electron transport chain Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 17
- 230000003750 conditioning effect Effects 0.000 abstract description 15
- 230000008901 benefit Effects 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 239000000523 sample Substances 0.000 description 31
- 241000196324 Embryophyta Species 0.000 description 19
- 240000008067 Cucumis sativus Species 0.000 description 11
- 230000037039 plant physiology Effects 0.000 description 11
- 241000208340 Araliaceae Species 0.000 description 9
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 9
- 235000003140 Panax quinquefolius Nutrition 0.000 description 9
- 235000008434 ginseng Nutrition 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 description 8
- 230000029553 photosynthesis Effects 0.000 description 8
- 238000010672 photosynthesis Methods 0.000 description 8
- 230000008635 plant growth Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 4
- 230000001965 increasing effect Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 3
- 230000002411 adverse Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 235000009849 Cucumis sativus Nutrition 0.000 description 2
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N Titan oxide Chemical compound O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 2
- 230000004308 accommodation Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000003455 independent Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000000422 nocturnal effect Effects 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 108010060806 Photosystem II Protein Complex Proteins 0.000 description 1
- 230000003698 anagen phase Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 238000001917 fluorescence detection Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000035790 physiological processes and functions Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009889 stress physiology Effects 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 239000004408 titanium dioxide Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 229910052902 vermiculite Inorganic materials 0.000 description 1
- 235000019354 vermiculite Nutrition 0.000 description 1
- 239000010455 vermiculite 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
- 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
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Animal Husbandry (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Development Economics (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了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，该方法包括：(1)数据采集，获得用于构建模型的样本数据库；(2)数据筛选与预处理，得到训练集和测试集；(3)模型构建，获得生理‑生长预测模型和环境‑生长预测模型；(4)模型校正，得到最终的预测模型。本发明方法以生理参数为环境调控的主要依据，通过分析环境参数、生理参数及种苗生长参数间的相互关系，建立基于生理参数的种苗生长状态预测模型，从而利用该模型判断是否需要进行环境调控，并对环境设定点的选择提供指导，致力于提高设施环境调控的准确性和及时性，切实提高设施种苗培育生产的经济效益。
Description
技术领域
本发明属于设施农业环境控制技术领域，尤其涉及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。
