多智能算法融合的苗期番茄最佳溫度決策方法

摘 要 為應對全球食品需求的增長和氣候變化對傳統農業的影響，開發了一種基于多智能算法融合的設施番茄最佳溫度決策方法。設計了番茄嵌套試驗試驗，采集了不同環境條件下苗期番茄的光合速率數據，并建立光合速率預測模型；通過對該模型實例化獲取光合速率隨溫度變化的響應函數，并通過導數理論完成最佳溫度提取；最后設計了模擬試驗驗證了最佳溫度條件在番茄幼苗光合積累上的優勢。模型評價結果表明：光合速率預測模型在未知數據集上決定系數達0.99，均方根誤差為1.37 μmol/（m2·s），較其他經典模型具有顯著優勢；模型實例化函數顯示不同環境條件下皆存在一個最適宜的溫度點，該溫度可使番茄光合速率達到最大；模擬生產結果顯示，一個生產日內單位面積番茄幼苗的光合積累達0.216 6 mol/m2，較自然生長的番茄光合積累提升了一倍。綜上，本決策方法提升了番茄的光合積累，為現代農業生產提供了有效的技術支持。

關鍵詞 神經網絡；遺傳算法；溫度決策；光合速率

隨著全球食品需求的不斷增長以及氣候變化對傳統農業模式的挑戰，溫室栽培作為一種有效的設施農業技術，在保障作物產量和質量方面發揮著重要作用［1-2］。在溫室環境中，溫度是影響植物生長最為關鍵的因素之一，也是中國溫室環境的主要控制因素［3］。適宜的溫度控制不僅直接關系到果實的品質和產量，還影響著病蟲害的發生頻率及嚴重程度［4-5］。然而，傳統的溫室溫度控制往往依賴于人工經驗和定時調節，缺乏靈活性和自適應性［6］。此外，由于受到多種環境因素的影響，如室外氣候條件、季節變化、日照強度以及溫室內作物生長狀態等，使得溫度調控成為一個復雜的多變量優化問題［7］。因此，開發智能化的溫度決策系統，以適應復雜多變的環境并實現精細化管理，已成為當前研究的重點。

李勝利等［8］通過探究高海拔溫室內溫度與番茄幼苗形態、開花數及坐果率的關系，確定了高山地區番茄的適溫范圍為15～33 ℃。Wang等［9］提出一種具有分層控制策略的溫室卷簾模糊控制方法，可以有效決策卷簾轉置開關，滿足溫室作物生長的溫度需求。但是上述溫度決策方法依然難以確定作物生長最佳溫度，只能提供粗略的溫度范圍。

為了解決溫室溫度細粒度決策問題，近年來人工智能技術的迅猛發展為這一問題提供了新的思路［10-11］。機器學習和智能計算領域的一系列先進算法，如神經網絡、遺傳算法和群體智能優化等，已經在許多領域展現出了卓越的數據處理和模式識別能力［12-13］。這些智能算法能夠從大量歷史數據中學習規律，預測未來趨勢，并據此做出最優或近似最優的決策。Gao等［14］采用支持向量機等算法實現了對溫度變化條件下的溫室最佳光照環境獲取。袁凱凱等［15］在不同根溫條件下篩選了適宜番茄生長的氮肥調控區間。

在溫室溫度調控方面，現有決策方案多基于環境設定值實現參數調控，根據環境實時監測結果與經驗設定目標之間的差值驅動執行機構做出相應決策［16-17］。但溫室環境變化時系統難以及時調整優化設定值，將影響控制結果，故應結合智能控制方法實現溫室環境精準調控。Azaza等［18］考慮溫室白天和夜間需要供暖或通風，設計模糊解耦控制結構來保持溫度有效控制。解耦方法多以確定的數學模型為基礎，而對于復雜的溫室系統，難以建立融合多種環境因子的精準數學模型，人工智能算法為該問題提供了新的解決方案［19-20］。然而，溫室溫度的時滯性和非線性特征制約了溫室溫度控制裝備的智能化發展，Yang等［12］通過建立溫度預測模型實現溫度預測來緩解時滯性等問題，但最佳溫度決策目標值選取問題仍然亟待解決。

本研究旨在探索一種基于多智能算法融合的設施番茄溫度決策方法。通過結合多種智能算法的優勢，建立一套能夠實時響應內外環境變化、自動決策溫度設定點以實現最佳設施生產積累的決策方法。該方法應當協同考慮溫室綜合環境變化與作物自身需求，動態完成最佳溫度決策。考慮到植物生長受溫度、光照、水分、CO2和肥料的綜合影響［21-22］，但在溫室中土壤水分與肥力往往受人工控制，保持在較穩定的水平［23］。溫室光照強度與CO2濃度水平隨時間變化的波動較大［24-25］，因而本研究假設溫室中土壤條件穩定，依據光照強度和CO2濃度變化完成溫度調控目標值決策。

