效益優(yōu)先的溫室光照優(yōu)化調(diào)控模型研究*

單慧勇，李晨陽，張程皓，趙輝，衛(wèi)勇，郭旭存

(天津農(nóng)學院工程技術學院，天津市，300384)

0 引言

光是植物進行光合作用的主導因子[1-4]，在設施溫室種植方面，以提高作物光合速率為目的，綜合考慮溫度及二氧化碳濃度，建立植物光照優(yōu)化調(diào)控模型，是設施溫室智能調(diào)控系統(tǒng)的重要組成部分。

光照優(yōu)化調(diào)控模型的基礎是光合速率預測模型，傳統(tǒng)的預測模型存在擬合精度低等問題，近年來，眾多學者以光合作用的主要影響因子為變量進行光合速率預測模型研究[5-9]，構(gòu)建了不同的光合速率模型，極大改善了預測模型的適應性和準確度。在光照調(diào)控方面，以光飽和點為調(diào)控指標的調(diào)控模型得到廣泛應用研究[10]，然而基于飽和點的調(diào)控雖可達到最大光合速率，但會造成調(diào)控效益下降；目前，在考慮環(huán)境參數(shù)調(diào)控效益的前提下，胡瑾、白京華等基于離散曲率尋找光響應曲線曲率最大值點對應的光照強度作為效益最優(yōu)的調(diào)控目標值[11-13]，可在有效降低調(diào)控成本的前提下提升作物光合速率。

本文在考慮光合速率與光照調(diào)控效益的前提下，首先研究構(gòu)建基于LS-SVM的光合速率預測模型，繼而設計了兩種基于曲線平滑差分曲率的光照目標值尋優(yōu)方案，經(jīng)分析提出了融合兩種尋優(yōu)方案獲取效益優(yōu)先的光照調(diào)控目標值，最后基于BP神經(jīng)網(wǎng)絡構(gòu)建光照優(yōu)化調(diào)控模型，通過遠程控制系統(tǒng)實現(xiàn)溫室光照融合效益原則的精準高效調(diào)控。

1 材料與方法

1.1 試驗設計

試驗于2019年12月在天津農(nóng)學院西校區(qū)實訓基地溫室內(nèi)進行，以黃瓜品種津優(yōu)35為試驗材料。環(huán)境因子變量包括溫度、光照強度及二氧化碳濃度，其中溫度設定為6梯度，光照強度設定為8梯度，二氧化碳濃度設定為7梯度，具體如表1所示，試驗采用各環(huán)境因子間嵌套的方式進行設計。

表1 環(huán)境變量設置Tab. 1 Settings of environment variable

1.2 凈光合速率的測量

選取植株生長狀況差異較小、健壯的黃瓜植株進行試驗，測量設備為CI-340便攜式光合作用儀，其可按需控制測量葉室的小環(huán)境，以設置不同試驗條件，為避免植物“午休現(xiàn)象”對數(shù)據(jù)采集的影響，選擇在9∶00～ 11∶30和14∶00～16∶30進行試驗[14-15]。本試驗為單葉片瞬時試驗，為得到足夠穩(wěn)定的凈光合速率，選擇連續(xù)2 d以上相同天氣進行測量，測量前充分誘導夾入葉室的葉片。最終形成以溫度、二氧化碳濃度、光照強度PPFD為輸入，光合速率Pn為輸出的314組試驗樣本集。

2 模型構(gòu)建

本文分3步構(gòu)建光照調(diào)控模型。首先基于LS-SVM構(gòu)建黃瓜光合速率預測模型；其次通過構(gòu)建的光合速率預測模型獲取不同溫度與二氧化碳濃度下各光強所對應光合速率關系，提出兩種基于曲線平滑差分曲率的光照調(diào)控目標值獲取方案，繼而基于BP神經(jīng)網(wǎng)絡構(gòu)建兩種調(diào)控方案的光照調(diào)控模型。

