CN112083748B - 一种光质优先的设施光环境调控方法 - Google Patents

Abstract

一种光质优先的设施光环境调控方法，设施光环境包括光照强度和光质比，其高效益调控是指导设施作物高效生产的关键。本发明设计实验获取光合速率，利用机器学习构建光合速率预测模型；基于预测模型获取离散光响应曲线，计算曲线U弦长曲率最大点构建调控特征点集；以对光合速率影响较大的光质比为优先调控因素；完成其优化后，再计算效益最佳光强值，构建调控目标点集；利用支持向量机构建红、蓝光需光量模型。试验结果表明，红、蓝光需光量模型测试集决定系数分别为0.93和0.95。其调控效果相比于固定光质比调控有明显提升，且其光能需求仅为传统光饱和调控的36.4％，保证光合速率较高的前提下，减少了光能需求。

Description

一种光质优先的设施光环境调控方法

技术领域

本发明属于智能农业技术领域，特别涉及一种光质优先的设施光环境调控方法。

背景技术

在设施园艺环境中，光照、CO₂和温度是耦合影响作物净光合速率的三个最直接因素。其中光不仅是作物进行光合作用的主要能量来源，也对其生长发育具有重要的调控作用。相关研究表明，作物生长发育不仅与光照强度有关，也与光质比(红光占总光强的比例)密切相关。融合光质比进行设施光环境调控，可以在一定程度上优化调控效果，提升作物的光合能力和产量。

传统设施光环境调控研究多忽略了光质比对作物生长发育的影响，仅考虑光照强度对设施作物的影响，降低了光能利用效率。陈祥伟等考虑不同光质比组合对乌塌菜光合特性的影响，在一定程度上提高了作物光合速率，但其在固定光质比条件下，未能考虑设施环境温度、大气CO₂浓度等环境因素对作物光需求的耦合影响，限制了光环境调控精准度。随着现代农业科技的发展，人工智能算法在农业领域得到广泛应用，该问题得到了有效解决。张海辉等基于广义回归神经网络完成了耦合光照强度、温度以及CO₂浓度等因素的设施作物光合速率预测模型构建，但其仍未考虑光质比在光环境中的重要作用。胡瑾等基于回归型支持向量机(SVR)算法，融合温度、光强、光质等构建了光合速率预测模型，并利用粒子群算法搜索光合速率最大值点，作为调控目标，构建了设施光环境调控模型。但其未考虑优先调控影响光合速率的主要光环境因素，降低了调控效率；且以光合速率极值点为调控目标，会造成大量光能消耗，降低调控效益。

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光质优先的设施光环境调控方法，首先设计多因子嵌套实验，获取其光合速率数据，并基于SVR构建光合速率预测模型；其次实例化光合速率预测模型，并构建离散光响应曲线簇，基于U弦长曲率算法计算获取每条离散光响应曲线上最大曲率值点，以此构成光环境调控特征集；然后分析光环境调控特征集中影响光合速率最大的因素，以此为光环境优先调控因素，在完成该因素优化后，再基于U弦长曲率算法获取效益最优的光环境调控点，构建调控目标点集；最后，基于SVR以上述调控目标点集为样本，构建设施光环境需光量模型，实现设施光环境高效、精准调控。

为了实现上述目的，本发明采用的技术方案是：

一种光质优先的设施光环境调控方法，包括如下步骤：

步骤1，设计多因子嵌套试验，获取作物光合速率数据，并基于回归型支持向量机算法(SVR)构建以CO₂浓度、温度、光质比和光照强度为输入，以净光合速率为输出的光合速率预测模型；

步骤2，基于所述光合速率预测模型，在不同的温度和CO₂浓度条件下分别构造光照强度和光质耦合的光合响应曲面，将每个曲面离散化为不同光质下的离散光响应曲线簇；基于U弦长曲线算法计算获取各条离散光响应曲线上离散点的曲率，并完成曲率最大值搜索，获得曲率最大值点，即为曲线调控特征点，各曲线调控特征点构成调控特征点集；

步骤3，基于所述曲线调控特征点集，选择光质比作为光环境优先调控因素，进行光环境最佳光质比优化，之后在最佳光质比条件下，再利用U弦长曲率法计算最佳效益时的光照强度，并分别计算红、蓝光需光量；

步骤4，基于各温度和CO₂浓度条件下的红、蓝光需光量，利用SVR算法分别建立红、蓝光需光量模型，利用该需光量模型进行光环境调控。

所述步骤2中构造光合响应曲面时，设置温度实例化梯度为：18、20、22、24、26、28、30、32、34℃；设置CO₂浓度实例化梯度为400、500、600、700、800、900、1000μmol·mol^-1；模型实例化构造光合响应曲面后，取光质离散步长为0.05，光强离散步长为1μmol·m^-2·s^-1，离散化所述光合响应曲面，构造一系列光响应曲线簇。