背景技术
我国是设施农业大国，温室大棚种植面积稳居世界首位。然而，我国温室种植方式仍然较为粗放，严重限制了温室经济产出的上升空间。
温室内部的环境调控是实现温室种植节能增效的重要手段。现有的温室内部环境调控(不论是人工调控还是自动调控)，本质都是经验调控――即依靠人的经验知识，综合分析温室内外部环境、作物种类、作物生育时期等因素进行预设式调控决策，如当温度达到某一临界点时给出指令开关风机、遮阳设备等，或者给出新的环境因子设定点。经验调控的最大短板是未考虑作物本身的品种及环境适应性差异，而是依靠经验给出统一的环境调控准则，因此难以避免过度调控造成的能源浪费。同时，根据种植者经验先对作物的生育时期进行区分，再对环境进行调控，往往造成环境管理的滞后或提前，使温室不利于作物生长，影响作物生产潜力的发挥。
因此，无论设施农业的实际生产应用还是理论研究均迫切需要一种能反映作物自身需求且快速、简便和科学的方法来指导环境调控。
设施农业生产需要根据作物生理需求进行有效的环境调控，从而降低能耗、提高经济效益。叶绿素荧光信号是作物生理状态的重要表征方式，其中包含了丰富的光合作用过程变化信息，因而被视为植物光合作用与环境关系的内在指标和探针。
叶绿素荧光分析技术具有快速、灵敏、可靠和非破坏性等优点，几乎可以反映所有环境因子对植物的影响以及植物生理功能在不同水平上的变化。同一作物不同品种、乃至不同作物间的生理参数健康指标具有较高的广谱适用性和一致性。
因此，叶绿素荧光生理参数应用已在植物光合机理、逆境生理、植物病理、植物生态、农业遥感等领域起到了重要的作用。
近年来，叶绿素荧光检测设备迅速向小型化、智能化的方向发展，为叶绿素荧光生理参数在设施作物育苗环境调控中的应用提供了契机。与单纯依靠环境参数判定作物生长状态并指导环境调控相比，使用作物自身的生理参数更为直接，但现有的调控体系研究及应用中尚不多见。
设施种苗培育是现阶段我国温室生产的重要内容，具有非常大的市场潜力。设施种苗培育栽培周期短，一旦环境条件不好、环境调控不及时，会对种苗的质量造成极大的不利影响，因此对环境调控方法的准确性和及时性提出了更高的要求。
发明内容
本发明提供了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，该方法获得生长预测模型能够用于准确、及时地调控设施作物育苗期的环境，从而提高设施种苗培育生产的经济效益。
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，包括以下步骤：
(1)数据采集：
在控制环境条件的情况下，对设施作物进行育苗栽培实验，采集不同环境参数值下设施作物的生长参数数据和生理参数数据，获得用于构建模型的样本数据库；
(2)数据筛选与预处理：
A)将样本数据库中环境参数、生长参数和生理参数的数据两两分组，对每组进行典型相关性分析，得到环境参数和生理参数中分别对生长参数起主导性影响的环境主导参数和生理主导参数，以及生理主导参数与生长参数、环境主导参数与生理主导参数的正反作用关系；
B)对环境主导参数和生理主导参数的数据进行标准化处理，并根据单个样本的生长参数值与样本生长参数均值的高低比较，对生长参数数据进行作物种苗生长状态的好坏分类，得到训练集和测试集；
其中，若单个样本生长参数值不低于样本生长参数均值，则定义作物生长状态为好，反之，则定义作物生长状态为坏；
(3)模型构建：
分别以训练集中的环境主导参数和生理主导参数作为特征向量，采用支持向量机算法训练模型，获得生理-生长预测模型和环境-生长预测模型；
(4)模型校正：
采用测试集对生理-生长预测模型和环境-生长预测模型进行测试，比较两种模型的预测准确率；
若生理-生长预测模型预测准确率“Accuracy_Physiological”(％)与环境-生长预测模型预测准确率“Accuracy_Environmental”(％)之间的关系满足：Accuracy_Physiological–Accuracy_Environmental≥-5％，选择该生理-生长预测模型作为最终的预测模型；
反之，则重复步骤(2)、(3)，重新选择环境主导参数和生理主导参数进行数据预处理和模型训练，直至Accuracy_Physiological–Accuracy_Environmental≥-5％，选择该生理-生长预测模型作为最终的预测模型。
步骤(1)中，进行育苗栽培实验时需要严格控制环境条件，保证实验过程中环境条件的恒定。为保证后续模型训练和测试的顺利进行，需要设定多种环境条件的组合，即不同环境参数值组合，进行多组栽培实验，并获取不同环境参数值下设施作物的生长参数数据和生理参数数据，组成模型构建所需的样本数据库。需要注意的是，在确定具体环境参数的类型后，各栽培实验仅仅是改变各环境参数的具体数值，而不会增加或减少某个环境参数。
其中，环境条件设计的原则是：避免严重逆境条件，尽量在组合中确保各环境参数在自适度范围内合理分布。环境条件组合的总数原则上不低于15组，以便充分考察环境参数对作物生理参数和生长参数的影响情况。栽培实验在完全人工可控温室环境条件下(如密闭型人工光植物工厂)进行。
现有技术中，设施作物生长模型的数据采集一般是在自然栽培条件下进行实时监测，采集到的数据量大，环境数据分布不均，且干扰因素多。例如：光照强度/温湿度会随时间和天气状况发生变化、温湿度分布会受到风力干扰、基质/土壤的作物养分条件会受到干旱/降雨影响等，易造成样本数据噪声大且噪声源复杂多样，难以去除噪声、获得影响作物生长的参数真值。
本发明通过人工设定的环境条件进行栽培实验能够有效减少外界干扰因素，使光照、温湿度、二氧化碳浓度等条件均保持接近恒定状态。另外，还可以根据建模需要对环境条件进行灵活设置，使样本数据尽量满足在适度范围内均匀分布或正态分布的条件，提高样本数据的覆盖范围、可信度和适用性。
此外，由于测量条件的限制，在能够较好的实时获取作物生理参数的测量方法出现之前，或者生理参数难以像环境参数一样以数学的表述方法构建与生长参数之间的关系之前，现有的作物生长模型一般都只考虑环境与作物生长的关系，这造成现有的作物生长模型多基于物质与能量平衡角度构建，无法直接反映作物生长状态或者生理需求，因而环境调控闭环中缺少了对作物反应的观测环节，调控决策依据只能依赖经验或者统计学结论，造成调控过度或者调控不当，引起无谓的资源浪费、制约作物生产潜力的发挥。
而本发明之所以通过作物生理参数来指导环境的调控，是因为生理状态参数(即生理参数)是反映作物生长状态的直接指标，且在判断同种作物不同品种的生长状态时具有较好的一致性；且随着检测技术的不断发展，生理状态参数的高频率测量已经不是问题；利用生理状态参数对作物种苗生长进行预测，并指导环境设定点的重新生成(即环境调控)，符合根据作物实际需求进行合理环境调控、减少无谓调控造成能源浪费的温室调控趋势和理念。
