CN113625806B - 面向碳中和需求的效率最优温室植物调控方法 - Google Patents

Abstract

面向碳中和需求的效率最优温室植物调控方法，以温度、光照强度和环境空气CO₂浓度作为输入，以光合速率作为输出，构建光合速率模型；获取不同温度与光照强度组合条件下的CO₂浓度饱和点曲面，分别离散化出温度‑CO₂饱和点关系曲线和光照强度‑CO₂饱和点关系曲线，并分别获取曲线曲率，将曲率极值点作为划分调控区间上下限；将CO₂浓度饱和点曲面划分为9个区域，中心区域即为目标调控区间；当环境温度和光照强度处于中心区域时，不做干预；当环境温度和光照强度处于中心区域外部时，选择目标调控区间中距离当前环境温度和光照强度欧式距离最短点作为调控目标值，将环境调控至目标调控区间，从而可智能调控环境温度和光照强度。

Description

面向碳中和需求的效率最优温室植物调控方法

技术领域

本发明属于智能农业设施技术领域，涉及温室环境调控，特别涉及一种面向碳中和需求的效率最优温室植物调控方法。

背景技术

碳中和是指在一定时期内CO₂排放量与CO₂吸收量相平衡的状态，其目标就是通过各种努力，采取各种措施使CO₂排放量下降到和生态系统吸收量平衡的状态。现有的CO₂利用途径主要包括：1、燃料与化学品，2、矿物化，3、饮料与食品加工，4、生物利用，5、其他领先与具有前景的技术。其中，CO₂的生物利用因其经济且安全的特性受到了大量学者的关注。火电厂等能源企业在生产过程中会制造大量碳排放，CO₂的生物利用是一种最有效的CO₂固定方式，其主要依靠植物和微生物的光合作用完成。植物工厂受其相对密闭结构的影响，一般很难达到1500PPM以上的CO₂需求量，在最低阶段常常低于300-400PPM的室外CO₂平均浓度，导致在大部分时间需要补充大量CO₂。因此，工厂废弃的CO₂与植物工厂所需的CO₂形成了天然的互补关系，如果能够将大量的工厂废弃CO₂气体及时供给植物工厂，不仅能有效降低工厂碳排放达到工厂碳排放指标，而且能在减少植物工厂生产成本的同时增加植物工厂产出，从而共同提升两者经济效益。随着该项技术日益成熟，具有大量碳固定能力的植物工厂可出售碳交易配额直接盈利。

适宜的CO₂浓度将有效促进作物生长，不足或过高时将对作物产生有害影响，光合作用的强弱不仅受到CO₂浓度的影响，还受到温度和光照强度的影响。随着温度升高，光合速率先快速提高，后缓慢变化最后快速下降；随着光照强度增强，光合速率先上升至光饱和点再缓慢下降。同样的CO₂浓度在不同的光照和温度下产生的光合速率也不同，而考虑到CO₂响应曲线的饱和效应，不同的光照和温度下的CO₂饱和点也会出现规律性变化。当温度和光照强度适宜时，CO₂饱和点出现的位置会出现明显的向高浓度CO₂方向移动。因此考虑温度和光照强度的影响，研究不同环境条件下的温度-光照调控目标值动态获取方法，对于促进植物高效固定CO₂具有重要意义，但现有生物固碳系统均没有考虑上述问题对固碳的影响。

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面向碳中和需求的效率最优温室植物调控方法，以最大程度提升植株固碳能力为目标，通过构建温度-光照强度调控目标值区间，获取适宜目标温度和目标光强。当植物处于适宜环境区间时，CO₂饱和点达到较高水平，高浓度的CO₂对植株的光合抑制效应降低，促使植株在高浓度CO₂下继续高速光合作用。基于该调控目标值区间，本发明设计了智能温室调控系统，可智能调控环境温度和光照强度为了实现上述目的，本发明采用的技术方案是：