所述步骤2中曲率计算前先对光合速率和光照强度各数据做线性归一化处理，使其保持同一数量级，避免曲率值波动；然后由输入参数U确定离散光响应曲线各曲率待求点P_i的支持领域，最后计算支持领域前后臂矢量夹角的余弦值即为U弦长曲率。

所述曲率待求点P_i的前后支持领域边界点为P_j与P_f，自P_i点向后遍历，直到点P_j ^-满足条件||P_j ^-P_i||<U，且其后一个点P_j ⁺满足条件||P_j ⁺P_i||>U，则支持领域前边界点P_j在点P_j ^-与P_j ⁺之间，其坐标满足:

其中，u为系数，且0<u<1；

与

分别为点P_j,P_j ^-与P_j ⁺的坐标向量；

再根据点P_j与点P_i的欧氏距离||P_jP_i||＝U，计算得到系数u，从而得到点P_j的坐标；以相同的方式计算得到支持领域后边界点P_f，从而确定曲率待求点P_i的支持领域，通过离散曲率计算获得曲率待求点P_i的U弦长曲率为：

其中，s_i＝sign[(x_i-x_j)(y_f-y_j)-(x_f-x_j)(y_i-y_j)]，表明曲率值的符号；

分别表示点P_j、P_i和P_f的坐标；D_i＝||P_jP_f||，是P_j和P_f点间的欧氏距离。

所述步骤3中，分析曲线调控特征点集中光质比和光照强度的变化，绘制特征点集中各温度和CO₂浓度条件下的光质比、光照强度和光合速率的分布箱线图，探寻造成光合速率差异的主要光照因素(光质比和光照强度)，选择箱线图跨度大，差异明显的因素即光质比，以该因素为优先优化目标，在完成其优化基础上，再优化另一因素即光照强度，以此获取不同温度和CO₂浓度下的光调控目标值。

分析出光质比为影响光合速率的主要因素，则优先完成光质比优化，通过三次样条回归，完成曲线调控特征点集中不同温度和CO₂浓度条件下光质与光合速率的拟合，对拟合曲线寻优，采用全局牛顿法获得光合速率最大条件下的光质比，即为该温度和CO₂浓度条件下的最优光质比。

根据最优光质比和温度、CO₂浓度条件，代入光合速率预测模型，计算当前条件的光响应曲线，再利用U弦长曲率算法计算曲线上各点曲率，采用顺序搜索的方式寻找曲率最大值点，即为相应环境与光质比条件下的目标调控光强，在此基础上，计算特定温度和CO₂浓度条件下最佳红光和蓝光需求量，公式如下所示：

PPFD_r＝PPFD·LQ

PPFD_b＝PPFD·(1-LQ)

式中，PPFD_r为红光需求量；PPFD_b为蓝光需求量；PPFD为最佳调控光强；LQ为最佳调控光质比，上述所有温度、CO₂浓度条件下的红、蓝光需光量构成光合速率调控目标集。

将各维度数据归一化，以温度和CO₂浓度为输入，分别以对应的红光和蓝光需求量为输出，基于SVR算法，分别完成设施光环境高效调控的红光和蓝光需光量模型构建，对比传统光合最优调控方法，证明本发明是设施光环境的高效调控方法。

与现有技术相比，本发明的效益是：

1)在实例化光合速率预测模型和离散化光合响应曲面基础上，计算获取光环境调控特征点集，并分析其中影响光合速率较大的光环境因素为光质比，由此确定了基于三次样条回归和全局牛顿法的光质优先调控方案，提升光环境调控效率。

2)完成最佳光质比优化后，在相应温度和CO₂浓度条件下构造光响应曲线，再利用U线程曲率算法计算曲线最大U弦长曲率点，以此作为光环境调控目标点并将所有调控目标点构成调控目标点集，有效避免了传统饱和点补光造成的光照资源浪费，实现高效益调控。

3)基于调控目标点集的环境数据和红、蓝光需光量数据，基于SVR算法分别建立红、蓝光调控需光量模型。该模型可动态完成不同环境下，效益最优的光照强度和光质比计算，提高了设施补光的经济效益，为设施农业与农业经济发展奠定基础。

附图说明

图1是本发明调控方法整体流程图。

图2是基于回归型支持向量机的光合速率预测模型流程图。

图3是本发明实施例离散光响应曲线上曲率待求点P_i的支持领域。

图4是本发明实施例全局牛顿法流程图。

图5是是本发明实施例光合速率试验部分结果图，其中图(a)和(b)分别是温度为24℃时700μmol·mol^-1和1000μmol·mol^-1CO₂浓度下各光质对应的光响应曲线；图(c)和(d)分别是温度为30℃时700μmol·mol^-1和1000μmol·mol^-1CO₂浓度下各光质对应的光响应曲线。