具体地，本发明中涉及的所述环境参数有：昼夜温度、相对湿度、绝对湿度、二氧化碳浓度、昼夜光照强度、红光/白光比率和蓝光/白光比率。
所述生理参数包括光合作用参数和叶绿素荧光参数；其中，光合作用参数为净光合速率、气孔导度、胞间CO2浓度、蒸腾速率和蒸气压亏缺。
所述叶绿素荧光参数为开放光系统II中心激发能捕获效率、光系统II光合电子传递量子效率、二氧化碳同化量子效率、光化学淬灭系数和光系统II电子传递速率。
步骤(2)中，为了能够简化模型、减少训练计算量以及降低实际模型应用过程中的观测量，需要在进行模型训练前对采集到的数据进行筛选和预处理。本发明中采用典型相关分析法对环境参数与生长参数、生理参数与生长参数以及环境参数与生理参数之间的相互影响关系进行分析；并从中寻找到环境参数中对生长参数起主导作用的参数，命名为环境主导参数，生理参数中对生长参数起主导作用的参数，命名为生理主导参数；以及环境参数与生理参数之间的正反作用关系(其中，包括环境主导参数与生理主导参数之间的正反作用关系)，该正反作用关系能够为依据作物生理状态调整环境条件提供支持。
包含环境参数、作物生理参数、作物生长参数的温室作物栽培系统是典型的多输入多输出复杂系统，了解各参数间相互影响关系能够为建模过程提供有力的支撑。典型相关分析能够在众多自变量中选取对因变量起到主导影响作用的自变量，从而减少建模参数数量、简化模型和降低观测参数数量；同时，典型相关分析能够给出两组变量间的正反作用关系，有利于依靠生理参数观测结果指导环境调控系统进行环境参数设定点的重新生成。
上述主导参数的选择依据典型相关变量系数(或典型权重)分析结果，将各个参数按照相对贡献大小进行排列，取前几个参数作为主导参数。主导参数的个数不是一定的，可以根据实际需要进行增减。(生理参数，生长参数)、(环境参数，生理参数)相互影响关系分析需要依靠典型权重找到生理参数与生长参数、环境参数与生理参数之间的正反作用关系，从而为依靠生理参数状态重新调整环境参数提供支持。
步骤B)中提及的标准化处理是指“Z-score标准化”，确保模型训练和测试的顺利进行。
步骤(3)中，采用支持向量机算法进行模型训练的原因在于：考虑环境或生长参数的作物生长预测模型是典型的非线性模型，模型需要考虑的参数众多，且各参数的相互作用关系复杂，因此实现对生长过程的模拟或预测往往需要大量的样本数据，而且难以避免过拟合现象、难以实现结构性风险最小。而在作物模型建立过程中，即使采集大量的样本，与众多的作物群体相比，仍然是小样本，对预测建模方法提出了极大的挑战。支持向量机在应对小样本、非线性以及高维模式识别等方面具有突出的优势，能够依靠有限样本数量达到结构性风险最小的建模要求，因此特别适合用于解决作物生长模型建模问题。
可以使用Matlab的支持向量机训练和测试函数，也可以使用OpenCV里的支持向量机训练和测试函数。核函数可以选择线性核函数或径向基核函数，并建议在训练过程中进行交叉验证。
此外，生理-生长预测模型和环境-生长预测模型均为多输入单输出的预测模型，即：将一组环境参数值或生理参数值作为特征向量进行输入后，仅能够预测作物某一生长参数；所以，实际上，生长参数的数量决定了预测模型的数量，即：如果在训练模型时采用了n个生长参数，就会获得n个生理-生长预测模型和n个环境-生长预测模型。
获得上述预测模型后，可以利用该模型进行环境调控，具体调控方法为：采集某温室内设施作物种苗植株生长期的生理主导参数数据，作为步骤(4)中所述预测模型的输入值，计算获得该时期设施作物的生长状态；若输出结果为好，则保持原温室内环境条件；若输出结果为坏，则先根据典型相关性分析获得的生理主导参数与生长参数间的正反作用关系，确定生理主导参数的调节趋势(增大或减小)，再通过典型相关性分析获得的环境主导参数与生理主导参数的正反作用关系，指导调节环境主导参数的数值(增大或减小)，直至预测模型的输出结果为好。其中，环境主导参数的调节幅度(步长)需要根据不同参数的实际大小和可调节精度综合考虑来确定，如温度调节幅度可以为0.5℃或者1℃，二氧化碳浓度调节幅度可以为100μmol/mol等。
针对不同设施作物获得预测模型后，即可用于指导该设施作物的苗期栽培，通过生理测定仪器(本发明实施例中提供的是便携式光合荧光系统)进行实时监测，获得一组生理参数值作为特征向量，输入至预测某一生长参数的预测模型中，模型给出针对该生长参数设施作物生长状态好或坏的输出结果。获得该输出结果后，若生长状态好，则无需进行环境条件的调整；若生长状态坏，则需要根据步骤(2)的A)中提及的生理主导参数与生长参数、环境主导参数与生理主导参数的正反作用关系，来上调或者下调环境参数值。
需要注意的是，由于利用典型权重分析获得的参数正反影响关系的准确性在理论和实际应用中尚待进一步考证，因此不能完全依靠其正反关系进行环境设定点的调整，需要再结合各个生理参数在实际应用中的意义综合考虑和纠偏。举例来说，光合作用较弱通常表明光照强度不足，如果典型权重分析结果显示光合作用与光照强度是反作用关系，则显然不符合常理，应修正为正作用关系，并在进行环境参数设定点重新生成时应调高光照强度参数设定值。
与现有技术相比，本发明具有以下有益效果：
(1)本发明方法以设施种苗培育产业为服务对象，以设施育苗过程为具体应用场景，以生理参数为环境调控的主要依据，通过分析环境参数、生理参数及种苗生长参数间的相互关系，建立基于生理参数的种苗生长状态预测模型，从而判断是否需要进行环境调控，并对环境设定点的选择提供指导，致力于提高设施环境调控的准确性和及时性，切实提高设施种苗培育生产的经济效益。
(2)本发明方法在建模过程中引入了机器学习方法，既有利于在使用过程中不断修正和增强调控方法的准确性，又能够促进设施农业技术与智能学习方法的融合与共同发展。
附图说明
图1为本发明设施作物育苗环境调控方法的流程图。
图2为实施例1中数据采集过程的流程图。
图3为实施例1中数据筛选、预处理及模型构建过程的流程图。
图4为实施例1中基于构建的预测模型进行的环境调控流程图。
具体实施方式
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，具体由以下步骤组成：
(1)数据采集：
在控制环境条件的情况下，对设施作物进行育苗栽培实验，采集不同环境参数值下设施作物的生长参数数据和生理参数数据，获得用于构建模型的样本数据库。
所述环境参数有：昼夜温度、相对湿度、绝对湿度、二氧化碳浓度、昼夜光照强度、红光/白光比率和蓝光/白光比率。
所述生理参数包括光合作用参数和叶绿素荧光参数；其中，光合作用参数为净光合速率、气孔导度、胞间CO2浓度、蒸腾速率和蒸气压亏缺。
