基于支持向量机-改进型鱼群算法的CO2优化调控模型

辛萍萍 张 珍 王智永 胡 瑾 邵志成 张海辉

(1.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100； 2.农业部农业物联网重点实验室， 陕西杨凌 712100)

基于支持向量机-改进型鱼群算法的CO2优化调控模型

辛萍萍1,2张 珍1,2王智永1,2胡 瑾1,2邵志成1,2张海辉1,2

(1.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100； 2.农业部农业物联网重点实验室， 陕西杨凌 712100)

提出了融合支持向量机-改进型鱼群算法的CO2优化调控模型，为CO2精准调控提供定量依据。设计了嵌套试验，采集不同温度、光子通量密度、CO2浓度组合下的黄瓜光合速率，以此构建基于支持向量机的黄瓜光合速率预测模型；以预测模型网络为目标函数，采用改进型鱼群算法实现二氧化碳饱和点寻优，获得不同温度、光子通量密度组合条件的CO2饱和点，进而构建CO2优化调控模型。异校验结果表明，CO2饱和点实测值与预测值相关系数为0.965，最大相对误差3.056%。提出的CO2优化调控模型可动态预测CO2饱和点，为实现设施CO2精准调控提供了可行思路。

CO2优化调控模型； 支持向量机算法； 改进型鱼群算法； 光合速率； CO2饱和点

引言

CO2是植物光合作用的主要原料之一，对作物生长发育和物质积累具有非常重要的作用[1-4]，其浓度不足或过高对农作物的生长速度、产量及品质都具有重要的影响。CO2供给不足直接影响光合效果，造成花果脱落、含糖量下降、生长期延长、产量及品质下降等问题[5-7]；其浓度过高则会影响作物对氧气的吸收，抑制正常的呼吸作用，引起叶片卷曲，阻碍生长发育，加速衰老，严重的甚至造成CO2中毒引起植物死亡[8-9]。同时，已有研究表明CO2浓度和温度、光子通量密度之间存在紧耦合的关系[10]。因此，以提高作物光合速率为目标，综合考虑温度、光子通量密度，建立CO2优化调控模型，已成为设施环境高效调控亟待解决的问题。

近年来，科研工作者从生理方面分析了CO2响应过程及其主要影响因素。叶子飘[11]研究了生理生化CO2响应模型，从生理方面分析了CO2响应的影响因素；艾民等[12]分析了不同温度、光照强度和CO2浓度综合效应对叶片净光合速率的影响。在此基础上，研究人员依据经验模型或光合速率预测模型，提出了CO2调控策略。KLAERING等[13]依据作物经验模型提出CO2补充策略；李萍萍等[14]研究不同温度、不同光照条件下增施CO2气肥对光合速率的影响，提出CO2气肥综合模型；文献[15-20]研究光合速率预测模型，预测可变环境下光合速率动态变化，实现CO2增施策略优化。但是上述研究未能在光合速率模型的基础上，进行不同温度、光子通量密度条件下CO2调控目标值嵌套寻优，并未能基于离散寻优结果建立可直接用于动态调控决策的连续目标值模型。

本文以黄瓜幼苗为试验材料，研究构建基于支持向量机(SVM)的光合速率预测模型，并设计融合改进型鱼群算法的寻优方法，得到不同温度、光子通量密度组合条件下CO2饱和点，从而建立黄瓜CO2优化调控模型，以期为CO2的精准调控提供定量依据。

1 材料与方法

1.1 试验材料

本试验于2015年7—8月份在西北农林科技大学南校区玻璃温室内进行。试验地位于北纬34°26′、东经108°07′，属于暖温带半干旱半湿润大陆性季风气候，年均日照时数为2 163.8 h，年均辐射总量为479.9 kJ/m2，年均积温4 811℃，年均气温12.9℃。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0.6～0.8 cm之间、株高10 cm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，不喷施农药和激素。