图6是本发明实施例模型拟合效果，其中图(a)、(b)和(c)分别为SVR、随机森林和非线性回归算法真实光合速率和预测光合速率拟合图。

图7是本发明实施例部分光响应曲线及其特征点，其中图(a)、(b)、(c)和(d)的温度与CO₂浓度环境分别为24℃、700μmol·mol^-1，24℃、1000μmol·mol^-1，30℃、700μmol·mol^-1和30℃、1000μmol·mol^-1。

图8是本发明实施例部分特征点集点箱线图，其中图(a)、(b)、(c)和(d)的温度与CO₂浓度环境分别为24℃、700μmol·mol^-1，24℃、1000μmol·mol^-1，30℃、700μmol·mol^-1和30℃、1000μmol·mol^-1。

图9是本发明实施例各环境下最佳光质比结果，其中图(a)、(b)和(c)的CO₂浓度条件分别为400μmol·mol^-1、700μmol·mol^-1和1000μmol·mol^-1。

图10是部分环境下红、蓝光需光量，其中图(a)、(b)和(c)的CO₂浓度条件分别为400μmol·mol-1、700μmol·mol-1和1000μmol·mol^-1。

图11是本发明实施例中黄瓜光环境调控模型，其中图(a)为红光调控目标值模型；图(b)为蓝光调控目标值模型。

图12是本发明实施例中部分黄瓜气孔导度变化，其中图(a)是温度为21℃光质比为0.4时部分气孔导度状态；图(b)是温度为30℃光质比为0.5时部分气孔导度状态。

图13是传统饱和点调控方法与本发明调控方法调控效果。

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。

本发明一种光质优先的设施光环境调控方法，可实现不同设施温度、CO₂浓度条件下光质优先的光环境高效调控，其包括如下步骤：

步骤1，设计实验并构建光合速率预测模型。

1.1、实验设计

以黄瓜为例，针对长势一致的三叶一心黄瓜幼苗，设计多因子嵌套实验，获取其光合速率数据，具体试验材料与数据如下：

本试验于2019年12月——2020年1月上旬在陕西省杨凌区西北农林科技大学北校区的农业农村部农业物联网重点实验室(北纬34°07′39″，东经107°59′50″，海拔648米)进行，供试的黄瓜品种为“博耐14-3”。采用基质栽培于MD1400组合式人工气候箱(丹麦)中进行试验，设置人工气候箱环境为：昼夜光周期为14、10h；昼夜温度为25、16℃；昼、夜空气相对湿度为60％、50％；CO₂浓度为400μmol·mol^-1。培养期间不喷洒任何农药，进行统一浇水管理。待黄瓜幼苗生长至三叶一心后，对第三叶位进行荧光检测和光合速率测试试验。试验开始前，首先利用MINI-PAM-Ⅱ超便携式调制叶绿素荧光仪(WALZ公司，德国)选取Fv/Fm基本一致的样本，然后利用LI-6800型便携式光合速率测试仪(LI-COR公司，美国)测试不同环境耦合下的叶片光合速率值。

本试验以叶绿素荧光仪测试叶片暗荧光参数F_v/F_m，用以表征叶片状态，并选择第三叶位暗荧光参数相同或相近的黄瓜幼苗90株展开光合速速率测试试验。试验叶片需以暗适应叶片夹在荧光数据待采集部位进行20min充分暗适应，然后打开暗适应叶片夹挡光板，在测量光(波长470nm，光强0.05μmol·m^-2·s^-1)下采集试验样本最小荧光参数Fo，之后以饱和脉冲光(波长470nm，光强6000μmol·m^-2·s^-1)照射试验样本300ms，获取最大荧光参数F_m。根据试验样本F_o和F_m可以计算叶片PSII最大光能转换效率F_v/F_m＝(F_m-F_o)/F_m。

本发明选择与植物光合速率显著相关的外部环境因素——温度、CO₂浓度及光照强度和光质设计光合速率嵌套试验，并在暗荧光参数F_v/F_m相同的黄瓜幼苗第三叶位采集数据。试验采用LI-6800型便携式光合速率测试仪测定不同环境嵌套条件下样本叶片的净光合速率，于每天于9:00-17:30期间进行试验。试验中，设定荧光叶室光照强度梯度为：0、30、75、150、200、300、500、600、700、800、1000、1200、1400、1600、1800μmol·m^-2·s^-1；CO₂浓度梯度为：300、700、1000μmol·mol^-1；温度梯度为：18、21、24、27、30、33℃；光源光质梯度为：0.1、0.3、0.4、0.5、0.6、0.7、0.9；叶室相对湿度为50％，叶室流量为500μmol·mol^-1，风扇转速为10000r·min^-1。试验共获得黄瓜幼苗光合速率数据1890组。试验整体流程如图1所示。