本試驗首先設計了試驗采集溫度、光照強度和CO2濃度嵌套下的苗期番茄光合速率；其次，基于神經網絡算法和遺傳算法建立不同環境條件下的番茄光合速率預測模型；實例化光合速率預測模型后，基于導數法實現最佳溫度環境決策；最后，設計驗證試驗表明該最佳溫度將顯著提升設施番茄的光合積累，為現代農業生產提供技術" 支持。

1 材料與方法

1.1 試驗材料與試驗設計

光合作用是設施蔬菜生長發育中至關重要的過程，它直接決定了能量獲取和有機物的合成，是植物生長和發育的基礎［26］。以光合速率為目標的環境調控方法已廣泛應用于植物生長小環境營造［27-29］。本試驗在研究環境變化對光合速率影響的基礎上建立光合速率預測模型，并實現最佳溫度條件獲取。

數據采集試驗于2023年11月1日-12月31日在楊凌氣象局人工氣候箱內進行，以苗期番茄（‘金鵬8號’）為試驗對象記錄其在不同環境條件下的光合速率。為確保試驗樣本一致性，番茄育苗試驗每7 d進行一次。育苗試驗將番茄種子浸泡在50 ℃的溫水中一晝夜后，置于濕潤的培養皿中，在25 ℃條件下完成催芽處理。催芽后的番茄種子種植在基質（Pindstrup Substrate）中，并保存與72孔穴盤內。30 d后將發芽的番茄幼苗移植到10 cm×10 cm×10 cm的花盆中培育，培育過程保持水分充足，不噴灑任何農藥、激素，直至番茄第5片功能葉發育完全。隨機選擇健康、高度、狀態相似的健壯幼苗進行光合速率采集試驗。一周后番茄表型狀態改變，則選擇新的一批幼苗進行試驗，利用Li-6400型光合速率測試儀（LI-COR公司，美國）完成光合速率采集。將光合速率測試儀熒光葉室夾持在番茄幼苗的第三功能葉位，通過控制熒光葉室環境，獲取苗期番茄在不同環境條件下的光合速率。

為了獲取多環境條件協同的設施番茄光合速率，本研究設計了一個嵌套試驗，通過設置光合速率測試儀熒光葉室的溫度、光照強度和CO2濃度條件，記錄不同環境下的番茄葉片光合速率。嵌套試驗環境梯度設置如表1所示，各環境都略超出其適宜生長環境［30］。光合速率通過光合速率測試儀的光響應曲線測量程序進行記錄，先將熒光葉室的溫度和CO2濃度值設置好，再將光照強度設置為1 900 μmol/（m2·s），待光合速率穩定后開啟光響應曲線測量，記錄當前溫度和CO2濃度條件下18個光照強度時代番茄葉片光合速率。試驗共采集了1 620組數據（9×10×18），每組數據都進行3次重復測量，以平均值作為最終結果。

1.2 光合速率預測模型構建

1.2.1 數據預處理 以試驗數據作為樣本集，選擇溫度、光照強度和CO2濃度為環境特征，光合速率為標簽數據，建立光合速率數據集D如式

（1）所示，用于構建不同環境條件下的番茄幼苗光合速率預測模型。

D=T1P1C1Pn1T2P2C2Pn2T1620P1620C1620Pn1620=X1Y1X2Y2X1620Y1620（1）

式中，Xi=［Ti，Pi，Ci］表示第i個樣本的特征向量，包括溫度、光照強度和CO2濃度；Yi=［Pni］表示第i個樣本的標簽向量，為光合速率。

為避免不同維度數據由于量綱造成的模型偏差，需對樣本數據集作歸一化處理，使溫度、光照強度、CO2濃度和光合速率數據處于同一數量級。歸一化處理采用線性歸一化方法，歸一化范圍為［0.1，0.9］，如式（2）所示。歸一化后的樣本集按照6∶2∶2的比例劃分為訓練集、測試集和驗證集。其中訓練集數據用于光合速率模型開發，測試集數據用于模型超參數優化，驗證集數據用于驗證模型性能。

