胡 瑾 荊昊男 高 攀 李遠方 張仲雄,3 張海輝,3

(1.西北農(nóng)林科技大學(xué)機械與電子工程學(xué)院， 陜西楊凌 712100；2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室, 陜西楊凌 712100；3.陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點實驗室， 陜西楊凌 712100)

0 引言

黃瓜是一種重要的設(shè)施農(nóng)業(yè)作物，光環(huán)境是影響黃瓜生長發(fā)育的重要因素，其不僅與光照強度有關(guān)[1-6]，也與光質(zhì)比(紅光占總光強的比例)密切相關(guān)。研究證明,合理調(diào)節(jié)光質(zhì)比能顯著提升作物品質(zhì)[7-8]。KHATTAK等[9]研究表明金魚草植物高度、節(jié)間長度和葉面積受光質(zhì)影響較大。MIAO等[10]證明藍光比紅光更有利于促進黃瓜葉片光合電子傳遞。王君等[11]證明采用不同紅藍配比光處理的生菜其光能利用效率存在明顯差異。劉彤等[12]研究發(fā)現(xiàn)在不同條件下，植物光合作用所需的紅藍光強度比例也存在不同。但是目前大多數(shù)光環(huán)境調(diào)控的模型和系統(tǒng)研究只涉及到固定的光質(zhì)比調(diào)控[13-15]，近期也出現(xiàn)了考慮環(huán)境對光質(zhì)影響的研究，其一定程度上提高了調(diào)控效果[16]，但由于設(shè)置的試驗條件不足，以及算法限制等問題，并沒有進一步進行光質(zhì)動態(tài)連續(xù)調(diào)控模型和方法的研究，造成現(xiàn)有設(shè)施光環(huán)境調(diào)控模型通常只考慮了固定光質(zhì)比下的光強精準調(diào)控，尚未引入環(huán)境動態(tài)變化下的融合光質(zhì)比和光強的協(xié)同調(diào)控方法，影響光環(huán)境調(diào)控效果。所以，建立融合作物光質(zhì)需求的設(shè)施光環(huán)境智能調(diào)控模型，是設(shè)施農(nóng)業(yè)環(huán)境調(diào)控急需解決的問題之一。

本文擬構(gòu)建融合黃瓜光質(zhì)需求的設(shè)施光環(huán)境智能調(diào)控模型。首先基于試驗數(shù)據(jù)，利用回歸型支持向量機(Support vector regression algorithm, SVR)算法建立融合黃瓜光質(zhì)需求的光合速率預(yù)測模型，然后利用粒子群算法尋找特定溫度下最大光合速率點對應(yīng)的光照強度和光質(zhì)比，最后基于尋找的數(shù)據(jù)建立光合速率調(diào)控目標值模型。

1 材料與方法

1.1 試驗材料

試驗于2019年4月在西北農(nóng)林科技大學(xué)北校區(qū)農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室進行，供試的黃瓜品種為“金胚98-1F1”，試驗期間，對試驗材料在培養(yǎng)箱進行正常的培育，不噴灑任何農(nóng)藥和激素。本試驗主要設(shè)計了不同光質(zhì)比、光強和溫度耦合的嵌套試驗，選取長勢優(yōu)良的黃瓜植株60株，采用LI-6800型便攜式光合速率測試儀測定樣本凈光合速率。為了避免因天氣狀況不同和植株“午休”對試驗結(jié)果造成影響，選擇較為晴朗的天氣，于08:30—11:30，14:30—17:30期間進行試驗。利用光合速率測試儀自帶的多個子模塊設(shè)置不同的環(huán)境條件進行試驗，其中，CO2濃度控制在400 μmol/mol，控溫模塊設(shè)定18、21、24、27、30、33℃共6個溫度梯度，LED光質(zhì)比設(shè)定為0.1、0.3、0.4、0.5、0.6、0.7、0.9共7個梯度，LED光源設(shè)定為0、30、75、150、300、500、650、800、1 000、1 200、1 400、1 600、1 800 μmol/(m2·s)共13個光照強度梯度，獲取以溫度、光質(zhì)比、光照強度為輸入，黃瓜凈光合速率為輸出的546組樣本數(shù)據(jù)。

1.2 融合光質(zhì)需求的光合速率預(yù)測模型建立

智能算法可有效提升模型的預(yù)測效率[17-19], 相關(guān)研究發(fā)現(xiàn)BP神經(jīng)網(wǎng)絡(luò)和隨機森林算法的運算效率和預(yù)測精度一般不及支持向量機算法[20]，因此本文采用回歸型支持向量機進行模型構(gòu)建。該模型以溫度、光質(zhì)比、光照強度為輸入，黃瓜凈光合速率為輸出，選用高斯核函數(shù)進行數(shù)據(jù)與特征空間之間的映射，最后在特征空間構(gòu)建最優(yōu)回歸平面，完成模型建立，其流程圖如圖1所示。