1.2、构建光合速率预测模型

在设施作物光合速率预测模型研究中，回归型支持向量机算法(SVR)得到广泛应用。本发明基于试验所得光合速率数据，以CO₂浓度、温度、光质比和光照强度为输入，净光合速率为输出，构建多环境因子耦合的黄瓜光合速率预测模型。具体建模过程如图2所示。

首先需对不同维度样本数据分别作线性归一化处理，使各维度数据处于同一个数量级，避免因数据差异过大导致样本不均衡。对归一化后的样本数据以4：1的比例划分模型训练集与预测集，其中第i个样本的输入为X_i＝(x_i ⁽¹⁾,x_i ⁽²⁾,x_i ⁽³⁾,x_i ⁽⁴⁾)，输出为Pn_i。x_i ⁽¹⁾,x_i ⁽²⁾,x_i ⁽³⁾,x_i ⁽⁴⁾分别为第i个样本外界环境的CO₂浓度、温度、光质比和光照强度，Pn_i为第i个样本的光合速率。径向基函数具有复杂度不随参数变化而变化的特点，将其作为核函数，可将低维空间数据映射到高维空间。在高维空间，非线性问题即可转化为线性问题，便于获取支持向量，最后SVR根据支持向量确定最终回归超平面。在模型构建中，核函数参数g与惩罚系数c对模型误差有较大耦合影响，其中，g影响核函数形态和支持向量数量而c影响模型复杂度与经验风险。根据网格验证法多次训练的结果，可以获得参数c为40，g为5时，模型效果最佳。训练获取最终光合速率预测模型为：

式中，

为核函数；

X——待变换样本，X^p——核函数中心；

α_i——求解过程中的拉格朗乘子；

b——模型偏置项

步骤2，实例化光合速率预测模型，在一系列不同的温度和CO₂浓度条件下分别构造光照强度和光质耦合的光合响应曲面。然后将每个曲面离散化为不同光质下的离散光响应曲线簇。

具体地，在一系列不同的温度和CO₂浓度条件下，实例化光合速率预测模型，可构造光照强度和光质耦合的光合响应曲面。设置温度实例化梯度为：18、20、22、24、26、28、30、32、34℃；设置CO2浓度实例化梯度为400、500、600、700、800、900、1000μmol·mol-1，则共可构造63个光合响应曲面。

以0.05的光质离散步长，可将每个光合响应曲面离散化为20条不同光质下的光响应曲线簇；对每条光响应曲线以光照强度步长为1μmol·m-2·s-1离散化，可获得离散光响应曲线簇。

步骤3，基于U弦长曲线算法计算获取各条离散光响应曲线上离散点的曲率，并完成曲率最大值搜索，获得曲率最大值点，即为曲线调控特征点，各曲线调控特征点构成调控特征点集；其中光合速率调控特征点指的是随着光强的升高，光合速率在达到饱和之前的快速升高和缓慢增长两个阶段的转折点。

具体地，对于离散曲线上某点，其曲率由该点前后的支持领域确定，支持领域则通过给定的弦长U来确定。在曲率计算前，先对离散曲线的光合速率和光照强度分别做线性归一化处理，使其保持同一数量级，避免曲率值波动；然后由输入参数U确定离散曲线上点Pi的支持领域，最后计算支持领域前后臂矢量夹角的余弦值即为离散曲率，如图3所示。

假设曲率待求点P_i的前后支持领域边界为点P_j与点P_f。为准确找到该边界点，先自P_i点向前遍历，直到点P_j ^-满足条件||P_j ^-P_i||<U，且其后一个点P_j ⁺满足条件||P_j ⁺P_i||>U。那么点P_i的前支持领域边界点P_j就在点P_j ^-与P_j ⁺之间，其坐标满足:

其中，u为系数，且0<u<1；

与

分别为点P_j,P_j ^-与P_j ⁺的坐标向量。

再根据点P_j与点P_i的欧氏距离||P_jP_i||＝U，可以计算得到系数u，获得点P_j的坐标。以相同的方式可以计算后支持领域边界点P_f，从而确定点P_i的支持领域。完成支持领域获取后，可计算点P_i的U弦长曲率为：

其中，s_i＝sign[(x_i-x_j)(y_f-y_j)-(x_f-x_j)(y_i-y_j)]，表明曲率值的符号；

分别表示点P_j、P_i和P_f的坐标；D_i＝||P_jP_f||，是P_j和P_f点间的欧氏距离。

离散曲线各点U弦长曲率计算完成后，通过顺序搜索即可得到曲率最大值点，该点即曲线调控特征点。根据2.3.1中温度、CO₂浓度条件，可以得到不同条件下各光质比对应的光响应曲线U弦长曲率最大点共490个，构成调控特征集。