所述叶绿素荧光参数为开放光系统II中心激发能捕获效率、光系统II光合电子传递量子效率、二氧化碳同化量子效率、光化学淬灭系数和光系统II电子传递速率。
进行育苗栽培实验时需要严格控制环境条件，保证实验过程中环境条件的恒定。为保证后续模型训练和测试的顺利进行，需要设定多种环境条件的组合，即不同环境参数值组合，进行多组栽培实验，并获取不同环境参数值下设施作物的生长参数数据和生理参数数据，组成模型构建所需的样本数据库。需要注意的是，在确定具体环境参数的类型后，各栽培实验仅仅是改变各环境参数的具体数值，而不会增加或减少某个环境参数。
其中，环境条件设计的原则是：避免严重逆境条件，尽量在组合中确保各环境参数在自适度范围内合理分布。环境条件组合的总数原则上不低于15组，以便充分考察环境参数对作物生理参数和生长参数的影响情况。栽培实验在完全人工可控温室环境条件下(如密闭型人工光植物工厂)进行。
(2)数据筛选与预处理：
A)将样本数据库中环境参数、生长参数和生理参数的数据两两分组，对每组进行典型相关性分析，得到环境参数和生理参数中分别对生长参数起主导性影响的环境主导参数和生理主导参数，以及生理主导参数与生长参数、环境主导参数与生理主导参数的正反作用关系。
B)对环境主导参数和生理主导参数的数据进行“Z-score标准化”处理，并根据单个样本的生长参数值与样本生长参数均值的高低比较，对生长参数数据进行作物种苗生长状态的好坏分类，得到训练集和测试集；
其中，若单个样本生长参数值不低于样本生长参数均值，则定义作物生长状态为好，反之，则定义作物生长状态为坏。
为了能够简化模型、减少训练计算量以及降低实际模型应用过程中的观测量，需要在进行模型训练前对采集到的数据进行筛选和预处理。本发明中采用典型相关分析法对环境参数与生长参数、生理参数与生长参数以及生理参数与生长参数、环境参数与生理参数之间的相互影响关系进行分析；并从中寻找到环境参数中对生长参数起主导作用的参数，命名为环境主导参数，生理参数中对生长参数起主导作用的参数，命名为生理主导参数；以及生理参数与生长参数、环境参数与生理参数之间的正反作用关系(其中，包括生理主导参数与生长参数、环境主导参数与生理主导参数之间的正反作用关系)，该正反作用关系能够为依据作物生理状态调整环境条件提供支持。
包含环境参数、作物生理参数、作物生长参数的温室作物栽培系统是典型的多输入多输出复杂系统，了解各参数间相互影响关系能够为建模过程提供有力的支撑。典型相关分析能够在众多自变量中选取对因变量起到主导影响作用的因变量，从而减少建模参数数量、简化模型和降低观测参数数量；同时，典型相关分析能够给出两组变量间的正反作用关系，有利于依靠生理参数观测结果指导环境调控系统进行环境参数设定点的重新生成。
上述主导参数的选择依据典型相关变量系数(或典型权重)分析结果，将各个参数按照相对贡献大小进行排列，取前几个参数作为主导参数。主导参数的个数不是一定的，可以根据实际需要进行增减。(生理参数，生长参数)、(环境参数，生理参数)相互影响关系分析需要依靠典型权重找到生理参数与生长参数、环境参数与生理参数之间的正反作用关系，从而为依靠生理参数状态重新调整环境参数提供支持。
首先，将典型相关系数进行排序，依据显著性分析结果，判断各个典型相关系数的显著性，判断依据是：如下卡方分布计算结果。
其中，p是自变量个数，q是因变量个数，i是典型相关变量按照显著性大小排列的序数，Qi是该对典型相关变量的显著性系数，α是卡方分布的置信系数(一般为0.05或0.01)。对于某一个Qi，如果其大于卡方分布计算结果，则认为是显著的，该对典型相关系数确定的典型权重可用于分析。
其次，分析各对典型相关变量的权重，一般来说，对于某一自变量或因变量，其权重绝对值大于0.3则认为是有相关关系的，且权重的正负表示相关关系的正反。
由于一般来说用于分析的典型相关变量不止一对，需要结合显著性系数进行综合考虑才能得出正负相关关系，可以仅考虑显著性最大的一对，也可以用一个∑ai×Qi的线性组合方式进行综合估计正负相关关系，其中ai是某一变量对应的某典型权重，Qi是该变量的该对典型变量的显著性系数。
(3)模型构建：
分别以训练集中的环境主导参数和生理主导参数作为特征向量，采用支持向量机算法训练模型，获得生理-生长预测模型和环境-生长预测模型。
生理-生长预测模型和环境-生长预测模型均为多输入单输出的预测模型，即：将一组环境参数值或生理参数值作为特征向量进行输入后，仅能够预测作物某一生长参数；所以，实际上，生长参数的数量决定了预测模型的数量，即：如果在训练模型时采用了n个生长参数，就会获得n个生理-生长预测模型和n个环境-生长预测模型。
(4)模型校正：
采用测试集对生理-生长预测模型和环境-生长预测模型进行测试，比较两种模型的预测准确率；
若生理-生长预测模型预测准确率“Accuracy_Physiological”(％)与环境-生长预测模型预测准确率“Accuracy_Environmental”(％)之间的关系满足：Accuracy_Physiological–Accuracy_Environmental≥-5％，选择该生理-生长预测模型作为最终的预测模型；
反之，则重复步骤(2)、(3)，重新选择环境主导参数和生理主导参数进行数据预处理和模型训练，直至Accuracy_Physiological–Accuracy_Environmental≥-5％，选择该生理-生长预测模型作为最终的预测模型。
(5)环境调控：
采集某温室内设施作物种苗某时期的生理主导参数数据，作为步骤(4)中所述预测模型的输入值，计算获得该时期设施作物的生长状态；若输出结果为好，则保持原温室内环境条件；若输出结果为坏，则通过生理主导参数与生长参数、环境主导参数与生理主导参数的正反作用关系，调节环境主导参数的数值，直至预测模型的输出结果为好。
针对不同设施作物获得预测模型后，即可用于指导该设施作物的苗期栽培，通过生理测定仪器(本发明实施例中提供的是便携式光合荧光系统)进行实时监测，获得一组生理参数值作为特征向量，输入至预测某一生长参数的预测模型中，模型给出针对该生长参数设施作物生长状态好或坏的输出结果。获得该输出结果后，若生长状态好，则无需进行环境条件的调整；若生长状态坏，则需要根据步骤(2)的A)中提及的生理主导参数与生长参数、环境主导参数与生理主导参数的正反作用关系，来上调或者下调环境参数值。
具体步骤举例说明如下：
第一步，判断是否需要进行环境调控，主要依据支持向量机模型的预测结果，如株高、叶面积、干重、鲜重4个参数中，针对特定的品种，必然有不同的重要性排序，如某品种的种苗是否健壮主要看干重，则以干重预测结果作为是否进行调控的依据。如果需要调控，则进行第二歩；如果不需要调控则等待下一采样周期再进入第一步判断。