面向碳中和需求的效率最优温室植物调控方法，包括：

步骤1，以温度、光照强度和环境空气CO₂浓度作为输入，以光合速率作为输出，构建光合速率模型；

步骤2，根据所述光合速率模型构建不同温度与光照强度组合条件下的CO₂浓度饱和点曲面；

步骤3，将所述CO₂浓度饱和点曲面根据温度和光照强度分别离散化出温度-CO₂饱和点关系曲线和光照强度-CO₂饱和点关系曲线，并分别获取曲线曲率，将曲率极值点作为划分调控区间上下限；

步骤4，温度调控上下限点和光照强度调控上下限点分别连接后的曲线将CO₂浓度饱和点曲面划分为9个区域，中心区域即为目标调控区间；

步骤5，当环境温度和光照强度处于中心区域时，不做干预；当环境温度和光照强度处于中心区域外部时，选择目标调控区间中距离当前环境温度和光照强度欧式距离最短点作为调控目标值，将环境调控至目标调控区间。

优选地，所述步骤1中，基于SVR算法构建光合速率模型，方法为：

采集不同温度、不同光照强度以及对应的CO₂浓度为原始数据，对原始数据归一化之后按比例划分训练集和测试集，以原始数据的温度、光照强度与CO₂浓度为输入向量，以原始数据的光合速率作为监督向量，并选择径向基核函数为核函数，通过网格搜索和3折交叉验证法进行多次经验计算获取最佳参数值惩罚因子C和影响因子g，进行模型训练与构建。

优选地，所述步骤2中，基于爬山法构建CO₂浓度饱和点曲面，方法为：

以设定温度值和光照强度值为步长，建立曲率获取温度条件数据样本集Tⁱ和光照强度条件数据样本P^j，完成光合速率模型对温度、光照强度的实例化，从而建立不同温度和光照强度条件下的CO₂浓度与光合速率的关系曲线，在CO₂浓度与光合速率的关系曲线中，利用爬山法获取CO₂浓度饱和点，得到不同温度与光照强度组合条件下的CO₂浓度饱和点曲面。

优选地，所述步骤3中，离散化出温度曲线的方法是：先将特定光照强度固定，然后在温度的取值范围内等间隔获取离散CO₂饱和点，即可获得特定光照强度下的温度-CO₂饱和点关系曲线。

离散化出光照强度曲线的方法是：先将特定温度固定，然后在光照强度的取值范围内等间隔获取离散CO₂饱和点，即可获得特定温度下的光照强度-CO₂饱和点关系曲线。

优选地，所述步骤3中，使用基于U弦长的离散曲率算法获取曲线曲率，将曲率极值点作为划分调控区间上下限。

优选地，分别将温度-CO₂饱和点关系曲线和光照强度-CO₂饱和点关系曲线的CO₂饱和点最大值作为最优点，依据最优点将CO₂饱和点曲线分为高低环境值两段，分别求两段曲线的曲率极值大点，较低段曲线的曲率极值点所对应的环境值即调控下限值，较高段曲线的曲率极值点对应的环境值即环境调控上限值，此上下限值作为调控点，形成调控区间。

优选地，按照上述步骤计算出不同温度和光照强度组合条件下的温度调控上下限和光照强度调控上下限后，分别用温度下限值、温度上限值、光照强度上限值和光照强度下限值所构成的曲线将CO₂饱和点曲面划分为9个区间，中心区域即为目标调控区间，当当前温度与光照强度不在这个区间内时，从区间边缘选择距离当前环境值欧式距离最小点作为调控目标点进行调控。

与现有技术相比，本发明的有益效果是：

1)建立植物CO₂浓度饱和点曲面，通过光合速率模型构建的CO₂浓度饱和点曲面可以获得植株在不同温度与光照强度条件下的CO₂饱和点。

2)使用双曲率算法划分出高效调控区间，在CO₂浓度饱和点曲面上使用双曲率算法分别对温度和光照强度划分出调控上下限，此上下限构成高效调控区间。当环境温度和光照强度处于这片区域内时，植物的CO₂饱和点处于较高水平，吸收CO₂能力被提高到接近最高水平。

