效益优先的温室光照优化调控模型研究*

单慧勇，李晨阳，张程皓，赵辉，卫勇，郭旭存

(天津农学院工程技术学院，天津市，300384)

0 引言

光是植物进行光合作用的主导因子[1-4]，在设施温室种植方面，以提高作物光合速率为目的，综合考虑温度及二氧化碳浓度，建立植物光照优化调控模型，是设施温室智能调控系统的重要组成部分。

光照优化调控模型的基础是光合速率预测模型，传统的预测模型存在拟合精度低等问题，近年来，众多学者以光合作用的主要影响因子为变量进行光合速率预测模型研究[5-9]，构建了不同的光合速率模型，极大改善了预测模型的适应性和准确度。在光照调控方面，以光饱和点为调控指标的调控模型得到广泛应用研究[10]，然而基于饱和点的调控虽可达到最大光合速率，但会造成调控效益下降；目前，在考虑环境参数调控效益的前提下，胡瑾、白京华等基于离散曲率寻找光响应曲线曲率最大值点对应的光照强度作为效益最优的调控目标值[11-13]，可在有效降低调控成本的前提下提升作物光合速率。

本文在考虑光合速率与光照调控效益的前提下，首先研究构建基于LS-SVM的光合速率预测模型，继而设计了两种基于曲线平滑差分曲率的光照目标值寻优方案，经分析提出了融合两种寻优方案获取效益优先的光照调控目标值，最后基于BP神经网络构建光照优化调控模型，通过远程控制系统实现温室光照融合效益原则的精准高效调控。

1 材料与方法

1.1 试验设计

试验于2019年12月在天津农学院西校区实训基地温室内进行，以黄瓜品种津优35为试验材料。环境因子变量包括温度、光照强度及二氧化碳浓度，其中温度设定为6梯度，光照强度设定为8梯度，二氧化碳浓度设定为7梯度，具体如表1所示，试验采用各环境因子间嵌套的方式进行设计。

表1 环境变量设置Tab. 1 Settings of environment variable

1.2 净光合速率的测量

选取植株生长状况差异较小、健壮的黄瓜植株进行试验，测量设备为CI-340便携式光合作用仪，其可按需控制测量叶室的小环境，以设置不同试验条件，为避免植物“午休现象”对数据采集的影响，选择在9∶00～ 11∶30和14∶00～16∶30进行试验[14-15]。本试验为单叶片瞬时试验，为得到足够稳定的净光合速率，选择连续2 d以上相同天气进行测量，测量前充分诱导夹入叶室的叶片。最终形成以温度、二氧化碳浓度、光照强度PPFD为输入，光合速率Pn为输出的314组试验样本集。

2 模型构建

本文分3步构建光照调控模型。首先基于LS-SVM构建黄瓜光合速率预测模型；其次通过构建的光合速率预测模型获取不同温度与二氧化碳浓度下各光强所对应光合速率关系，提出两种基于曲线平滑差分曲率的光照调控目标值获取方案，继而基于BP神经网络构建两种调控方案的光照调控模型。

2.1 基于LS-SVM的黄瓜光合速率预测模型

本文采用LS-SVM算法构建光合速率预测模型[16]，其具体流程图如图1所示。

图1 光合速率预测模型流程图Fig. 1 Flow chart of photosynthetic rate prediction model

影响黄瓜光合速率的主要影响因素有温度、光强及CO2浓度，光合速率模型的构建，就是寻求温度(x1)、光强(x2)及二氧化碳浓度(x3)和输出光合速率(y)之间的关系：y=f(x1，x2，x3)。

