CN111915062A - 水分利用率与光合速率协同的温室作物需水调控方法 - Google Patents
水分利用率与光合速率协同的温室作物需水调控方法 Download PDFInfo
- Publication number
- CN111915062A CN111915062A CN202010653535.4A CN202010653535A CN111915062A CN 111915062 A CN111915062 A CN 111915062A CN 202010653535 A CN202010653535 A CN 202010653535A CN 111915062 A CN111915062 A CN 111915062A
- Authority
- CN
- China
- Prior art keywords
- soil humidity
- photosynthetic rate
- regulation
- wue
- curvature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000000243 photosynthetic effect Effects 0.000 title claims abstract description 97
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 75
- 230000033228 biological regulation Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 42
- 239000002689 soil Substances 0.000 claims abstract description 120
- 230000004907 flux Effects 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 230000004044 response Effects 0.000 claims abstract description 32
- 239000002245 particle Substances 0.000 claims abstract description 24
- 238000005457 optimization Methods 0.000 claims abstract description 14
- 230000001105 regulatory effect Effects 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 230000001276 controlling effect Effects 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims description 25
- 230000007613 environmental effect Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 7
- 230000013016 learning Effects 0.000 claims description 4
- 230000009326 social learning Effects 0.000 claims description 4
- 230000002195 synergetic effect Effects 0.000 claims 2
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000002262 irrigation Effects 0.000 description 19
- 238000003973 irrigation Methods 0.000 description 19
- 230000000694 effects Effects 0.000 description 13
- 230000007423 decrease Effects 0.000 description 9
- 230000029553 photosynthesis Effects 0.000 description 8
- 238000010672 photosynthesis Methods 0.000 description 8
- 230000012010 growth Effects 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 241000227653 Lycopersicon Species 0.000 description 5
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 239000000758 substrate Substances 0.000 description 4
- 230000005068 transpiration Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 208000005156 Dehydration Diseases 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000219000 Populus Species 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 229930002875 chlorophyll Natural products 0.000 description 1