(1)由于不同樣本數(shù)據(jù)之間的差距比較大，量綱也有所不同，故先對全體樣本數(shù)據(jù)進行歸一化處理，將數(shù)據(jù)統(tǒng)一到同一個區(qū)間[0,1]之內(nèi),所用的歸一化計算式為

y′=(x-xmin)/(xmax-xmin)

(1)

式中y′——歸一化之后的數(shù)據(jù)

xmin——同一量綱數(shù)據(jù)中的最小值

xmax——同一量綱數(shù)據(jù)中的最大值

(2)從歸一化后的546組數(shù)據(jù)中，隨機選取437組數(shù)據(jù)(占樣本總數(shù)據(jù)的80%)作為訓(xùn)練集數(shù)據(jù)構(gòu)建SVR模型，其余的109組數(shù)據(jù)(占樣本總數(shù)據(jù)的20%)作為測試集數(shù)據(jù)以驗證模型的泛化能力。

(3)本研究樣本數(shù)據(jù)之間存在明顯的非線性關(guān)系。對于非線性支持向量機問題來說，首先需選取合適的核函數(shù)，將數(shù)據(jù)映射到特征空間，然后在特征空間里利用線性支持向量機方法尋找最優(yōu)回歸平面。本文采用高斯核函數(shù)進行數(shù)據(jù)的映射變換，并采用網(wǎng)格迭代尋優(yōu)方法進行懲罰因子c和核函數(shù)參數(shù)g優(yōu)化。其中，c控制對超出誤差樣本的懲罰程度，g決定了數(shù)據(jù)映射到新的特征空間后的分布，與函數(shù)的寬度參數(shù)有關(guān)。本文經(jīng)過迭代尋優(yōu)得到最優(yōu)的c為17，g為5。其中高斯核函數(shù)的表達式為

(2)

式中δ——函數(shù)寬度參數(shù)，控制函數(shù)的徑向作用范圍

x——訓(xùn)練集函數(shù)的自變量

xi——核函數(shù)中心

映射之后在特征空間內(nèi)利用拉格朗日函數(shù)求解回歸平面，所得最優(yōu)回歸平面為

(3)

(4)

(4)以測試集實測凈光合速率為實測值，模型計算值為預(yù)測值，進行光合速率模型泛化能力和相關(guān)性比較。

1.3 基于粒子群算法的最優(yōu)光照強度、光質(zhì)比獲取

圖2 粒子群算法尋優(yōu)流程圖Fig.2 Flowchart of particle swarm optimization algorithm

為了尋找特定溫度條件下的光飽和點和最佳光質(zhì)比，本文采用粒子群算法進行尋優(yōu)。粒子群算法是一種基于迭代的優(yōu)化算法，具有操作方法簡單，尋優(yōu)速度快的特點[21]。該算法基于群體中個體位置信息和食物位置信息連續(xù)發(fā)送的機制，利用信息共享完成個體移動方向和移動速度調(diào)整，從而實現(xiàn)群體不斷地從雜亂無序的運動變?yōu)橛行虻幕顒?，完成從隨機解出發(fā)尋找最優(yōu)解的過程?；谏鲜鏊枷耄疚牟捎霉夂纤俾暑A(yù)測模型實例化的方法建立不同溫度下的尋優(yōu)適應(yīng)度函數(shù)，利用粒子群算法獲取不同溫度下凈光合速率最大點，以及對應(yīng)的光照強度和光質(zhì)比，其流程圖如圖2所示，尋優(yōu)具體過程包括以下步驟：

(1)進行特定溫度下的光合速率預(yù)測模型實例化，并以此構(gòu)建尋優(yōu)目標值函數(shù)。

(2)確定模型參數(shù)，其中種群規(guī)模(即算法所需粒子的數(shù)量)為60，算法最大迭代次數(shù)為300，粒子的位置范圍為[0,1]，速度范圍為[-0.005,0.005]，粒子的個體學(xué)習因子為0.5，社會學(xué)習因子為1.5，慣性權(quán)重為0.5。

(3)初始化每個粒子的位置和速度，并以每一點對應(yīng)的光合速率預(yù)測值作為適應(yīng)度函數(shù)進行計算。

(4)通過比較每個粒子的適應(yīng)度尋找初始化后群體中的最優(yōu)位置及其適應(yīng)度值，在此基礎(chǔ)上進行迭代尋優(yōu)，使每個個體都向最優(yōu)解的方向運動，直到尋找到最優(yōu)解。

(5)當滿足尋優(yōu)結(jié)束條件，即運行次數(shù)達到該算法設(shè)置的最大迭代次數(shù)后自動停止，并記錄和保存所尋找到的最優(yōu)解結(jié)果。

1.4 光合速率調(diào)控目標值模型建立

粒子群尋優(yōu)算法尋找了特定溫度下光合速率最優(yōu)點對應(yīng)的光質(zhì)比和光照強度，基于此尋優(yōu)結(jié)果，利用偏最小二乘回歸法構(gòu)建黃瓜的光合速率調(diào)控目標值模型，主要包括以下步驟：

(1)基于粒子群算法尋找到的特定溫度下最大光合速率對應(yīng)的光質(zhì)比和光照強度，分別計算對應(yīng)的紅、藍光的光照強度，計算式為

Pr=PL

(5)

Pb=P(1-L)

(6)

式中Pr——最優(yōu)點紅光光照強度

Pb——最優(yōu)點藍光光照強度

L——最優(yōu)光質(zhì)比

P——最優(yōu)總光照強度

以溫度為輸入，對應(yīng)的紅光和藍光的光強為輸出，采用最高階次為三次的偏最小二乘回歸法，進行模型擬合，得到的調(diào)控模型表達式為

y=at3+bt2+ct+d

(7)

式中a、b、c、d——調(diào)控曲線系數(shù)

t——環(huán)境溫度

y——紅光或藍光需求量

2 試驗結(jié)果與分析

2.1 試驗結(jié)果

分析了溫度、光照強度、光質(zhì)比與凈光合速率的關(guān)系，得到部分試驗曲線如圖3所示。由圖3可知，在相同溫度下，隨著光照強度的增大，黃瓜凈光合速率總體趨勢增大，當光照強度較低時，黃瓜的凈光合速率隨光照強度增長而快速上升，到達一定值后增長速度變緩，甚至會出現(xiàn)下降。而且光質(zhì)比對黃瓜凈光合速率也有顯著影響，在不同溫度下其最佳光質(zhì)比不一致，整體來說，隨著光質(zhì)比的增加，光合速率呈先增后減的趨勢。因此，建立光質(zhì)比動態(tài)調(diào)控可以在一定程度上優(yōu)化調(diào)控效果。

圖3 不同溫度下黃瓜凈光合速率與光照強度、光質(zhì)比的關(guān)系Fig.3 Relationships between net photosynthetic rate，light intensity and light quality of cucumbers

2.2 光合速率預(yù)測模型驗證

為了驗證SVR光合速率預(yù)測模型的性能，同時選取BP神經(jīng)網(wǎng)絡(luò)算法、隨機森林算法(Random forest, RF)建模進行對比，3種模型的評價指標對比如表1所示。

表1 3種模型的擬合度和均方根誤差對比Tab.1 Comparisons of fitness and root mean square errors of three models

由表1可知,利用SVR算法建立的模型訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)的擬合度分別為0.997 1與0.996 9，均高于BP神經(jīng)網(wǎng)絡(luò)算法和RF算法建立的模型；進一步對比均方根誤差可知，隨機森林算法在模型建立過程中出現(xiàn)過擬合，雖然訓(xùn)練集的均方根誤差最小，但測試集的均方根誤差較大。綜合考慮，選用SVR算法能更好地反映數(shù)據(jù)之間的關(guān)系。

為了觀察SVR預(yù)測模型的泛化能力，選用測試集的109組樣本數(shù)據(jù)對模型的泛化能力進行驗證。實測值和計算值的相關(guān)性如圖4所示。結(jié)果表明，測試集擬合度為0.996 9，實測值和計算值兩組數(shù)據(jù)之間具有較高的相關(guān)性。

圖4 光合速率預(yù)測模型相關(guān)性分析Fig.4 Correlation analysis of photosynthetic rate prediction model

2.3 粒子群尋優(yōu)結(jié)果

利用粒子群算法完成了特定溫度下凈光合速率最大點的尋優(yōu)，其中18、21、24、27、30、33℃條件下的尋優(yōu)迭代過程如圖5所示。由圖5可知，粒子群算法尋優(yōu)過程中無振蕩，很快便可以收斂到最優(yōu)點，證明該方法對于此類樣本尋優(yōu)適合。得到最優(yōu)點數(shù)據(jù)如表2所示。

圖5 粒子群算法尋優(yōu)迭代過程Fig.5 Processes of particle swarm optimization

表2 光強與光質(zhì)比尋優(yōu)結(jié)果Tab.2 Values of optimal points for light intensity and light quality

由表2可知，在不同溫度條件下，最大光合速率、光飽和點以及最佳光質(zhì)比都有所不同。隨著溫度的升高，3種變量的變化趨勢都是先增后減，其中最大光合速率、光飽和點大約在27℃附近達到最大值，而最佳光質(zhì)比在30℃附近達到最大值。進一步分析發(fā)現(xiàn)，溫度在21～33℃范圍時，最佳光質(zhì)比約為0.5，但低溫會使最佳光質(zhì)比較大程度地偏離0.5，18℃時尋找到的最佳光質(zhì)比只有0.353 9，說明在較低的溫度下藍光可能更有利于提升作物光合能力。

2.4 調(diào)控模型驗證

基于光飽和點和最佳光質(zhì)比尋優(yōu)結(jié)果，利用式(5)、(6)分別計算特定溫度下紅、藍光的需求量，然后利用偏最小二乘回歸法進行擬合，得到紅、藍光的調(diào)控曲線如圖6所示，得到的擬合曲線方程分別為

y=-0.138 321 296t3+6.996 413 49t2-
60.851 210 7t+176.653 100

(8)

y=0.071 543 518 5t3-3.925 050 00t2+
41.036 025 0t+1 101.351 70

(9)

紅、藍光調(diào)控模型均方根誤差分別為14.635 1、10.192 0 μmol/(m2·s)。

圖6 調(diào)控曲線Fig.6 Intelligent regulation model curves

由圖6可知，在紅、藍光的調(diào)控模型中，紅光需求量隨溫度的升高而先增后減，大約在28℃附近達到最大值；而藍光需求量隨溫度的升高而先減后增，大約在30℃附近達到最小值。這是因為植物光合作用的主要能量來源于紅光，在28℃附近，黃瓜的光合作用最強，此時所需的紅光光照強度也最多。而刺激植物氣孔張開是藍光的一個重要功能，在低溫和高溫條件下作物會通過關(guān)閉氣孔來調(diào)節(jié)光合作用，所以隨著溫度的升高，所需的藍光光照強度先減小后增大，且在30℃附近，藍光光照強度達到最小，此種變化趨勢可能還與酶的活性等生理參數(shù)密切相關(guān)[22]。

為了進一步驗證所得調(diào)控模型的準確性，本文進行了計算值與實測值相關(guān)性分析。通過對實際測量的9個溫度下光響應(yīng)曲面光合速率最大值尋優(yōu)得到光飽和點和最佳光質(zhì)比，并利用式(5)、(6)得到對應(yīng)溫度下紅、藍光實測值，同時利用式(8)、(9)獲取對應(yīng)溫度下紅、藍光預(yù)測值，從而進行實測值與計算值的相關(guān)性分析，結(jié)果如圖7所示。

由圖7可知，通過相關(guān)性擬合得到的擬合度分別為0.834 5和0.853 5，紅光調(diào)控模型相關(guān)直線的斜率為1.001 3，截距為1.612 2；藍光調(diào)控模型相關(guān)直線的斜率為0.985 7，截距為9.526 0，紅、藍光調(diào)控模型的均方根誤差分別為15.087 8、10.138 3 μmol/(m2·s)，說明該調(diào)控模型計算值與實測值之間有較高的相關(guān)性，可滿足實際紅、藍光高效調(diào)控需求。

2.5 模型調(diào)控效果分析

溫度、光照強度、光質(zhì)比都是影響黃瓜光合速率的重要因素，三者對黃瓜的光合作用存在明顯的互作作用。為了驗證耦合條件下，光質(zhì)比對光合速率的影響，對比不同文獻中常見的光質(zhì)比與本模型得到的最佳光質(zhì)比在相應(yīng)光飽和點下的凈光合速率，結(jié)果如表3所示。

表3 不同光質(zhì)比對應(yīng)的凈光合速率Tab.3 Net photosynthetic rates at different light qualities μmol/(m2·s)

由表3可知，在利用粒子群尋優(yōu)找到的最佳光質(zhì)比下，黃瓜的凈光合速率高于其他幾種常見的光質(zhì)配比。在這幾種常用的光質(zhì)比條件中，光質(zhì)比為0.5時對應(yīng)的凈光合速率最高，當光質(zhì)比超過0.5時，凈光合速率隨光質(zhì)比的增大而減小。且由表2可知，不同溫度條件下，適合黃瓜生長的最佳光質(zhì)比不同，最佳光質(zhì)比隨溫度的升高而先增大后減小。所以相比于0.5這一最優(yōu)固定光質(zhì)比，利用粒子群算法動態(tài)尋優(yōu)得到的光質(zhì)比在相同總光強條件下，其調(diào)控效果更優(yōu)。