D′=0.1+D－DminDmax－Dmin×0.8（2）

式中，D是原始數據；D′是歸一化后的數據；Dmin是數據最小值；Dmax是數據最大值。

1.2.2 雙隱層全連接神經網絡模型結構 為構建光合速率預測模型，采用雙隱層設計的神經網絡結構實現光合速率回歸。設計網絡參數（權值、閾值）總數為數據集大小的" 1/10左右，保持隱層間連接的權值矩陣和閾值矩陣大小約為100。隱層神經元設置由試驗決定，分別設計隱層一的神經元數為5、10、15、20和25時，對應的隱層二神經元數量分別為20、10、7、5和4，利用誤差反傳算法與訓練神經網絡，對比不同隱層節點組合條件下的驗證集均方根誤差如表2所示。

由表2可知，當2個隱層神經元個數分別20和5時，預訓練模型誤差最低。因此，本研究采用的全連接神經網絡結構包括一個3神經元的輸入層、20神經元的隱層一、5神經元的隱層二和1個神經元的輸出層。網絡隱層激活函數為Sigmoid函數，輸出層函數為ReLu函數，共包含191個權值和閾值作為網絡參數，約為數據集大小的" 1/10。模型表達式展示如式（3）所示。

fBPNNX=Reluh2（X）×W3+b3h2X=Sigmoidh1（X）×W2+b2h1X=SigmoidX×W1+b1（3）

式中，h1（X）和h2（X）分別是第一隱層和第二隱層的輸出值；W1、W2和W3分別是輸入層-第一隱層、第一隱層-第二隱層和第二隱層-輸出層之間的權值矩陣；b1、b2和b3分別是第一隱層、第二隱層和輸出層的閾值向量。

1.2.3 網絡參數優化 為提升模型精度，對網絡參數的初值通過遺傳算法進行優化后，再采用自適應梯度下降（Adaptive Gradient Descent Algorithm，AdaGrad）算法進行細致調整，模型訓練流程如圖1所示。適宜的初始模型參數可使網絡更好地學習輸入特征，提高訓練效率和穩定性，還可以加速網絡的收斂過程，且對模型性能有顯著影響。在本研究中，待優化的網絡參數數量近200個，索引空間龐大，優化過程難以收斂。為了快速、準確獲取適宜初始模型參數，遺傳算法以其強大的全局搜素能力被用于初始化網絡參數。

采用遺傳算法初始化模型參數需先對網絡權值、閾值進行編碼，所有模型參數先按照網絡前向計算順序將模型參數排成一列，再從［-1，1］范圍內隨機賦值，構成一條染色體。染色體解碼時則按照編碼順序提取對應位置權值和閾值，并代入網絡即可。染色體在進化過程中會按照給定概率進行交叉和變異，以增加種群多樣性，交叉和變異概率分別設置為0.5和0.1。

傳統交叉算法僅選擇一個斷點進行交叉，適合基因數較少的染色體［31］。但本研究所設計的染色體包含191個待優化基因變量，優化空間龐大，因而本文提出了一種10段染色體隨機交叉機制。該方法首先將父代種群順序打亂，選擇其中一半作為父染色體組，另一半作為母染色體組。在父染色體組和母染色體組中各依次挑選一條染色體進行交叉，每條染色體上選擇9個斷點將染色體切割成10段。針對染色體上的每一段，按照交叉概率可確定是否將父染色體和母染色體的該段基因交換，最終形成兩條子染色體。該方法能使交叉后的種群多樣性增加，覆蓋更廣的搜索空間，加速了收斂，減少了遺傳漂移。

雖然交叉算法為種群引入新的個體，但種群基因庫是有限的，限制了個體更多發展可能，導致種群進化結果不佳。因此，優化過程中需引入新的基因，以其獲得更優個體。該功能通過變異機制實現。染色體在進化迭代過程中每次變異可能會改變其中10個基因。針對每個可能變異的基因，當變異概率被滿足時，該基因對應的數值" 取反。

為了使子代個體向更優越的網絡參數方向進化，需要對個體和基因進行篩選。保留使網絡性能提升的個體與基因，剔除使網絡性能下降的個體與基因，因此算法中需要加入自然選擇機制將優勢個體保存下來。將交叉、變異操作后的子代種群和父代種群相結合為新種群，計算種群中" 每個個體解碼后的網絡對訓練集數據的均方根誤差（root mean square error，RMSE）如式（4）" 所示。

Ermse=∑972i=1Yi－fBPNNXi2（4）

式中，Xi為訓練集中第i個樣本的輸入向量；Yi為訓練集中第i個樣本的輸出向量。

在誤差的基礎上計算遺傳算法中每個個體的適應度為：

Fi=1－Ei∑nj=1Ej（5）

式中，Fi為種群中第i個個體的適應度；Ei為群中第i個個體在訓練集上的均方根誤差；n為子代和父代結合后的種群大小。

在自然選擇機制中，每個個體成功被選擇進行下一輪遺傳進化的概率為：

Pi=Fi∑nj=1Fj（6）

完成選擇后的新種群重新進行交叉、變異、自然選擇等操作，直至完成進化過程。遺傳算法在進化過程中為神經網絡提供了不斷優化的網絡初值。本研究設定遺傳算法種群規模為50，遺傳代數為100。算法在迭代過程中的進化曲線如圖2所示，進化過程中未出現震蕩，且收斂速度快。