- 235000019804 chlorophyll Nutrition 0.000 description 1
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 229940088597 hormone Drugs 0.000 description 1
- 239000005556 hormone Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 235000021049 nutrient content Nutrition 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000008635 plant growth Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000001850 reproductive effect Effects 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 230000009105 vegetative growth Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
- Y02A40/10—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in agriculture
- Y02A40/25—Greenhouse technology, e.g. cooling systems therefor
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Educational Administration (AREA)
- Agronomy & Crop Science (AREA)
- Mining & Mineral Resources (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Primary Health Care (AREA)
- Animal Husbandry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
Abstract
本发明一种水分利用率与光合速率协同的温室作物需水调控方法,获取不同温度、光量子通量密度、CO2浓度和土壤湿度嵌套条件下的净光合速率和WUE数据,基于径向基神经网络构建光合速率预测模型和WUE预测模型;根据光合速率预测模型获取不同温度、光量子通量密度和CO2浓度嵌套下的光合速率对土壤湿度的响应曲线,计算其离散曲率并构造调控区间;在该区间内基于粒子群寻优算法获取WUE最大点对应的土壤湿度值,以此作为调控目标值;利用SVR算法构建融合WUE‑光合速率的需水模型,并基于该模型进行温室作物需水调控。本发明能兼顾作物需求和经济效益,为设施作物动态、高效的土壤湿度调控提供了理论依据。
Description
技术领域
本发明属于人工智能与农业技术领域,特别涉及一种水分利用率与光合速率协同的温室作物需水调控方法。
背景技术
水是绿色植物进行光合作用的重要原料,土壤水是作物水分的主要来源,所以光合速率的大小与土壤湿度状况密切相关,适宜的水分有利于作物生长,胁迫或过量状态均会对作物产生不良影响。水分胁迫下,作物的气孔密度随水分胁迫程度加重而呈现持续降低趋势,叶绿素荧光参数下降,CO2吸收受阻,从而降低光合速率;过量的水分会抑制根系呼吸,打破生殖生长和营养生长之间的平衡,导致光合速率下降,植株生长受阻。因此高效灌溉对于提升水资源利用率及营造有利于作物生长发育和物质积累的土壤水分环境至关重要。
近年来针对高效灌溉系统的研究已成为设施调控领域的研究热点。许景辉等提出了基于PID控制参数优化后的智能灌溉系统,于浩等设计了基于32单片机控制的智能灌溉系统,杨帆等研究了基于ZigBee的蔬菜大棚自动灌溉系统设计,以上智能灌溉系统可以实现灌溉时间和灌溉量的最优控制,很大程度上提高了灌溉效率,为温室作物的精准灌溉提供了硬件支撑。但这样的闭环灌溉系统只进行了定量精准灌溉,没有实现基于作物需求的灌溉量精准智能决策。同时相关研究表明,作物需水规律与环境条件之间有密切关联,植物不同生育期内WUE和光合速率对土壤水分响应规律也存在明显差异。因此,融合多环境因子,建立WUE-光合速率耦合的作物需水模型,探寻适宜作物生长的土壤湿度,已成为设施农业中土壤水分环境高效调控亟待解决的问题。
在作物需水调控模型方面已有了大量的研究成果。张学科等研究了不同灌溉方式下番茄水分利用效率(WUE)的差异,发现不同灌溉方式的土壤含水率差异明显,并以水分利用率最优为目标进行灌溉决策;王培娟等建立了不同土壤水分对作物叶片光合速率影响模型,以光合速率最优为目标对作物不同发育阶段进行多等级水分控制。上述模型为灌溉量的精准智能决策提供了理论依据,但是只考虑了WUE或光合速率单一因素对作物需水模型的影响。而大量研究表明作物光合速率和WUE之间存在明显的土壤水分阈值效应,并且各指标水分临界值表现不同步。因此,协同考虑WUE-光合速率对作物需水量的影响,以满足光合效益的同时提高WUE为目标,建立多环境因子耦合的需水模型是实现智能决策和精准灌溉的关键,然而目前尚无相关技术记载。
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水分利用率与光合速率协同的温室作物需水调控方法,通过构建作物需水模型,为温室土壤湿度的精准调控和节本增效提供定量依据。
为了实现上述目的,本发明采用的技术方案是:
水分利用率与光合速率协同的温室作物需水调控方法,包括如下步骤:
步骤1,获取不同温度、光量子通量密度、CO2浓度和土壤湿度嵌套条件下的净光合速率和WUE数据,基于径向基神经网络构建光合速率预测模型和WUE预测模型;
优选地,首先将获取的多组试验数据集进行归一化处理,然后划分训练集和测试集;其次,确定径向基函数的扩展速度,例如10;最后,将环境因子即温度、光量子通量密度、CO2浓度和土壤湿度作为模型输入,分别以光合速率和对应的WUE作为输出,利用径向基函数算法构建多因子耦合的光合速率预测模型和WUE预测模型。
步骤2,根据光合速率预测模型获取不同温度、光量子通量密度和CO2浓度嵌套下的光合速率对土壤湿度的响应曲线,计算其离散曲率并构造调控区间;
优选地,温度、CO2浓度、光量子通量密度分别以各自设定步长在各自设定区间内进行实例化,最终获取多条不同环境嵌套条件下的土壤湿度响应曲线,在每条土壤湿度响应曲线中,土壤湿度以其设定步长在其设定区间内取值,即获取的每条响应曲线均为离散点构成的数字曲线,采用U弦长曲率法计算响应曲线的曲率值,将曲率特征点作为湿度调控区间下限点,将曲率极值点作为湿度调控区间上限点,以此构建土壤湿度调控区间。
所述U弦长曲率法计算响应曲线的曲率值,方法如下:
最后,按照上述步骤计算出各响应曲线的离散曲率值后,记录曲率特征点和极大值点对应的土壤湿度值,构建土壤湿度调控区间。
步骤3,在该区间内基于粒子群寻优算法获取WUE最大点对应的土壤湿度值,以此作为调控目标值;
优选地,以当前环境下对应的植物WUE作为适应度函数确定种群规模、进化代数、粒子的位置范围、速度范围、粒子的个体学习因子和社会学习因子以及惯性权重,在不同环境因子嵌套的土壤湿度调控区间内寻找并记录WUE最大点对应的土壤湿度,以此作为调控目标值。
步骤4,利用SVR算法构建融合WUE-光合速率的需水模型,并基于该模型进行温室作物需水调控。
优选地,在获得不同环境因子嵌套条件下的土壤湿度寻优结果集后,将数据集进行归一化处理并比例划分训练集与测试集,将不同温度、光量子通量密度和CO2浓度作为特征输入,对应的土壤湿度调控值作为输出,利用SVR算法构建融合WUE-光合速率的需水模型,并基于该模型进行温室作物需水调控。
与现有技术相比,本发明的有益效果是:
(1)本发明结合作物光合速率对土壤水分的响应特点基于人工智能算法构建多环境因子耦合的需水模型,以温度、光量子通量密度、CO2浓度、土壤湿度等多因子耦合嵌套的光合速率试验结果为基础,利用RBF神经网络构建光合速率预测模型,所得模型决定系数为0.9865,均方根误差为0.6446μmol/(m2·s),能对作物光合速率进行高精度预测。
(2)本发明提出基于U弦长曲率法的土壤湿度区间获取方法,调用光合速率预测模型,得到土壤湿度和光合速率的响应曲线并计算曲率值,将曲率特征点和曲率极值点作为土壤湿度区间上下限,保证了作物的光合效益,为调控点的获取奠定了良好的基础。
(3)本发明提出基于粒子群算法的土壤湿度调控值寻优方法,可获取特定环境条件下土壤湿度区间内WUE最大值及其对应的最优土壤湿度调控值,在保证光合效益的同时提高WUE,为需水模型的构建提供了数据支撑。
(4)本发明基于SVR算法构建作物需水模型,该模型拟合度为0.9969,均方根误差为0.0023,拟合效果良好。验证结果表明:与将光合最优作为调控点相比,约束点光合平均下降4.1%,而WUE平均提高15.2%,土壤湿度平均下降12.8%。
因此,本发明提出的作物需水模型能够兼顾作物需求和经济效益,为进行设施作物动态、高效的土壤湿度调控提供理论依据。
附图说明
图1为基于RBF的光合速率预测模型建模流程图。
图2为本发明中Pi的支持领域。
图3为粒子群算法寻优流程图。
图4为基于回归型支持向量机的需水模型流程图。
图5为光合速率预测模型相关性分析。
图6为响应曲线计算及土壤湿度区间获取图,其中(a)为光量子通量密度为400μmol/(m2·s)时对应的曲线及区间,(b)为光量子通量密度为500μmol/(m2·s)时对应的曲线及区间,(c)为光量子通量密度为600μmol/(m2·s)时对应的曲线及区间,(d)为光量子通量密度为700μmol/(m2·s)时对应的曲线及区间,图中,圆圈符号表示曲率特征点,五星符号表示曲线极值点,自上而下各曲线分别对应18℃、21℃、24℃、27℃、30℃、33℃。
图7为粒子群算法寻优迭代过程示意图,其中(a)~(f)分别对应18℃、21℃、24℃、27℃、30℃、33℃时的迭代过程。
图8为需水模型示意图,其中(a)对应CO2浓度400μmol·mol-1,(b)对应CO2浓度700μmol·mol-1。
图9为调控对比结果。
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。
本发明提出了一种融合水分利用率(WUE)和光合速率的温室作物需水模型构建方法,并可基于该模型实现温室作物需水调控。以番茄为例,本发明的一个具体实施例如下。
1、材料与方法
试验于2019年4月在西北农林科技大学北校区农业农村部农业物联网重点实验室进行,供试的番茄品种为“中研TV-1”。在试验期间,将试验材料放置于培养箱中正常培养,育苗基质为农业育苗专用基质(Pindstrup Substrate,丹麦),其营养含量为有机质质量分数为50%以上,基质孔隙度约60%,pH值为6~7。在幼苗培育期间,选取16株长势良好且苗龄相近的幼苗进行4组不同土壤湿度梯度灌溉,培养至能产生明显的土壤湿度梯度。产生明显梯度后,每组中随机选择一株幼苗进行光合速率及蒸腾速率的测试。试验期间,不喷洒任何农药和激素。