1.2 试验方法

试验测试分为初试验和验证试验，其中初试验用于模型构建，验证试验用于模型验证。初试验选取茁壮的黄瓜幼苗63株作为样本，采用美国LI-COR公司的Li-6400XT型便携式光合仪测定温度、光子通量密度和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进行试验数据的采集。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选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12、15、18、21、24、27、30、33、36℃共9个温度梯度，利用LED光源模块获得0、300、600、900、1 200、1 500、1 800 μmol/(m2·s)共7个光子通量密度(Photo flux density,PFD)梯度，共形成63组试验条件。由于光合仪CO2注入系统中CO2浓度可控范围是50～2 000 μmol/mol，故每组试验利用CO2注入模块设定12个CO2浓度测试点(400、300、200、100、50、400、400、700、1 000、1 300、1 600、2 000 μmol/mol)，共756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2 268个试验数据。其中，12个CO2浓度测试点含3个400 μmol/mol，其原因是该浓度近似为大气CO2浓度，以其作为初始浓度，可快速获得该梯度下光合速率稳定状态，当由50 μmol/mol变为700 μmol/mol时，由于起始CO2浓度过低，植物诱导时间较长，故增设2个400 μmol/mol浓度，用于延长光合速率达700 μmol/mol的稳定状态时间，以上2个400 μmol/mol浓度对应的测量数据不用于模型构建，因此有效CO2浓度梯度为10个，即有效嵌套试验组数为630组，每组3个测量数据，共1 890个有效试验数据。

采用狄克松准则对同组的3个测量数据进行粗大误差剔除，剔除个数为29个，即粗大误差比例为1.534%。剔除误差后计算同组平均光合速率，得到630组温度、光子通量密度、CO2浓度和平均光合速率数据，以此作为模型构建和验证数据集。

2 基于支持向量机的光合速率预测模型

光合速率作为植株生长状况的一个表征输出量，与环境温度、光子通量密度和CO2浓度之间存在非线性关系。支持向量机算法[21]通过内积函数定义的非线性变换将输入空间变换到一个高维空间，在高维空间中寻找输入变量和输出变量之间最优线性函数，表达输入变量和输出变量之间的非线性回归关系。SVM算法是基于统计学习理论的小样本学习方法，采用结构风险最小化和VC维理论构建学习机[22]，其泛化能力强，能有效避免过拟合和局部最小化以及维数越高、计算量越大等问题，在小样本、非线性以及高维模式识别中表现出特有的优势。本文采用SVM算法建立光合速率预测模型，为CO2优化调控提供生理模型基础。

2.1 基于支持向量机的光合速率预测模型构建方法

选取温度、光子通量密度和CO2浓度作为光合速率预测模型的输入xi∈Rn，光合速率作为输出Ni∈R，模型构建流程如图1所示。

图1 光合速率预测模型建立流程Fig.1 Flow chart of photosynthetic rate prediction model

首先，由于三维输入数据的量纲不同，数值存在明显差异，当直接采用神经网络分析时，则由于加权通过累加器后变得异常巨大，导致网络难以收敛。因此，为了提高网络的训练和收敛速度，需要对网络的输入数据进行归一化处理。归一化区间为[0.2,0.9]，变换函数为

y=xmin+0.7(x-xmin)/(xmax-xmin)

(1)

式中y——归一化之后的数据x——待归一化数据xmax、xmin——同一量纲数据序列最大、最小值

输入数组X和输出数组Y归一化后分别生成X′和Y′，从而完成归一化数据样本集。对于归一化后的630组试验数据样本集随机选取510组数据作为训练样本集，用于模型训练，剩余120组样本作为测试样本集，用于模型测试。

其次，SVM中不同的核函数可以构造实现输入空间中不同种类型学习机器，进而产生不同的分类超平面。径向基核函数计算的复杂度不随参数的变化而变化[23]，本文选取径向基核函数构建预测模型，实现非线性样本数据映射到高维特征空间的线性回归，回归函数为

(2)

其中

K(xi,x)=exp(-m‖xi-x‖2)

(3)

式中xi——支持向量k——支持向量个数b——偏置α——对偶最优解K(xi,x)——径向基核函数m——宽度

SVM主要参数包括惩罚因子c及核函数参数g，其中，c用于控制模型复杂度和逼近误差，c越大则对数据的拟合程度越高；参数g定义高维特征空间结构，控制最终解的复杂性，g过大或过小都会使系统的泛化能力变差。采用网格法初步确定c和g的参考范围为lgc∈[2,3]，lgg∈[0,1]，在此基础上，快速寻找最优的c为0.353 6，g为5.656 9。

