CN115226516B

CN115226516B - 一种设施光与二氧化碳环境协同调控方法

Info

Publication number: CN115226516B
Application number: CN202210795688.1A
Authority: CN
Inventors: 胡瑾; 高攀; 卢苗; 侯军英; 李慧敏; 蒲六如
Original assignee: Northwest A&F University
Current assignee: Northwest A&F University
Priority date: 2022-07-07
Filing date: 2022-07-07
Publication date: 2023-09-26
Anticipated expiration: 2042-07-07
Also published as: CN115226516A

Abstract

本发明为一种设施光与二氧化碳环境协同调控方法，温度、光和二氧化碳是三个直接影响植物光合速率的环境因子，其优化控制是实现温室作物高效生产的关键。通过光合速率嵌套试验获取响应数据。在此基础上建立光合速率预测模型，算法参数由量子遗传算法优化。通过固定温度，模型可构建不同光合响应曲面。基于曲面微分几何特征，提出了光与二氧化碳适宜调控区间获取方法，计算区域边界条件。考虑到调控成本和光合速率，构建了调控成本函数，并改进了传统NSgaII算法，利用多目标进化技术获取低调控成本与高光合速率的非劣解集。该非劣解集轨迹由多项式回归精准获取。该轨迹与适宜调控区域边界交点即为本发明所提出的光与二氧化碳调控目标值。

Description

一种设施光与二氧化碳环境协同调控方法

技术领域

本发明属于智慧农业技术领域，特别涉及一种设施光与二氧化碳环境协同调控方法。

背景技术

在设施园艺环境中，光、二氧化碳(Carbon dioxide concentration,CO₂)和温度是影响净光合速率的三个最重要的因素。光是能量来源，二氧化碳是光合作用原料，温度影响光合酶的活性。当温度适宜时，光照强度和二氧化碳浓度密切相关。不同光照强度下二氧化碳浓度对光合速率的影响不同，反之亦然。为探究这一关系，建立多因素耦合的光合速率预测模型具有重要意义。随着机器学习的发展，人工智能算法极大地提高了设施园艺环境光合速率预测模型的准确性。

对于设施环境的调控，越来越多的人关注光和二氧化碳的控制。然而，现有调控技术大多单独控制这两个因素。大多数传统环境因素调控体系采用固定阈值法，但阈值大多来源于专家建议或传统经验，容易受到主观因素影响。此外，它没有考虑不同环境条件下植物需求波动。已有研究提出通过保持作物的光合速率最大完成环境控制，然而维持最大光合速率将需要大量的调控资源(光、CO₂)。此外，强光可能导致色素破坏和植物衰老，高二氧化碳浓度可能导致人体伤害和温室气体增加。因此，这种方法对于生产来说还不够理想。也有研究指出在相应曲线的拐点进行环境调控可以提高调控效率，但是基于相应曲线的拐点调控缺乏对光合响应曲面整体变化的考虑，具有一定局限性。该方法由于仅从单一成本出发，未将光和CO₂共同调控成本与光合速率间的关系相联系，因而其调控区域存光合速率较低的情况。

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设施光与二氧化碳环境协同调控方法，基于光合响应曲面微分几何理论和综合成本函数与光合函数的多目标进化理论，实现设施环境中光照和CO₂浓度的协同调控，同时保持高光合速率和调控低成本。

为了实现上述目的，本发明采用的技术方案是：

一种设施光与二氧化碳环境协同调控方法，包括如下步骤：

步骤1，构建光合速率预测模型；

步骤2，实例化所述光合速率预测模型，构建光合响应曲面并计算其平均空间曲率，获取光照强度和二氧化碳浓度的调控区域；

步骤3，将调控所需的光照强度和二氧化碳浓度转化为价格，构造调控成本函数；

步骤4，构建多目标函数，所述多目标函数由调控成本目标函数和光合速率目标函数组成，获取调控成本与光合速率非劣解集，并计算非劣解集轨迹；

步骤5，计算所述调控区域的边界与非劣解集轨迹的交点，得到光照强度与二氧化碳浓度调控目标值。

与现有技术相比，本发明的有益效果是：

1)利用量子遗传算法优化光合速率预测模型关键参数，提升模型精度与算法构建速度。

2)考虑微分几何变化特征，采用空间曲率技术划分设施光和二氧化碳浓度适宜调控区间，有效降低了调控成本并保持较高光合速率。

3)构造调控成本函数与光合速率预测模型一同作为调控优化目标函数，并利用改进的NSgaII算法获取均匀的调控成本与光合速率非劣解集，可以实现成本与调控效果双重最优。