第二歩，调控的方法是生成新的环境参数设定点组合，目的是通过调整环境参数对生理参数产生正作用影响。根据生理--生长、环境—生理典型相关关系分析结果，先确定生理主导参数的调整趋势(调大或调小)，然后根据环境参数与生理参数的正反关系调整环境参数，如果某环境参数对生理参数起正相关作用，则可将其调大，调整幅度(或调整步长)可根据实际情况和可控精度设定(如温度调整幅度可以为0.5度或1度)；反之则调小。所有主导环境参数均需要进行对应的调整。这样就可以获得一组新的环境参数设定点组合，用于指导环境调控。
第三步，在下一采样周期(如4小时后)，再次测量主导生理参数，并输入生长预测模型，重复第一、第二歩。
需要注意的是，由于利用典型权重分析获得的参数正反影响关系的准确性在理论和实际应用中尚待进一步考证，因此不能完全依靠其正反关系进行环境设定点的调整，需要再结合各个生理参数在实际应用中的意义综合考虑和纠偏。举例来说，光合作用较弱通常表明光照强度不足，如果典型权重分析结果显示光合作用与光照强度是反作用关系，则显然不符合常理，应修正为正作用关系，并在进行环境参数设定点重新生成时应调高光照强度参数设定值。
应用例1
本应用例以黄瓜(品种：津研四号)为研究对象，构建黄瓜苗期生长预测模型，预测黄瓜移栽10天后的种苗生长状况的好与坏，并根据预测结果，调控温室内的环境条件。
具体内容如下：
1、数据采集：获取构建预测模型所需的数据，分别为：环境参数数据、生长参数数据和生理参数数据。
供试黄瓜品种为津研四号。将预先浸种、发芽的黄瓜种子播于草炭/蛭石基质中，中并置于人工气候室内培养(光强为500μmol m-2s-1，昼/夜温度为26℃/18℃，相对湿度控制在80％，光周期12h，每两天进行水肥管理)。大约2周后待黄瓜进入指数生长期时，选取形态长势一致的幼苗时进行不同环境的处理。
通过选取环境参数的不同取值，组成不同的种苗培育环境条件组合，并对每种组合均进行种苗培育实验。环境参数的选取原则是避免严重逆境条件，尽量使组合中的环境参数在各自适度范围内合理分布。环境条件的组合总数原则上不低于15组，以便充分考察环境参数对作物生理参数和生长参数的影响情况。
选定环境参数组合后，在完全人工可控温室环境条件下(如密闭型人工光植物工厂)，按照各组环境参数组合设定具体环境参数数值，并使环境条件在相应时间段内保持稳定，开展9天的种苗生长实验，每个实验重复至少3次。选择足够数量的样本，对每个样本进行生理参数和生长参数进行测量。
环境参数为：日间温度、夜间温度、相对湿度、绝对湿度、二氧化碳浓度、光照强度、红光白光比率、蓝光白光比率。具体环境参数组合如表1所示。
表1黄瓜苗期温室内不同环境条件
生长参数为：株高、叶面积、鲜重和干重。
生理参数为：光合参数(净光合速率、气孔导度、胞间CO2浓度、蒸腾速率和蒸气压亏缺)；叶绿素荧光参数(开放光系统II中心激发能捕获效率、光系统II光合电子传递量子效率、二氧化碳同化量子效率、光化学淬灭系数、光系统II电子传递速率)。
具体测定方法如下：
(1)鲜重和干重：为破坏性测量，分别在环境处理前(第0天)及处理结束(第9天)的18:00左右，每个环境选取7株具代表性的黄瓜植株，称鲜重，再于105℃杀青2小时，然后在60℃下，烘干72小时后，称重得到干重。
(2)株高和叶面积：为非破坏性测量，在不同环境处理后0(处理当天)、3、6、9天18:00点左右进行测定，株高为植株茎基部子叶着生处到茎顶部之间的距离。
黄瓜叶面积参考Cho等的方法(“Estimation of individual leaf area,freshweight,and dry weight of hydroponically grown cucumbers(Cucumis sativus L.)using leaf length,width,and SPAD value”。Scientia Horticulturae,2007,111(4):330-334)环境参数组合中每个环境条件测定7株。
(3)光合参数和叶绿素荧光参数：光合参数和叶绿素荧光采用Li-6400(美国Li-Cor公司生产)便携式光合仪配合Li-6400-40荧光叶室进行同时测定，叶片温度、光强和CO2浓度分别均设定为植株生长的环境条件。光合作用参数分别测定了光饱和CO2净同化速率(Pn)、气孔导度(Gs)、胞间CO2浓度(Ci)、蒸腾速率(Tr)、以及蒸气压亏缺(Vpd)。荧光参数在测定光合作用的同时进行，分别测定了开放光系统II中心激发能捕获效率(Fv’/Fm’)、光系统II光合电子传递量子效率(ΦPSII)、二氧化碳同化量子效率(ΦCO2)、光化学淬灭系数(qP)和光系统II电子传递速率(ETR)。测定叶片均为上部第二片完全展开功能叶。每天上午(9时-11时)，每个处理测定7株。
通过上述实验共获取15个环境组合的数据。
2、数据筛选与预处理：对预测模型所需的数据进行筛选和预处理。
(1)从步骤1的实验数据中选取全部数据，将环境参数数据，生长参数数据和生理参数数据两两分组，对每组进行典型相关分析(Canonical Correlation Analysis)，从而确定环境参数中能够对生长参数产生主导影响的参数、生理参数中能够对生长参数产生主导影响的参数以及分析生理参数与生长参数、环境参数与生理参数之间的相互影响关系。
该应用例中，环境主导参数为日间温度、夜间温度、相对湿度、绝对湿度和光照强度；生理主导参数为光饱和CO2净同化速率、开放光系统II中心激发能捕获效率、光系统II光合电子传递量子效率、二氧化碳同化量子效率、光化学淬灭系数、光系统II电子传递速率和蒸腾速率。
(2)对环境主导参数和生理主导参数的数据进行“Z-score标准化”处理，并根据单个样本的生长参数值与样本生长参数均值的高低比较，对生长参数数据进行作物种苗生长状态的好坏分类，得到训练集和测试集；
其中，若单个样本生长参数值不低于样本生长参数均值，则定义作物生长状态为好，反之，则定义作物生长状态为坏；
用训练集和测试集进行后续模型的构建和测试，其中，训练集样本数量一般至少为测试集样本数量的2倍。
3、模型构建：
分别以训练集中的环境主导参数和生理主导参数作为特征向量，采用支持向量机算法训练模型，获得生理-生长预测模型和环境-生长预测模型。
4、模型校正：
采用测试集对生理-生长预测模型和环境-生长预测模型进行测试，比较两种模型的预测准确率；
若生理-生长预测模型预测准确率“Accuracy_Physiological”(％)与环境-生长预测模型预测准确率“Accuracy_Environmental”(％)之间的关系满足：Accuracy_Physiological–Accuracy_Environmental≥-5％，选择该生理-生长预测模型作为最终的预测模型；