最后，把归一化的试验数据输入SVM算法，对光合速率进行预测，并重复上述步骤直至满足预测精度，完成模型构建。

2.2 模型验证与对比分析

将实际值与预测值对比作为模型评价基准，选用平均绝对误差(Mean absolute error，MAE)、平均相对误差(Mean relative error，MRE)、均方误差(Mean squared error，MSE)、相关系数(Correlation coefficient)、计算时间(Computational time)作为评价指标。为评价本研究所建立的SVM光合速率模型的预测精度，同时选取非线性回归(Non-linear regression，NLR)模型[24]、误差反传(Error back propagation，BP)算法模型[25]对测试集样本进行预测。建立基于BP网络的光合速率模型时，对模型隐节点数、激活函数及网络训练方法进行优化设计，以网络误差最小为目标进行参数选择。具体参数包括：单隐层网络结构，隐节点最佳个数为8，输入层到隐含层传递函数为Tansig函数，隐含层到输出层传递函数为Purelin函数，网络训练函数为Trainlm。3种模型预测结果如表1所示。

表1 不同光合速率预测模型评价指标对比

由表1可知，SVM预测模型的3个指标均为上述模型最小值，表明SVM预测模型的预测精度最高；同时，SVM预测模型其相关系数高，模型能够较好反映样本数据的本质；且SVM模型计算时间最短。基于以上模型对比分析，融合SVM算法构建的光合速率预测模型可快速准确预测作物光合速率。

3 基于改进型鱼群算法的CO2优化调控模型

基于以上研究，以SVM光合速率预测模型网络作为寻优目标函数输入，采用改进型鱼群算法实现温度、光子通量密度嵌套条件下CO2寻优，可得不同温度和光子通量密度条件下的CO2饱和点，进而建立CO2优化调控模型。

鱼群算法是一种基于模拟鱼群的觅食和生存活动而提出的一种智能仿生算法，其具有对初值和参数选择不敏感、鲁棒性强、全局收缩性好、收敛速度快、并行搜索快、简单易实现等优点[26-27]。由于人工鱼群主要执行觅食行为、聚群行为、追尾行为和随机行为，且每种行为均会受到视野范围和步长的限制，因此本算法为了改善人工鱼群寻优速度慢的问题，对人工鱼群的视野和步长进行动态调整，有效平衡了鱼群算法在全局收敛和局部收敛之间的差异。

3.1 基于改进型鱼群的CO2饱和点寻优方法

由于受多维环境因子影响，采用改进型鱼群算法进行寻优，主要包括寻优条件嵌套构建和特定条件鱼群寻优。寻优条件嵌套构建是指采用双嵌套的方式，建立全温度范围和全光子通量密度范围内的寻优梯度，从而完成不同寻优目标函数构建。特定条件鱼群寻优是指根据特定寻优目标函数进行鱼群寻优，主要包括鱼群初始化、觅食行为、聚群行为、追尾行为、随机行为等行为处理，最终实现不同温度、不同光子通量密度条件下的CO2饱和点寻优，具体流程如图2所示。

图2 基于改进型鱼群算法的CO2饱和点寻优流程Fig.2 Flow chart of CO2 saturation point optimization based on improved fish swarm algorithm

由图2可知，算法的每组寻优均建立在特定温度、光子通量密度基础上。温度以3℃为步长，建立寻优温度条件数据样本集Ti=(T1,T2,…,Ti,…,T9)，其中，Ti=12+3(i-1)，i∈[1,9]区间内的正整数；光子通量密度以200 μmol/(m2·s)为步长，建立寻优光子通量密度条件数据样本Pj=(P1,P2,…,Pj,…,P9)，其中，Pj=150+200(j-1)，j∈[1,9]区间内的正整数。在12～36℃和150～1 750 μmol/(m2·s)范围内，完成模型对温度、光子通量密度的实例化。实例化公式为

(4)

式中w——权值向量Φ(Ti,Pj,CCO2)——非线性映射函数

根据式(4)可建立不同温度、不同光子通量密度条件下的寻优目标函数

(5)