采用美国LI-COR公司的LI-6800型便携式光合仪测定不同土壤湿度、温度、光量子通量密度和CO2浓度耦合条件下番茄幼苗的光合速率和蒸腾速率,并计算得出相应WUE。试验数据采集在09:00-17:30进行,选自顶叶往下的第4片功能叶作为试验样本。在试验过程中使用光合仪的多个子模块控制叶室的环境参数,同时依靠外部浇水来维持土壤湿度。其中,土壤湿度值控制在10%、20%、30%、40%这4个梯度,利用控温模块设定温度为18℃,23℃,28℃,33℃这4个梯度,利用CO2注入模块设定CO2浓度为400μmol·mol-1、700μmol·mol-1、1000μmol·mol-1共3个梯度,利用LED光源模块设定光量子通量密度为0μmol/(m2·s)、50μmol/(m2·s)、100μmol/(m2·s)、200μmol/(m2·s)、500μmol/(m2·s)、800μmol/(m2·s)共6个梯度,最终获取不同土壤湿度、温度、CO2浓度和光量子通量密度嵌套条件下的番茄幼苗净光合速率及WUE共288组试验数据。
2、模型构建
在获取不同温度、光量子通量密度、CO2浓度和土壤湿度嵌套条件下的净光合速率和WUE数据的基础上,本发明首先基于试验数据采用径向基函数建立光合速率和WUE预测模型;其次根据光合预测模型获取不同环境条件嵌套下的光合速率对土壤湿度的响应曲线,并采用U弦长曲率法计算响应曲线的曲率值从而获取土壤湿度调控区间(即光合速率约束下的土壤湿度调控适宜区间);然后,在获取的调控区间内基于粒子群寻优算法获得土壤湿度调控目标值;最后,根据调控目标值,基于支持向量机回归算法(SVR)建立作物需水模型。
2.1多环境因子耦合的预测模型
基于试验样本利用RBF神经网络建立光合速率预测模型。RBF是一种三层结构的神经网络,由输入层、隐层和输出层组成。数据经过输入层输入后,在隐层中通过径向基函数进行非线性映射,进而从线性不可分的低维空间转化到线性可分的高维空间,最后在输出层进行线性计算得到网络输出值。首先,为了避免特征向量的量纲不同导致的误差,将288组试验数据集进行归一化处理,然后按8:2的比例划分训练集和测试集。其次,确定径向基函数的扩展速度spread,spread值越大,函数拟合越光滑但逼近误差会变大;spread值越小,函数的逼近越精确但逼近过程会不平滑,通过多次训练和经验计算得到训练效果最佳的spread值为10。最后,将环境温度、光量子通量密度、CO2浓度、土壤湿度作为模型输入,光合速率作为输出,利用RBF算法构建多因子耦合的光合速率预测模型,具体流程如图1所示。
采用上述相同的构建方法,将环境温度、光量子通量密度、CO2浓度、土壤湿度作为模型输入,对应的WUE作为输出,构建基于RBF神经网络的WUE预测模型。
2.2基于U弦长曲率法获取土壤湿度调控区间
针对设施内空气温度、CO2浓度、光量子通量密度不同时,作物最优光合速率以及所需土壤水分差异性显著的特点,基于光合速率预测模型,利用离散曲率理论探寻光合速率约束条件下的土壤湿度调控区间。在土壤湿度对光合速率的响应曲线中,曲率值明显增大的点代表了土壤湿度对净光合速率影响程度由强到弱的特征点,在曲率特征点到极值点之间的光合速率处于较高水平。将曲率特征点作为湿度调控区间下限点;将曲率极值点作为湿度调控区间上限点,以此构建土壤湿度调控区间。
土壤湿度响应曲线的离散曲率计算过程分为如下两个步骤。
(1)获取多环境因子嵌套条件下的土壤湿度响应曲线。
基于已构建的光合速率预测模型,获取不同温度、CO2浓度和光量子通量密度嵌套条件下的土壤湿度响应曲线。其中,温度以1℃为步长在区间[18,33]内进行实例化;CO2以100μmol·mol-1为步长在区间[400,1000]内进行实例化;弱光环境下作物水分需求不高,因此光量子通量密度以100μmol/(m2·s)为步长在区间[200,800]内进行实例化,最终累计获取784条不同环境嵌套条件下的土壤湿度响应曲线。在每条土壤湿度响应曲线中,土壤湿度以1%为步长在[10%,40%]区间内取值,因此获取的每条响应曲线均为离散点构成的数字曲线。
(2)U弦长曲率计算及区间上下限获取。
U弦长曲率法相较其他离散曲率计算方法,具有抗旋转性、抗噪性、精度高等特点,因此本发明采用U弦长曲率法计算土壤湿度响应曲线的离散曲率。U弦长曲率法的基本思想是:对于参数U,在曲线当前点处按照欧氏距离确定该点的支持领域,并应用曲线精化策略即线性插值改进计算精度,由此计算离散曲率。首先,输入参数U和当前点Pi=(x,y),i=1,2,3…,n;从当前点分别向前向后遍历寻找首个与当前点欧氏距离大于U的离散点作为当前点的初步支持领域,由于数字曲线的离散特征近似满足约束条件,为此采用隐式精化数字曲线策略提高计算的准确性从而得到当前点的最终支持领域图2直观地描述了U弦长曲率支持领域的确定方法。
在最终确定的支持领域内,用与支持领域的前后臂矢量夹角相关的一个余弦值作为离散曲率,具体计算公式如式1所示。
其中
式中
si——离散曲率值的符号
(xi,yi)为当前点Pi的坐标
按照上述步骤计算出各响应曲线的离散曲率值后,记录曲率特征点和极大值点对应的土壤湿度值,构建土壤湿度调控区间。
2.3基于粒子群算法获取土壤湿度调控值
在土壤湿度调控区间内,基于WUE预测模型利用粒子群寻优算法获取WUE最大点对应的土壤湿度,以此作为调控目标值。粒子群算法从随机解出发,通过迭代寻找最优解,具有易实现、精度高、收敛快等优点。以WUE作为适应度函数,确定种群规模(粒子数目)为20,进化代数(迭代次数)为50,粒子的位置范围为[-1,1],速度范围为[-0.1,0.1],粒子的个体学习因子和社会学习因子均为1.5,惯性权重为1。在已获取的不同环境因子嵌套的土壤湿度调控区间内寻找并记录WUE最大点对应的土壤湿度,以此作为调控目标值,为需水模型的建立提供样本集。粒子群算法寻优过程如图3所示。
2.4建立作物需水模型