反之，则重复步骤(2)、(3)，重新选择环境主导参数和生理主导参数进行数据预处理和模型训练，直至Accuracy_Physiological–Accuracy_Environmental≥-5％，选择该生理-生长预测模型作为最终的预测模型。
结果表明，以步骤(2)获得的生理主导参数和环境主导参数作为特征向量训练得到生理-生长预测模型与环境-生长预测模型的预测准确率差值小于5％，选择该生理-生长预测模型作为最终的预测模型。
Claims (6)
1.一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，其特征在于，包括以下步骤：
(1)数据采集：
在控制环境条件的情况下，对设施作物进行育苗栽培实验，采集不同环境参数值下设施作物的生长参数数据和生理参数数据，获得用于构建模型的样本数据库；
(2)数据筛选与预处理：
A)将样本数据库中环境参数、生长参数和生理参数的数据两两分组，对每组进行典型相关性分析，得到环境参数和生理参数中分别对生长参数起主导性影响的环境主导参数和生理主导参数，以及生理主导参数与生长参数、环境主导参数与生理主导参数的正反作用关系；
B)对环境主导参数和生理主导参数的数据进行标准化处理，并根据单个样本的生长参数值与样本生长参数均值的高低比较，对生长参数数据进行作物种苗生长状态的好坏分类，得到训练集和测试集；
其中，若单个样本生长参数值不低于样本生长参数均值，则定义作物生长状态为好，反之，则定义作物生长状态为坏；
(3)模型构建：
分别以训练集中的环境主导参数和生理主导参数作为特征向量，采用支持向量机算法训练模型，获得生理-生长预测模型和环境-生长预测模型；
(4)模型校正：
采用测试集对生理-生长预测模型和环境-生长预测模型进行测试，比较两种模型的预测准确率；
若生理-生长预测模型与环境-生长预测模型之间的预测准确率的关系满足：生理-生长预测模型–环境-生长预测模型≥-5％；选择该生理-生长预测模型作为最终的预测模型；
反之，则重复步骤(2)、(3)，重新选择环境主导参数和生理主导参数进行数据预处理和模型训练，直至生理-生长预测模型–环境-生长预测模型≥-5％，选择该生理-生长预测模型作为最终的预测模型。
2.如权利要求1所述的建立方法，其特征在于，所述环境参数为昼夜温度、相对湿度、绝对湿度、二氧化碳浓度、昼夜光照强度、红光/白光比率和蓝光/白光比率。
3.如权利要求1所述的建立方法，其特征在于，所述生理参数为光合作用参数和叶绿素荧光参数。
4.如权利要求3所述的建立方法，其特征在于，所述光合作用参数为净光合速率、气孔导度、胞间CO2浓度、蒸腾速率和蒸气压亏缺。
5.如权利要求3所述的调控方法，其特征在于，所述叶绿素荧光参数为开放光系统II中心激发能捕获效率、光系统II光合电子传递量子效率、二氧化碳同化量子效率、光化学淬灭系数和光系统II电子传递速率。
6.如权利要求1所述的建立方法，其特征在于，所述生长参数为株高、叶面积、鲜重和干重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710415970.1A CN107341734A (zh) | 2017-06-06 | 2017-06-06 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710415970.1A CN107341734A (zh) | 2017-06-06 | 2017-06-06 | 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 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107341734A true CN107341734A (zh) | 2017-11-10 |
Family
ID=60220296
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710415970.1A Pending CN107341734A (zh) | 2017-06-06 | 2017-06-06 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107341734A (zh) |
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108334139A (zh) * | 2018-03-01 | 2018-07-27 | 深圳春沐源控股有限公司 | 一种基于大数据的温室自动化控制的方法及系统 |
| CN108739052A (zh) * | 2018-06-01 | 2018-11-06 | 北京中环易达设施园艺科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
| CN108897979A (zh) * | 2018-05-11 | 2018-11-27 | 江南大学 | 温度对植物psii活动影响的评价方法 |
| WO2019127625A1 (zh) * | 2017-12-28 | 2019-07-04 | 江苏大学 | 一种预测温室茄果类作物同化产物产量的方法 |
| CN110321627A (zh) * | 2019-06-28 | 2019-10-11 | 西北农林科技大学 | 融合叶片光合潜能的光合速率预测方法 |
| CN110400170A (zh) * | 2019-07-10 | 2019-11-01 | 北京耕智农业科技有限公司 | 一种基于用户反馈数据调整作物供应的方法及装置 |
| CN110533264A (zh) * | 2019-09-12 | 2019-12-03 | 浙江大学 | 建筑性能评测方法 |
| CN111563759A (zh) * | 2020-06-24 | 2020-08-21 | 浙江天演维真网络科技股份有限公司 | 基于ai技术的农产品溯源过程的识别与分析系统 |
| CN114467410A (zh) * | 2022-02-21 | 2022-05-13 | 粤海永顺泰(广州)麦芽有限公司 | 一种啤酒大麦安全储存期数据库的建立方法及其应用 |
| CN114510098A (zh) * | 2022-01-28 | 2022-05-17 | 郑州信大捷安信息技术股份有限公司 | 一种生产环境调控方法与系统 |
| 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 |