其次，采用鱼群算法根据种群空间中的每个人工鱼的食物浓度、拥挤度以及伙伴数量，选择进行觅食、聚群和追尾操作，完成人工鱼新位置的获取，其具体方法如下：

觅食行为：设一条人工鱼当前的状态为xi，在其感知范围内随机选择一个状态xj为

xj=xi+rv

(6)

式中r——随机数v——感知距离范围

若该状态的食物浓度Yj>Yi，则使用

(7)

式中s——人工鱼移动最大步长

完成位置更新；否则，再重复式(6)进行迭代完成位置更新。

迭代超过最大尝试次数30后，按照

xi++=xi+rs

(8)

进行随机行为完成位置更新。

聚群行为：人工鱼向伙伴中心移动的行为。若鱼群中心位置食物浓度Yc与当前食物浓度的Yi以及当前视野内的伙伴数量nf之间，满足Yc/nf>δYi，人工鱼根据

(9)

执行聚群行为；否则，执行觅食行为完成鱼群位置更新。其中δ为拥挤度，用来限制改进型鱼群聚集的规模。

追尾行为：人工鱼向最优位置伙伴方向移动的行为。若鱼群当前最优位置食物浓度Yj与当前食物浓度的Yi满足Yj/nf>δYi时，人工鱼按

(10)

执行追尾行为。否则，人工鱼执行觅食行为。

随机行为：为了更大范围的寻找食物和同伴而进行的行为。在视野中随机选择一个状态，然后向该方向移动，它是觅食行为的一个缺省行为，即xi的下一个位置为xi++=xi+tv，其中，t是[-1,1]区间的随机数。

最终，对比不同行为得到人工鱼位置对应的食物浓度，选取食物浓度高的人工鱼位置完成位置更新，并对生成的新鱼群进行优化过程迭代，直到完成特定温度、光子通量密度下CO2饱和点的寻优。然后重新提取一组温度、光子通量密度下的寻优条件，重复上述过程，直至完成所有温度、所有光子通量密度条件下的光合速率寻优。寻优结果如图3所示。

当鱼群算法进化代数较少时，在进化初始阶段，食物浓度较小，经过觅食行为、聚群行为、追尾行为和随机行为的优化处理，位置不断更新，从而使得鱼群新种群中个体食物浓度不断提高，黄瓜CO2浓度饱和点随进化代数增加而逐渐增大；而随着进化代数增加，当改进型鱼群算法产生新的个体逼近最优解时，其食物浓度基本保持恒定，迭代步数10步之内即可完成光合速率的寻优。

从图3寻优结果可以看出，随着温度和光子通量密度的升高，光合速率也随之上升，在达到最大值之后随着温度的升高光合速率开始缓慢变化，符合作物光合速率的基本规律。同时发现，当温度和光子通量密度较低时，CO2饱和点较低；在温度较低时，随着光子通量密度的升高，CO2饱和点先上升后下降；当温度和光子通量密度升高到一定程度，CO2饱和点的升高幅度变小；同时，当CO2浓度达到一定程度时，CO2浓度平缓变化，与作物生长规律一致[28]。

图3 不同温度、光子通量密度条件下CO2饱和点变化情况Fig.3 Changes of CO2 saturation point at different temperatures and photo flux densities

3.2 CO2优化调控模型

基于上述寻优结果，可得到81组离散的温度、光子通量密度与CO2饱和点之间对应关系，以温度T、光子通量密度P为自变量，以CO2浓度为因变量，利用3元4次多项式非线性回归方法建立连续的黄瓜幼苗期CO2优化调控模型，其函数为

RCO2=2 119-57.77T-0.781P+1.421T2+0.108 5TP-

0.000 239 3P2-0.010 49T3-0.001 447T2P-5.138×

10-5TP2+1.539×10-7P3+6.039×10-6T3P+2.869×

10-7T2P2+9.125×10-9TP3-7.309×10-11P4

(11)

CO2优化调控模型三维图如图4所示，该模型相关系数为0.999，标准差为2.498，表明模型具有良好拟合度。应用此优化调控模型可获取给定温度、光子通量密度条件下的CO2饱和点，其与环境实时CO2浓度的差值即为所需调控的CO2浓度。