4)非劣解集轨迹与适宜调控区域边界交点作为光和CO₂调控目标，可实现不同环境下成本和光合速率综合最优的设施环境调控，提高了设施补光与补气的经济效益，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是本发明技术方案。

图3是本发明基于量子遗传优化的光合速率预测模型构建过程。

图4是本发明光合速率预测模型在特定温度下构造的光合响应曲面。

图5是本发明改进的NSgaII多目标进化算法流程图。

图6是本发明拥挤度示意图。

图7是本发明实验结果数据图，其中图(a)、(b)、(c)、(d)、(e)和(f)的二氧化碳浓度环境分别为400、800、1000、1300、1600、1900μmol·mol^-1。

图8是本发明量子遗传过程的均方根误差变化曲线。

图9是本发明算法参数误差曲面。

图10是本发明光合速率预测模型对训练集、测试集和验证集的回归结果。

图11是本发明光合速率预测模型针对位置数据的残差分布情况。

图12是本发明光合响应曲面的微分几何平均曲率变化和适宜调控区域划分。

图13是本发明基于微分几何原理的适宜调控区域。

图14是本发明多目标进化非劣解集结果。

图15是本发明调控目标值结果，其中(a)图是适宜调控区域边界点与多目标进化非劣解集在光合响应曲面上的交叉展示，(b)图是(a)图在光照强度-二氧化碳浓度平面投影，(c)图是调控目标值。

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。

本发明为设施光与CO₂环境协同调控方法，融合多目标进化和空间曲率理论，可实现不同温度条件下作物低成本高效生长的光和CO₂调控，如图1和图2所示，其包括如下步骤：

步骤1，设计实验。

以番茄为例，针对长势一致的五叶一心番茄幼苗，设计温度、二氧化碳调和光照强度的多环境因子嵌套实验，获取其光合速率数据，具体试验材料与数据如下：

试验于2018年9-10月在西北农林科技大学泾阳蔬菜试验示范站日光温室进行。以“金鹏-8b”番茄幼苗为试验材料。为保证试验样本的一致性，番茄育苗试验每7天重复一次。在每批实验中，种子在品氏基质(丹麦)中生长，并保存在一个72孔的托盘中。30天后，种子被移栽到温室中，随机选取健康、高度、状态相近的30株健壮番茄幼苗生长至第五叶完全发育时作为实验样本。在不同温度、二氧化碳浓度和光照强度条件下测定了第5叶位的光合速率值。一周后，选取新批次的30株幼苗作为实验样本，以确保待测植株始终充足、一致。共选取5批幼苗作为实验样本。

实验中使用的是LI-6800便携式光合仪(美国LI-COR公司)。为获得环境因素耦合预测模型的建模数据，选择LI-6800多个子模块根据控制叶室环境参数。在流量控制模块中设置流量为500μmol·s^-1，在湿度控制模块中设置相对湿度为50％。温度控制模块设置10个实验温度梯度，LED光源模块设置18个光照强度梯度，CO₂控制模块设置10个二氧化碳浓度梯度。最终获得1800组(10×10×18)实验数据。

步骤2，构建光合速率预测模型。

本发明利用量子遗传算法优化支持向量机参数，构建光合速率预测模型。

光合实验数据表明了环境条件对光合速率的响应，它们有四个维度，包括三个特性(光照强度，二氧化碳浓度和温度)和一个标签(光合速率)。这些来自不同维度的数据应该归一化到相同的量级。归一化后的数据按比例(本实施例中为6:2:2)构建模型训练集、测试集和验证集，归一化区间为[0.1,0.8]，归一化公式如下：

式中，D为一维的原始数据；

D_min是该维度中所有数据的最小值；

D_max是该维度中所有数据的最大值；

D’是一维的归一化数据。

完成训练数据集划分后，利用支持向量机算法构建了番茄光合速率预测模型。支持向量机回归算法包含两项关键参数，惩罚因子c和核函数参数g。为实现最优c、g值的获取，以测试集数据的均方根误差(root mean square error，RMSE)评价模型优越性，以量子遗传算实现c、g值快速优化。