| CN115443826A (zh) * | 2022-09-05 | 2022-12-09 | 江苏里下河地区农业科学研究所 | 一种用于健苗培育的精细化光调控方法及系统 |
| CN116258238A (zh) * | 2022-12-07 | 2023-06-13 | 嘉应学院 | 一种基于物联网的农作物管理系统 |
| TWI811565B (zh) * | 2020-09-15 | 2023-08-11 | 遠東科技大學 | 農業場域的智慧環控方法 |
| CN116663744A (zh) * | 2023-06-20 | 2023-08-29 | 宁夏中昊银晨能源技术服务有限公司 | 一种用于近零能耗建筑的能耗预测方法及系统 |
| CN117035164A (zh) * | 2023-07-10 | 2023-11-10 | 江苏省地质调查研究院 | 一种生态灾害物监测方法及系统 |
| CN118038447A (zh) * | 2024-02-04 | 2024-05-14 | 达州市农业科学研究院(达州市苎麻科学研究所、达州市薯类作物研究所) | 一种黄花组培苗高效炼苗方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102736596A (zh) * | 2012-06-11 | 2012-10-17 | 南京农业大学 | 基于作物信息融合的多尺度温室环境控制系统 |
| CN104376142A (zh) * | 2014-07-25 | 2015-02-25 | 浙江工业大学 | 一种结合作物虚拟生长模型的水稻株型定量控制方法 |
| CN105389452A (zh) * | 2015-12-31 | 2016-03-09 | 西北农林科技大学 | 基于神经网络的黄瓜全程光合速率预测模型及建立方法 |
| CN106406403A (zh) * | 2016-11-28 | 2017-02-15 | 吉林师范大学 | 一种基于增强现实的农业管控系统 |
| CN106408132A (zh) * | 2016-09-30 | 2017-02-15 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的作物产量预测方法及装置 |
-
2017
- 2017-06-06 CN CN201710415970.1A patent/CN107341734A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102736596A (zh) * | 2012-06-11 | 2012-10-17 | 南京农业大学 | 基于作物信息融合的多尺度温室环境控制系统 |
| CN104376142A (zh) * | 2014-07-25 | 2015-02-25 | 浙江工业大学 | 一种结合作物虚拟生长模型的水稻株型定量控制方法 |
| CN105389452A (zh) * | 2015-12-31 | 2016-03-09 | 西北农林科技大学 | 基于神经网络的黄瓜全程光合速率预测模型及建立方法 |
| CN106408132A (zh) * | 2016-09-30 | 2017-02-15 | 深圳前海弘稼科技有限公司 | 一种基于种植设备的作物产量预测方法及装置 |
| CN106406403A (zh) * | 2016-11-28 | 2017-02-15 | 吉林师范大学 | 一种基于增强现实的农业管控系统 |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019127625A1 (zh) * | 2017-12-28 | 2019-07-04 | 江苏大学 | 一种预测温室茄果类作物同化产物产量的方法 |
| CN108334139A (zh) * | 2018-03-01 | 2018-07-27 | 深圳春沐源控股有限公司 | 一种基于大数据的温室自动化控制的方法及系统 |
| CN108897979B (zh) * | 2018-05-11 | 2021-07-06 | 江南大学 | 温度对植物psii活动影响的评价方法 |
| CN108897979A (zh) * | 2018-05-11 | 2018-11-27 | 江南大学 | 温度对植物psii活动影响的评价方法 |
| CN108739052A (zh) * | 2018-06-01 | 2018-11-06 | 北京中环易达设施园艺科技有限公司 | 一种食用菌生长参数寻优的系统和方法 |
| CN110321627A (zh) * | 2019-06-28 | 2019-10-11 | 西北农林科技大学 | 融合叶片光合潜能的光合速率预测方法 |
| CN110321627B (zh) * | 2019-06-28 | 2022-10-14 | 西北农林科技大学 | 融合叶片光合潜能的光合速率预测方法 |
| CN110400170A (zh) * | 2019-07-10 | 2019-11-01 | 北京耕智农业科技有限公司 | 一种基于用户反馈数据调整作物供应的方法及装置 |
| CN110533264A (zh) * | 2019-09-12 | 2019-12-03 | 浙江大学 | 建筑性能评测方法 |
| CN110533264B (zh) * | 2019-09-12 | 2022-07-15 | 浙江大学 | 建筑性能评测方法 |
| CN111563759B (zh) * | 2020-06-24 | 2023-09-01 | 浙江天演维真网络科技股份有限公司 | 基于ai技术的农产品溯源过程的识别与分析系统 |
| CN111563759A (zh) * | 2020-06-24 | 2020-08-21 | 浙江天演维真网络科技股份有限公司 | 基于ai技术的农产品溯源过程的识别与分析系统 |
| TWI811565B (zh) * | 2020-09-15 | 2023-08-11 | 遠東科技大學 | 農業場域的智慧環控方法 |
| CN114510098A (zh) * | 2022-01-28 | 2022-05-17 | 郑州信大捷安信息技术股份有限公司 | 一种生产环境调控方法与系统 |
| CN114467410A (zh) * | 2022-02-21 | 2022-05-13 | 粤海永顺泰(广州)麦芽有限公司 | 一种啤酒大麦安全储存期数据库的建立方法及其应用 |
| 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 |