图4 CO2优化调控模型图Fig.4 Optimal control model of carbon dioxide

4 模型验证

通过CO2浓度饱和点实测值与模型预测值的对比分析，验证模型准确性及适应性。采用异校验的方式构建嵌套验证试验，从穴盘中另外选取20株健壮的黄瓜幼苗作为验证集的供试样本，使用Li-6400XT型便携式光合仪人工设定叶室小环境，分别测量温度为15、20、25、30、33℃，光子通量密度为600、800、1 000、1 200 μmol/(m2·s)时的CO2响应曲线，从而得到5个温度、4个光子通量密度下的20条CO2响应曲线及其对应的CO2饱和点。同时，利用模型计算得到以上温度、光子通量密度条件下的CO2饱和点作为预测值。进一步分析预测值与试验获得CO2饱和点实测值之间的相关性，结果如图5所示。

图5 CO2饱和点实测值与预测值之间的相关性Fig.5 Correlation of measured carbon dioxide saturation point and simulated values

由图5可知，CO2饱和点模型预测值与实测值相关性拟合得到拟合相关系数为0.965，相关直线斜率为0.998，纵坐标截距为-0.284，表明两者之间高度线性相关。同时，对20组试验数据结果进行误差分析，可知CO2饱和点的预测值与实测值最大相对误差不超过3.056%，表明本文所建立的黄瓜CO2优化调控模型可实现不同温度、光子通量密度条件下CO2饱和点的动态获取，并具有较高精度。

5 结论

(1)以温度、光子通量密度和CO2浓度多因子光合速率嵌套试验结果为基础，提出了NLR算法、BP算法和SVM算法的3个光合速率预测模型，分析发现，SVM光合速率预测模型相关系数达到0.994，均方误差为3.349×10-4μmol/(m2·s)，平均绝对误差为0.879 μmol/(m2·s)，明显优于NLR光合速率预测模型的相关系数0.892，均方误差30.58 μmol/(m2·s)，平均绝对误差4.656 μmol/(m2·s)和BP光合速率预测模型的相关系数0.991，均方误差为5.367×10-4μmol/(m2·s)，平均绝对误差为1.076 μmol/(m2·s)。SVM光合速率预测模型具有较高拟合精度，可实现不同温度、光子通量密度和CO2浓度条件下的光合速率预测。

(2)提出了融合改进型鱼群算法的光合速率寻优方法，得到不同温度、光子通量密度对应的CO2饱和点，以此构建以CO2饱和点为目标值的CO2优化调控模型，模型相关系数为0.999，标准差为2.498，可动态计算不同温度、光子通量密度下的CO2饱和点。

(3)采用异校验方式对CO2优化调控模型进行验证，结果表明，CO2饱和点实测值和模型预测值线性相关，相关系数为0.965，拟合直线斜率为0.998，纵坐标截距为-0.284，最大相对误差不超过3.056%，可为CO2精准调控提供定量依据。

1 KUMARI S, AGRAWAL M, TIWARI S. Impact of elevated CO2and elevated O3onBetavulgarisL.: pigments, metabolites, antioxidants, growth and yield[J]. Environmental Pollution, 2013, 174: 279-288.

2 HOEGY P, WIESER H, KOEHLER P, et al. Effects of elevated CO2on grain yield and quality of wheat: results from a three-year FACE experiment[J]. Plant Biology, 2009, 11(Supp.1): 60-69.

3 徐立鸿,苏远平,梁毓明.面向控制的温室系统小气候环境模型要求与现状[J/OL].农业工程学报,2013,29(19):1-15.http:∥www.tcsae.org/nygcxb/ch/reader/view_abstract.aspx?flag=1&file_no=20131901& journal_id=nygcxb. DOI:10.3969/j.issn.1002-6819.2013.19.001. XU Lihong, SU Yuanping, LIANG Yuming. Requirement and current situation of control-oriented microclimate environmental model in greenhouse system[J/OL]. Transactions of the CSAE,2013, 29(19):1-15.(in Chinese)

4 SANCHEZ-MOLINA J, REINOSO J, ACIEN F, et al. Development of a biomass-based system for nocturnal temperature and diurnal CO2concentration control in greenhouses[J]. Biomass and Bioenergy, 2014, 67: 60-71.