附图说明

图1是光合速率模型构建流程图。

图2是光合速率预测结果图。

图3是CO₂浓度饱和点曲面。

图4是调控区间获取方法。

图5是目标调控区间。

图6是欧式距离最小调控系统。

图7是调控效果验证。

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。

本发明以黄瓜幼苗作为研究对象，根据不同环境温度和光照强度对植物光合速率的影响，设计嵌套实验获取样本数据，并以温度、光照强度和环境空气CO₂浓度作为输入，以光合速率作为输出，基于SVR算法等方法，构建光合速率模型。在此基础上，获得了不同光照和温度条件下CO₂饱和点，得到不同温度与光照强度组合条件下的CO₂浓度饱和点曲面，即温度-光照-CO₂浓度饱和点曲面。在这个曲面上，当温度和光照被控制在一定的区间内时，CO₂饱和点浓度会极大增加，即将温度和光照实时调整在某一区间将避免CO₂饱和现象过低出现，有利于植物最大程度吸收CO₂。本发明将曲面根据温度和光照强度分别离散化出对应的温度-CO₂饱和点关系曲线和光照强度-CO₂饱和点关系曲线。然后分别使用基于U弦长的离散曲率算法等方法获取曲线的曲率，并将曲率极值点作为划分调控区间上下限。最终温度调控上下限点和光照强度调控上下限点分别连接后的曲线可以将CO₂浓度饱和点曲面划分为9个区域，中心区域即为目标调控区间。当环境温度和光照强度处于中心区域内时，植物的CO₂饱和点处于较高水平，吸收CO₂能力被提高到接近最高水平，此时不需要做干预。当环境温度和光照强度处于中心区域外部时，选择目标调控区间中距离当前环境中温度和光照强度欧式距离最短点作为调控目标值，低成本地将环境调控至目标区间。

具体地，本发明基于SVR算法以温度、光照强度和CO₂浓度为输入，以光合速率为输出构建了光合速率模型。通过从模型中离散出CO₂响应曲线等方法，构建了以温度、光照强度为输入，CO₂饱和点为输出的CO₂浓度饱和点曲面。并基于双曲率法在CO₂浓度饱和点曲面中以曲率极值点作为调控区间，获取了设施作物温度及光照强度调控区间上下限。

基于此，本发明还建立了一套CO₂饱和点的温度-光照强度协同的设施智能调控系统。该系统集成了无线传感网络，通过该网络获取实时环境数据并调用嵌入的智能调控模型得出决策结果并生成调控指令进行设备调控，并以设施黄瓜作物为试验对象，开展温度-光照强度协同的温室植物调控系统验证，以下是具体的试验内容。

1 材料与方法

1.1 实验方案

本试验在某大学南校区玻璃温室内进行。以黄瓜品种“长春密刺”为试材，在培养皿中将已经浸胀的种子进行催芽，待要萌发时进行低温处理，在72孔穴盘内采用营养钵育苗。育苗基质为农业育苗专用基质，其营养含量为有机质质量分数50％以上，腐殖酸质量分数20％以上，pH值5.5-6.5。幼苗培育期间，保持水肥充足，待黄瓜幼苗长成五叶一心，选择长势均匀、茎横径在0.6-0.8cm之间、株高10cm以内的黄瓜幼苗进行试验。试验期间，施肥浇水等田间管理均按正常进行，不喷施任何农药或激素。

试验选取茁壮的黄瓜幼苗63株作为样本，采用美国LICOR公司的Li-6400XT型光合仪测定温度、光照强度和CO₂耦合下的CO₂响应曲线，同时为避开光合“午休现象”对试验数据的影响，选择在09:00-11:30和14:30-17:30进行试验数据采集工作。每株作物选择自顶叶往下的第3片功能叶片作为试验样本。在试验过程中采用光合仪适配的多个子模块按需控制叶室环境参数，其中，利用控温模块设定16、18、20、22、24、26、28、30、32、34、36共计10个温度梯度，利用LED(Light Emitting Diode)光源模块获得0、20、50、100、200、300、400、500、600、700、800、900、1000、1100、1300、1500、1700、1900共计18个光照强度梯度，单位为μmol·m^-2·s^-1，共形成180组试验条件。由于光合仪CO₂注入系统中的CO₂浓度可控范围为50-2200μmol/mol，故每组试验利用CO₂注入模块设定10个CO₂浓度测试点(0、200、400、600、800、1000、1300、1600、1900、2200μmol/mol)，共1800组测量，每组测量在同一植株功能叶片上进行3次重复，共形成5400个有效试验数据。