步骤4，基于曲线调控特征点集，选择光环境优先调控因素。

为探寻调控特征点集中，造成光合速率差异的主要光照因素(光质比或光照强度)，并在后续光调控模型构建中，以该因素为主要优化目标。通过绘制特征点集中各温度和CO₂浓度条件下的光质比、光照强度和光合速率的分布箱线图，分析光质比和光照强度的变化大小，选择箱线图跨度大，差异明显的因素作为主要因素，即优先优化目标。实验发现该主要因素为光质比，以该因素为优先优化目标，在完成其优化基础上，再优化另一因素即光照强度，以此获取不同温度和CO₂浓度下的光调控目标值。

为获取最优光质比条件，先通过三次样条回归算法完成调控特征集中不同温度和CO₂浓度条件下的光质与光合速率的拟合。再利用全局牛顿法对拟合曲线寻优，获得光合速率最大条件下的光质比，即为该温度和CO₂浓度条件下的最优光质比。全局牛顿法收敛速度快，具有全局二阶收敛性，适合三次样条函数寻优，其算法流程如图4所示。

步骤5，根据最优光质比和温度、CO₂浓度条件，基于光合速率预测模型计算获取光响应曲线。离散化该曲线后，再利用U弦长曲率算法计算曲线上各点曲率，采用顺序搜索的方式寻找曲率最大值点，即所在温度、CO₂浓度条件下，最优光质比对应的调控特征点，该点的光照强度为调控目标光强。在此基础上，计算特定温度和CO₂浓度条件下最佳红光和蓝光需求量，公式如下所示：

PPFD_r＝PPFD·LQ (4)

PPFD_b＝PPFD·(1-LQ) (5)

式中，PPFD_r为红光需求量；PPFD_b为蓝光需求量；PPFD为最佳调控光强；LQ为最佳调控光质比。

上述所有温度、CO₂浓度条件的红、蓝光需光量构成光合速率调控目标集。

步骤6，基于调控目标集，将其各维度数据归一化，以温度和CO₂浓度为输入，分别以对应的红光和蓝光需求量为输出，构建黄瓜红光和蓝光需求量样本集，将两样本集按照4:1的比例随机划分为训练集数据和测试集数据，再次基于SVR算法，分别完成红光和蓝光调控需光量模型构，并调用测试集数据对所得模型的泛化能力进行评价建，完成训练之后即可利用该需光量模型进行光环境调控，对比传统光合最优调控方法，证明本发明是设施光环境的高效调控方法。

采用本发明方法的光合速率试验结果：

温度、CO₂浓度、光照强度和光质比耦合的光合速率试验部分结果如图5所示，光合速率受光照直接影响，同时也收到温度和CO₂浓度影响。参考图5中(a)、(b)、(c)、(d)，图中每条光响应曲线在600μmol·m^-2·s^-1的光强左右时存在明显转折。当光强处于0-600μmol·m^-2·s^-1区间内，光合速率随着光照强度的增加迅速上升，提供少量光照资源可大幅提升作物光合速率；当光强处于600μmol·m^-2·s^-1以上区间，光合速率随着光照强度的增加缓慢变化，即使提供大量光照资源也难以提升作物光合速率。不同条件下光响应曲线形态存在差异，曲线转折点具体位置也不一致。因此，探寻光响应曲线中光合速率由快速增加到缓慢上升的特征点，是高效补光的关键。

采用本发明方法的光合速率预测结果：

为验证SVR算法的建模效果，本文选择随机森林(RF)算法和非线性回归(NLR，四元三次多项式回归)算法对相同处理的训练集数据进行回归拟合。并对比模型性能，其结果如表1所示。其中SVR模型决定系数最高，为0.9990；且其最大绝对误差与均方根误差均为最低，分别为0.6214μmol·m^-2·s^-1和0.0478μmol·m^-2·s^-1，这表明采用SVR算法进行光合模型构建具有优势。

表1三种模型的拟合度和均方根误差对比

为进一步验证光合速率预测模型对未知数据的预测性能，采用异校验方法，利用预测集数据计算其决定系数与均方根误差，结果SVR模型决定系数最大且均方根误差最小，分别为0.9974和0.1294μmol·m^-2·s^-1。模型对预测样本的预测值与真实值拟合结果如图6所示，参考图6中(a)、(b)、(c)，其中SVR模型斜率为1.0015，最近似为1，截距为0.0223，最接近于0，说明该模型结果精确且泛化能力强，其对未知数据的预测结果与真实值相关性高。