為了進一步優化網絡，經改進遺傳算法優化后的初始模型參數還需要經誤差反傳算法細致調整與優化，獲得最佳網絡權值和閾值。經典誤差反傳算法在每個迭代中都采用相同學習率獲取網絡梯度信息，以實現模型參數優化。但由于模型參數在不同維度上的收斂速度不一致，相同的學習率可能會導致一些參數陷入震蕩而另一些參數卻未收斂。因而本研究引入AdaGrad算法自適應調整每個參數的學習率。先計算第t次迭代時，每個參數的梯度平方累積：

Gt=∑tτ=1gτ·gτ（7）

式中，gτ表示第τ次迭代的梯度，gτ·gτ表示按元素乘積。

最終參數的更新為：

θt=θt-1-λGt+ε·gt（8）

式中，ε gt; 0，用于保證Gt+εgt; 0。

AdaGrad算法根據模型參數的更新歷史自適應地調整學習率，隨著偏導累計值的增加，算法會減小學習率。在訓練初期，偏導累計值較小，因此算法通常會采用較大的學習率，以便快速接近最優解，而當接近最優解時，偏導累計值較大，算法會自動減小學習率，幫助模型更精確地收斂于最優解。

1.2.4 模型評價 利用相同數據集對隨機初值的相同結構神經網絡進行訓練，通過訓練集、測試集和驗證集數據的RMSE、平均絕對誤差（average absolute error，AAE）和決定系數（coefficient of determination，R2），評價模型最終性能如式（9）至（11）所示。再對比分析遺傳算法優化后的光合速率預測模型，可驗證網絡初值優化對模型性能的提升。此外，本試驗還對比了多個經典回歸模型，包括支持向量機回歸、隨機森林回歸和嶺回歸以驗證所提出模型的性能優勢。

1.3 最佳溫度決策方法

1.3.1 最佳溫度目標點 為滿足作物需求，番茄生長溫度決策應當根據其他環境動態調整。在光合速率預測模型考慮的3個環境因素中，光照強度和CO2濃度可以根據傳感器獲取，從而將光合速率預測模型實例化為光合速率隨溫度變化的響應函數，如式（12）所示：

gT=fBPNNX|x1=T，x2，x3=P，C（12）

式中，g（·）為光照強度和CO2濃度一定時，光合速率隨溫度變化的函數；T為溫度變量；P和C分別是光照強度和CO2濃度條件。

由于式（12）中光合速率隨溫度變化而改變，因而可基于該函數獲取光合速率最大值，此時的溫度即為最適宜苗期番茄生長的溫度環境。考慮到函數極大值點的導數值為零，因而對式（12）求取一階導數如式（13）所示，求解g′（T） = 0即可獲取最大光合速率時的溫度值。

g′T=gT+ΔT－gT－ΔT2×ΔT（13）

式中，ΔT是一個接近于0的正數。

1.3.2 模擬日生產 為評估最佳溫度對苗期番茄生長的有效性與實用性，本文設計了一個模擬試驗，通過采集溫室中一天的環境變化，計算苗期番茄的光合速率變化，以光合積累量評價最佳溫度條件。環境數據來自2023年10月15日的陜西楊凌示范區的日光溫室（34°07′39″N，107°59′50″E，海拔648 m），從9：00到16：00采集溫室溫度、光照強度和CO2濃度環境，采樣時間為3～5 min，模擬一天的生產。對比分析最佳溫度對作物光合積累及貢獻。

1.3.3 實際生長的光合速率采集 除模擬日生產結果，還測定了在實際生長中，不同環境狀態下番茄幼苗光合速率大小。由于溫室環境在不同條件下環境變化較大，試驗采用人工氣候室模擬不同環境條件。待測試番茄幼苗（‘金鵬8號’）按光合作用試驗培養方法生長至5葉1心，隨機在3組培養箱中進行試驗。培養箱內的光照強度和CO2濃度由嵌套設置決定，其中光照強度據表1隨機設置為200、600、1 000、1 500 μmol/（m2·s），CO2濃度也根據表1設置為200、600、" 1 000、1 600 μmol/mol。3組培養箱的溫度條件則按照不同方法設置為試驗組、經驗組和對照組。其中，試驗組溫度由本研究所提出方法動態計算確定，經驗組溫度依據番茄適宜生長經驗溫度設置為22.5 ℃［32］，對照組溫度按前述所采集溫度數據中的日平均氣溫設置為28.5 ℃。待培養箱內環境穩定后，利用光合速率測試儀測定培養箱內對應環境條件下的苗期番茄光合速率。