| CN115443826B (zh) * | 2022-09-05 | 2023-11-07 | 江苏里下河地区农业科学研究所 | 一种用于健苗培育的精细化光调控方法及系统 |
| CN115443826A (zh) * | 2022-09-05 | 2022-12-09 | 江苏里下河地区农业科学研究所 | 一种用于健苗培育的精细化光调控方法及系统 |
| CN116258238A (zh) * | 2022-12-07 | 2023-06-13 | 嘉应学院 | 一种基于物联网的农作物管理系统 |
| CN116663744A (zh) * | 2023-06-20 | 2023-08-29 | 宁夏中昊银晨能源技术服务有限公司 | 一种用于近零能耗建筑的能耗预测方法及系统 |
| CN117035164A (zh) * | 2023-07-10 | 2023-11-10 | 江苏省地质调查研究院 | 一种生态灾害物监测方法及系统 |
| CN117035164B (zh) * | 2023-07-10 | 2024-03-12 | 江苏省地质调查研究院 | 一种生态灾害物监测方法及系统 |
| CN118038447A (zh) * | 2024-02-04 | 2024-05-14 | 达州市农业科学研究院(达州市苎麻科学研究所、达州市薯类作物研究所) | 一种黄花组培苗高效炼苗方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Fourcaud et al. | Plant growth modelling and applications: the increasing importance of plant architecture in growth models | |
| US20220075344A1 (en) | A method of finding a target environment suitable for growth of a plant variety | |
| CN107329511A (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 | |
| 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 | |
| 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 | |
| CN111435260A (zh) | 植物生长环境参数监控及环境模拟系统 | |
| CN105389452A (zh) | 基于神经网络的黄瓜全程光合速率预测模型及建立方法 | |
| CN114139790A (zh) | 一种作物区域生产力预测方法、系统及装置 | |
| Wang et al. | Real-time monitoring of environmental information and modeling of the photosynthetic rate of tomato plants under greenhouse conditions | |
| Wang et al. | Simulating cucumber plant heights using optimized growth functions driven by water and accumulated temperature in a solar greenhouse | |
| CN105993720A (zh) | 一种日光温室基质袋培作物灌水量的模拟计算方法 | |
| 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 | |
| Raja Reddy et al. | Exploring the use of the environmental productivity index concept for crop production and modeling | |
| Bunpalwong et al. | Improving marigold agriculture with an IoT-driven greenhouse irrigation management control system | |
| AU2021103170A4 (en) | OCTOPIDER: A doorstep solution for Farmers | |
| Wang et al. | Optimal control of plant growth in a plant factory using a plant model | |
| JP7220881B1 (ja) | 灌水制御システム | |
| CN118469345B (zh) | 一种基于氮分配算法的水稻光合作用模拟方法、系统及装置 | |
| Chun et al. | A study on the design and operation method of plant factory using artificial intelligence | |
| Calzita et al. | Intelligent Aeroponic System for Real-Time Control and Monitoring of Lactuca Sativa Production | |
| Tamilvanan et al. | An irrigation system using fuzzy logical method for analyzing soil moisture | |
| Gertsis et al. | GOSSYM: a cotton crop simulation model as a tool for the farmer | |
| Arshad | Mapping simulated Bt cotton productivity in punjab under changing climate scnerios using odeling and GIS tools | |
| Wood et al. | Leaf-area index of Oak-Hickory Forest at Missouri Ozark (MOFLUX) site: 2007–2022 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for 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: 20171110 |