1.2 构建光合速率模型

1.2.1 数据预处理

考虑原始数据在不同维度上的量纲不同导致算法拟合时速度过低，对原始数据归一化至[0,1]，归一化公式如下：

式(1)中x为原始数据，x_min为原始数据最小值，x_max为原始数据最大值。

1.2.2 SVR算法构建光合速率预测模型

将归一化后的原始数据按照7：3的比例分为训练集和测试集，将数据的温度、光照强度与CO₂浓度作为输入向量，将数据的光合速率作为监督向量。

由于径向基核函数计算的复杂度不随参数变化而变化，适用于无先验知识时维数较低的特征向量，故选取其作为核函数。通过网格搜索和3折交叉验证法进行多次经验计算获取最佳参数值惩罚因子C和影响因子g。其中，C为惩罚系数，C越高说明越不能容忍误差的出现，越容易过拟合；C越小训练的模型越容易欠拟合，所以C过大或过小都会导致泛化能力变差。gamma则隐含地决定了数据映射到新的特征空间后的分布，gamma越大，支持向量越少，gamma值越小，支持向量越多，而支持向量的个数影响训练与预测的速度，因此gamma的选择也至关重要。经过网格搜索法进行多次交叉验证和经验计算，最终选定C为90，gamma为0.5进行模型训练与构建，模型构建流程图如图1所示，模型构建结果如图2所示。

1.3 CO₂浓度饱和点曲面及其高效调控区间

1.3.1 基于爬山法构建CO₂浓度饱和点曲面

通过调用已建立的光合速率模型，获取不同温度和光强嵌套条件下CO₂浓度与光合速率的关系曲线。每组CO₂响应曲线曲率的获取均建立在特定温度、光照强度基础上。温度以1℃为步长，建立曲率获取温度条件数据样本集Tⁱ＝(T¹,T₂,…,Tⁱ,…,T²¹)，其中Tⁱ＝16+(i-1)，i∈[1,21]区间的整数。光照强度以100μmol·m^-2·s^-1为步长，建立曲率获取光照强度条件数据样本P^j＝(P¹,P²,…,P^j,…,P⁴¹)，其中P^j＝100(j-1)，j∈[1,20]区间的整数。在16-36℃和0-1900μmol·m^-2·s^-1范围内，完成预测模型对温度、光照强度的实例化，从而建立不同光温条件下的CO₂浓度与光合速率的关系曲线。在CO₂浓度与光合速率的关系曲线中，利用爬山法获取CO₂浓度饱和点。不同温度与光照强度组合条件下的CO₂浓度饱和点曲面如图3所示。

通过如下方法离散化出温度曲线：先将特定光照强度固定，然后在温度的取值范围内等间隔获取离散CO₂饱和点，即可获得特定光照强度下的温度-CO₂饱和点关系曲线。

通过如下方法离散化出光照强度曲线：先将特定温度固定，然后在光照强度的取值范围内等间隔获取离散CO₂饱和点，即可获得特定温度下的光照强度-CO₂饱和点关系曲线。

1.3.2 使用双曲率算法获取高效调控区间

在温度及光照强度对CO₂饱和点的关系曲线中，存在着它们对饱和点影响程度由强到弱的点，可通过计算该曲线的曲率获取。其中，饱和点曲线最大值对应的温度及光照强度的点为最优点，在此环境下的植物吸收碳的能力最好。实际生产中为降低调控温度及光强的成本，达到效率最优的效果，可选择最大点两侧的曲率极值点作为调控点，形成调控区间。调控区间获取方法如图4所示，图4中(a)为温度-CO₂饱和点关系曲线，(b)为光照强度-CO₂饱和点关系曲线。