2.1 基于LS-SVM的黃瓜光合速率預測模型

本文采用LS-SVM算法構(gòu)建光合速率預測模型[16]，其具體流程圖如圖1所示。

圖1 光合速率預測模型流程圖Fig. 1 Flow chart of photosynthetic rate prediction model

影響黃瓜光合速率的主要影響因素有溫度、光強及CO2濃度，光合速率模型的構(gòu)建，就是尋求溫度(x1)、光強(x2)及二氧化碳濃度(x3)和輸出光合速率(y)之間的關系：y=f(x1，x2，x3)。

基于試驗所得到的數(shù)據(jù)，利用matlabR2018b進行編程，對前期314組數(shù)據(jù)進行隨機排序，取前251組數(shù)據(jù)作為預測模型的輸入，占總數(shù)據(jù)的80%，剩余63組對預測模型進行檢驗。由于各輸入?yún)?shù)及輸出參數(shù)的數(shù)量級不同，采用Matlab平臺自帶的歸一化函數(shù)mapminmax，模型歸一化區(qū)間為[0.2,0.9];選取徑向基函數(shù)作為核函數(shù)進行建模[17]；gam是控制錯分樣本懲罰程度的可調(diào)參數(shù)，sig2是徑向基核函數(shù)的參數(shù)，通過網(wǎng)格搜索獲取最優(yōu)的建模參數(shù)gam和sig2[18]，其確定的gam=263.549,sig2=0.204 042 5。模型各參數(shù)確定后調(diào)用LS-SVM工具箱的trainlssvm函數(shù)進行光合速率預測模型的構(gòu)建。

2.2 不同尋優(yōu)方案下的光照最優(yōu)值獲取方案

本文提出了兩種光照尋優(yōu)方案，方案一依據(jù)光照增長相對價值曲線曲率最大值進行尋優(yōu)，方案二依據(jù)光合速率增長率曲線曲率最大值進行尋優(yōu)。其中光照增長價值等于Pn/PPFD,光合速率增長率=(Pni-Pnj)/Pnj(i=1,…,n-1;j=2,…,n),式中n為光合速率樣本數(shù)。

為清晰地描述本部分的研究內(nèi)容，繪制不同尋優(yōu)方案下的光照最優(yōu)值獲取流程圖如圖2所示。

為精確地描述程序中的尋優(yōu)條件及尋優(yōu)目標函數(shù)等關鍵參數(shù)，現(xiàn)結(jié)合流程圖，對上述兩種尋優(yōu)方案的具體操作步驟進行如下描述。

1) 獲取不同環(huán)境因子嵌套條件下的光合速率。在試驗梯度范圍內(nèi)，通過循環(huán)形式以每個環(huán)境因素的不同步長增加的形式，可獲取嵌套環(huán)境因子的所有梯度條件。本文設置溫度區(qū)間為12 ℃～33 ℃，固定步長為1 ℃；二氧化碳濃度區(qū)間為300～1 300 μmol/mol, 固定步長為50 μmol/mol;光照強度設定范圍為100～1 700 μmol/(m2·s),固定步長為5 μmol/(m2·s)。通過調(diào)用已建立的LS-SVM光合速率預測模型，獲取上述環(huán)境因子嵌套條件下對應的光合速率。

2) 采用曲線平滑的差分曲率計算尋優(yōu)。在不同尋優(yōu)方案下的光照最優(yōu)值獲取過程中，需要進行溫度實例化和二氧化碳濃度實例化，獲取對應曲線尋優(yōu)。方案一以光照增長相對價值為評價指標，方案二以光合速率增長率為評價指標。尋優(yōu)時確定溫度與二氧化碳濃度，光強依次遞增，繪制評價指標曲線。

圖2 不同尋優(yōu)方案下的光照最優(yōu)值獲取流程圖Fig. 2 Flow chart of obtaining the optimal value of illumination under different optimization schemes

基于曲線平滑的差分曲率進行曲率計算[19-21]，記所需處理的曲線

C={P1,P2,…,Pn}

(1)

式中:Pi——邊界像素點,Pi=(xi,yi)。

應用高斯函數(shù)將曲線平滑處理，記處理后的曲線

(2)

繼而應用差分法計算當前點的離散曲率

(3)

按照以上方法對兩種方案下評價指標曲線各點求曲率并找出最大值點，此最大值對應的光強即尋優(yōu)光強，記錄和保存其對應的光照強度，直到獲取所有評價指標曲線曲率最大點對應的光照強度結(jié)束。

2.3 基于BP神經(jīng)網(wǎng)絡的光照強度優(yōu)化模型的構(gòu)建

基于上述兩種尋優(yōu)方法，分別得到了以溫度、二氧化碳為輸入，以光照強度調(diào)控目標值為輸出的462組目標數(shù)據(jù)集，采用BP神經(jīng)網(wǎng)絡分別進行光照強度優(yōu)化模型構(gòu)建。

隨機選取方案一中351組數(shù)據(jù)作為預測模型的輸入，占總數(shù)據(jù)的76%，剩余111組對預測模型進行檢驗。在訓練時數(shù)據(jù)歸一化處理函數(shù)采用MATLAB自帶函數(shù)mapminmax。模型設計為三層神經(jīng)網(wǎng)絡，結(jié)合式(4)確定隱層節(jié)點的數(shù)[22]。

(4)

式中:m——隱層節(jié)點數(shù)；

q——輸入層節(jié)點數(shù)(本文為2)；

l——輸出層節(jié)點數(shù)(本文為1)；

α——1～10之間的常數(shù)。

經(jīng)過多次反復的訓練和調(diào)試，最終將隱層的神經(jīng)元設置為4；網(wǎng)絡訓練的目標誤差為0.000 1，訓練步數(shù)設為1 000步，在此基礎上網(wǎng)絡隱含層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為logsig。方案二的光照強度優(yōu)化模型構(gòu)建方案與方案一相同。

3 模型的驗證與結(jié)果分析

3.1 光合速率預測模型驗證結(jié)果

在MATLAB的LS-SVM工具箱中調(diào)用simlssvm函數(shù)進行模型驗證，將預測結(jié)果與實際樣本進行反歸一化處理，結(jié)果表明其平均絕對誤差為0.629 7 μmol/(m2·s),決定系數(shù)0.967 4，均方誤差為0.827 3 μmol/(m2·s);預測結(jié)果誤差如圖3所示，由圖3可見，基于LS-SVM建立的光合速率預測模型誤差較小，即使最大的誤差也均保持在4.5 μmol/(m2·s)的范圍之內(nèi)，即可以較好預測作物光合速率變化趨勢。

圖3 預測結(jié)果誤差圖Fig. 3 Error chart of prediction results

3.2 不同尋優(yōu)方案下的光照調(diào)控模型目標值獲取結(jié)果分析

在建模過程中每種方案均獲取了462組不同條件下光照的調(diào)控點，由于無法完全羅列，故下文僅展示溫度為18 ℃～28 ℃以2 ℃為步長，二氧化碳從300～1 300 μmol/mol 區(qū)間以100 μmol/mol為步長條件下的不同尋優(yōu)方案光照獲取結(jié)果，如圖4所示，三角形為方案一所確定的補光點，正方形形為方案二所確定的補光點，星形為傳統(tǒng)光飽和點所確定的補光點。

(a) T=18 ℃時不同CO2濃度下光合速率與光照強度關系圖

(b) T=20 ℃時不同CO2濃度下光合速率與光照強度關系圖

(c) T=22 ℃時不同CO2濃度下光合速率與光照強度關系圖

(d) T=24 ℃時不同CO2濃度下光合速率與光照強度關系圖

(e) T=26 ℃時不同CO2濃度下光合速率與光照強度關系圖

(f) T=28 ℃時不同CO2濃度下光合速率與光照強度關系圖

由圖4可以發(fā)現(xiàn)，方案一光調(diào)控點在低于23 ℃時，隨著二氧化碳濃度升高，光照調(diào)控點逐漸降低，在高于23 ℃時，隨著二氧化碳濃度升高，光照調(diào)控點小幅度增長；方案二的光調(diào)控點與溫度和二氧化碳濃度呈正相關，同一二氧化碳濃度下，隨著溫度升高，所需光強也隨之高，同一溫度下，隨著二氧化碳濃度升高，所需光強也隨之升高。

進一步分析不同溫度下方案一與方案二光照調(diào)控點的變化，可以發(fā)現(xiàn)在溫度較低時，基于方案二所獲取的光照調(diào)控點低于基于方案一所獲取的光照調(diào)控點；在溫度較高時，基于方案二所獲取的光照調(diào)控點高于基于方案一所獲取的光照調(diào)控點；基于上述分析，提出效益優(yōu)先的光照調(diào)控策略：在獲取實時溫度與二氧化碳環(huán)境參數(shù)后，輸入到兩個調(diào)控模型中，獲取兩個光強調(diào)控點，選取其中光照調(diào)控點較小的作為效益優(yōu)先的光照調(diào)控策略。

3.3 光照強度優(yōu)化模型結(jié)果及驗證

方案二預測結(jié)果與誤差如圖5所示。

圖5 方案二預測結(jié)果與誤差圖Fig. 5 Scheme II prediction results and error chart

對基于BP神經(jīng)網(wǎng)絡構(gòu)建的方案一優(yōu)化模型驗證結(jié)果表明，其決定系數(shù)R=0.992 6,均方誤差為4.321 2 μmol/(m2·s),平均絕對誤差為5.135 5 μmol/(m2·s);對基于BP神經(jīng)網(wǎng)絡構(gòu)建的方案二優(yōu)化模型驗證結(jié)果表明，其決定系數(shù)R=0.991 0,均方誤差為10.418 2 μmol/(m2·s),平均絕對誤差為12.028 7 μmol/(m2·s),可見基于BP神經(jīng)網(wǎng)絡建立的方案二的光照強度優(yōu)化模型誤差略高于方案一的光照強度優(yōu)化模型，但其最大的誤差也均保持在25 μmol/(m2·s)的范圍之內(nèi)，如圖5所示，具有較高的預測準確度。

4 調(diào)控效果對比

4.1 理論調(diào)控效果分析

為了驗證上述提出的效益優(yōu)先的光照調(diào)控模型的調(diào)控效果，與獲取光飽和點作為調(diào)控目標值的傳統(tǒng)方案進行對比，選取18 ℃～28 ℃的溫度區(qū)間，300～1 100 μmol/mol的二氧化碳濃度區(qū)間，以5 ℃的溫度梯度，200 μmol/mol的二氧化碳濃度梯度為例，對比結(jié)果如表2所示。

從表2中可以看出，依據(jù)效益優(yōu)先的光照調(diào)控可以使得光照強度大幅降低的同時，光合速率僅小幅度下降。數(shù)據(jù)表明，本文提出的效益優(yōu)先的光照調(diào)控策略，相比于傳統(tǒng)光飽和點調(diào)控，光照供需量平均下降22.86%，而光合速率平均僅降低了3.71%，說明采用效益優(yōu)先的光照優(yōu)化調(diào)控策略，可以使得設施溫室作物補光在投入較少的情況下獲得相對較高的效益。

表2 傳統(tǒng)光飽和點調(diào)控方案與效益優(yōu)先的調(diào)控方案對比Tab. 2 Comparison between the traditional light saturation point control scheme and the benefit priority control scheme

4.2 實際調(diào)控效果分析

為了驗證本模型的實際調(diào)控效果，在天津農(nóng)學院西校區(qū)實訓基地溫室內(nèi)開展調(diào)控模型驗證試驗，光照遠程調(diào)控系統(tǒng)整體工作流程圖如圖6所示。環(huán)境參數(shù)通過日光溫室遠程智能監(jiān)控系統(tǒng)實時獲取，上位機通過讀取環(huán)境參數(shù)，利用matlab軟件運行兩種光照優(yōu)化調(diào)控模型并進行對比，獲取效益優(yōu)先的光照調(diào)控目標值，然后根據(jù)實時的光照強度，判斷是否需要進行光照調(diào)控。若當前實時光照高于目標值，則不進行調(diào)控，繼續(xù)進行調(diào)控目標值的計算與實時環(huán)境的比較；若當前光照強度低于目標值，則進行動態(tài)光照差值計算，發(fā)出光照調(diào)控信號。試驗光源選取項目合作單位西北農(nóng)林科技大學機械與電子工程學院自主研發(fā)矩陣多光源補光燈，補光燈利用PWM控制電流方式控制燈珠光照強度，通過PLC內(nèi)部程序運算，將光照強度值發(fā)給協(xié)調(diào)器，進而進行精準補光[23-24]。補光系統(tǒng)通過Modbus協(xié)議利用無線數(shù)傳電臺與上位機通訊。