量子遗传算法是利用量子计算理论进行仿生物进化模拟的一种新兴算法，其核心是量子比特编码和量子门更新。算法中染色体用适当的量子态来表示，染色体进化由量子门的旋转来实现。随进化代数增加，每个染色体量子叠加状态将会趋近于固定值，最后逐渐稳定，实现收敛，完成寻优操作，最后选出适应度数值最高的个体，即为问题的最优解。基于量子遗传算法优化的光合速率预测模型构建流程如图3所示。具体过程为：

1.确定种群规模、染色体条数、每条染色体的基因个数和进化代数。其中，种群规模与优化速度相关，染色体条数与优化参数数量一致，每条染色体的基因个数与优化精度相关，进化代数与最终优化收敛情况相关。

2.根据每个个体的概率幅值生成对应的二进制码，组成每条染色体，编码方案如下：

θ_ij＝2π×rand，i＝1，2，···，n，j＝1，2，···k (3)

其中，θ表示量子比特的相位；

k表示解空间的维度；

rand表示[0,1]范围内的随机值。

3.以模型对测试集数据的均方根误差为适应度函数，在计算过程中得到种群所有染色体适应度值，保存适应度值最大的染色体作为后续代数进化目标。

4.比较当前状态与终止条件状态，若当前状态符合终止条件则停止运算，反之则进入下一步。

5.计算旋转角度，更新所有个体的概率幅值。量子旋转门具体表示为：

6.判断是否达到进化停止条件，若未达到停止条件，则进化代数加1，转步骤2继续执行，否则结束循环，并提取最大适应度个体，解码获得优化后的支持向量机惩罚因子c和核函数参数g。

针对支持向量机惩罚因子c和核函数参数g的优化完成后，将其代入支持向量机算法，利用训练集数据可训练获得支持向量与最佳回归超曲面，该超曲面函数即为最终光合速率预测模型：

式中，是核函数；

X是环境的输入数据；

X_i为核函数的中心；

m为支持向量的个数；

b为模型偏差项；

α_i是求解过程中的拉格朗日乘数。

步骤3，构建光合响应曲面并计算其平均空间曲率，获取光照强度和二氧化碳浓度的调控区域。

在温度一定的条件下，实例化光合速率预测模型可以计算构建光合响应曲面，如图4所示。曲面底部光合速率较小但变化较快，曲面顶部光合速率较大且变化平缓，是适宜的调控区域。在该区域光合速率保持较大，且难以随光照强度和二氧化碳浓度的提升而增大。为获取该区域具体位置，考虑到曲面两部分交界处的几何变化较大。针对该几何学微分变化特征，本发明利用光合曲面微分几何变化计算曲面上各点平均曲面曲率(也即光合曲面的平均空间曲率)，然后扫描曲率最大点即为调控区域边界。

具体地，基于光合速率预测模型，以光照强度和二氧化碳浓度为输入，光合速率为输出，建立当前温度条件下的光合响应曲面，并进行曲面归一化。根据归一化后的光合响应曲面的数据变化，针对光合响应曲面上的点，依据微分几何理论，先分别计算光合速率对光照强度和二氧化碳浓度的一阶导、二阶导，如式(1～5)所示：

式中，f(·)为光合速率预测模型；

Z_x、Z_y、Z_xx、Z_yy、Z_xy分别表示光合速率对光照强度的一阶偏导、光合速率对二氧化碳浓度的一阶偏导、光合速率对光照强度的二阶偏导、光合速率对二氧化碳浓度的二阶偏导、光合速率对光照强度和二氧化碳浓度的二阶偏导；

t表示当前温度；

x₀和y₀分别表示当前光照强度和二氧化碳浓度；

Δx和Δy分别表示光照强度和二氧化碳浓度的微分增量。

基于偏微分计算结果，进一步计算曲面曲率特征，包括最大主曲率K₁和最小主曲率K₂，如式(5，6)所示：

其中，a、b、c的公式如下式所示：

a＝1+Z_x ²+Z_y ² (7)

最终获得平均曲率为：

利用空间曲率技术，可获取光照强度和二氧化碳浓度调控区域：

从光照强度方向，以wμmol·m^-2·s^-1为间隔采样，扫描获的每个光照强度采样点的最大平均曲率；从二氧化碳浓度方向，以wμmol·mol^-1为间隔采样，扫描获的每个二氧化碳浓度采样点的最大平均曲率。示例地，w＝2。将采样扫描获得的数据点投影在二氧化碳浓度-光照强度平面上，采用三次样条回归法拟合两条曲线，曲线与二氧化碳浓度轴和光照强度轴所包围区域即为光照强度和二氧化碳浓度调控区域。