基于试验所得到的数据，利用matlabR2018b进行编程，对前期314组数据进行随机排序，取前251组数据作为预测模型的输入，占总数据的80%，剩余63组对预测模型进行检验。由于各输入参数及输出参数的数量级不同，采用Matlab平台自带的归一化函数mapminmax，模型归一化区间为[0.2,0.9];选取径向基函数作为核函数进行建模[17]；gam是控制错分样本惩罚程度的可调参数，sig2是径向基核函数的参数，通过网格搜索获取最优的建模参数gam和sig2[18]，其确定的gam=263.549,sig2=0.204 042 5。模型各参数确定后调用LS-SVM工具箱的trainlssvm函数进行光合速率预测模型的构建。

2.2 不同寻优方案下的光照最优值获取方案

本文提出了两种光照寻优方案，方案一依据光照增长相对价值曲线曲率最大值进行寻优，方案二依据光合速率增长率曲线曲率最大值进行寻优。其中光照增长价值等于Pn/PPFD,光合速率增长率=(Pni-Pnj)/Pnj(i=1,…,n-1;j=2,…,n),式中n为光合速率样本数。

为清晰地描述本部分的研究内容，绘制不同寻优方案下的光照最优值获取流程图如图2所示。

为精确地描述程序中的寻优条件及寻优目标函数等关键参数，现结合流程图，对上述两种寻优方案的具体操作步骤进行如下描述。

1) 获取不同环境因子嵌套条件下的光合速率。在试验梯度范围内，通过循环形式以每个环境因素的不同步长增加的形式，可获取嵌套环境因子的所有梯度条件。本文设置温度区间为12 ℃～33 ℃，固定步长为1 ℃；二氧化碳浓度区间为300～1 300 μmol/mol, 固定步长为50 μmol/mol;光照强度设定范围为100～1 700 μmol/(m2·s),固定步长为5 μmol/(m2·s)。通过调用已建立的LS-SVM光合速率预测模型，获取上述环境因子嵌套条件下对应的光合速率。

2) 采用曲线平滑的差分曲率计算寻优。在不同寻优方案下的光照最优值获取过程中，需要进行温度实例化和二氧化碳浓度实例化，获取对应曲线寻优。方案一以光照增长相对价值为评价指标，方案二以光合速率增长率为评价指标。寻优时确定温度与二氧化碳浓度，光强依次递增，绘制评价指标曲线。

图2 不同寻优方案下的光照最优值获取流程图Fig. 2 Flow chart of obtaining the optimal value of illumination under different optimization schemes

基于曲线平滑的差分曲率进行曲率计算[19-21]，记所需处理的曲线

C={P1,P2,…,Pn}

(1)

式中:Pi——边界像素点,Pi=(xi,yi)。

应用高斯函数将曲线平滑处理，记处理后的曲线

(2)

继而应用差分法计算当前点的离散曲率

(3)

按照以上方法对两种方案下评价指标曲线各点求曲率并找出最大值点，此最大值对应的光强即寻优光强，记录和保存其对应的光照强度，直到获取所有评价指标曲线曲率最大点对应的光照强度结束。

2.3 基于BP神经网络的光照强度优化模型的构建

基于上述两种寻优方法，分别得到了以温度、二氧化碳为输入，以光照强度调控目标值为输出的462组目标数据集，采用BP神经网络分别进行光照强度优化模型构建。

随机选取方案一中351组数据作为预测模型的输入，占总数据的76%，剩余111组对预测模型进行检验。在训练时数据归一化处理函数采用MATLAB自带函数mapminmax。模型设计为三层神经网络，结合式(4)确定隐层节点的数[22]。

(4)

式中:m——隐层节点数；

q——输入层节点数(本文为2)；

l——输出层节点数(本文为1)；

α——1～10之间的常数。

经过多次反复的训练和调试，最终将隐层的神经元设置为4；网络训练的目标误差为0.000 1，训练步数设为1 000步，在此基础上网络隐含层传递函数为tansig，输出层传递函数为logsig。方案二的光照强度优化模型构建方案与方案一相同。