采用本发明方法的光环境调控特征：

对光响应曲线转折点的获取是设施光环境高效调控的基础，在特定环境下，基于U弦长曲率算法可计算该点具体位置。以温度为24和30℃，CO₂浓度为700和1000μmol·mol^-1时，各光质对应的光响应曲线转折特征点为例，展示各曲线U弦长曲率最大特征点获取结果，如图7所示。

由图7中(a)、(b)、(b)、(d)，可以发现，光响应曲线的U弦长曲率最大值点对应于曲线光合速率变化转折点。该点以前，光照强度的变化对光合速率影响较大，而该点以后这种影响明显减弱，光照强度的增长几乎不会引起光合速率的上升。当设施光环境的光照强度大于曲率最大值点光照强度时，补施光照仅能促进光合少量提高，造成补施效益低下。在不同温度和CO₂浓度条件下，基于U弦长曲率算法计算一系列光响应曲线的曲率最大点共490个，构成了光环境调控特征点集。

本发明光环境调控目标：

1、最佳光照因素

调控特征集中各点净光合速率差异明显，为探寻造成曲率最大点净光合速率差异的主要光环境原因，绘制了特征集中各温度和CO₂浓度条件下的光质比、光照强度和光合速率的分布箱线图，部分结果展示如图8所示。

由图8中(a)、(b)、(b)、(d)可知，不同环境条件下，各光环境调控特征点的光合速率箱线图跨度较大，差异明显，且光质箱线图范围明显大于光强箱线图。即光环境调控特征点集的光照强度分布较为集中，而光质比分布差异较大，因此引起光环境调控特征点集净光合速率变化的主要原因是光质比不同。在特定温度和CO₂浓度条件下的最佳光环境计算中，应优先考虑优化当前环境的最佳光质比。

2、最佳光质

在调控特征点集中，基于三次样条回归计算不同的温度和CO₂浓度条件下光质比与光合速率的拟合关系曲线。通过三次样条回归计算出调控特征点集中光质比与光合速率函数后，基于全局牛顿法可获取函数最大值，即不同温度和CO₂浓度条件下的最佳光质比，部分结果如图9所示，参考图9中(a)、(b)、(b)可知，在不同环境条件下，黄瓜光合所需要的的最佳光质比差异明显，故光质动态调控是光环境精准调控的基础。

3、调控目标点集

根据温度、CO₂浓度和最佳光质比条件，完成调控目标光强计算。其部分结果如图10所示，参考图10中(a)、(b)、(b)，不同条件下的红、蓝光需光量差异显著。上述所有温度、CO₂浓度条件下的红、蓝光需光量构成调控目标集。

4、调控模型结果

调控目标集共获得目标红光、蓝光以及对应环境数据63组，基于此分别训练红、蓝光需光量模型。先将调控目标集各维度数据归一化，再利用SVR算法可构建不同环境下黄瓜红、蓝光需光量的动态模型，即为设施光环境调控目标值模型，如图11所示。

如图11中(a)、(b)所示，随着环境中CO₂浓度增加，黄瓜所需红光越来越多，需要蓝光越来越少。当CO₂浓度较低时，红光需求量随着温度增加呈先增加后减少的趋势，蓝光需求量随着温度的增加呈先减少后增加趋势；当CO2浓度较高时，随着温度的增加，黄瓜光合所需要的红光不断增加，所需要的蓝光不断减少。为验证模型有效性，分别计算红、蓝光目标值模型在训练集和测试集的决定系数与均方根误差，如表2所示，模型精度较高，泛化能力较强。

表2调控模型拟合情况

5、光合作用生理

环境中CO₂的浓度会影响作物叶片的气孔导度，进而导致其光合发生变化。李菲等研究了CO₂浓度高低对大豆叶片气孔的影响，结果发现，当环境CO₂浓度升高时，作物叶片的气孔导度会下降。为了进一步探究CO₂浓度对作物气孔的影响，对比了在不同CO₂浓度下黄瓜的气孔导度，结果如图12所示。

由图12中(a)、(b)可知，在其他环境条件相同时，随着CO₂浓度的增加，黄瓜叶片的气孔导度减小。进一步说明黄瓜在低CO₂浓度时会打开自身的气孔，更好地吸收CO₂，进行光合作用；当CO₂浓度升高时，黄瓜叶片会关闭一部分气孔，调节自身的光合作用。研究证明，补充蓝光可以促进作物叶片气孔打开。在红光下叶片的气孔导度、光系统Ⅱ活性等明显降低，补充蓝光可以保持叶片的光系统Ⅱ活性、驱动光合。除此之外，蓝光可以快速地并且可逆地调节气孔孔径，从而改变作物的气孔导度。且在低浓度CO₂和蓝光的作用下，CBC(包括CBC1和CBC2两种激酶)可整合CO₂和蓝光信号，促进气孔打开。故当环境中CO₂浓度增大时，作物会通过关闭气孔调节光合，此时所需要的蓝光也会减少，即光质比增加；当环境中CO₂浓度较低时，作物会打开自身气孔，此时所需要的蓝光会增加，即光质比减小。