步骤4，同时考虑成本与光合速率大小的多目标进化非劣解集获取。

本发明中，基于光合速率预测模型，将调控的光照强度和二氧化碳浓度转化为价格，构造调控成本函数。先并在此基础上进一步构建多目标函数，多目标函数由调控成本目标函数和光合速率目标函数组成，获取调控成本与光合速率非劣解集，之后计算非劣解集轨迹。

调控成本包括光照强度的调控成本和二氧化碳浓度的调控成本。对于光照强度的调控成本，设计补光灯光照强度和功率测试实验，获得光照强度与耗电量的关系：

f_light＝P×time×E_price×n

式中，f_light是光照强度的调控成本；P是补光灯功率；time是补光时间；E_price是用电单价；n是补光灯个数。

对于二氧化碳浓度的调控成本，根据待调控温室体积与二氧化碳浓度成本计算，如下式所示：

式中，f_CO2是二氧化碳浓度的调控成本；P_t是温室压强；V是温室体积；R是理想气体常数；T是温室温度，M_CO2是二氧化碳的摩尔质量，C是二氧化碳浓度；C_price是二氧化碳单价。

调控成本为f_light和f_CO2之和。

本发明研究了补光灯光照强度和用电量之间的关系。设计实验测定光子通量密度与补光灯功率，并利用最小二乘回归获得补光灯光照强度与功率关系为：

P＝0.69×PPFD (11)

PPFD为补光灯光照强度。

假定农业用电成本平均为0.5元每千瓦时、实验共部署4台补光灯以及每次采样周期10分钟，光环境调控成本函数为：

C_E＝2.296×10^-4×PPFD (12)

实验温室体积为126.72m³，假设外界大气压力为1个标准大气压，在二氧化碳浓度为C时，温度为T时，温室中所需CO₂物质的量为：

式中，n_CO2是所需CO₂物质的量；p是大气压力。

假定CO₂气体价格为1元每公斤，考虑CO₂摩尔质量为44g/mol，可以计算获得CO₂的调控成本函数为：

成本函数为补光用电成本和用气成本总和：

Cost(PPFD,CO₂)＝2.296×10^-4×PPFD+2.241×10^-4×CO₂ (15)

式中，PPFD和CO₂分别为目标光照强度和目标二氧化碳浓度.

考虑到成本与光合速率可能不在同一数量级，需对成本函数与光合速率预测模型归一化，本实施例中，将其归一化到[0,1]之间，其表达式为：

f₁(T,PPFD,CO₂)

式中，CO₂为目标二氧化碳浓度；f₁(·)表示成本目标函数。

光合速率目标函数通过变换所述光合速率预测模型获取，其表达式为：

式中，f(·)为光合速率预测模型，f₂(·)表示光合速率目标函数，当f₁(·)越小时，调控成本越低；f₂(·)越小时，光合速率越高。

由此，本实施例中多目标函数表达如下：

式中，PPFD为目标光照强度，CO₂为目标二氧化碳浓度。

设置进化限制条件为：

目标函数f₁(·)越小，调控成本越低；f₂(·)越小，光合速率越高，因此在多目标进化过程中，目标函数最小值非劣解集将被计算获取。算法采用改进的NSgaII算法，算法流程如图5所示。相比于原始NSgaII算法，本发明引入轮盘赌自然选择规则，该规则相比直接进行保存精英策略引入了更多优势个体，避免了父代优势个体始终保持不变的情况。由于精英保存策略最终将优势基因都会保留下来，因而为避免基因重复，轮盘赌规则选择过的个体将排除在下一次选择中。对于拥挤度的求解规则，相比于原始NSgaII算法，本发明以待求点距最近的两点距离之和为拥挤度，而非待求点距左右两点距离，避免如图6所示情况。在图6中，A点显然相比于B点更拥挤，但是按原始NSgaII算法中拥挤度计算方法则是B点更拥挤。

本发明非劣解集的具体计算步骤如下：

步骤41，设置种群规模、个体染色体条数、每条染色体上的基因个数和进化代数，以函数f₁(·)和f₂(·)为目标，初始化调控种群为父代种群；算法中，种群规模即为种群中个体数量，每个个体由目标函数的自变量组成，个体染色体条数即为目标函数个数，每条染色体上的基因个数即为目标函数的自变量个数，进化代数是算法结束条件。

步骤42，父代种群染色体根据概率交叉、变异，生成子代种群1。

步骤43，父代种群染色体根据概率交叉、变异，生成子代种群2。

步骤44，子代种群1和子代种群2合并为子代种群，并对子代种群的个体快速非支配排序，计算个体拥挤度。

示例地，待计算拥挤度的个体i与其最近两个个体i-1、i+1的距离和作为个体拥挤度m_i：

m_i＝D(i,i-1)+D(i,i+1)

D(i,i-1)表示个体i与其最近个体i-1的距离，D(i,i+1)表示个体i与其最近个体i+1的距离。

步骤45，根据子代个体快速非支配排序等级和个体拥挤度赋予虚拟适应度。

示例地，虚拟适应度的分配包括以下步骤：

步骤451，确定种群非支配排序等级总数为N；

步骤452，针对所有非支配排序等级为N’的个体，计算个体总拥挤度为M：

式中，i表示非支配排序等级为N’的个体中的第i个，n_N’表示非支配排序等级为N’的个体总数。

步骤453，非支配排序等级为N’，个体拥挤度为m_i的任一个体，其虚拟适应度为：

步骤454，对所有个体重复步骤453，直到所有个体都被分配虚拟适应度。

步骤46，根据轮盘赌注原则从子代种群个体中筛选与父代种群个体数量一致的新子代种群，轮盘每选择出一个个体，该个体即从总体种群中删除。

步骤47，将父代种群和新子代种群合并为新种群，并利用保存精英策略生成新父代种群。

步骤48，计算新父代种群个体快速非支配排序等级，排序等级为0的个体作为当前代非劣解，所有非劣解组成非劣解集，并与所有代非劣解比较，更新非劣解集；

步骤49，判定是否达到进化代数，若未达进化代数则转至步骤42，若达到进化代数则结束进化。

进化完成后可获得同时考虑成本最优和光合速率最优的调控目标非劣解集。所述非劣解集在光照强度-二氧化碳浓度平面的投影后，利用一元三次多项式回归算法获取拟合曲线，可获得成本与光合速率双优的非劣解集轨迹。

步骤5，光和CO₂调控目标值获取。

通过计算调控区域的边界与非劣解集轨迹的交点，即可得到光照强度与二氧化碳浓度调控目标值。具体地，根据二氧化碳浓度-光照强度平面上的调控区域的边界曲线与非劣解集轨迹曲线，计算二者交点，即为光照强度和二氧化碳浓度调控目标值。

考虑调控成本同时保持较高光合速率，步骤3实现了调控目标区域选择，在该区域边界曲线上的调控成本最低。同时考虑到成本和光合双重最优，步骤4实现了成本与光合速率的调控非劣解集获取。二者的交点可以在成本较低时保持较高光合速率，同时光合速率与成本皆是最优。因而计算非劣解轨迹曲线与调控区间边界曲线的交点即为本发明光和CO₂调控的目标值。

采用本发明的实验结果：

光合作用实验数据(如图7所示)表明，光合速率随光照强度的增加而增加。而光合速率在低光照强度下增长较快，在高光照强度下增长缓慢。这可能是由于在高光照强度下光合作用的光抑制。在高温或低温下，与光合作用相关的酶可能会减少，从而降低光合作用对原材料和能量的需求。此外，随着环境中二氧化碳浓度的增加，植物需要更多的光能来完成光合作用，导致其光合速率增加。不同二氧化碳浓度下对比鲜明的光响应曲线(如图7)表明，作物的光合速率受温度、光照强度和二氧化碳浓度耦合的影响。

采用本发明方法的光合速率预测结果：

在光合速率预测模型构建过程中，量子遗传算法快速精准完成了算法参数c和g的优化。量子遗传过程中的RMSE变化曲线如图8所示，在遗传进化过程中误差迅速降低，进化至45代时，误差收敛到极限，获得最佳参数。参数c和g的误差曲面如图9所示，量子遗传算法的优化结果为c＝49.13，g＝3.07，此时均方根误差仅1.49μmol·mol^-1，是曲面最低点，达到误差精度要求。

针对训练集、测试集和验证集数据，模型回归结果如图10所示，在训练集上，模型决定系数(Coefficient of determination，R²)达0.9847，平均绝对误差(Mean absoluteerror，MAE)为1.22μmol·m^-2·s^-1，RMSE为1.45μmol·m^-2·s^-1。在测试集上，模型R²达0.9856，RMSE为1.42μmol·m^-2·s^-1，MAE为1.19μmol·m^-2·s^-1，性能优于训练集可能是因为测试集误差最低是模型寻优标准。针对未知验证集数据，模型R²也高达0.9826，MAE和RMSE分别为1.26和1.50μmol·m^-2·s^-1。模型对未知数据的残差分布如图11所示，残差分布均匀且集中在2以下，极少一部分残差超过2.8，表明光合速率预测模型精准且泛化能力强。

采用本发明方法的光和CO₂高效调控区域结果：

光合响应曲面平均曲率变化如图12中(a)所示，不同区域曲率呈不同特征，在光照强度和二氧化碳浓度方向分别扫描曲率曲面，将最大曲率点绘制在光合响应曲面上，获得两条相交的曲线，如图12中(b)所示。这两条曲线所包围的区域光合速率较大且曲面平缓，是适宜的光合速率调控目标。将所扫描获得的最大曲率点投影在光照强度-二氧化碳浓度平面并利用三次样条回归可以获得精准的区域边界，如图13所示。

采用本发明方法考虑成本与光合速率大小的多目标进化非劣解集获取结果：

同时考虑成本最低和光合速率最大的目标，利用改进的NSgaII多目标进化算法获取该目标非劣解前沿如图14中(a)所示，非劣解分布均匀，形成明显的前沿。而图14中(b)所示内容表明非劣解集在光合响应曲线上的轨迹。非劣解轨迹在光合响应曲面上部有个明显的弯弧是因为顶部光合速率随着二氧化碳浓度的增加却陷入停滞，但是光照强度的增加依然带来光合速率的收益，因而更有价值的解是向光增强的方向进化而非向更高CO₂的方向进化。这个弯弧的大小会随光和CO₂的成本以及光合响应曲面的形态变化而变化。将非劣解集映射在光照强度-CO₂平面并利用一元三次多项式回归可以获得精准的非劣解轨迹，在该轨迹上的光与CO₂调控目标可实现成本与光合速率双重最优。

采用本发明方法光照强度与二氧化碳浓度调控目标值结果：

考虑曲面微分几何变化特征的适宜调控区域内，光合速率基本达到饱和，更多的光和CO₂并不能明显提升光合速率，反而会增加调控成本。因而该曲面边界是成本最低的调控目标。同时，在考虑调控成本与光合速率的多目标优化过程中，获得的非劣解集是调控成本和光合速率双重最优调控目标，该非劣解集与适宜调控区域边界相交，如图15中(a)所示。二者交点即为最佳调控目标点，一方面确保成本较低、光合速率较高，另一方面该点是光合速率与调控成本的非劣解。将非劣解集与适宜区域投影在光照强度-二氧化碳浓度边界如图15中(b)所示，通过三次样条和一元三次多项式回归，计算二者交点可以得到精准调控目标值，如图15中(c)所示。

Claims

1.一种设施光与二氧化碳环境协同调控方法，其特征在于，包括如下步骤：

步骤1，构建光合速率预测模型；

步骤5，计算所述调控区域的边界与非劣解集轨迹的交点，得到光照强度与二氧化碳浓度调控目标值；

其中：

所述步骤2，在恒定温度下构建光合响应曲面，并利用光合曲面微分几何变化计算其平均空间曲率，包括如下步骤：

步骤21，基于所述光合速率预测模型，以光照强度和二氧化碳浓度为输入，光合速率为输出，建立当前温度条件下的光合响应曲面，并进行曲面归一化；

步骤22，根据归一化后的光合响应曲面的数据变化，依据微分几何理论，分别计算光合速率对光照强度与二氧化碳浓度的一阶导、二阶导，如下式所示：

式中，f(·)为光合速率预测模型；

t表示当前温度；

x₀和y₀分别表示当前光照强度和二氧化碳浓度；

Δx和Δy分别表示光照强度和二氧化碳浓度的微分增量；

步骤23，根据步骤22中的计算结果，计算曲面曲率特征，包括最大主曲率K₁和最小主曲率K₂，如式所示：

其中，a、b、c的公式如下式所示：

a＝1+Z_x ²+Z_y ²

最终获得平均空间曲率为：

利用空间曲率技术获取光照强度和二氧化碳浓度调控区域，方法如下：

从光照强度方向，以wμmol·m^-2·s^-1为间隔采样，扫描获得每个光照强度采样点的最大平均曲率；从二氧化碳浓度方向，以wμmol·mol^-1为间隔采样，扫描获的每个二氧化碳浓度采样点的最大平均曲率；