基于上述步骤,得到了不同环境因子嵌套条件下的土壤湿度调控值,利用SVR算法建立作物需水模型。将数据集进行归一化处理并按8:2的比例划分训练集与测试集,将不同温度、光量子通量密度和CO2浓度作为特征输入,对应的土壤湿度调控值作为输出建立需水模型。SVR算法主要思想是采用径向基核函数,通过低维空间将非线性不可分问题映射到高维空间,并在高维空间产生用于最优分类的超平面,从而进行线性回归决策分析。SVR算法中有两个非常重要的参数C和gamma,参数的选择对训练结果有很大的影响。其中,C是惩罚系数,即对误差的宽容度,C越高说明越不能容忍误差的出现,越容易过拟合;C越小训练的模型越容易欠拟合,所以C过大或过小都会导致泛化能力变差。gamma为核函数,其隐含地决定了数据映射到新的特征空间后的分布,gamma越大,支持向量越少,gamma值越小,支持向量越多,而支持向量的个数影响训练与预测的速度,因此gamma的选择也至关重要。经过网格搜索法进行多次交叉验证和经验计算,最终选取最佳参数C为64,gamma为1.4。SVR算法具体流程如图4所示。
3、结果分析
3.1预测模型验证
利用RBF算法建立光合速率预测模型,不断调整扩展速度训练模型,结果表明当spread值为10时训练效果最佳,此时模型训练集数据的拟合度为0.9865,均方根误差为0.6446μmol/(m2·s)。调用模型计算测试集数据的光合速率预测值,得到决定系数为0.9820,均方根误差为0.8240μmol/(m2·s)。实测值与预测值的拟合曲线如图5所示,由图5可知,预测值与实际值相关性较高,说明RBF模型预测效果良好。
为了验证RBF神经网络建模效果,同时选取BP神经网络算法和随机森林(RF)算法建模进行对比,三种模型的评价指标对比如表1所示。
表1三种模型的拟合度和均方根误差对比
由表1可知,RBF预测模型的拟合度和均方根误差明显优于BP预测模型,RF预测模型训练集拟合效果好但测试集的拟合度很低,说明容易出现过拟合现象。综合考虑,选择RBF算法构建光合速率预测模型。
3.2离散曲率的计算与调控区间的获取
在2.2节中共构造784组不同环境条件嵌套的数据组,获得了784组不同条件下土壤湿度对光合速率的响应曲线及相应的调控区间。由于数据量较大无法完全罗列,本发明只展示温度区间为[18,33]℃,步长为3℃;CO2浓度为700μmol·mol-1条件下的土壤湿度响应曲线和调控区间获取结果,如图6所示,其中各子图从左到右、从上到下依次是光量子通量密度为400μmol/(m2·s)、500μmol/(m2·s)、600μmol/(m2·s)、700μmol/(m2·s)。
由图6中的(a)、(b)、(c)、(d)可知,当土壤湿度较低时光合速率近乎线性增长,离散曲率值较小;土壤湿度到达特征点后,光合速率增长幅度开始变缓,逐渐逼近光合速率最大点甚至会出现下降,对应的离散曲率值在特征点开始明显增大,达到曲率极大值后下降。同时还发现,曲率极值点与光合速率最大点重合,该点即为光合最优点。曲率值明显增大的点代表了土壤湿度对净光合速率影响程度由强到弱的特征点,在曲率特征点到极值点之间的光合速率处于较高水平,能让作物以高光合效益生长。因此将曲率特征点作为湿度调控区间下限点;将曲率极值点作为湿度调控区间上限点,以此构建土壤湿度调控区间。当光量子通量密度一致时,随着温度增加,曲率特征点和曲率极值点都呈现先增后减的趋势,说明不同环境条件下对应的湿度调控区间存在差异。
3.3粒子群寻优结果
基于粒子群算法得到了在不同土壤湿度区间内水分利用率最高点所对应的共784个土壤湿度值。在3.2节中展示了CO2浓度为700μmol·mol-1,光量子通量为400μmol/(m2·s)、500μmol/(m2·s)、600μmol/(m2·s)、700μmol/(m2·s)时不同温度下的土壤湿度区间。展示光量子通量密度为400μmol/(m2·s),温度为18℃,21℃、24℃、27℃、30℃、33℃条件下的寻优迭代过程,如图7所示。
由图7中的(a)、(b)、(c)、(d)、(e)、(f)可知,针对本发明的样本数据特点,利用粒子群算法可以快速获取水分利用率最大点,多数情况下在进化代数为10时就达到最优个体适应度,从子图(b)可知该算法能够跳出局部最优解到达全局最优。说明选择粒子群算法获取最优土壤湿度调控值合适有效。
3.4需水模型结果及验证。
寻优得到不同环境条件下的土壤湿度调控值后,基于SVR算法构建需水模型。以测试集数据拟合度为标准利用网格迭代法寻找参数,最终选定C为64,gamma为1.4。此时模型训练集数据的拟合度为0.9969,测试精度为0.9788,均方根误差为0.0023,拟合效果良好。为了验证SVR模型性能,同时选取BP神经网络算法和随机森林(RF)算法建模进行对比。三种模型的评价指标对比如表2所示。
表2三种模型的拟合度和均方根误差对比
由表2可知,SVR模型训练集和测试集的拟合效果均优于BP模型和RF模型。因此,本发明选用SVR模型构建需水模型。由于数据量较大无法完全罗列,土壤湿度调控值随环境变化的趋势大致相同,因此本发明以CO2为400μmol·mol-1、700μmol·mol-1的情况为例,展示不同温度和光照耦合条件下的土壤湿度调控目标曲面,如图8所示。
由图8中的(a)、(b)可知,低温环境下,随着光照增加,作物光合作用和蒸腾作用能力增强导致作物需水量增加,土壤湿度调控值先升后降,和文献所得结论一致,强光环境下作物需水量提高,弱光环境下作物需水量大大减少。而当温度和光照一起持续升高时,会导致叶片气孔关闭,光合速率和蒸腾速率均有所降低,即出现午休现象,从而导致最优土湿下降。
3.5调控效果分析
3.5.1理论调控效果对比
对需水模型的调控效果进行验证,对比光合约束下的WUE最优点(以下简称为约束点)与光合最优点在不同环境条件嵌套下分别所对应的土壤湿度、光合速率和WUE。对比结果如表3所示。其中,温度以6℃为步长,CO2浓度以200μmol·mol-1为步长,光量子通量密度以200μmol/(m2·s)为步长计算约束点和光合最优点的土湿、光合速率及WUE值。从表3中可以发现约束点光合速率平均只下降4.1%,而WUE平均提高15.2%,土壤湿度平均下降12.8%。约束点的光合速率值比光合最优点的光合速率值略有下降,但是约束点WUE有了提高,对土壤水分的需求也明显更低。