圖6 光照遠程調(diào)控系統(tǒng)整體工作流程圖Fig. 6 Overall work flow chart of lighting control system

試驗在同一溫室的3塊黃瓜生長發(fā)育狀況相同的區(qū)域進行，分別按效益優(yōu)先補光策略、傳統(tǒng)光飽和點補光策略、不進行補光策略進行光照調(diào)控，記為效益組、光飽和對照組和自然對照組。試驗中運行效益組與光飽和對照組的光調(diào)控程序，自然對照組不進行補光。試驗在2020年3月8日進行，試驗時間為09∶00～ 16∶00，間隔3 min記錄一組數(shù)據(jù)(共計141組數(shù)據(jù))，當天溫室內(nèi)二氧化碳濃度與溫度變化曲線圖如圖7所示，利用CI-340便攜式光合作用儀對不同試驗區(qū)域的黃瓜進行光合速率測量，得到3組對應的光合速率曲線如圖8所示。

三組不同調(diào)控方案下的平均光合速率分別為

(5)

(6)

(7)

式中:PN1——效益組光合速率數(shù)據(jù)；

PN2——光飽和組光合速率數(shù)據(jù)；

PN3——自然對照組光合速率數(shù)據(jù)；

n——試驗記錄數(shù)據(jù)樣本量，n=141。

圖7 溫度和二氧化碳濃度變化圖Fig. 7 Temperature and CO2 concentration curve

圖8 3組光合速率的變化趨勢Fig. 8 Trends of photosynthetic rate in three groups

設效益組在不同環(huán)境條件下的目標補光值為PPFD1、光飽和點組在不同環(huán)境條件下的目標補光值為PPFD2,則效益組整體光合速率比光飽和組補充光照供需量降低量

(8)

經(jīng)對比計算，效益組整體光合速率比光飽和組光合速率低3.34%，補充光照供需量降低27.47%，效益組整體光合速率比自然組高40.69%。說明提出的以效益優(yōu)先的光照調(diào)控可以在大幅度提高光合效益的同時降低光照補充能耗，對設施溫室補光的精準調(diào)控具有指導意義。

5 結(jié)論

1) 本文在LS-SVM算法構(gòu)建的光合速率預測模型的基礎上，提出了融合兩種不同尋優(yōu)方案的效益優(yōu)先的光照優(yōu)化調(diào)控目標值獲取方案，繼而基于BP神經(jīng)網(wǎng)絡構(gòu)建了光照優(yōu)化調(diào)控模型。

2) 對提出的光照優(yōu)化調(diào)控模型進行評估分析，數(shù)據(jù)表明所提出的調(diào)控方案較傳統(tǒng)光飽和點調(diào)控方案的理論光照供需量下降22.86%，但光合速率僅降低3.71%；經(jīng)對比試驗驗證，光照供需量下降27.47%，光合速率減少3.34%，較自然條件下的光合速率提高了40.69%，因此所提出的光照優(yōu)化調(diào)控模型可在大幅提高光合效益的同時降低光照補充能耗。

3) 作物的生長受溫室多種環(huán)境因素影響，多環(huán)境因子之間存在相互關聯(lián)的關系，且調(diào)控成本差異顯著，后續(xù)課題組將深入研究，探討智能多因子耦合的調(diào)控方案，將二氧化碳、光照等環(huán)境因子進行融合調(diào)控，進一步提高設施環(huán)境智能精準調(diào)控水平。