2 結果與分析

2.1 光合速率預測模型性能分析

未經優化的神經網絡在不同數據集上的計算結果圖3所示，在不同數據集上將模型預測結果和真實結果的散點圖與擬合直線繪制在圖3中，其中擬合直線越接近y=x線表明模型預測結果越精準。僅通過AdaGrad算法優化，模型RMSE在各數據集上都大于2 μmol/（m2·s），R2也低于0.99。

網絡參數初值經遺傳算法優化后的神經網絡經訓練形成最終光合速率預測模型，在不同數據集上將模型預測結果如表3所示。初值優化后的光合速率預測模型在訓練集上取得了極小的RMSE［1.37 μmol/（m2·s）］和AAE［1.04 μmol/（m2·s）］，以及接近1的R2（0.99）。雖然在測試集和驗證集上的性能指標略微下降，但其RMSE和AAE也都小于1.5 μmol/（m2·s）。對比未經初值優化的神經網絡結果（圖3）表明，未經初值優化則網絡參數難以達到最佳。初值優化為神經網絡提供了更好的訓練條件，避免了陷入局部最優或趨于發散等困境。

本試驗還對比了多個經典回歸模型，包括支持向量機回歸、隨機森林回歸和嶺回歸，展示了各模型在未知數據集（驗證集）上的性能如表4所示。雖然支持向量機和隨機森林也獲得了較高的R2和較低的誤差，但仍與初值優化后的神經網絡模型存在差距，驗證了本研究所提出模型的優越性，其具有誤差小、精度高、擬合度優和泛化能力強等優勢。

2.2 光合速率隨環境變化分析

進一步可視化光合速率預測模型，將光合速率隨環境變化的結果展示在圖4中，其中圖4-a、圖4-b隨機展示了不同溫度條件下光合速率隨光照強度和CO2濃度變化的曲面，圖4-c則顯示了溫度、光照強度和CO2濃度三者協同變化引起的光合速率改變。由圖可知，植物的光合速率是受環境因素協同影響的。以光照強度為例，光合速率會隨之增加而相應提升，但是在達到一定強度后，光合速率的增長便趨于平穩。而CO2濃度則可以改變光合速率隨光照強度變化的幅度。同樣地，不同溫度條件下的光合速率曲面高低不同，表明溫度會造成植物光合作用過程中對光和CO2的利用效率，因此，作物生長過程中的溫度決策尤為重要。

2.3 最佳溫度分布結果

在不同光照強度和CO2濃度條件下，光合速率都是先隨溫度上升而提升，但溫度進一步升高則會導致光合速率降低。這是因為與光合作用相關酶的隨溫度提升，其活性也不斷提升，但當溫度超過其適宜溫度后，酶活性將會降低。苗期番茄的最佳生長溫度約為26 ℃，然而，光合速率的大小也會受光照強度和CO2濃度環境影響，因而最佳溫度隨環境改變也略有變化。將光照強度和CO2濃度條件細化后，展示不同環境條件下的最佳溫度變化如圖5所示。在光照強度弱且CO2濃度低的環境中，光合作用有關酶需要更高的溫度提升其活性，使光合速率達到最佳。然而，在較強的光照強度和較高的CO2濃度環境中，光合作用有關酶更容易激活，使光合速率達到飽和狀態的溫度更低。

2.4 模擬日生產結果

模擬試驗中環境采樣結果如圖6所示，CO2濃度在開棚時由于夜間呼吸積累達到最大，其后不斷降低。由于太陽角度變化，溫室溫度和光照強度都是在中午達到最大，而早晚相對較低。

根據溫室光照和CO2的環境變化計算一天中最佳溫度的實時最佳值變化情況如圖7-a所示。由于溫室環境中光照變化較為劇烈，因而光照條件對最佳溫度影響更大，其趨勢與光照強度變化趨勢接近。從最佳溫度變化來看，上午開棚時需要對溫室升溫而中午則需要對溫室降溫，以保持更高的作物光合速率。