将采样扫描获得的数据点投影在二氧化碳浓度-光照强度平面上，采用三次样条回归法拟合这些点，获得两条曲线，曲线与二氧化碳浓度轴和光照强度轴所包围区域即为光照强度和二氧化碳浓度调控区域。

2.根据权利要求1所述设施光与二氧化碳环境协同调控方法，其特征在于，所述步骤3，所述调控成本包括光照强度的调控成本和二氧化碳浓度的调控成本；

对于光照强度的调控成本，设计补光灯光照强度和功率测试实验，获得光照强度与耗电量的关系：

f_light＝P×time×E_price×n

式中，f_light是光照强度的调控成本；P是补光灯功率；time是补光时间；E_price是用电单价；n是补光灯个数；

式中，f_CO2是二氧化碳浓度的调控成本；P_t是温室压强；V是温室体积；R是理想气体常数；T是温室温度，M_CO2是二氧化碳的摩尔质量，C是二氧化碳浓度；C_price是二氧化碳单价；

调控成本为f_light和f_CO2之和。

3.根据权利要求2所述设施光与二氧化碳环境协同调控方法，其特征在于，所述调控成本目标函数通过将调控成本函数归一化到[0,1]之间获取，其表达式为：

f₁(T,PPFD,CO₂)

式中，PPFD为目标光照强度；CO₂为目标二氧化碳浓度；f₁(·)表示成本目标函数；

所述光合速率目标函数通过变换所述光合速率预测模型获取，其表达式为：

4.根据权利要求1所述设施光与二氧化碳环境协同调控方法，其特征在于，所述步骤4，非劣解集基于遗传算法计算，包括如下步骤：

步骤41，设置种群规模、个体染色体条数、每条染色体上的基因个数和进化代数，以函数f₁(·)和f₂(·)为目标，初始化调控种群为父代种群；算法中，种群规模即为种群中个体数量，每个个体由目标函数的自变量组成，个体染色体条数即为目标函数个数，每条染色体上的基因个数即为目标函数的自变量个数，进化代数是算法结束条件；

步骤42，父代种群染色体根据概率交叉、变异，生成子代种群1；

步骤43，父代种群染色体根据概率交叉、变异，生成子代种群2；

步骤44，子代种群1和子代种群2合并为子代种群，并对子代种群的个体快速非支配排序，计算个体拥挤度；

步骤45，根据子代个体快速非支配排序等级和个体拥挤度赋予虚拟适应度；

步骤46，根据轮盘赌注原则从子代种群个体中筛选与父代种群个体数量一致的新子代种群，轮盘每选择出一个个体，该个体即从总体种群中删除；

步骤47，将父代种群和新子代种群合并为新种群，并利用保存精英策略生成新父代种群；

5.根据权利要求4所述设施光与二氧化碳环境协同调控方法，其特征在于，所述步骤44，待计算拥挤度的个体i与其最近两个个体i-1、i+1的距离和作为个体拥挤度m_i：

m_i＝D(i,i-1)+D(i,i+1)

D(i,i-1)表示个体i与其最近个体i-1的距离，D(i,i+1)表示个体i与其最近个体i+1的距离；

所述步骤45，虚拟适应度的分配包括以下步骤：

步骤451，确定种群非支配排序等级总数为N；

6.根据权利要求1或5所述设施光与二氧化碳环境协同调控方法，其特征在于，所述步骤4，将所述非劣解集映射到二氧化碳浓度-光照强度平面上，并采用三次多项式回归获取拟合曲线，即非劣解集轨迹。

7.根据权利要求1所述设施光与二氧化碳环境协同调控方法，其特征在于，所述步骤5，根据二氧化碳浓度-光照强度平面上的调控区域的边界曲线与非劣解集轨迹曲线，计算二者交点，即为光照强度和二氧化碳浓度调控目标值。