5 周士力,曲英华,王红玉,等.不同水分条件下增施CO2对日光温室内番茄生长的影响[J/OL].农业机械学报,2014,45(增刊):175-181.http:∥www.jcsam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no =2014s028&journal_id= jcs am. DOI: 10.6041/j.issn.1000-1298.2014.S0.028. ZHOU Shili, QU Yinghua, WANG Hongyu, et al. Effect of CO2enrichments under different water conditions on growth of tomato in heliogreenhouse[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(Supp.): 175-181. (in Chinese)

6 刘妍华,曾志雄,郭嘉明,等.增施CO2气肥对温室流场影响的数值模拟及验证[J/OL].农业工程学报,2015,31(12):194-199.http:∥www.tcsae.org/nygcxb/ch/reader/view_abstract.aspx?file_no=20151226&flag=1. DOI:10. 11975/j. issn.1002-6819. 2015.12.026. LIU Yanhua,ZENG Zhixiong, GUO Jiaming, et al. Numerical simulation and experimental verification of effect of CO2enrichment on flow field of greenhouse[J/OL]. Transactions of the CSAE, 2015, 31(12): 194-199. (in Chinese)

7 THONGBAI P, KOZAI T, OHYAMA K. CO2and air circulation effects on photosynthesis and transpiration of tomato seedlings[J]. Scientia Horticulturae, 2010, 126(3): 338-344.

8 李天来,陈亚东,刘义玲,等.根际CO2浓度对网纹甜瓜根系生长和活力的影响[J].农业工程学报,2009,25(4):210-215. LI Tianlai, CHEN Yadong, LIU Yiling, et al. Effects of rhizosphere CO2concentration on root growth and activity of netted muskmelon[J]. Transactions of the CSAE, 2009, 25(4): 210-215. (in Chinese)

9 潘璐,刘杰才,李晓静,等.高温和加富CO2温室中黄瓜Rubisco活化酶与光合作用的关系[J].园艺学报,2014,41(8): 1591-1600. PAN Lu, LIU Jiecai, LI Xiaojing, et al. Correlation between Rubisco activase and photosynthesis of cucumber in greenhouse under high temperature and elevated CO2[J]. Acta Horticulturae Sinica, 2014, 41(8): 1591-1600. (in Chinese)

10 李天来,颜阿丹,罗新兰,等.日光温室番茄单叶净光合速率模型的温度修正[J].农业工程学报,2010,26(9):274-279. LI Tianlai, YAN Adan, LUO Xinlan, et al. Temperature modified model for single-leaf net photosynthetic rate of greenhouse tomato[J]. Transactions of the CSAE, 2010, 26(9): 274-279. (in Chinese)

11 叶子飘.光合作用对光和CO2响应模型的研究进展[J].植物生态学报,2010,34(6):727-740. YE Zipiao. A review on modeling of responses of photosynthesis to light and CO2[J]. Chinese Journal of Plant Ecology, 2010, 34(6): 727-740. (in Chinese)

12 艾民,刘振奎,杨延杰,等.温度、光照强度和CO2浓度对黄瓜叶片净光合速率的影响[J].沈阳农业大学学报,2005, 36(4):414-418. AI Min, LIU Zhenkui, YANG Yanjie, et al. Effects of temperature, light intensity and CO2concentration on cucumber net photosynthesis[J]. Journal of Shenyang Agricultural University, 2005, 36(4): 414-418. (in Chinese)

13 KLAERING H P, HAUSCHILD C, HEISSNER A, et al. Model-based control of CO2concentration in greenhouses at ambient levels increases cucumber yield[J]. Agricultural and Forest Meteorology, 2007, 143(3): 208-216.

14 张荣标,项美晶,李萍萍,等.基于信息融合的温室CO2调控量决策方法[J].农业机械学报,2009,40(6):175-178. ZHANG Rongbiao, XIANG Meijing, LI Pingping, et al. Decision-making on greenhouse CO2control quantity based on information fusion[J]. Transactions of the Chinese Society for Agricultural Machinery, 2009, 40(6): 175-178. (in Chinese)

15 LI T, ZHANG M, JI Y, et al. Management of CO2in a tomato greenhouse using WSN and BPNN techniques [J]. International Journal of Agricultural and Biological Engineering, 2015, 8(4): 43-51.