3 討論

為了進一步分析不同光質(zhì)比造成凈光合速率變化的原因，對比了不同溫度下光質(zhì)比對氣孔導(dǎo)度的影響，如圖8所示。由圖8可知，光照強度、光質(zhì)比和溫度對氣孔導(dǎo)度有顯著影響，相同光質(zhì)比條件下，氣孔導(dǎo)度隨溫度變化趨勢與光合速率變化趨勢保持一致，大約在27℃附近達到最大值。從圖8可知，在較低溫度(24℃)及較高溫度(33℃)時，光質(zhì)比的變化對氣孔導(dǎo)度有顯著影響，增加藍光光強可以顯著地影響氣孔導(dǎo)度變化。27～30℃附近，在最適光質(zhì)比范圍內(nèi)，增加藍光光強對氣孔導(dǎo)度的影響很小，可能是由于在此溫度范圍內(nèi)，光質(zhì)比不再是影響其變化的主導(dǎo)因素，此時光合速率的下降可能與酶的活性等生理參數(shù)更相關(guān)。同時，在相同溫度和光照條件下，氣孔導(dǎo)度隨光質(zhì)比的增加而先增后減[24]，且在光質(zhì)比約為0.5處達到最大值，該變化趨勢與凈光合速率的變化趨勢一致。從而表明最佳光質(zhì)比的動態(tài)變化很有可能是藍光的氣孔導(dǎo)度效應(yīng)引起的。

圖8 不同溫度下光質(zhì)比對氣孔導(dǎo)度的影響Fig.8 Effect of light quality on stomatal conductance at different temperatures

同時，光質(zhì)比還會通過影響色素活性等生理參數(shù)進而影響其光合作用。相關(guān)研究發(fā)現(xiàn)紅藍光通過光敏色素和隱花色素共同調(diào)節(jié)光合作用。儲鐘稀等[25]研究了光質(zhì)對黃瓜葉片光合作用特性的影響，發(fā)現(xiàn)紅光處理的葉片具有較高的光系統(tǒng)Ⅱ(PSⅡ)活性和較低的光系統(tǒng)Ⅰ(PSⅠ)活性，藍光處理的葉片具有較低的PSⅡ活性和較高的PSⅠ活性。而PSⅠ和PSⅡ是光合作用重要的兩個過程，所以紅藍光比例過高或過低均會對植物的光合作用造成不利影響。王曉艷等[22]研究了不同比例的紅藍光對弱光下黃瓜葉綠體超微結(jié)構(gòu)和相關(guān)光合特性的影響。結(jié)果顯示，光質(zhì)比為0.5處理組的比葉質(zhì)量、凈光合速率、氣孔導(dǎo)度和光合性能指數(shù)均最高，分析得到光質(zhì)比為0.5最有利于黃瓜幼苗葉綠體的發(fā)育和高光合速率的實現(xiàn)。其結(jié)果與表2中黃瓜的凈光合速率隨光質(zhì)比的增大而先增后減，且在光質(zhì)比約為0.5時達到最大值一致。

4 結(jié)論

(1)以溫度、光質(zhì)比、光照強度為輸入，黃瓜凈光合速率為輸出，建立基于回歸型支持向量機算法的融合黃瓜光質(zhì)需求設(shè)施光環(huán)境智能調(diào)控模型。驗證結(jié)果表明，該模型的擬合度為0.996 9，其均方根誤差為0.436 7 μmol/(m2·s)，明顯優(yōu)于BP算法和隨機森林算法構(gòu)建的模型，為設(shè)施光環(huán)境調(diào)控提供了重要依據(jù)。

(2)基于粒子群算法實現(xiàn)了不同溫度下最佳光質(zhì)比和光飽和點獲取，其結(jié)果表明不同溫度下最適合黃瓜生長的光質(zhì)比存在差異，最佳光質(zhì)比隨溫度的升高呈現(xiàn)先增后減的趨勢，大約在30℃附近達到最大值。

(3)建立了紅、藍光目標值調(diào)控模型，其均方根誤差分別為15.087 8、10.138 3 μmol/(m2·s)，其調(diào)控效果明顯優(yōu)于傳統(tǒng)固定的光質(zhì)比，可用于指導(dǎo)實際應(yīng)用中的光環(huán)境調(diào)控。