本发明基于U弦长的离散曲率算法获取曲线曲率，将曲率极值点作为划分调控区间上下限。具体地，分别将温度-CO₂饱和点关系曲线和光照强度-CO₂饱和点关系曲线的CO₂饱和点最大值作为最优点，依据最优点将CO₂饱和点曲线分为高低环境值两段，分别求两段曲线的曲率极值大点，较低段曲线的曲率极值点所对应的环境值即调控下限值，较高段曲线的曲率极值点对应的环境值即环境调控上限值，此上下限值作为调控点，形成调控区间。

按照上述步骤计算出各响应曲线的离散曲率值后，即得到了不同温度和光照强度组合条件下的温度调控上下限和光照强度调控上下限，记录最大点两侧的极值点对应的温度及光照强度区间值，分别用温度下限值、温度上限值、光照强度上限值和光照强度下限值所构成的曲线将CO₂饱和点曲面划分为9个区间，中心区域即为目标调控区间，当当前温度与光照强度不在这个区间内时，从区间边缘选择距离当前环境值欧式距离最小点作为调控目标点进行调控。

本实施例获得了42000组不同条件下温度及光照强度对CO₂饱和点的关系曲线及相应的调控区间。在CO₂浓度饱和点曲面上划分出来的高效调控区间如图5所示。

1.4 温室环境调控系统

本发明的调控系统原理如图6所示。其中，环境监测子系统采集设施内的实时温度、光照强度以及CO₂浓度信息，并将其感知信息无线发送至智能决策控制子系统中。智能决策控制子系统在高效调控区间内找到与当前环境值欧式距离最小点作为调控目标值。将调控目标值通过LoRa无线传感网络发送至环境调控子系统，最后调控设备接收动态调控指令，控制设施设备完成定量调控，实现实时环境温度与光照强度耦合的作物环境调控。

2 结果与讨论

2.1 光合速率模型结果讨论

模型拟合度为0.9663，光合速率均方根误差为3.2212μmol/(m²·s)，平均误差为2.6376μmol//(m²·s)。实测值与预测值拟合曲线如图2所示，预测值与实测值相关性较好，预测效果良好。

2.2 CO₂浓度饱和点曲面结果讨论

温度恒定时，CO₂饱和点随着光照强度先快速升高后缓慢下降，且随着温度逐渐升高，该趋势始终存在；光照强度恒定时，CO₂饱和点随着温度升高先快速升高后快速下降，当光照强度逐渐升高时，曲线的上升和下降过程都逐渐平缓。曲面中心区域存在一个最大CO₂饱和点，其值接近2000ppm，而边缘区域最小接近1000pm，最大值与最小值之间结果相差近一倍。CO₂浓度饱和点曲面如图3所示。

2.3 最优调控区间验证

分别对图5中适宜调控区域(A区间)和域外区域采样计算变异系数，适宜调控区间(A区间)的变异系数为0.045，外部区域变异系数为0.281。因此适宜区间内CO₂饱和点值接近，当环境被调控至该区间时，植物固定CO₂能力近似。

对曲率点极值点和最大点进行对比，当温度从21℃的曲率点提高至22℃的最大点时，CO₂饱和点仅提高0.1％；当光照强度从200μmol/(m²·s)的曲率点提高至600μmol/(m²·s)的最大点时，CO₂饱和点仅提高5.5％。因此，在不显著降低CO₂饱和点的情况下，利用曲率点获取的调控区间可更加低成本的调控环境。

2.4 调控效果验证

在实验箱中进行了调控效果验证，试验箱设置温度梯度为16、18、20、22、24、26℃，试验箱设置光照强度梯度为0、53.2、106.09、190.21、243.17、295.34和351.35μmol/(m²·s)。对培养箱的温度和光照强度依次按照梯度组合设定。将产生的CO₂气体通入模拟箱中，以4s为采样间隔观察箱子中CO₂浓度变化。随机选择4组CO₂随时间变化曲线如图7所示。植株在适宜区间下的CO₂下降速率显著高于非适宜区间曲线。考虑到原始数据含有噪声且不便计算，因此对原始数据进行SG平滑后使用负指数拟合，计算得适宜区间相比非适宜区间CO₂固定能力提高了20.83％～35.10％.由此可得，本发明提出的环境调控方法能够有效提升植株固定CO₂能力。

Claims (6)

1.面向碳中和需求的效率最优温室植物调控方法，其特征在于，包括：

步骤1，以温度、光照强度和环境空气CO₂浓度作为输入，以光合速率作为输出，构建光合速率模型；

步骤2，根据所述光合速率模型，基于爬山法构建不同温度与光照强度组合条件下的CO₂浓度饱和点曲面，方法为：

以设定温度值和光照强度值为步长，建立曲率获取温度条件数据样本集Tⁱ和光照强度条件数据样本P^j，完成光合速率模型对温度、光照强度的实例化，从而建立不同温度和光照强度条件下的CO₂浓度与光合速率的关系曲线，在CO₂浓度与光合速率的关系曲线中，利用爬山法获取CO₂浓度饱和点，得到不同温度与光照强度组合条件下的CO₂浓度饱和点曲面；

步骤3，将所述CO₂浓度饱和点曲面根据温度和光照强度分别离散化出温度-CO₂饱和点关系曲线和光照强度-CO₂饱和点关系曲线，并分别获取曲线曲率，将曲率极值点作为划分调控区间上下限；

步骤4，温度调控上下限点和光照强度调控上下限点分别连接后的曲线将CO₂浓度饱和点曲面划分为9个区域，中心区域即为目标调控区间；

步骤5，当环境温度和光照强度处于中心区域时，不做干预；当环境温度和光照强度处于中心区域外部时，选择目标调控区间中距离当前环境温度和光照强度欧式距离最短点作为调控目标值，将环境调控至目标调控区间。

2.根据权利要求1所述面向碳中和需求的效率最优温室植物调控方法，其特征在于，所述步骤1中，基于SVR算法构建光合速率模型，方法为：

采集不同温度、不同光照强度以及对应的CO₂浓度为原始数据，对原始数据归一化之后按比例划分训练集和测试集，以原始数据的温度、光照强度与CO₂浓度为输入向量，以原始数据的光合速率作为监督向量，并选择径向基核函数为核函数，通过网格搜索和3折交叉验证法进行多次经验计算获取最佳参数值惩罚因子C和影响因子g，进行模型训练与构建。

3.根据权利要求1所述面向碳中和需求的效率最优温室植物调控方法，其特征在于，所述步骤3中，离散化出温度曲线的方法是：先将特定光照强度固定，然后在温度的取值范围内等间隔获取离散CO₂饱和点，获得特定光照强度下的温度-CO₂饱和点关系曲线；

离散化出光照强度曲线的方法是：先将特定温度固定，然后在光照强度的取值范围内等间隔获取离散CO₂饱和点，获得特定温度下的光照强度-CO₂饱和点关系曲线。

4.根据权利要求1所述面向碳中和需求的效率最优温室植物调控方法，其特征在于，所述步骤3中，使用基于U弦长的离散曲率算法获取曲线曲率，将曲率极值点作为划分调控区间上下限。

5.根据权利要求4所述面向碳中和需求的效率最优温室植物调控方法，其特征在于，分别将温度-CO₂饱和点关系曲线和光照强度-CO₂饱和点关系曲线的CO₂饱和点最大值作为最优点，依据最优点将CO₂饱和点曲线分为高低环境值两段，分别求两段曲线的曲率极值大点，较低段曲线的曲率极值点所对应的环境值即调控下限值，较高段曲线的曲率极值点对应的环境值即环境调控上限值，以此上下限值作为调控点，形成调控区间。

6.根据权利要求5所述面向碳中和需求的效率最优温室植物调控方法，其特征在于，按照上述步骤计算出不同温度和光照强度组合条件下的温度调控上下限和光照强度调控上下限后，分别用温度下限值、温度上限值、光照强度上限值和光照强度下限值所构成的曲线将CO₂饱和点曲面划分为9个区间，中心区域即为目标调控区间，当当前温度与光照强度不在这个区间内时，从区间边缘选择距离当前环境值欧式距离最小点作为调控目标点进行调控。

Images