16 季宇寒,李婷,张漫,等.基于WSN的温室CO2气肥优化调控系统研究[J/OL].农业机械学报,2015,46(增刊):201-207. http: ∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=2015S033&flag=1. DOI:10.6041/j.issn.1000-1298.2015.S0.033. JI Yuhan, LI Ting, ZHANG Man, et al. Design of CO2fertilizer optimizing control system on WSN[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(Supp.): 201-207. (in Chinese)

17 王伟珍,张漫,蒋毅琼,等.基于WSN的温室番茄光合速率预测[J/OL].农业机械学报,2013,44(增刊2):192-197.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=2013S236&journal_id=jcsam. DOI:10.6041/j.issn.1000-1298.2013.S2.036. WANG Weizhen, ZHANG Man, JIANG Yiqiong, et al. Photosynthetic rate prediction of tomato plants based on wireless sensor network in greenhouse[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(Supp.2): 192-197. (in Chinese)

18 JI Y H, JIANG Y Q, Li T, et al. An improved method for prediction of tomato photosynthetic rate based on WSN in greenhouse [J]. International Journal of Agricultural & Biological Engineering, 2016, 9(1): 146-152.

19 李婷,季宇寒,张漫,等.CO2与土壤水分交互作用的番茄光合速率预测模型[J/OL].农业机械学报,2015,46(增刊):208-214.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=2015S034&flag=1. DOI:10.6041/j.issn.1000-1298.2015.S0.034. LI Ting, JI Yuhan, ZHANG Man, et al. Tomato photosynthetic rate prediction models under interaction of CO2enrichments and soil moistures[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(Supp.): 208-214. (in Chinese)

20 张漫,李婷,季宇寒,等.基于BP神经网络算法的温室番茄CO2增施策略优化[J/OL].农业机械学报,2015,46(8):239-245. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150833&flag=1. DOI:10.6041/j.issn.1000-1298.2015.08.033. ZHANG Man, LI Ting, JI Yuhan, et al. Optimization of CO2enrichment strategy based on BPNN for tomato plants in greenhouse[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(8): 239-245. (in Chinese)

21 丁世飞,齐丙娟,谭红艳.支持向量机理论与算法研究综述[J].电子科技大学学报,2011,40(1):2-10. DING Shifei, QI Bingjuan, TAN Hongyan. An overview on theory and algorithm of support vector machines[J]. Journal of University of Electronic Science and Technology of China, 2011, 40(1): 2-10. (in Chinese)

22 鲍永胜,吴振升.基于SVM的时间序列短期风速预测[J].中国电力,2011,44(9):61-64. BAO Yongsheng, WU Zhensheng. Short-term wind speed forecasting based on SVM time-series method[J]. Electric Power, 2011, 44(9): 61-64. (in Chinese)

23 张建华,冀荣华,袁雪,等.基于径向基支持向量机的棉花虫害识别[J].农业机械学报,2011,42(8):178-183. ZHANG Jianhua, JI Ronghua, YUAN Xue, et al. Recognition of pest damage for cotton leaf based on RBF-SVM algorithm[J]. Transactions of the Chinese Society for Agricultural Machinery, 2011, 42(8): 178-183. (in Chinese)

24 胡瑾,闫柯,何东健,等.基于改进型鱼群算法的番茄光环境调控目标值模型[J/OL].农业机械学报,2016,47(1):260-265. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20160135&flag=1. DOI:10.6041/j.issn.1000-1298.2016.01.035. HU Jin, YAN Ke, HE Dongjian, et al. Light environment regulation target model of tomato based on improved artificial fish swarm algorithm[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(1): 260-265. (in Chinese)

25 张海辉,陶彦蓉,胡瑾.融合叶绿素含量的黄瓜幼苗光合速率预测模型[J/OL].农业机械学报,2015,46(8):259-263,307. http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?file_no=20150836&flag=1. DOI:10.6041/j.issn.1000-1298.2015.08.036. ZHANG Haihui, TAO Yanrong, HU Jin. Photosynthetic rate prediction model of cucumber seedlings fused chlorophyll content[J/OL].Transactions of the Chinese Society for Agricultural Machinery, 2015, 46(8):259-263,307. (in Chinese)

26 ZHANG C, ZHANG F M, LI F, et al. Improved artificial fish swarm algorithm[C]∥9th IEEE Conference on Industrial Electronics and Applications, 2014: 748-753.

