CN112881620B - 一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质 - Google Patents

一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质 Download PDF

Info

Publication number
CN112881620B
CN112881620B CN202110264344.3A CN202110264344A CN112881620B CN 112881620 B CN112881620 B CN 112881620B CN 202110264344 A CN202110264344 A CN 202110264344A CN 112881620 B CN112881620 B CN 112881620B
Authority
CN
China
Prior art keywords
harmonic
environment
firefly
difference
bls
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.)
Active
Application number
CN202110264344.3A
Other languages
English (en)
Other versions
CN112881620A (zh
Inventor
罗旗舞
李聪聪
阳春华
桂卫华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Central South University
Original Assignee
Central South University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Central South University filed Critical Central South University
Priority to CN202110264344.3A priority Critical patent/CN112881620B/zh
Publication of CN112881620A publication Critical patent/CN112881620A/zh
Application granted granted Critical
Publication of CN112881620B publication Critical patent/CN112881620B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0098—Plants or trees
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G01N21/39—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using tunable lasers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Optics & Photonics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Botany (AREA)
  • Wood Science & Technology (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Physiology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质，所述方法包括：步骤S1：分别获取分析气室和参比气室中光合作用过程目标气体对应的二次谐波信号峰值，以及采集环境目标参数；步骤S2：计算双气室的二次谐波信号峰值差，并输入至环境补偿模型中得到二次谐波峰值差补偿因子；步骤S3：利用所述二次谐波峰值差补偿因子补偿所述二次谐波信号峰值差得到二次谐波峰值补偿值；步骤S4：利用所述二次谐波峰值补偿值反演得到植物光合作用中目标气体的痕量浓度差，并基于所述目标气体的痕量浓度差计算出净光合作用速率。所述方法使用二次谐波峰值差表征光合作用时目标气体的浓度差，可以最大程序消除环境因素的影响，并进一步使用环境补偿模型提高测定结果的准确性。

Description

一种基于环境补偿模型的植物净光合速率测定方法、系统、终 端及可读存储介质
技术领域
本发明属于农业智能算法检测应用领域，具体涉及一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质。
背景技术
研究表明，在农业生产制造中，作物产量的90％以上都是基于其光合作用的有效产出，因此监测光合作用速率对提升作物培育质量、品质、产量等都有着重要的参考价值。目前植物光合作用光合速率的测定方法主要有半叶法、生长分析法、释放O2法和CO2吸收法，CO2吸收法又可分为化学滴定法、PH值法、同位素法、红外CO2气体分析法。其中，红外CO2气体分析法因基础理论成熟、测定灵敏度高、设备响应快、非破坏性测量，在实际的农业生产检测中得以广泛应用，也是目前主流规格的光合仪所采用的植物光合速率测定方法。但红外CO2气体分析法在实际应用中，也存在着如下缺点：(1)红外CO2气体分析法采用红外光源产生红外辐射，稳定的环境温度是保障红外光源的正常工作的前提；(2)野外复杂恶劣的工作环境，使得光合仪在需要定量分析的任务中误差较大；(3)对浓度极低或者吸收极弱的气体变化，检测精度不高。
如何克服现有红外CO2气体分析法的技术障碍，实现植物净光合速率测定精度的提高正是本发明的研究目标。其中，TDLAS-WMS技术能够实现气体分子光谱的指纹级特征提取，在复杂环境条件下抗干扰能力强，且具备高重复频率大范围动态测量能力，非接触式实时实地定量分析ppm、ppb甚至更低级别的现场痕量气体，因此广泛应用在工业气体检测、燃烧监测、氧气浓度探测等领域。因此，如何将TDLAS-WMS技术应用至植物净光合速率测定是本发明亟需研究的。
发明内容
本发明的目的是提供一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质，所述方法结合TDLAS-WMS技术，创造性地提出了用二次谐波峰值差表征光合作用时目标气体的浓度差，对光合作用中浓度极低或者吸收极弱的气体实现ppm甚至更低级别的测量，提高气体的定量分析精度。与此同时，提出了环境补偿模型，利用深度学习网络构建模型，适应在复杂恶劣的测量环境中由环境因素引起的测量误差，提高了测定植物净光合速率的准确性和实时性。
一方面，本发明提供了一种基于环境补偿模型的植物净光合速率测定方法，包括如下步骤：
步骤S1：分别获取分析气室和参比气室中光合作用过程目标气体对应的二次谐波信号峰值
Figure BDA0002971487090000021
以及采集环境目标参数；
其中，采用双气室结构并在开放气路下激光穿过分析气体室和参比气体室；
步骤S2：计算双气室的二次谐波信号峰值差
Figure BDA0002971487090000022
并将所述二次谐波信号峰值差
Figure BDA0002971487090000023
以及所述环境目标参数输入至环境补偿模型中得到二次谐波峰值差补偿因子
Figure BDA0002971487090000024
其中，
Figure BDA0002971487090000025
Figure BDA0002971487090000026
其中，所述环境补偿模型的输入数据是二次谐波信号峰值差及其环境目标参数，输出数据为二次谐波峰值差补偿因子；
步骤S3：利用所述二次谐波峰值差补偿因子
Figure BDA0002971487090000027
补偿所述二次谐波信号峰值差
Figure BDA0002971487090000028
得到二次谐波峰值补偿值
Figure BDA0002971487090000029
其中，
Figure BDA00029714870900000210
步骤S4：利用所述二次谐波峰值补偿值
Figure BDA00029714870900000211
反演得到植物光合作用中目标气体的痕量浓度差，并基于所述目标气体的痕量浓度差计算出净光合作用速率。
本发明提供的所述植物净光合速率测定方法创新性地提出：使用植物光合作用时的二次谐波信号峰值替代传统的红外气体分析法中的目标气体浓度表征，从而降低了在复杂恶劣的野外环境下数据采集时，环境因素对气体浓度测量的干扰。这是由于单位时间内的外界环境因素对植物光合作用测量的影响可以认为是稳定的，进而采用二次谐波峰值差表征光合作用时CO2气体的浓度差，可以最大程度消除环境因素的影响。另外，为了更进一步消除环境干扰，本发明还设有环境补偿模型，其利用环境补偿模型得到补偿因子来补偿参数实际测量中存在的误差。环境补偿模型一般选择自然环境下以及理论无环境干扰环境下的二次谐波峰值差的差值作为模型训练时的补偿因子，进而利用自然环境下的二次谐波峰值差以及补偿因子进行模型训练。应当理解，补偿因子的目的在于降低环境干扰的影响程度。
可选地，所述环境补偿模型为基于萤火虫算法优化参数的宽度学习的FA-BLS环境补偿模型，所述FA-BLS环境补偿模型中利用FA算法迭代优化确定BLS网络的最优权值和阈值，最优权值和阈值的确定过程如下：
S201：初始化BLS网络结构的参数；
S202：初始化萤火虫算法的参数，对应参数至少包括：种群规模N，其中，每个萤火虫的位置表示一组权值和阈值；
S203：根据所述种群规模N随机生成初始萤火虫种群；
S204：将每个萤火虫的位置对应的权值和阈值分别赋予给BLS网络，并使用样本数据训练以及测试BLS网络得到BLS网络输出误差；
S205：依据BLS网络输出误差确定种群中对应的萤火虫的亮度；
其中，BLS网络输出误差越大表示亮度越低，BLS网络输出误差越大表示亮度越高；
S206：判断是否满足迭代终止条件，若满足，将当前种群中亮度最高的萤火虫对应的权值和阈值作为最优权值和阈值；若不满足，执行步骤S207；
S207：根据依据亮度更新种群中每个萤火虫的位置，再返回步骤S203；
其中，基于最优权值和阈值训练得到的BLS网络为所述FA-BLS环境补偿模型。
首先，在实际光合作用速率测量中，其测量值极易受到外界环境影响在短时间内发生急剧变化，因此需要对测量方法或者系统的实时性和测量精度要求极高，传统的模型如在线极限学习机(OS-ELM)等，由于参数的随机选择性，网络输出会存在较大波动，对学习网络的稳定性有很大影响，同时隐层节点数较多时，学习网络容易出现过拟合问题，网络的泛化性也会随之降低。BLS网络的提出，为解决深度学习网络中网络结构分析困难、训练过程耗时极大的问题提供了可行方案，其结构简单，仅包含映射特征层、增强层、输出层3层，训练参数少、计算速度快，能够很好地适应光合作用测量对系统的实时性要求，但同时也存在着网络输出稳定性的问题。
萤火虫(FA)算法是启发于萤火虫在野外活动或求偶过程中，通过判断自身亮度的强弱决定是否飞往某一群落，其原理是首先随机生成种群中的萤火虫，根据萤火虫位置信息计算其亮度值，亮度低的萤火虫向亮度高的靠近，亮度高的则可以随机聚集到较亮的萤火虫周围，最终找到亮度最高的萤火虫位置。
针对BLS网络以及萤火虫(FA)算法的特性，本发明巧妙地选择萤火虫(FA)算法优化参数。BLS网络参数和阈值首先也是随机生成，通过目标函数估计其参数和阈值的预测效果，为了增强预测精度和网络输出稳定性，可以不断调整参数和阈值以寻求最优参数和阈值。萤火虫算法的原理和BLS网络映射特征层、增强层、输出层的参数和阈值寻优过程有一定的相似性，两者的融合，最终萤火虫集聚的位置所代表的参数和阈值作为BLS网络的最优参数集合，集聚萤火虫的数量最多的位置可以作为萤火虫种群设置的参考依据之一。同时实验结果表明，BLS网络在FA算法的优化下，其网络输出稳定性、泛化性以及预测精度都会有很大提升。
可选地，步骤S205中萤火虫的位置更新公式如下：
xi(t+1)＝xi(t)+β(xj(t)-xi(t))+αtεi
式中，t为迭代次数，xi(t+1)为萤火虫i迭代更新后的位置，xi(t)为萤火虫i迭代更新前的位置，xj(t)为目标萤火虫j的位置，β(xj(t)-xi(t))表示萤火虫i到萤火虫j的相对吸引度，α为随机项的系数，εi为随机数，相对吸引度β(xj(t)-xi(t))的公式如下：
Figure BDA0002971487090000041
式中，β0表示最大吸光度，即两只萤火虫的距离r＝0时，相互吸引度为最大吸光度，本发明在实际应用中将其设置为1；βmin表示最小吸光度，即两只萤火虫的距离增大时，相互吸引度会逐渐减小，本发明在实际应用中将其设置为0.2；γ为光吸收系数，rij为萤火虫i与萤火虫j之间的距离。最大吸光度和最小吸光度根据实际情况的不同可以进行调整。
其中，萤火虫i到目标萤火虫j的规则是寻着亮度，向更亮的方向移动。在一些实现方式中，按照当前种群中萤火虫的亮度排序，基于亮度顺序依次向更亮的方向移动；移动时，目标萤火虫j可以是相邻的萤火虫或不相邻的萤火虫。
可选地，所述环境补偿模型训练过程中样本数据的获取过程如下：
U401：获取植物在自然生长环境下的环境目标参数以及双气室下的二次谐波信号峰值差；
U402：设定与自然生长环境相同的环境目标函数，并获取同一植物在实验条件的双气室下的二次谐波信号峰值差；
U403：将步骤U402中获取的二次谐波峰值差减去步骤U401中获得的二次谐波峰值差获得二次谐波峰值差补偿因子；
其中，步骤U401中的环境目标参数和二次谐波信号峰值差作为样本集的输入参数，步骤U403中的二次谐波峰值差补偿因子作为样本集的输出参数。
可选地，步骤S4中所述目标气体的痕量浓度差以及所述净光合作用速率的公式如下：
Figure BDA0002971487090000042
Figure BDA0002971487090000043
式中，C为光合作用中目标气体的痕量浓度差，I0为入射光强，H2为二次谐波项系数，L为有效吸收光程，Pn为植物净光合作用速率，F为气体流量，S为叶片面积，D为目标气体的密度。
可选地，若目标气体为CO2，二次谐波项系数H2和CO2的密度的公式如下：
Figure BDA0002971487090000044
式中，δv为调制信号的调制幅度，
Figure BDA0002971487090000051
为气体的吸收系数
Figure BDA0002971487090000052
在激光的中心频率v0处的二阶导数；
Figure BDA0002971487090000053
式中，t为温度，P为压强。
可选地，所述目标气体的为光合作用中的CO2或O2；所述环境目标参数包括：光照强度、空气温度、空气湿度、环境CO2浓度、环境O2浓度、环境大气压。
二方面，本发明提供的一种基于环境补偿模型的植物净光合速率测定系统，包括：相互连接的数据采集子系统和数据处理子系统；
所述数据采集子系统包括：信号发生器、激光控制器、激光器、分束器、准直器、双气室、光电检测器、锁相放大器、环境采集传感器以及数据采集单元；
其中，信号发生器与激光控制器连接，所述信号发生器的信号加载至激光控制器，经过条子的电流通过激光控制器加载到激光器；
所述激光器的激光束通过分束器分成两路，分别经过准直器准直后进入盛有光合作用目标气体的双气室，一路进入参比气室，另一路经过分析气室；
所述光电检测器用于检测参比气室和分析气室的信号，并传输至锁相放大器；
所述锁相放大器解调产生二次谐波信号峰值；
所述环境采集传感器用于采集环境目标参数；
所述锁相放大器与所述环境采集传感器均与所述数据采集单元连接，用于将所述二次谐波信号峰值以及所述环境目标参数输送至所述数据采集单元；
所述数据处理子系统中设有处理单元，所述处理单元用于根据权利要求1所述的方法测定植物净光合速率。
第三方面，本发明提供的一种测定终端，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述存储器存储的计算机程序以执行：所述一种基于环境补偿模型的植物净光合速率测定方法的步骤。
第四方面，本发明提供的一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以执行：所述一种基于环境补偿模型的植物净光合速率测定方法的步骤。
有益效果
1.本发明提供的一种基于环境补偿模型的植物净光合速率测定方法，其创造性地提出了用二次谐波峰值差表征光合作用时目标气体的浓度差。利用单位时间内的外界环境因素对植物光合作用测量的影响可以认为是稳定的原理，采用二次谐波峰值差表征光合作用时目标气体的浓度差，最大程序可以消除环境因素的影响，相较于常规的特征参数的选择更符合测定需求；另外，利用双气室结构进行测量，对光合作用中浓度极低或者吸收极弱的气体实现ppm甚至更低级别的测量，提高气体的定量分析精度。
2.本发明还引入了环境补偿模型，该环境补偿模型以补偿因子补偿自然环境下测定的误差，进一步降低环境干扰的影响程度。
3.本发明进一步的优选方案中，该环境补偿模型选择使用FA-BLS环境补偿模型。这是从光合作用的测量实时性以及网络特性角度考虑的。一方面，在实际光合作用速率测量中，其值极易受到外界环境影响在短时间内发生急剧变化，因此需要对测量方法或者系统的实时性和测量精度要求极高。BLS网络其结构简单，仅包含映射特征层、增强层、输出层3层，训练参数少、计算速度快，能够很好地适应光合作用测量对系统的实时性要求。二方面，BLS网络参数和阈值首先也是随机生成，其通过目标函数估计其参数和阈值的预测效果，为了增强预测精度和网络输出稳定性，可以不断调整参数和阈值以寻求最优参数和阈值。萤火虫算法的原理和BLS网络映射特征层、增强层、输出层的参数和阈值寻优过程有一定的相似性，两者的融合，最终萤火虫集聚的位置所代表的参数和阈值作为BLS网络的最优参数集合，集聚萤火虫的数量最多的位置可以作为萤火虫种群设置的参考依据之一。
附图说明
图1是本发明基于FA-BLS环境补偿模型的植物净光合速率测定方法和系统的流程图；
图2是本发明样本数据集获取流程图；
图3是本发明原始样本数据采集过程结构框图；
图4是本发明BLS网络拓扑结构示意图；
图5是本发明FA-BLS环境补偿模型迭代寻找最优权值和阈值的具体算法流程图；
图6是FA-BLS环境补偿模型萤火虫优化迭代过程对比图；
图7是本发明FA-BLS环境补偿模型迭代寻优输出误差对比图。
具体实施方式
下面将结合实施例对本发明做进一步的说明。本发明提供了一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质。该系统的数据采集子系统中在物理结构上采用双气室结构，在实际自然环境开放气路下，获取盛有植物光合作用目标气体的分析气室和参比气室中的二次谐波信号峰值差以及影响目标气体浓度测量的各项环境目标参数，该二次谐波峰值差受到环境因素的影响存在一定误差，将获取的二次谐波峰值差和环境目标参数输入训练完成的环境补偿模型，获得该自然环境条件下二次谐波峰值差的补偿因子，利用补偿后的二次谐波峰值差反演得到光合作用过程中目标气体浓度痕量浓度差，进而得到该植物的净光合作用速率。其中，目标气体可以是CO2或O2等与光合作用过程相关的气体。下述将以CO2为例进行说明，但是应当理解，在不脱离本发明构思的基础上，本发明进行适应性调整的技术也属于本发明的保护范围。
实施例1：
本实施例提供的一种基于环境补偿模型的植物净光合速率测定方法，包括如下步骤：
步骤S1：分别获取分析气室和参比气室中光合作用过程目标气体对应的二次谐波信号峰值
Figure BDA0002971487090000071
以及采集环境目标参数。
其中，如图3所示，本实施例中所选用的数据采集子系统包括：信号发生器、激光控制器、激光器、分束器、准直器、双气室、光电检测器、锁相放大器、数据采集单元、数据处理单元。首先将高频正弦波信号加载到信号发生器上，信号发生器提供的锯齿波信号与之前加载的高频正弦波信号叠加，叠加后的信号加载到激光控制器上，经过调制的电流通过激光控制器加载到激光器，之后激光器产生调制波长同时具备扫描锯齿波、高频正弦波特征的光束，光束通过分束器分为两路，两路光束均经过准直器准直后进入盛有光合作用气体CO2的双气室，其中一路进入参比气室，另一路经过分析气室，气体介质吸收后的两路信号由光电检测器检测得到，获得的信号经由锁相放大器解调产生二次谐波信号峰值，二次谐波信号峰值和传感器采集的光照强度、空气温度、空气湿度、环境CO2浓度，环境O2浓度，环境大气压对应存储到数据采集单元，之后进入数据处理单元进行样本数据处理计算。
基于上述子系统，本实施例中激光源为DFB激光器，开放气路下激光穿过分析气室和参比气室，
Figure BDA0002971487090000072
为分析气室获得的二次谐波峰值，
Figure BDA0002971487090000073
为参比气体室中获得的二次谐波峰值。此外，本实施例中的环境目标参数设定为：光照强度、空气温度、空气湿度、环境CO2浓度、环境O2浓度、环境大气压。其他可行的实施例中，对其参数的类型可以根据实际需求以及情况进行增加或者删减，应当理解，环境目标参数为环境参数，用于表征环境因素的影响。
步骤S2：计算双气室的二次谐波信号峰值差
Figure BDA0002971487090000074
并将所述二次谐波信号峰值差
Figure BDA0002971487090000075
以及所述环境目标参数输入至FA-BLS环境补偿模型中得到二次谐波峰值差补偿因子
Figure BDA0002971487090000076
其中，
Figure BDA0002971487090000077
其中，因植物光合作用过程中的消耗，分析气室获得的二次谐波峰值低于参比气体室，即
Figure BDA0002971487090000081
其中，单位采样时间内，参比气室是封闭的，分析气室是对外开放的，即分析气室中的气体与外面相连，动态反应单位采样时间内光合作用的进行过程，两个气室中的浓度均采用二次谐波峰值来衡量，到下一个采样时间时，参比气室会进行换气操作。因此，单位时间内，刚开始参比气室和分析气室中的气体浓度是相同的，随着光合作用的进行，分析气室中的气体浓度会逐渐减小，而参比气室中的气体浓度不变，设置参比气室主要是为了考虑单位时间内的环境因素。在实际应用中，FA-BLS环境补偿模型是通过预先采集的样本进行训练和测试，本实例中样本数据为3000组，随机选取样本数据集中2200组样本构成训练样本数据集，剩余800组样本构成测试样本数据集，如图2所示，样本数据集的获取过程如下：
U401：获取植物在自然生长环境条件下影响CO2浓度测量的各项环境目标参数以及双气室二次谐波峰值差。其次，采用图3所示的结构以及步骤S1所述的方法即可获得双气室二次谐波峰值差。
U402：对比实验模拟环境条件下，设定与自然环境条件相同的各项环境目标数据，获取同一植物在该实验条件下的双气室参考二次谐波峰值差；
U403：步骤U402中获取的参考二次谐波峰值差减去步骤U401中获得的二次谐波峰值差获得二次谐波峰值差补偿因子；
U404：步骤U401中影响CO2浓度测量的各项关键环境参数经归一化处理后和二次谐波峰值差构成样本数据集的输入参数，步骤U403中获取的二次谐波峰值差补偿因子构成样本数据集的输出参数。
归一化处理计算公式为：
Figure BDA0002971487090000082
其中
Figure BDA0002971487090000083
为归一化后的样本数据，x为原始样本数据，xmax,xmin分别为原始样本数据最大值和最小值。其中，将对应需要归一化处理的参数代入该公式中进行计算。
本实施例中所选择的环境补偿模型为FA-BLS环境补偿模型，其利用FA算法迭代优化确定BLS网络的最优权值和阈值。其他可行的实施例中，若是选择其他类型的网络或者BLS网络，可以直接利用样本数据进行模型的训练，在此不再赘述。
本实施例中，BLS网络为三层结构，由映射特征层、增强层、输出层组成，以上述步骤U401-U404获取得到样本数据集，先将样本数据集输入BLS网络形成映射特征层数据，映射特征层数据经过增强层形成增强层数据，两层网络获取的数据共同用于产生模型输出，先以训练样本数据集训练FA-BLS环境补偿模型，后使用测试样本数据集测试模型性能，同时FA算法迭代优化寻找最优的权值和阈值，如图5所示，FA-BLS环境补偿模型迭代寻找最优权值和阈值过程如下：
S201：初始化BLS网络结构的各项参数；
其中，本实例特征节点组数n＝10，每组特征节点个数q＝10，增强节点个数m＝100。
S202：初始化萤火虫算法的各项基本参数；
其中，本实例最大迭代次数MaxGeneration＝50，迭代精度ε＝1×10-5，最大吸收度β0＝1，最小吸收度βmin＝0.2，光吸收系数γ＝1，随机项系数α＝0.5，种群规模N＝20；
S203：根据设定的种群规模随机生成初始萤火虫种群；
S204：将每个萤火虫的位置对应的权值和阈值分别赋予给BLS网络，并使用样本数据训练以及测试BLS网络得到BLS网络输出误差；
其中，每个萤火虫的位置对应了一组权值和阈值，将当前种群中每个萤火虫对应的权值和阈值分别赋值给BLS网络，然后再使用训练样本数据集训练BLS网络，再使用测试样本数据集测试BLS网络，从而计算出基于当前一组权值和阈值训练出的BLS网络的BLS网络输出误差。
其中，将BLS网络输出误差Err作为目标函数，BLS网络输出误差Err以测试样本集和网络输出数据的卡方距离表示，即
Figure BDA0002971487090000091
yD为测试样本集中输出数据维数，yi为测试样本集中第i个数据，
Figure BDA0002971487090000092
为第i个网络输出数据。
S205：依据BLS网络输出误差确定种群中对应的萤火虫的亮度；其中，BLS网络输出误差越大表示亮度越低，BLS网络输出误差越大表示亮度越高。
S206：判断是否满足迭代终止条件，若满足，将当前种群中亮度最高的萤火虫对应的权值和阈值作为最优权值和阈值；若不满足，执行步骤S207；
S207：根据依据亮度更新种群中每个萤火虫的位置，再返回步骤S204；
其中，在逐次迭代寻优过程中，每只萤火虫会选择向亮度比自身高的萤火虫移动，因此，依据每次萤火虫的亮度可以判断出萤火虫的移动方向，两者萤火虫的相对吸引度按照如下公式计算：
Figure BDA0002971487090000093
其中β表示萤火虫i到萤火虫j的相对吸引度，β0表示萤火虫i在光源r＝0处的吸引度，即最大吸光度，βmin表示最小吸光度，γ为光吸收系数，rij为萤火虫i，j之间的距离，其值为
Figure BDA0002971487090000094
d为待优化参数维数，即BLS网络的参数个数，BLS网络分三层，假设特征映射层有5个参数，增强层有4个参数，输出层有2个参数，那么这里的维数就是参数的总数，即维数为11。每一只萤火虫都代表了BLS网络参数的一组可行解。
萤火虫的位置更新公式如下：
xi(t+1)＝xi(t)+β(xj(t)-xi(t))+αtεi
其中，t为迭代次数，xi(t+1)为萤火虫i迭代更新后的位置，xi(t)为萤火虫i迭代更新前的位置，xj(t)为目标萤火虫j的位置，β表示萤火虫i到萤火虫j的相对吸引度，α为随机项的系数，εi为随机数。本实例中，εi在3层BLS网络有不同的取值，具体为：映射特征层随机数εi 1＝∈(-0.002,0.002)/t，增强层随机数
Figure BDA0002971487090000101
输出层随机数εi 3为
Figure BDA0002971487090000102
和
Figure BDA0002971487090000103
两个值。其中，t为迭代次数，ORTH为增强层参数同型矩阵的一个标准正交基，该同型矩阵元素为(-1,1)之间的随机数。
应当说明的是，萤火虫的位置更新时，若萤火虫迭代更新后超出相应的边界值范围，则萤火虫位置参数用其边界值来修正，本实例中上届为1，下届为-1。
其中，在上述迭代过程，还需要判断是否达到迭代终止条件，若是达到，则停止下一次迭代，依据萤火虫的亮度确定当前种群中亮度最高的萤火虫或者位置最为集中的萤火虫对应的权值和阈值作为最优权值和阈值；若不满足迭代终止条件在，则更新萤火虫的位置，进入下一次迭代。
本实施例中，迭代终止条件设置为满足最大迭代次数50或迭代误差精度1×10-5。
其中，基于最优权值和阈值训练得到的BLS网络作为所述FA-BLS环境补偿模型，对应的BLS网络输出误差也较低。
步骤S3：利用所述二次谐波峰值差补偿因子
Figure BDA0002971487090000104
补偿所述二次谐波信号峰值差
Figure BDA0002971487090000105
得到二次谐波峰值补偿值
Figure BDA0002971487090000106
其中，
Figure BDA0002971487090000107
步骤S4：利用所述二次谐波峰值补偿值
Figure BDA0002971487090000108
反演得到植物光合作用中CO2痕量浓度差，并基于所述CO2痕量浓度差可计算得到植物单位时间单位叶面积上CO2的吸收量，即净光合作用速率。对应公式如下：
Figure BDA0002971487090000109
式中，C为光合作用吸收产生的CO2痕量浓度差，I0为入射光强，H2为二次谐波项系数，L为有效吸收光程。H2为二次谐波项系数，其值为
Figure BDA00029714870900001010
通过实验标定获得，δv为调制信号的调制幅度，
Figure BDA00029714870900001011
为气体的吸收系数
Figure BDA00029714870900001012
在激光的中心频率v0处的二阶导数。
Figure BDA00029714870900001013
其中，Pn为植物净光合作用速率，C为CO2痕量浓度差，F为气体流量，S为叶片面积，D为CO2的密度，其值为：
Figure BDA0002971487090000111
其中t为温度，P为压强。
实施例2：
本发明还提供一种基于环境补偿模型的植物净光合速率测定系统，包括：相互连接的数据采集子系统和数据处理子系统。
其中，如图3所示的数据采集子系统包括：信号发生器、激光控制器、激光器、分束器、准直器、双气室、光电检测器、锁相放大器、环境采集传感器以及数据采集单元和数据处理单元。
其中，信号发生器与激光控制器连接，所述信号发生器的信号加载至激光控制器，经过条子的电流通过激光控制器加载到激光器；所述激光器的激光束通过分束器分成两路，分别经过准直器准直后进入盛有光合作用目标气体的双气室，一路进入参比气室，另一路经过分析气室；所述光电检测器用于检测参比气室和分析气室的信号，并传输至锁相放大器；所述锁相放大器解调产生二次谐波信号峰值；所述环境采集传感器用于采集环境目标参数；所述锁相放大器与所述环境采集传感器均与所述数据采集单元连接，用于将所述二次谐波信号峰值以及所述环境目标参数输送至所述数据采集单元，最后由数据处理单元处理。
所述数据处理子系统中设有处理单元，所述处理单元用于根据本发明的一种基于环境补偿模型的植物净光合速率测定方法测定植物净光合速率。应当理解，数据处理子系统中的处理单元可以是处理器或者一个终端设备或者其他兼具处理功能的元器件。
在一些实现方式中，该数据处理子系统包括：
二次谐波信号峰值获取单元，用于获取分析气室和参比气室中光合作用过程目标气体对应的二次谐波信号峰值
Figure BDA0002971487090000112
以及获取环境目标参数；
二次谐波信号峰值差计算单元，用于计算双气室的二次谐波信号峰值差
Figure BDA0002971487090000113
环境补偿模型构建模块，用于构建环境补偿模型；
二次谐波峰值差补偿因子获取单元，用于将所述二次谐波信号峰值差
Figure BDA0002971487090000114
以及所述环境目标参数输入至环境补偿模型中得到二次谐波峰值差补偿因子
Figure BDA0002971487090000115
二次谐波峰值补偿值
Figure BDA0002971487090000116
获取单元，用于利用所述二次谐波峰值差补偿因子
Figure BDA0002971487090000117
补偿所述二次谐波信号峰值差
Figure BDA0002971487090000118
得到二次谐波峰值补偿值
Figure BDA0002971487090000119
痕量浓度差计算单元，用于利用所述二次谐波峰值补偿值
Figure BDA00029714870900001110
反演得到植物光合作用中目标气体的痕量浓度差。
净光合作用速率计算单元，用于基于所述目标气体的痕量浓度差计算出净光合作用速率。
其中，各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
实施例3：
在一些实现方式中，本发明还提供一种测定终端，其包括处理器和存储器，存储器存储了计算机程序，处理器调用存储器存储的计算机程序以执行：
步骤S1：分别获取分析气室和参比气室中光合作用过程目标气体对应的二次谐波信号峰值
Figure BDA0002971487090000121
以及采集环境目标参数；
其中，采用双气室结构并在开放气路下激光穿过分析气体室和参比气体室；
步骤S2：计算双气室的二次谐波信号峰值差
Figure BDA0002971487090000122
并将所述二次谐波信号峰值差
Figure BDA0002971487090000123
以及所述环境目标参数输入至环境补偿模型中得到二次谐波峰值差补偿因子
Figure BDA0002971487090000124
其中，
Figure BDA0002971487090000125
Figure BDA0002971487090000126
其中，所述环境补偿模型的输入数据是二次谐波信号峰值差及其环境目标参数，输出数据为二次谐波峰值差补偿因子；
步骤S3：利用所述二次谐波峰值差补偿因子
Figure BDA0002971487090000127
补偿所述二次谐波信号峰值差
Figure BDA0002971487090000128
得到二次谐波峰值补偿值
Figure BDA0002971487090000129
其中，
Figure BDA00029714870900001210
步骤S4：利用所述二次谐波峰值补偿值
Figure BDA00029714870900001211
反演得到植物光合作用中目标气体的痕量浓度差，并基于所述目标气体的痕量浓度差计算出净光合作用速率。
其中，各个步骤的实现过程请参照前述方法的具体实现过程，在此不再赘述。
实施例4：
在一些实现方式中，本发明还提供一种可读存储介质，其存储了计算机程序，该计算机程序被处理器调用以执行：
步骤S1：分别获取分析气室和参比气室中光合作用过程目标气体对应的二次谐波信号峰值
Figure BDA00029714870900001212
以及采集环境目标参数；
其中，采用双气室结构并在开放气路下激光穿过分析气体室和参比气体室；
步骤S2：计算双气室的二次谐波信号峰值差
Figure BDA0002971487090000131
并将所述二次谐波信号峰值差
Figure BDA0002971487090000132
以及所述环境目标参数输入至环境补偿模型中得到二次谐波峰值差补偿因子
Figure BDA0002971487090000133
其中，
Figure BDA0002971487090000134
Figure BDA0002971487090000135
其中，所述环境补偿模型的输入数据是二次谐波信号峰值差及其环境目标参数，输出数据为二次谐波峰值差补偿因子；
步骤S3：利用所述二次谐波峰值差补偿因子
Figure BDA0002971487090000136
补偿所述二次谐波信号峰值差
Figure BDA0002971487090000137
得到二次谐波峰值补偿值
Figure BDA0002971487090000138
其中，
Figure BDA0002971487090000139
步骤S4：利用所述二次谐波峰值补偿值
Figure BDA00029714870900001310
反演得到植物光合作用中目标气体的痕量浓度差，并基于所述目标气体的痕量浓度差计算出净光合作用速率。
其中，各个步骤的实现过程请参照前述方法的具体实现过程，在此不再赘述。
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
为了验证本发明所述方法的可靠性，我们首先随机生成20只萤火虫，每只萤火虫和BLS网络参数一组可行解对应，具体地，本实例中待优化的参数包括(dtrain+1)×q个映射特征层参数、(n×q+1)×m个增强层参数、(n×q+m)2个输出层参数，其中，dtrain表示训练集的数据维数，本例中为6。将预先划分的2200组测试集输入FA-BLS环境补偿模型，以模型的预测输出值和800组测试集数据的卡方距离作为目标函数评估方法迭代效果，其值越小代表该萤火虫所对应的网络参数越优，即萤火虫的亮度越亮，比较萤火虫的亮度值，较暗的萤火虫向较亮的萤火虫移动，最亮的萤火虫进行随机移动，通过不断地寻优迭代，产生最优的网络权值和阈值。如图6表示萤火虫的优化迭代过程，随着迭代次数的增加，20只萤火虫对应的网络参数所产生的误差越来越小，从10-3降低到10-5，即萤火虫亮度越来越高，其对应的网络参数越来越优，同时在种群内部萤火虫也逐步趋向于最亮的一只，寻优迭代效果明显。如图7表示FA-BLS环境补偿模型迭代寻优输出误差，记录每次迭代过程中种群里亮度最亮的萤火虫，该萤火虫对应参数即为目前迭代的最优值，对应的网络误差即为目前最小误差，可以看出，通过不断迭代，网络输出误差可快速收敛到最低值并保持稳定。通过本实例中的初步测试，本发明的最初的想法也得到验证，即用二次谐波峰值差表征光合作用过程中气体浓度的痕量变化，同时通过FA-BLS模型产生的二次谐波峰值差补偿因子弥补环境因素对浓度测量的影响，满足在实际农业生产过程中的高精度和实时性要求。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。

Claims (9)

1.一种基于环境补偿模型的植物净光合速率测定方法，其特征在于：包括如下步骤：
步骤S1：分别获取分析气室和参比气室中光合作用过程目标气体对应的二次谐波信号峰值
Figure FDA0003377252180000011
以及采集环境目标参数；
其中，采用双气室结构并在开放气路下激光穿过分析气体室和参比气体室；
步骤S2：计算双气室的二次谐波信号峰值差
Figure FDA0003377252180000012
并输入至基于神经网络构建的环境补偿模型中得到二次谐波峰值差补偿因子
Figure FDA0003377252180000013
其中，
Figure FDA0003377252180000014
其中，所述环境补偿模型的输入数据是二次谐波信号峰值差及其环境目标参数，输出数据为二次谐波峰值差补偿因子；
步骤S3：利用所述二次谐波峰值差补偿因子
Figure FDA0003377252180000015
补偿所述二次谐波信号峰值差
Figure FDA0003377252180000016
得到二次谐波峰值补偿值
Figure FDA0003377252180000017
其中，
Figure FDA0003377252180000018
步骤S4：利用所述二次谐波峰值补偿值
Figure FDA0003377252180000019
反演得到植物光合作用中目标气体的痕量浓度差，并基于所述目标气体的痕量浓度差计算出净光合作用速率；
所述目标气体的痕量浓度差以及所述净光合作用速率的公式如下：
Figure FDA00033772521800000110
Figure FDA00033772521800000111
式中，C为光合作用中目标气体的痕量浓度差，I0为入射光强，H2为二次谐波项系数，L为有效吸收光程，Pn为植物净光合作用速率，F为气体流量，S为叶片面积，D为目标气体的密度。
2.根据权利要求1所述的方法，其特征在于：所述环境补偿模型为基于萤火虫算法优化参数的宽度学习的FA-BLS环境补偿模型，所述FA-BLS环境补偿模型中利用FA算法迭代优化确定BLS网络的最优权值和阈值，最优权值和阈值的确定过程如下：
S201：初始化BLS网络结构的参数；
S202：初始化萤火虫算法的参数，对应参数至少包括：种群规模N，其中，每个萤火虫的位置表示一组权值和阈值；
S203：根据所述种群规模N随机生成初始萤火虫种群；
S204：将每个萤火虫的位置对应的权值和阈值分别赋予给BLS网络，并使用样本数据训练以及测试BLS网络得到BLS网络输出误差；
S205：依据BLS网络输出误差确定种群中对应的萤火虫的亮度；
其中，BLS网络输出误差越大表示亮度越低，BLS网络输出误差越大表示亮度越高；
S206：判断是否满足迭代终止条件，若满足，将当前种群中亮度最高的萤火虫对应的权值和阈值作为最优权值和阈值；若不满足，执行步骤S207；
S207：根据依据亮度更新种群中每个萤火虫的位置，再返回步骤S203；
其中，基于最优权值和阈值训练得到的BLS网络为所述FA-BLS环境补偿模型。
3.根据权利要求2所述的方法，其特征在于：步骤S205中萤火虫的位置更新公式如下：
xi(t+1)＝xi(t)+β(xj(t)-xi(t))+αtεi
式中，t为迭代次数，xi(t+1)为萤火虫i迭代更新后的位置，xi(t)为萤火虫i迭代更新前的位置，xj(t)为目标萤火虫j的位置，β(xj(t)-xi(t))表示萤火虫i到萤火虫j的相对吸引度，α为随机项的系数，εi为随机数，相对吸引度β(xj(t)-xi(t))的公式如下：
Figure FDA0003377252180000021
式中，β0表示最大吸光度，βmin表示最小吸光度，γ为光吸收系数，rij为萤火虫i与萤火虫j之间的距离。
4.根据权利要求1所述的方法，其特征在于：所述环境补偿模型训练过程中样本数据的获取过程如下：
U401：获取植物在自然生长环境下的环境目标参数以及双气室下的二次谐波信号峰值差；
U402：设定与自然生长环境相同的环境目标函数，并获取同一植物在实验条件的双气室下的二次谐波信号峰值差；
U403：将步骤U402中获取的二次谐波峰值差减去步骤U401中获得的二次谐波峰值差获得二次谐波峰值差补偿因子；
其中，步骤U401中的环境目标参数和二次谐波信号峰值差作为样本集的输入参数，步骤U403中的二次谐波峰值差补偿因子作为样本集的输出参数。
5.根据权利要求1所述的方法，其特征在于：若目标气体为CO2，二次谐波项系数H2和CO2的密度的公式如下：
Figure FDA0003377252180000022
式中，δv为调制信号的调制幅度，
Figure FDA0003377252180000023
为气体的吸收系数
Figure FDA0003377252180000024
在激光的中心频率v0处的二阶导数；
Figure FDA0003377252180000031
式中，t为温度，P为压强。
6.根据权利要求1所述的方法，其特征在于：所述目标气体的为光合作用中的CO2或O2；所述环境目标参数包括：光照强度、空气温度、空气湿度、环境CO2浓度、环境O2浓度、环境大气压。
7.一种基于环境补偿模型的植物净光合速率测定系统，其特征在于：包括：相互连接的数据采集子系统和数据处理子系统；
所述数据采集子系统包括：信号发生器、激光控制器、激光器、分束器、准直器、双气室、光电检测器、锁相放大器、环境采集传感器以及数据采集单元；
其中，信号发生器与激光控制器连接，所述信号发生器的信号加载至激光控制器，经过条子的电流通过激光控制器加载到激光器；
所述激光器的激光束通过分束器分成两路，分别经过准直器准直后进入盛有光合作用目标气体的双气室，一路进入参比气室，另一路经过分析气室；
所述光电检测器用于检测参比气室和分析气室的信号，并传输至锁相放大器；
所述锁相放大器解调产生二次谐波信号峰值；
所述环境采集传感器用于采集环境目标参数；
所述锁相放大器与所述环境采集传感器均与所述数据采集单元连接，用于将所述二次谐波信号峰值以及所述环境目标参数输送至所述数据采集单元；
所述数据处理子系统中设有处理单元，所述处理单元用于根据权利要求1所述的方法测定植物净光合速率。
8.一种测定终端，其特征在于：包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述存储器存储的计算机程序以执行：权利要求1-6任一项所述方法的步骤。
9.一种可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以执行权利要求1-6任一项所述方法的步骤。
CN202110264344.3A 2021-03-11 2021-03-11 一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质 Active CN112881620B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110264344.3A CN112881620B (zh) 2021-03-11 2021-03-11 一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110264344.3A CN112881620B (zh) 2021-03-11 2021-03-11 一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质

Publications (2)

Publication Number Publication Date
CN112881620A CN112881620A (zh) 2021-06-01
CN112881620B true CN112881620B (zh) 2022-01-04

Family

ID=76040847

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110264344.3A Active CN112881620B (zh) 2021-03-11 2021-03-11 一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质

Country Status (1)

Country Link
CN (1) CN112881620B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117330507B (zh) * 2023-10-12 2024-04-05 苏州星帆华镭光电科技有限公司 手持激光仪的远程测试管控方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5277763B2 (ja) * 2008-07-14 2013-08-28 富士電機株式会社 レーザ式ガス分析計
CN102706832B (zh) * 2012-06-01 2014-05-21 吉林大学 一种基于tdlas-wms的激光红外气体分析仪
CN103558182B (zh) * 2013-11-14 2016-04-20 重庆大学 一种用于激光气体在线分析仪确定气体浓度的方法
US9819412B1 (en) * 2016-05-04 2017-11-14 Inphi Corporation Transmitter gain imbalance and skew optimization for coherent transmitters
CN107063553B (zh) * 2017-03-31 2019-09-10 东南大学 一种利用波长调制光谱测量气体压强和组分浓度的装置和方法
CN110160976B (zh) * 2019-06-06 2020-05-26 中南大学 基于二次谐波干涉包络补偿的气体浓度检测方法和系统
CN111024650B (zh) * 2019-12-10 2022-01-25 中南大学 一种基于信号稀疏重构的玻璃药瓶内气体浓度检测方法及装置
CN111413285B (zh) * 2020-05-08 2021-04-20 中南大学 一种基于环境补偿模型的玻璃瓶内氧气检测误差校正方法

Also Published As

Publication number Publication date
CN112881620A (zh) 2021-06-01

Similar Documents

Publication Publication Date Title
Chen et al. Partitioning of daily evapotranspiration using a modified shuttleworth-wallace model, random Forest and support vector regression, for a cabbage farmland
Liu et al. Application of artificial neural networks in global climate change and ecological research: An overview
Braswell et al. Estimating diurnal to annual ecosystem parameters by synthesis of a carbon flux model with eddy covariance net ecosystem exchange observations
CN117935081B (zh) 一种基于遥感卫星数据的耕地变化监测方法及系统
CN112906298B (zh) 一种基于机器学习的蓝莓产量预测方法
CN114969995B (zh) 一种基于改进麻雀搜索与声发射的滚动轴承早期故障智能诊断方法
Massoud et al. Identification of key parameters controlling demographically structured vegetation dynamics in a land surface model: CLM4. 5 (FATES)
CN112881620B (zh) 一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质
Cervone et al. Non-Darwinian evolution for the source detection of atmospheric releases
Bassiouni et al. Parsimony vs predictive and functional performance of three stomatal optimization principles in a big‐leaf framework
CN112364940A (zh) 基于多源数据的大气污染物源解析方法、存储介质及设备
Xiujia et al. Application of WNN-PSO model in drought prediction at crop growth stages: A case study of spring maize in semi-arid regions of northern China
CN114154401A (zh) 基于机器学习和观测数据的土壤侵蚀模数计算方法及系统
Li et al. Maize leaf disease identification based on WG-MARNet
Tirpak et al. Assessing ecoregional‐scale habitat suitability index models for priority landbirds
CN114741688A (zh) 一种无监督的主机入侵检测方法及系统
Zhu et al. The use of insect life tables in optimizing invasive pest distributional models
CN111797690A (zh) 基于小波神经网络光栅阵列光纤周界入侵识别方法及装置
Xu et al. [Retracted] Digital Technology Empowers Grain Supply Chain Optimization Simulation
CN115857314A (zh) 一种基于边缘计算的养殖管理方法及系统
Sun et al. A comparison of models for the short-term prediction of rice stripe virus disease and its association with biological and meteorological factors
Nurwarsito et al. Imputation of missing microclimate data of coffee-pine agroforestry with machine learning
Dhage et al. Analysis of Impact of Environmental Factors on Cotton Plant Diseases and Detection using CNN
CN111489021A (zh) 一种基于粒子群优化bp神经网络的甜菜产量预测方法
CN113361596B (zh) 一种传感器数据增广方法、系统及存储介质

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
GR01 Patent grant
GR01 Patent grant