温度、光照强度等环境条件也会影响作物叶片的气孔导度，当环境温度较高时，作物叶片的蒸腾作用变强，通过关闭气孔等进行调节可防止自身水分散失，此时黄瓜叶片光合所需要的蓝光减少，光质比增加。作物对红、蓝光的需求可能还与多种酶的活性与植物激素等紧密相关，是多种因素耦合影响导致的。因此光质与光强的耦合动态调控是设施环境高效补光的关键。

6、光质比调控方法

环境温度和CO₂浓度会影响黄瓜光合，且在不同的环境条件下，黄瓜生长发育对光照强度和光质比的需求有所不同。故研究耦合考虑影响黄瓜光合的多种因素建立光合速率预测模型，然后寻优获取不同条件下的光环境调控最佳点并进行光照强度和光质比的动态调控。为了验证本文光环境动态优化调控方法的优势，参考相关研究结论，在几种特定的环境条件下，将动态寻优得到的调控点与其他设施农业常用光质比结果进行对比，结果如表3所示。

表3不同光质比对应的曲率最大点

由表3可知，基于U弦长曲率法和三次样条回归动态优化到的光环境调控点，其光合速率明显高于其他几种设施农业常用光质比寻优结果对应，且调控光强之间的差异较小。故使用本发明调控方法进行光质比的动态调控，可以显著提升黄瓜的光合能力，促进黄瓜生长发育，从而有效提高黄瓜的产量。

7、光照强度调控方法

如图5所示，在作物的光响应过程中，随着光照强度的增加，其光合速率先快速上升，后缓慢变化至光饱和点。在光饱和点之后，当光照强度继续增加时，作物发生光抑制现象，其光合速率会出现下降。传统设施环境调控研究多选取饱和点作为调控目标，保证作物光合速率最优，但该方法消耗的生产资源较多，调控效益低。

根据光响应曲线光合速率变化趋势，其在快速升高和缓慢增长两个阶段的转折点可作为光合速率调控特征点。该点以后的光合变化缓慢，调控效益低；该点以前光合变化较快，调控效益高。在离散响应曲线中，可借助U弦长曲率算法准确获取该点。因此在光环境调控，以曲率最大点代替光饱和点作为调控目标，可以在保证作物光合速率未明显降低的前提下，大量减少设施补光所消耗的光照资源，实现高效、节能补光。为了验证本文光环境调控方法的优势，在一系列环境条件下，对比以传统光饱和点为调控目标的需光量和调控后的光合速率结果，如图13所示。

图13中传统饱和点光强远高于本研究曲率最大值点光强，但是其光合速率并无明显降低。去除离群点后，从归一化后的总需光量来看，本研究方法需光量总体在0.30-0.42之间，而传统饱和点需光量介于0.89-0.99之间。从中值看，饱和点需光量为0.99而本研究总体需光量仅为0.36，是饱和调控方法的36.4％，因而传统光饱和调控方式较本方法消耗大量光能。从调控后的光合速率结果看，本研究方法的光合速率调控结果分布在0.24-0.85区间，而饱和调控结果分布在0.30-0.98之间。从中值看，饱和调控的光合速率为0.72，而本研究为0.57，仅降低20.8％。故而本研究可以在维持较高光合速率的前提下，极大降低光能消耗。

结果表示，黄瓜光合速率预测模型在训练集和测试集上的决定系数分别为0.9990和0.9974，均方根误差分别为0.0478和0.1294μmol·m^-2·s^-1；红光目标值调控模型训练集和测试集数据的决定系数分别为0.9033和0.9329；蓝光目标值调控模型训练集和测试集的决定系数分别为0.9257和0.9497，表明光合速率预测模型精度较高且泛化能力较强，可反映数据的变化情况。对比传统设施农业中常见的固定光质比补光，光质动态寻优可显著提高作物的光合能力。以光响应曲线的曲率最大点作为调控点，其光能需求为传统光饱和调控的36.4％，而光合速率仅降低20.8％，在保证光合速率较高的前提下，极大减少了光能需求。

因此，本发明不仅对作物生长发育具有重要意义，也提高了设施补光的经济效益，为设施农业与现代农业经济发展奠定基础。

Claims (7)

1.一种光质优先的设施光环境调控方法，其特征在于，包括如下步骤：

步骤1，设计多因子嵌套试验，获取作物光合速率数据，并基于回归型支持向量机算法(SVR)构建以CO₂浓度、温度、光质比和光照强度为输入，以净光合速率为输出的光合速率预测模型；