27 WANG C R, ZHOU C L, MA J W. An improved artificial fish-swarm algorithm and its application in feed-forward neural networks[C]∥Proceedings of 2005 International Conference on Machine Learning and Cybernetics, 2005, 5: 2890-2894.

28 叶子飘,于强.冬小麦旗叶光合速率对光强度和CO2浓度的响应[J].扬州大学学报:农业与生命科学版,2008,29(3):33-37. YE Zipiao, YU Qiang. Photosynthetic response to irradiance and CO2concentration for flag leaves of winter wheat[J]. Journal of Yangzhou University:Agricultural and Life Science Edition, 2008, 29(3): 33-37. (in Chinese)

Carbon Dioxide Optimal Control Model Based on Support Vector-Improved Fish Swarm Algorithm

XIN Pingping1,2ZHANG Zhen1,2WANG Zhiyong1,2HU Jin1,2SHAO Zhicheng1,2ZHANG Haihui1,2

(1.CollegeofMechanicalandElectronicEngineering,NorthwestA&FUniversity,Yangling,Shaanxi712100,China2.KeyLaboratoryofAgriculturalInternetofThings,MinistryofAgriculture,Yangling,Shaanxi712100,China)

CO2was one of the main raw materials for plant photosynthetic rate, CO2optimal regulation model to meet the crops’ requirements was pivotal to afford a fine growth environment in crops’ whole life cycle. CO2optimal regulation model fusing the support vector machine-improved fish swarm algorithm was proposed to provide a quantitative basis for precise regulation of CO2in greenhouse. Taking the cucumber plant as research object, considering the mechanism of its photosynthesis, a photosynthesis rate nest-test with three-factor combinations consisted of temperature, photon flux density and CO2concentration was constructed. In the test, temperatures, photon flux densities and CO2concentrations were set at 9, 7, 10 gradients, respectively. Totally 630 groups of CO2response data were obtained by LI-6400XT portable photosynthesis rate instrument, in which 81% of the data was employed to construct the support vector machine (SVM) photosynthetic rate prediction model, while the remaining data was used for model validation. Furthermore, through improved fish swarm algorithm with SVM photosynthetic rate prediction model network as input, optimized photosynthetic rate values were acquired with variety of variables. Accordingly, CO2saturation points were generated at different temperatures and photon flux density conditions for CO2optimal regulation model. Compared the proposed SVM photosynthetic rate prediction model with conventional non-linear regression (NLR) prediction model and error back propagation (BP) prediction model, results showed that SVM prediction model was obviously superior to NLR prediction model and BP prediction model with correlation coefficient of 0.994 and mean absolute error of 0.879 μmol/(m2·s). Then, XOR checkout was adopted to validate the CO2optimal regulation model, results showed that the correlation coefficient between the simulated values and measured values was 0.965 and the maximum relative error was 3.056%, which indicated that the proposed CO2optimization model could be applied to predict CO2saturation points dynamically and provide a feasible way for CO2concentration precise controlling for plants in greenhouse.

CO2optimal regulation model; support vector machine algorithm; improved fish swarm algorithm; photosynthetic rate; saturation point of CO2

10.6041/j.issn.1000-1298.2017.06.032

2016-10-09

2016-11-16

国家自然科学基金项目(31671587、31501224)和陕西省农业科技创新与攻关项目(2016NY-125)

辛萍萍(1990—)，女，博士生，主要从事设施微环境智能调控研究，E-mail： xinxinping@nwsuaf.edu.cn

张海辉(1977—)，男，教授，博士生导师，主要从事精准农业和农业物联网研究，E-mail: zhanghh@nwsuaf.edu.cn

S126

A

1000-1298(2017)06-0249-08