表3约束点与光合最优点调控对比
其中,温度单位为℃,CO2浓度单位为μmol·mol-1,光量子通量密度单位为μmol/(m2·s),土壤湿度单位为100%,光合速率单位为μmol·m-2·s-1,约束点与光合饱和点比较结果单位为%。
为了更直观的对比约束点和光合最优点的调控效果,本发明利用盒图对约束点相较光合最优点WUE上升百分比、光合速率下降百分比、土壤湿度下降百分比进行分析,如图9所示。盒图由五个数值点组成:最小值、下四分位数、中位数、上四分位数、最大值。
由图9可以发现,不同环境条件嵌套下约束点的WUE上升百分比范围为4.4%-29.9%,土壤湿度下降百分比范围为5.7%-24.1%,光合下降百分比范围为1.2%至9.7%。盒图中空间相对压缩的区域对应的数据分布概率更高,因此从图9中可知WUE上升百分比主要分布在4.4%-11.9%,光合下降百分比在1.2%-3.2%,土湿下降百分比在5.7%-11.8%。约束点WUE上升和土壤湿度下降百分比明显高于光合速率的下降百分比。因此,将约束点作为调控点既能保证作物光合效益又能提高水分利用率、减少灌溉用水,具有高效节能的特点,为设施作物的土壤湿度调控提供了理论基础。
Claims (10)
1.水分利用率与光合速率协同的温室作物需水调控方法,其特征在于,包括如下步骤:
步骤1,获取不同温度、光量子通量密度、CO2浓度和土壤湿度嵌套条件下的净光合速率和WUE数据,基于径向基神经网络构建光合速率预测模型和WUE预测模型;
步骤2,根据光合速率预测模型获取不同温度、光量子通量密度和CO2浓度嵌套下的光合速率对土壤湿度的响应曲线,计算其离散曲率并构造调控区间;
步骤3,在该区间内基于粒子群寻优算法获取WUE最大点对应的土壤湿度值,以此作为调控目标值;
步骤4,利用SVR算法构建融合WUE-光合速率的需水模型,并基于该模型进行温室作物需水调控。
2.根据权利要求1所述水分利用率与光合速率协同的温室作物需水调控方法,其特征在于,所述步骤1中,首先将获取的多组试验数据集进行归一化处理,然后划分训练集和测试集;其次,确定径向基函数的扩展速度;最后,将温度、光量子通量密度、CO2浓度和土壤湿度作为模型输入,分别以光合速率和对应的WUE作为输出,利用径向基函数算法构建多因子耦合的光合速率预测模型和WUE预测模型。
3.根据权利要求2所述水分利用率与光合速率协同的温室作物需水调控方法,其特征在于,所述径向基函数的扩展速度为10。
4.根据权利要求1所述水分利用率与光合速率协同的温室作物需水调控方法,其特征在于,所述步骤2中,温度、CO2浓度、光量子通量密度分别以各自设定步长在各自设定区间内进行实例化,最终获取多条不同环境嵌套条件下的土壤湿度响应曲线,在每条土壤湿度响应曲线中,土壤湿度以其设定步长在其设定区间内取值,即获取的每条响应曲线均为离散点构成的数字曲线,采用U 弦长曲率法计算响应曲线的曲率值,将曲率特征点作为湿度调控区间下限点,将曲率极值点作为湿度调控区间上限点,以此构建土壤湿度调控区间。
5.根据权利要求4所述水分利用率与光合速率协同的温室作物需水调控方法,其特征在于,所述温度的设定步长为1℃,设定区间为[18℃,33℃];CO2浓度的设定步长为100μmol·mol-1,设定区间为[400μmol·mol-1,1000μmol·mol-1],光量子通量密度的设定步长为100μmol/(m2·s),设定区间为[200μmol/(m2·s),800μmol/(m2·s)],土壤湿度的设定步长为1%,设定区间为[10%,40%]。
6.根据权利要求4或5所述水分利用率与光合速率协同的温室作物需水调控方法,其特征在于,所述U弦长曲率法计算响应曲线的曲率值,方法如下:
最后,按照上述步骤计算出各响应曲线的离散曲率值后,记录曲率特征点和极大值点对应的土壤湿度值,构建土壤湿度调控区间。
7.根据权利要求1所述水分利用率与光合速率协同的温室作物需水调控方法,其特征在于,所述步骤3中,以当前环境下对应的植物WUE作为适应度函数确定种群规模、进化代数、粒子的位置范围、速度范围、粒子的个体学习因子和社会学习因子以及惯性权重,在不同环境因子嵌套的土壤湿度调控区间内寻找并记录WUE最大点对应的土壤湿度,以此作为调控目标值。
8.根据权利要求7所述水分利用率与光合速率协同的温室作物需水调控方法,其特征在于,所述种群规模为20,进化代数为50,粒子的位置范围为[-1,1],速度范围为[-0.1,0.1],粒子的个体学习因子和社会学习因子均为1.5,惯性权重为1 。
9.根据权利要求1所述水分利用率与光合速率协同的温室作物需水调控方法,其特征在于,所述步骤4中,得到不同环境因子嵌套条件下的土壤湿度调控值后,利用SVR算法建立作物需水模型,方法如下:将数据集进行归一化处理并比例划分训练集与测试集,将不同温度、光量子通量密度和CO2浓度作为特征输入,对应的土壤湿度调控值作为输出建立需水模型。
10.根据权利要求9所述水分利用率与光合速率协同的温室作物需水调控方法,其特征在于,所述SVR算法中,惩罚系数C为64,gamma为1.4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653535.4A CN111915062B (zh) | 2020-07-08 | 2020-07-08 | 水分利用率与光合速率协同的温室作物需水调控方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010653535.4A CN111915062B (zh) | 2020-07-08 | 2020-07-08 | 水分利用率与光合速率协同的温室作物需水调控方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111915062A true CN111915062A (zh) | 2020-11-10 |