按照圖6中的溫室環境與圖7-a中的最佳溫度環境，計算一天中苗期番茄的光合速率變化結果，如圖7-b所示。在最佳溫度條件下，番茄苗的光合速率遠大于自然環境條件下的光合速率。通過對光合速率變化曲線的積分可知，一天的設施生產結束后，利用最佳溫度進行設施生產，單位面積番茄幼苗的光合積累是0.216 6 mol/m2，而自然溫度條件下的單位面積番茄幼苗光合積累為0.110 4 mol/m2。因而采用最佳溫度進行設施生產，幾乎增加了一倍的光合積累，也證明了最佳生長溫度對作物產量提升的高效性。

2.5 實際光合速率采集驗證結果

利用培養箱模擬不同溫室環境，采集這些環境中的番茄幼苗光合速率結果如表5所示。在不同環境條件下的番茄光合速率存在較大差異，溫度控制策略也會導致最終植株光合速率產出的不同。利用專家經驗完成溫度決策可以使苗期番茄的光合速率得到提升，但其提升效果低于實驗組結果。根據本研究方法動態調控生長溫度，可以使番茄在不同條件下的光合速率均保持最大，驗證該方法在設施溫度決策領域具有優越性。

3 討論與結論

考慮到溫度對作物生長的重要性，本試驗提出了一種溫室番茄溫度決策方法，能大幅提升番茄光合積累，并形成以下結論：

（1）基于神經網絡算法提出了溫度、光照強度和CO2濃度協同的苗期番茄光合速率預測模型。模型通過遺傳算法優化了網絡初始權值和閾值，再利用AdaGrad算法細致調整了網絡超參數。異校驗結果顯示，模型RMSE和AAE都小于" 1.5 μmol/（m2·s）、R2達0.99，模型性能優于支持向量機、隨機森林和嶺回歸等經典機器學習" 模型。

（2）基于實例化的光合速率預測模型和導數理論，提出光合速率隨溫度變化的函數與函數最大值求解方法，完成了最大光合速率對應的最佳溫度搜尋。最佳溫度受光照強度和CO2濃度影響是動態變化的，能實現不同環境條件下的最大光合速率輸出。

（3）通過采集溫室中一天的環境變化，模擬生產試驗結果表明，采用最佳溫度進行一天溫室生產，苗期番茄可以獲得0.216 6 mol/m2的光合積累，較自然生產高出近一倍，表明最佳溫度對溫室作物生產的高效性和適用性。

本研究有助于提升溫室生產效率，并為溫室溫度決策提供了科學依據。在未來研究中應當考慮溫室中復雜的耦合環境，包括通風、土壤和微生物環境等，以提升決策精度。此外，該模型僅考慮番茄幼苗期的生長，限制了其在生長階段的使用。在花果期等生長階段可能需要考慮株高、莖直徑和光合分布等因素，綜合完成溫度決策。

參考文獻 Reference：

［1］ 胡 瑾，楊永霞，李遠方，等.溫室環境控制方法研究現狀分析與展望［J］.農業工程學報，2024，40（1）：112-128.

HU J，YANG Y X，LI Y F，et al.Analysis and prospect of the environmental control systems for greenhouse［J］.Transactions of the Chinese Society of Agricultural Engineering，2024，40（1）：112-128.

［2］李 楠，劉希港，李 靜，等.換頭節次對日光溫室長季節栽培番茄生長及產量的影響［J］.中國蔬菜，2024（1）：74-80.

LI N，LIU X G，LI J J，et al.Effects of pinching position and frequency on growth and yield of tomato under long-season cultivation in solar greenhouse［J］.China Vegetables，2024（1）：74-80.

［3］任 壯，汪 軍，孔 超，等.溫室大棚環境動態測控系統研制［J］.電子測量技術，2024，46（1）：65-71.

REN ZH，WANG J，KONG CH，et al.Development of dynamic measurement and control system for Greenhouse environment［J］.Electronic Measurement Technology，2024，46（1）：65-71.

［4］李松濤.水稻作物產量預測模型的研究—基于多源數據回歸模型［J］.農機化研究，2024，46（10）：27-31，36.

LI S T.A Study of rice crop yield prediction model［J］.Journal of Agricultural Mechanization Research，2024，46（10）：27-31，36.

［5］宋財柱，塔 娜，閆彩霞，等.日光溫室環境因子預測模型及應用——基于BP神經網絡［J］.農機化研究，2024，46（10）：175-179，186.

SONG C ZH，TA N，YAN C X，et al.Establishment and application of environmental factor mod of solar greenhouse［J］.Journal of Agricultural Mechanization Research，2024，46（10）：175-179，186.

［6］PINHOET P，HYTONEN T，RANTANEN M，et al.Dynamic control of supplemental lighting intensity in a greenhouse environment［J］.Light Research Technology，2013，45（3）：295-304.

［7］TIMMERMANS G，HEMMING S，BAEZA E，et al.Advanced optical materials for sunlight control in greenhouses［J］.Advanced" Optical Materials，2020，18（8）：2000738.

［8］李勝利，李 陽，周利杰，等.豫西高山夏季番茄育苗溫度適宜度定量評價［J］.農業工程學報，2019，35（4）：194-202.

LI SH L，LI Y，ZHOU L J，et al.Quantitative assessment of temperature suitability of alpine summer tomato seedling in west of Henan province［J］.Transactions of the Chinese Society of Agricultural Engineering，2019，35（4）：194-202.

［9］WANG L，ZHANG H.An adaptive fuzzy hierarchical control for maintaining solar greenhouse temperature［J］.Computers and Electronics in Agriculture，2018，155：251256.

［10］ GAO P，LI B，BAI J，et al.Method for optimizing controlled conditions of plant growth using U-chord curvature［J］.Computers and Electronics in Agriculture，2021，185：106141.

［11］HOU J，LI Y，SUN Z，et al.A cooperative regulation method for greenhouse soil moisture and light using Gaussian curvature and machine learning algorithms［J］.Computers and Electronics in Agriculture，2023，215：108452.

［12］YANG Y，GAO P，SUN Z，et al.Multistep ahead prediction of temperature and humidity in solar greenhouse based on FAM-LSTM model［J］.Computers and Electronics in Agriculture，2023，213：108261.

［13］ZHANG Z，LIU H，WEI Z，et al.A transfer learning method for spectral model of moldy apples from different origins［J］.Food Control，2023，150：109731.

［14］GAO P，LU M，YANG Y，et al.Greenhouse light and CO2 regulation considering cost and photosynthesis rate using i-nsGA Ⅱ［J］.Expert Systems with Applications，2024，237：121680.

［15］袁凱凱，盧 苗，李慧敏，等.基于U弦長曲率的番茄氮肥調控目標區間獲取方法［J］.農業工程學報，2022，38（11）：188-196.

YUAN K K，LU M，LI H M，et al.Data acquisition of regulating target range for tomato nitrogen fertilizer using U-chord curvature［J］.Transactions of the Chinese Society of Agricultural Engineering，2022，38（11）：188-196.

［16］孫榮高，孫德超.基于經驗數據的溫室內的溫濕度過程控制系統［J］.電子工程師，2004（9）：70-72.

SUN R G，SUN D CH.Greenhouse temperature and humidity process control system based on experimental data［J］.Informatization Research，2004（9）：70-72.

［17］SUBAHI A，BOUAZZA K.An Intelligent IoT-Based System Design for controlling and monitoring greenhouse temperature［J］.IEEE Access，2020，8：125488-125500.

［18］AZAZA M，ECHAIEB K，TADEO F，et al.Fuzzy decoupling control of greenhouse climate［J］.Arabian Journal for Science and Engineering，2015，40：2805-2812.

［19］ESCAMILLA G，SOTO Z，TOLEDANO A，et al.Applications of artificial neural networks in greenhouse technology and overview for smart agriculture development［J］.Applied Sciences-Basel，2020，10（11）：3835.

［20］MOHAGHEGHI A，MOALLEM M.Intelligent spectrum controlled supplemental lighting for daylight harvesting［J］.IEEE Transactions on Industrial Informatics，2021，17（5）：3263-3272.

［21］段 萌，楊偉才，毛曉敏.覆膜和水分虧缺對春小麥光合特性影響及模型比較［J］.農業機械學報，2018，49（1）：219 -227.

DUAN M，YANG W C，MAO X M.Effects of water deficit on photosynthetic characteristics of spring wheat under plastic mulching and comparison of light response curve models［J］.Transactions of the Chinese Society for Agricultural Machinery，2018，49（1）：219 -227.

［22］付煥森，李元貴，夏華鳳.溫室系統溫濕度、水肥耦合的解耦控制器設計［J］.江蘇農業科學，2016，44（6）：430-432.

FU H S，LI Y G，XIA H F.Design of decoupling controller for temperature，humidity，water and fertilizer coupling in greenhouse systems［J］.Jiangsu Agricultural Sciences，2016，44（6）：430-432.

［23］ISSOUFOU LH，CROY W，JAMES K，et al.Crop modelling in data-poor environments – A knowledge-informed probabilistic approach to appreciate risks and uncertainties in flood-based farming systems［J］.Agricultural Systems，2021，187：103014.

［24］HENDRY J，BANDYOPADHYAY A，SRINIVASAN S，et al.Metabolic model guided strain design of cyanobacteria［J］.Current Opinion in Biotechnology，2020，64：17-23.

［25］REN H，XIAO T，ZHANG Q，et al.Photosynthesis- inspired bifunctional energy- harvesting devices that convert light and salinity gradients into electricity［J］.Chemical Communications，2018，87（54）：12310-12313.

［26］陳 晨，陳 虹，倪 銘，等.油菜素內酯調控植物生長發育的研究進展［J］.林業科學，2022，58（7）：144-155.

CHEN CH，CHEN H，NI M，et al.Research progress of brassinolide in regulating plant growth and development［J］.Scientia Silvae Sinicae，2022，58（7）：144-155.

［27］GAO P，LU M，LI H，et al.Greenhouse environmental control target constrained by discrete surface curvature and multi-objective optimization algorithm［J］.Computers and Electronics in Agriculture，2023，215：108431.

［28］LIU T，YUAN Q，DING X，et al.Multi-objective optimization for greenhouse light environment using Gaussian mixture model and an improved NSGA-II algorithm［J］.Computers and Electronics in Agriculture，2023，205：107612.

［29］NIU Y，LYU H，LIU X，et al.Photosynthesis prediction and light spectra optimization of greenhouse tomato based on response of red-blue ratio［J］.Scientia Horticulturae，2023，318：112065.

［30］GAO P，TIAN Z，LU Y，et al.A decision-making model for light environment control of tomato seedlings aiming at the knee point of light-response curves［J］.Computers and Electronics in Agriculture，2022，198：107103.

［31］胡 瑾，高 攀，陳丹艷，等.融合暗熒光參數的茄子葉片光合速率預測模型構建［J］.農業機械學報，2020，51（4）：328-336.

HU J，GAO P，CHEN D Y，et al.Establishment of photosynthetic rate prediction model for eggplant leaves fused with dark fluorescence parameters［J］.Transactions of the Chinese Society for Agricultural Machinery，2020，51（4）：328-336.

［32］王 謙，沈連峰，陳景玲，等.日光溫室番茄氣候空間分布特征［J］.農業工程學報，2008，24（12）：183-186.

WANG Q，SHEN L F，CHEN J L，et al.Spatial distribution characteristics of climate for tomato plants in solar greenhouse［J］.Transactions of the CSAE，2008，24（12）：183-186.

A Decision-making Method for Optimal Temperature of Tomato

Seedling Based on Multi-intelligent Algorithms

WU Qingli1，2，GAO Pan3 and GAO Maosheng4

（1.Shaanxi Provincial Meteorological Information Center，Xi’an 710015，China;" 2.China Meteorological Administration

Meteorological Cadre Training Center （Shaanxi）， Xi’an 710015，China; 3.Northwest Aamp;F" University，

College of Mechanical and Electronic Engineering，Yangling" Shaanxi 712100，China;

4.Yangling Meteorological Bureau，Yangling Shaanxi 712100，China）

Abstract To address the global increase in food demand and the impact of climate change on traditional agriculture，we developed an optimal temperature decision-making method for protected-land tomato cultivation.Firstly，a nested experiment was designed for tomato seedlings，and photosynthesis rate data of tomato seedlings were collected under different environmental conditions，and a photosynthesis rate prediction model was established.By instantiating this model，we derived a response function illustrating how the photosynthesis rate changes with temperature，and identified the optimal temperature using derivative theory.Simulated experiments verified the benefits of optimal temperature conditions for the photosynthetic accumulation of tomato seedlings.Model evaluation results showed that the coefficient of determination of the photosynthesis rate prediction model on unknown datasets reached 0.99 with a root mean square error of 1.37 μmol/（m2·s），significantly outperforming other classic models.The model instantiation function showed that there was an optimal temperature point under different environmental conditions，which could maximize the photosynthesis rate of tomatoes.Simulated production results show that within a production day，the photosynthetic accumulation of tomato seedlings per unit area reached 0.216 6 mol/m2，doubling that of naturally grown tomatoes.The decision-making method proposed in this paper not only enhances the photosynthetic accumulation of tomatoes but also provides effective technical support for modern agricultural production.

Key words Neural network; Genetic algorithm; Temperature decision-making; Photosynthetic rate

Received "2024-01-27 """Returned 2024-06-17

Foundation item Open Research Fund of Key Laboratory of Eco-Environmental Meteorology for Qinling and Loess Plateau （No.2023K-3；No.2021G-9）.

First author WU Qingli，female，master，engineer.Research area：agricultural meteorology and training.E-mail： 37545313@qq.com

Corresponding"" author GAO Maosheng，male，Ph.D，senior engineer.Research area：" climate change and food security.E-mail：hsgms@163.com

（責任編輯：成 敏 Responsible editor：CHENG" Min）