步骤2，基于所述光合速率预测模型，在不同的温度和CO₂浓度条件下分别构造光照强度和光质耦合的光合响应曲面，将每个曲面离散化为不同光质下的离散光响应曲线簇；基于U弦长曲线算法计算获取各条离散光响应曲线上离散点的曲率，并完成曲率最大值搜索，获得曲率最大值点，即为曲线调控特征点，各曲线调控特征点构成调控特征点集；

步骤3，基于所述调控特征点集，选择光质比作为光环境优先调控因素，进行光环境最佳光质比优化，之后在最佳光质比条件下，再利用U弦长曲率法计算最佳效益时的光照强度，并分别计算红、蓝光需光量；

步骤4，基于各温度和CO₂浓度条件下的红、蓝光需光量，利用SVR算法分别建立红、蓝光需光量模型，利用该需光量模型进行光环境调控。

2.根据权利要求1所述光质优先的设施光环境调控方法，其特征在于，所述步骤2中构造光合响应曲面时，设置温度实例化梯度为：18、20、22、24、26、28、30、32、34℃；设置CO₂浓度实例化梯度为400、500、600、700、800、900、1000μmol·mol^-1；模型实例化构造光合响应曲面后，取光质离散步长为0.05，光强离散步长为1μmol·m^-2·s^-1，离散化所述光合响应曲面，构造一系列光响应曲线簇。

3.根据权利要求1所述光质优先的设施光环境调控方法，其特征在于，所述步骤2中曲率计算前先对光合速率和光照强度各数据做线性归一化处理，使其保持同一数量级，避免曲率值波动；然后由输入参数U确定离散光响应曲线各曲率待求点P_i的支持领域，最后计算支持领域前后臂矢量夹角的余弦值即为U弦长曲率；其中，所述曲率待求点P_i的前后支持领域边界点为P_j与P_f，自P_i点向后遍历，直到点P_j ^-满足条件||P_j ^-P_i||<U，且其后一个点P_j ⁺满足条件||P_j ⁺P_i||>U，则支持领域前边界点P_j在点P_j ^-与P_j ⁺之间，其坐标满足:

其中，u为系数，且0<u<1；

与

分别为点P_j,P_j ^-与P_j ⁺的坐标向量；

再根据点P_j与点P_i的欧氏距离||P_jP_i||＝U，计算得到系数u，从而得到点P_j的坐标；以相同的方式计算得到支持领域后边界点P_f，从而确定曲率待求点P_i的支持领域，通过离散曲率计算获得曲率待求点P_i的U弦长曲率为：

其中，s_i＝sign[(x_i-x_j)(y_f-y_j)-(x_f-x_j)(y_i-y_j)]，表明曲率值的符号；

分别表示点P_j、P_i和P_f的坐标；D_i＝||P_jP_f||，是P_j和P_f点间的欧氏距离。

4.根据权利要求1所述光质优先的设施光环境调控方法，其特征在于，所述步骤3中，分析调控特征点集中光质比和光照强度的变化，绘制特征点集中各温度和CO₂浓度条件下的光质比、光照强度和光合速率的分布箱线图，探寻造成光合速率差异的主要光照因素光质比和光照强度，选择箱线图跨度大的因素即光质比，以光质比为优化目标，在完成其优化基础上，再优化另一因素即光照强度，以此获取不同温度和CO₂浓度下的光调控目标值。

5.根据权利要求1所述光质优先的设施光环境调控方法，其特征在于，通过三次样条回归，完成调控特征点集中不同温度和CO₂浓度条件下光质与光合速率的拟合，对拟合曲线寻优，采用全局牛顿法获得光合速率最大条件下的光质比，即为该温度和CO₂浓度条件下的最优光质比。

6.根据权利要求1所述光质优先的设施光环境调控方法，其特征在于，根据最优光质比和温度、CO₂浓度条件，代入光合速率预测模型，计算当前条件的光响应曲线，再利用U弦长曲率算法计算曲线上各点曲率，采用顺序搜索的方式寻找曲率最大值点，即为相应环境与光质比条件下的目标调控光强，在此基础上，计算特定温度和CO₂浓度条件下最佳红光和蓝光需求量，公式如下所示：

PPFD_r＝PPFD·LQ

PPFD_b＝PPFD(1-LQ)

式中，PPFD_r为红光需求量；PPFD_b为蓝光需求量；PPFD为最佳调控光强；LQ为最佳调控光质比，上述所有温度、CO₂浓度条件下的红、蓝光需光量构成光合速率调控目标集。

7.根据权利要求6所述光质优先的设施光环境调控方法，其特征在于，将各维度数据归一化，以温度和CO₂浓度为输入，分别以对应的红光和蓝光需求量为输出，基于SVR算法，分别完成设施光环境高效调控的红光和蓝光需光量模型构建，优于传统光合最优调控方法。

Images