CN111915062B CN111915062B (zh) | 2023-06-20 |
Family
ID=73227690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010653535.4A Active CN111915062B (zh) | 2020-07-08 | 2020-07-08 | 水分利用率与光合速率协同的温室作物需水调控方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111915062B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625806A (zh) * | 2021-08-28 | 2021-11-09 | 西北农林科技大学 | 面向碳中和需求的效率最优温室植物调控方法 |
CN113640267A (zh) * | 2021-08-28 | 2021-11-12 | 西北农林科技大学 | 一种基于叶绿素荧光的适宜作物生长氮素浓度区间获取方法 |
CN116559383A (zh) * | 2023-07-07 | 2023-08-08 | 中国农业科学院农业环境与可持续发展研究所 | 一种基于生物炭还田根系与土壤水分互作的光合速率检测方法及其应用 |
WO2023179167A1 (zh) * | 2022-03-25 | 2023-09-28 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103125281A (zh) * | 2013-02-20 | 2013-06-05 | 中国科学院地球化学研究所 | 利用光合作用的二氧化碳响应曲线筛选高效利用碳酸氢根离子的植物方法 |
US20160272988A1 (en) * | 2013-11-05 | 2016-09-22 | Mendel Biotechnology, Inc. | Resource use efficiency improvement in plants |
CN107329511A (zh) * | 2017-05-31 | 2017-11-07 | 西北农林科技大学 | 基于适宜根温区间的水培蔬菜光环境高效调控方法与系统 |
CN108319984A (zh) * | 2018-02-06 | 2018-07-24 | 北京林业大学 | 基于dna甲基化水平的木本植物叶片表型特征和光合特性预测模型的构建方法及预测方法 |
CN109102420A (zh) * | 2018-09-05 | 2018-12-28 | 西北农林科技大学 | 一种基于调控效益优先的二维联合调控目标区域的获取方法 |
-
2020
- 2020-07-08 CN CN202010653535.4A patent/CN111915062B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103125281A (zh) * | 2013-02-20 | 2013-06-05 | 中国科学院地球化学研究所 | 利用光合作用的二氧化碳响应曲线筛选高效利用碳酸氢根离子的植物方法 |
US20160272988A1 (en) * | 2013-11-05 | 2016-09-22 | Mendel Biotechnology, Inc. | Resource use efficiency improvement in plants |
CN107329511A (zh) * | 2017-05-31 | 2017-11-07 | 西北农林科技大学 | 基于适宜根温区间的水培蔬菜光环境高效调控方法与系统 |
CN108319984A (zh) * | 2018-02-06 | 2018-07-24 | 北京林业大学 | 基于dna甲基化水平的木本植物叶片表型特征和光合特性预测模型的构建方法及预测方法 |
CN109102420A (zh) * | 2018-09-05 | 2018-12-28 | 西北农林科技大学 | 一种基于调控效益优先的二维联合调控目标区域的获取方法 |
Non-Patent Citations (4)
Title |
---|
P.J. GARCÍA NIETO, E. GARCÍA-GONZALO, J.R. ALONSO FERNÁNDEZ, C. DÍAZ MUÑIZ: "A hybrid PSO optimized SVM-based model for predicting a successful growth cycle of the Spirulina platensis from raceway experiments data", ELSEVIER/JOURNAL OF COMPUTATIONAL AND APPLIED MATHEMATICS * |
李婷;季宇寒;张漫;沙莎;蒋毅琼;: "CO_2与土壤水分交互作用的番茄光合速率预测模型", 农业机械学报, no. 1 * |
杨东;黎明;李伟;刘幼平;温华军;李鹏飞;: "运用神经网络评价水淹和未水淹条件下灰化苔草光合特性的变化", 华中农业大学学报, no. 04 * |