3 模型的验证与结果分析

3.1 光合速率预测模型验证结果

在MATLAB的LS-SVM工具箱中调用simlssvm函数进行模型验证，将预测结果与实际样本进行反归一化处理，结果表明其平均绝对误差为0.629 7 μmol/(m2·s),决定系数0.967 4，均方误差为0.827 3 μmol/(m2·s);预测结果误差如图3所示，由图3可见，基于LS-SVM建立的光合速率预测模型误差较小，即使最大的误差也均保持在4.5 μmol/(m2·s)的范围之内，即可以较好预测作物光合速率变化趋势。

图3 预测结果误差图Fig. 3 Error chart of prediction results

3.2 不同寻优方案下的光照调控模型目标值获取结果分析

在建模过程中每种方案均获取了462组不同条件下光照的调控点，由于无法完全罗列，故下文仅展示温度为18 ℃～28 ℃以2 ℃为步长，二氧化碳从300～1 300 μmol/mol 区间以100 μmol/mol为步长条件下的不同寻优方案光照获取结果，如图4所示，三角形为方案一所确定的补光点，正方形形为方案二所确定的补光点，星形为传统光饱和点所确定的补光点。

(a) T=18 ℃时不同CO2浓度下光合速率与光照强度关系图

(b) T=20 ℃时不同CO2浓度下光合速率与光照强度关系图

(c) T=22 ℃时不同CO2浓度下光合速率与光照强度关系图

(d) T=24 ℃时不同CO2浓度下光合速率与光照强度关系图

(e) T=26 ℃时不同CO2浓度下光合速率与光照强度关系图

(f) T=28 ℃时不同CO2浓度下光合速率与光照强度关系图

由图4可以发现，方案一光调控点在低于23 ℃时，随着二氧化碳浓度升高，光照调控点逐渐降低，在高于23 ℃时，随着二氧化碳浓度升高，光照调控点小幅度增长；方案二的光调控点与温度和二氧化碳浓度呈正相关，同一二氧化碳浓度下，随着温度升高，所需光强也随之高，同一温度下，随着二氧化碳浓度升高，所需光强也随之升高。

进一步分析不同温度下方案一与方案二光照调控点的变化，可以发现在温度较低时，基于方案二所获取的光照调控点低于基于方案一所获取的光照调控点；在温度较高时，基于方案二所获取的光照调控点高于基于方案一所获取的光照调控点；基于上述分析，提出效益优先的光照调控策略：在获取实时温度与二氧化碳环境参数后，输入到两个调控模型中，获取两个光强调控点，选取其中光照调控点较小的作为效益优先的光照调控策略。

3.3 光照强度优化模型结果及验证

方案二预测结果与误差如图5所示。

图5 方案二预测结果与误差图Fig. 5 Scheme II prediction results and error chart

对基于BP神经网络构建的方案一优化模型验证结果表明，其决定系数R=0.992 6,均方误差为4.321 2 μmol/(m2·s),平均绝对误差为5.135 5 μmol/(m2·s);对基于BP神经网络构建的方案二优化模型验证结果表明，其决定系数R=0.991 0,均方误差为10.418 2 μmol/(m2·s),平均绝对误差为12.028 7 μmol/(m2·s),可见基于BP神经网络建立的方案二的光照强度优化模型误差略高于方案一的光照强度优化模型，但其最大的误差也均保持在25 μmol/(m2·s)的范围之内，如图5所示，具有较高的预测准确度。

4 调控效果对比

4.1 理论调控效果分析

为了验证上述提出的效益优先的光照调控模型的调控效果，与获取光饱和点作为调控目标值的传统方案进行对比，选取18 ℃～28 ℃的温度区间，300～1 100 μmol/mol的二氧化碳浓度区间，以5 ℃的温度梯度，200 μmol/mol的二氧化碳浓度梯度为例，对比结果如表2所示。

从表2中可以看出，依据效益优先的光照调控可以使得光照强度大幅降低的同时，光合速率仅小幅度下降。数据表明，本文提出的效益优先的光照调控策略，相比于传统光饱和点调控，光照供需量平均下降22.86%，而光合速率平均仅降低了3.71%，说明采用效益优先的光照优化调控策略，可以使得设施温室作物补光在投入较少的情况下获得相对较高的效益。

表2 传统光饱和点调控方案与效益优先的调控方案对比Tab. 2 Comparison between the traditional light saturation point control scheme and the benefit priority control scheme

4.2 实际调控效果分析

为了验证本模型的实际调控效果，在天津农学院西校区实训基地温室内开展调控模型验证试验，光照远程调控系统整体工作流程图如图6所示。环境参数通过日光温室远程智能监控系统实时获取，上位机通过读取环境参数，利用matlab软件运行两种光照优化调控模型并进行对比，获取效益优先的光照调控目标值，然后根据实时的光照强度，判断是否需要进行光照调控。若当前实时光照高于目标值，则不进行调控，继续进行调控目标值的计算与实时环境的比较；若当前光照强度低于目标值，则进行动态光照差值计算，发出光照调控信号。试验光源选取项目合作单位西北农林科技大学机械与电子工程学院自主研发矩阵多光源补光灯，补光灯利用PWM控制电流方式控制灯珠光照强度，通过PLC内部程序运算，将光照强度值发给协调器，进而进行精准补光[23-24]。补光系统通过Modbus协议利用无线数传电台与上位机通讯。

图6 光照远程调控系统整体工作流程图Fig. 6 Overall work flow chart of lighting control system

试验在同一温室的3块黄瓜生长发育状况相同的区域进行，分别按效益优先补光策略、传统光饱和点补光策略、不进行补光策略进行光照调控，记为效益组、光饱和对照组和自然对照组。试验中运行效益组与光饱和对照组的光调控程序，自然对照组不进行补光。试验在2020年3月8日进行，试验时间为09∶00～ 16∶00，间隔3 min记录一组数据(共计141组数据)，当天温室内二氧化碳浓度与温度变化曲线图如图7所示，利用CI-340便携式光合作用仪对不同试验区域的黄瓜进行光合速率测量，得到3组对应的光合速率曲线如图8所示。

三组不同调控方案下的平均光合速率分别为

(5)

(6)

(7)

式中:PN1——效益组光合速率数据；

PN2——光饱和组光合速率数据；

PN3——自然对照组光合速率数据；

n——试验记录数据样本量，n=141。

图7 温度和二氧化碳浓度变化图Fig. 7 Temperature and CO2 concentration curve

图8 3组光合速率的变化趋势Fig. 8 Trends of photosynthetic rate in three groups

设效益组在不同环境条件下的目标补光值为PPFD1、光饱和点组在不同环境条件下的目标补光值为PPFD2,则效益组整体光合速率比光饱和组补充光照供需量降低量

(8)

经对比计算，效益组整体光合速率比光饱和组光合速率低3.34%，补充光照供需量降低27.47%，效益组整体光合速率比自然组高40.69%。说明提出的以效益优先的光照调控可以在大幅度提高光合效益的同时降低光照补充能耗，对设施温室补光的精准调控具有指导意义。

5 结论

1) 本文在LS-SVM算法构建的光合速率预测模型的基础上，提出了融合两种不同寻优方案的效益优先的光照优化调控目标值获取方案，继而基于BP神经网络构建了光照优化调控模型。

2) 对提出的光照优化调控模型进行评估分析，数据表明所提出的调控方案较传统光饱和点调控方案的理论光照供需量下降22.86%，但光合速率仅降低3.71%；经对比试验验证，光照供需量下降27.47%，光合速率减少3.34%，较自然条件下的光合速率提高了40.69%，因此所提出的光照优化调控模型可在大幅提高光合效益的同时降低光照补充能耗。

3) 作物的生长受温室多种环境因素影响，多环境因子之间存在相互关联的关系，且调控成本差异显著，后续课题组将深入研究，探讨智能多因子耦合的调控方案，将二氧化碳、光照等环境因子进行融合调控，进一步提高设施环境智能精准调控水平。