胡瑾,田紫薇,汪健康,卢有琦,辛萍萍,张海辉: "基于离散曲率的温室CO2优化调控模型研究", 农业机械学报, vol. 50, no. 9 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113625806A (zh) * | 2021-08-28 | 2021-11-09 | 西北农林科技大学 | 面向碳中和需求的效率最优温室植物调控方法 |
CN113640267A (zh) * | 2021-08-28 | 2021-11-12 | 西北农林科技大学 | 一种基于叶绿素荧光的适宜作物生长氮素浓度区间获取方法 |
WO2023179167A1 (zh) * | 2022-03-25 | 2023-09-28 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
CN116559383A (zh) * | 2023-07-07 | 2023-08-08 | 中国农业科学院农业环境与可持续发展研究所 | 一种基于生物炭还田根系与土壤水分互作的光合速率检测方法及其应用 |
CN116559383B (zh) * | 2023-07-07 | 2023-10-24 | 中国农业科学院农业环境与可持续发展研究所 | 一种基于生物炭还田根系与土壤水分互作的光合速率检测方法及其应用 |
Also Published As
Publication number | Publication date |
---|---|
CN111915062B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111915062B (zh) | 水分利用率与光合速率协同的温室作物需水调控方法 | |
Cai et al. | A method for modelling greenhouse temperature using gradient boost decision tree | |
CN112906298B (zh) | 一种基于机器学习的蓝莓产量预测方法 | |
CN107329511B (zh) | 基于适宜根温区间的水培蔬菜光环境高效调控方法与系统 | |
CN114638146A (zh) | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 | |
CN107145941B (zh) | 基于最优光质和光子通量密度的需光量实时动态获取方法 | |
CN105678405B (zh) | 一种融合气孔导度的黄瓜ga‑rbf光合速率预测模型建模方法 | |
CN101315544A (zh) | 一种温室智能控制方法 | |
CN115453868B (zh) | 基于番茄光响应差分特征的全生长期光强调控方法 | |
CN105389452A (zh) | 基于神经网络的黄瓜全程光合速率预测模型及建立方法 | |
Hu et al. | Model for tomato photosynthetic rate based on neural network with genetic algorithm | |
CN107220672A (zh) | 一种基于作物需求的适宜根温区间获取方法 | |
Sánchez-Molina et al. | Support system for decision making in the management of the greenhouse environmental based on growth model for sweet pepper | |
CN113221447A (zh) | 一种基于改进遗传算法优化bp神经网络的土壤湿度预测方法 | |
CN110414115A (zh) | 一种基于遗传算法的小波神经网络番茄产量预测方法 | |
CN110321627B (zh) | 融合叶片光合潜能的光合速率预测方法 | |
Sidhu et al. | Long short-term memory neural network-based multi-level model for smart irrigation | |
CN113625806B (zh) | 面向碳中和需求的效率最优温室植物调控方法 | |
Wang et al. | Real-time monitoring of environmental information and modeling of the photosynthetic rate of tomato plants under greenhouse conditions | |
Chen et al. | Construction of a photosynthetic rate prediction model for greenhouse strawberries with distributed regulation of light environment | |
CN105913326B (zh) | 约束性知识与精英个体策略遗传算法融合的作物生育期模型品种参数优化方法 | |
CN108319134A (zh) | 一种基于极限学习机网络的温室环境智能控制方法 | |
CN105654242A (zh) | 一种基于鱼群算法的黄瓜幼苗期二氧化碳优化调控模型及建立与应用 | |
CN109934400B (zh) | 基于改进神经网络的集雨调亏作物需水量预测方法 | |
Chen et al. | A water-saving irrigation decision-making model for greenhouse tomatoes based on genetic optimization TS fuzzy neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |