單慧勇 李晨陽 張程皓 趙輝 衛(wèi)勇 郭旭存

摘要：?針對當(dāng)前溫室環(huán)境調(diào)控成本較高的問題，為了在滿足作物生長需求的條件下降低調(diào)控成本，擬研究1種在有限二氧化碳（CO2）資源條件下的溫室光氣耦合優(yōu)化調(diào)控模型。首先，以溫度、CO2濃度、光照度作為輸入，以凈光合速率作為輸出，構(gòu)建基于最小二乘支持向量機(jī)（LS-SVM）的光合速率預(yù)測模型;然后，基于提出的光合速率預(yù)測模型，構(gòu)建在有限CO2資源條件下溫室CO2優(yōu)化調(diào)控模型數(shù)據(jù)庫，可根據(jù)用戶輸入的CO2資源總量，自動(dòng)尋優(yōu)獲取最佳補(bǔ)氣時(shí)間與單位補(bǔ)氣量;最后，提出以光照度增長相對價(jià)值為評價(jià)指標(biāo)的經(jīng)濟(jì)性相對最優(yōu)的補(bǔ)光策略，在確定的補(bǔ)氣時(shí)間段內(nèi)進(jìn)行補(bǔ)光，最終實(shí)現(xiàn)了有限CO2資源條件下的溫室光氣耦合優(yōu)化調(diào)控，進(jìn)一步提高了設(shè)施溫室環(huán)境因子調(diào)控的精準(zhǔn)度與智能化水平。

關(guān)鍵詞：?光合速率預(yù)測;光氣耦合;調(diào)控模型;最小二乘支持向量機(jī)（LS-SVM）

中圖分類號：?S24;S11+9??文獻(xiàn)標(biāo)識碼：?A??文章編號：?1000-4440（2021）02-0471-09

Abstract：?Due to the high cost of environmental regulation in greenhouse， an optimal control model of greenhouse light gas coupling under limited carbon dioxide（CO2） resources is proposed to reduce the cost of regulation and control under the condition of meeting the needs of crop growth. Firstly， the photosynthetic rate prediction model based on least squares support vector machine（LS-SVM） was constructed with temperature， CO2 concentration and illumination as input and net photosynthetic rate as output. Secondly， based on the proposed photosynthetic rate prediction model， the database of greenhouse carbon dioxide optimal regulation model under limited carbon dioxide resources was constructed. The optimal replenishment time and unit replenishment amount could be obtained automatically according to the total amount of carbon dioxide resources input by users. Then， a relatively optimal light replenishment strategy with the relative value of light growth as the evaluation index was proposed， and light supplement was carried out in a certain period of time. Finally， the optimal control of greenhouse light gas coupling under limited carbon dioxide resources is realized， which further improves the accuracy and intelligence level of greenhouse environmental regulation.

Key words：?photosynthetic rate prediction;coupling regulation of light and CO2;control model;least squares support vector machine（LS-SVM）

在植物的光合作用過程中，溫度、光照、二氧化碳等均是影響光合速率的主要因素，對于反季節(jié)的溫室栽培而言，光照、CO2濃度是限制植物生長的主要環(huán)境因子[1-2]。因此，以提高作物光合速率為目的建立植物的光氣耦合優(yōu)化調(diào)控模型，是設(shè)施溫室智能調(diào)控系統(tǒng)的重要組成部分。

光氣耦合優(yōu)化調(diào)控模型的基礎(chǔ)是光合速率預(yù)測模型，傳統(tǒng)的預(yù)測模型存在擬合精度低等問題，近年來，研究者以光合作用的主要影響因子為變量進(jìn)行光合速率預(yù)測模型研究[3-5]，構(gòu)建了不同的光合速率模型，極大改善了預(yù)測模型的適應(yīng)性和準(zhǔn)確度。在溫室CO2和光照調(diào)控方面，以飽和點(diǎn)為調(diào)控指標(biāo)的調(diào)控模型得到了廣泛研究應(yīng)用[6-8]。基于飽和點(diǎn)的調(diào)控雖然可以達(dá)到最大光合速率，但會(huì)造成調(diào)控效益下降。目前，在考慮環(huán)境參數(shù)調(diào)控效益的前提下，胡瑾等[9-11]提出了基于離散曲率算法的光照度、CO2優(yōu)化調(diào)控模型，可以在有效降低調(diào)控成本的前提下提升作物的光合速率。但是在實(shí)際生產(chǎn)實(shí)踐中，CO2補(bǔ)充量并不能按照上述理論調(diào)控模型進(jìn)行持續(xù)優(yōu)化調(diào)控，因此探討在有限CO2資源條件下的溫室光氣耦合優(yōu)化調(diào)控方案顯得極為重要。

本研究首先構(gòu)建基于最小二乘支持向量機(jī)（LS-SVM）的光合速率預(yù)測模型，然后基于預(yù)測模型構(gòu)建有限CO2資源條件下溫室CO2的優(yōu)化調(diào)控模型數(shù)據(jù)庫，用戶在進(jìn)行CO2調(diào)控時(shí)，僅需輸入總補(bǔ)氣量便可自動(dòng)獲取對應(yīng)的最優(yōu)補(bǔ)氣時(shí)間與單位補(bǔ)氣量。然后結(jié)合本研究提出的經(jīng)濟(jì)性相對最優(yōu)的補(bǔ)光策略，在上述確定的補(bǔ)氣時(shí)間段內(nèi)進(jìn)行光照調(diào)控，最終實(shí)現(xiàn)有限CO2資源條件下的溫室光氣耦合優(yōu)化調(diào)控。

1?材料與方法

1.1?試驗(yàn)設(shè)計(jì)

本試驗(yàn)于2019年12月在天津農(nóng)學(xué)院西校區(qū)實(shí)訓(xùn)基地溫室內(nèi)進(jìn)行，以黃瓜品種津優(yōu)35為試驗(yàn)材料，采用常規(guī)栽培方法進(jìn)行管理。環(huán)境因子變量包括溫度、光照度及CO2濃度，其中溫度設(shè)7個(gè)梯度（15 ℃、18 ℃、21 ℃、25 ℃、28 ℃、33 ℃、36 ℃），光照度設(shè)7個(gè)梯度[200 μmol/（m2·s）、500 μmol/（m2·s）、800 μmol/（m2·s）、1 100 μmol/（m2·s）、1 400 μmol/（m2·s）、1 700 μmol/（m2·s）、2 000 μmol/（m2·s）]，CO2濃度設(shè)7個(gè)梯度（300 μmol/mol、600 μmol/mol、900 μmol/mol、1 200 μmol/mol、1 500 μmol/mol、1 800 μmol/mol、2 100 μmol/mol）。本試驗(yàn)剔除低溫（15 ℃、18 ℃）條件下對應(yīng)的最高光照度[2 000 μmol/（m2·s）]及高溫（33 ℃、36 ℃）條件下對應(yīng)的最低光照度[300 μmol/（m2·s）]后，采用各環(huán)境因子間嵌套方式進(jìn)行設(shè)計(jì)。

1.2?凈光合速率的測定

選取生長狀況差異較小、健壯的黃瓜植株進(jìn)行試驗(yàn)，測量設(shè)備為CI-340便攜式光合作用儀，可按需要控制測量葉室的小環(huán)境，以設(shè)置不同試驗(yàn)條件;為了避免植物“午休現(xiàn)象”對數(shù)據(jù)采集的影響，選擇9∶00-11∶00、14∶30-16∶00時(shí)間段進(jìn)行試驗(yàn)[12-13]。本研究用單葉片瞬時(shí)試驗(yàn)，為了得到足夠穩(wěn)定的凈光合速率，選擇連續(xù)2 d以上的相同天氣進(jìn)行測量，測量前對夾入葉室的葉片進(jìn)行充分的光誘導(dǎo)。最終形成以溫度（℃）、CO2濃度（μmol/mol）、光照度[μmol/（m2·s）]為輸入，凈光合速率（Pn）[μmol/（m2·s）]為輸出的315組試驗(yàn)樣本集。

2?基于LS-SVM的光合速率預(yù)測模型

2.1?LS-SVM回歸模型建模過程

影響黃瓜光合速率的主要影響因素有溫度、光照度及CO2濃度，光合速率模型的構(gòu)建過程，就是尋求溫度（x1）、光照度（x2）、CO2濃度（x3）與輸出光合速率（yi）之間的函數(shù)關(guān)系。相關(guān)公式為yi=f（xi）（i=1，2，3）。

本研究采用LS-SVM算法構(gòu)建光合速率預(yù)測模型，其算法理論參照文獻(xiàn)[14]，具體流程見圖1。

基于本試驗(yàn)得到的數(shù)據(jù)，利用MATLAB R2018b進(jìn)行編程，對前期315組數(shù)據(jù)進(jìn)行隨機(jī)排序，取前252組數(shù)據(jù)作為預(yù)測模型的輸入，占總數(shù)據(jù)量的80%，用其余63組數(shù)據(jù)對預(yù)測模型進(jìn)行檢驗(yàn)。由于各輸入?yún)?shù)、輸出參數(shù)的數(shù)量級不同，因此采用MATLAB平臺(tái)自帶的歸一化函數(shù)mapminmax，模型歸一化區(qū)間為[0.2，0.9];選取徑向基函數(shù)作為核函數(shù)進(jìn)行建模[15];gam是控制錯(cuò)分樣本懲罰程度的可調(diào)參數(shù)，sig2是徑向基核函數(shù)的參數(shù)，通過網(wǎng)格搜索獲取最優(yōu)建模參數(shù)gam、sig2[16]，其確定的gam=263.549，sig2=0.204 042 5。確定模型各參數(shù)后，調(diào)用LS-SVM工具箱的trainlssvm函數(shù)進(jìn)行光合速率預(yù)測模型的構(gòu)建。

2.2?LS-SVM回歸模型的評估

在MATLAB的LS-SVM工具箱中調(diào)用simlssvm 函數(shù)進(jìn)行模型驗(yàn)證，將預(yù)測結(jié)果與實(shí)際樣本進(jìn)行反歸一化處理，結(jié)果表明，其平均絕對誤差為0.520 9 μmol/（m2·s），決定系數(shù)（R2）=0.967 4，均方誤差為0.632 5 μmol/（m2·s）。預(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)之間的誤差見圖2，可以看出，基于LS-SVM建立的光合速率預(yù)測模型誤差較小，最大誤差也低于4.500 0 μmol/（m2·s），可以較好地預(yù)測作物的光合速率。

3?溫室補(bǔ)氣優(yōu)化決策模型的構(gòu)建

3.1?有限CO2資源條件下溫室補(bǔ)氣優(yōu)化決策模型

基于上文構(gòu)建的光合速率預(yù)測模型，本研究提出了在1 d內(nèi)有限CO2資源條件下對溫室CO2濃度進(jìn)行優(yōu)化調(diào)控的思路，即尋找當(dāng)天溫室最適補(bǔ)氣時(shí)間與對應(yīng)的補(bǔ)氣量，以補(bǔ)氣后的光合速率增量作為評價(jià)指標(biāo)，在有限的CO2資源條件下建立CO2優(yōu)化調(diào)控模型數(shù)據(jù)庫。

以天津農(nóng)學(xué)院西校區(qū)溫室作為研究基地，其1 d內(nèi)溫室溫度被升起的時(shí)間段為9∶00-16∶00，因此選擇9∶30-15∶30進(jìn)行尋優(yōu)補(bǔ)氣，即將該6 h以△t為步長進(jìn)行分割，△t設(shè)置為30 min、60 min、90 min、120 min、180 min，從而分別將9∶30-15∶30分割為12個(gè)、6個(gè)、4個(gè)、3個(gè)、2個(gè)時(shí)間段;設(shè)給定有限CO2資源為CCO2·T（CO2濃度×?xí)r間）， 將CO2的濃度區(qū)間設(shè)為600～3 000μmol/mol，固定步長為50 μmol/mol，T設(shè)為30 min，將有限光照資源均分到各△t時(shí)間內(nèi)，即得到該時(shí)間段的補(bǔ)氣量（△CO2=CCO2·T/△t）。分別獲取上述時(shí)間段內(nèi)的環(huán)境因子參數(shù)[T、CCO2、光子通量密度（PPFD）]與補(bǔ)氣后的環(huán)境因子參數(shù)（T、CCO2+△CO2、PPFD），將其分別作為光合速率預(yù)測模型的輸入?yún)?shù)，得到未補(bǔ)氣的光合速率（Pn1）、補(bǔ)氣后的光合速率（Pn2），計(jì)算其在對應(yīng)時(shí)間段的光合速率增量，尋優(yōu)得到最大增量及對應(yīng)的調(diào)控時(shí)段，將其匯總為調(diào)控模型數(shù)據(jù)庫。繼而尋找在給定有限CO2資源條件下不同時(shí)間間隔對應(yīng)的5組數(shù)據(jù)，獲取最大光合速率增量及對應(yīng)時(shí)間段作為該有限CO2資源條件下的調(diào)控方案。為了清晰地描述本研究內(nèi)容，繪制有限CO2資源條件下的補(bǔ)氣決策優(yōu)化方案流程（圖3）。

在對設(shè)施進(jìn)行補(bǔ)氣時(shí)，操作人員遠(yuǎn)程在控制面板給定補(bǔ)氣總量（圖4），并基于上述模型數(shù)據(jù)庫，自動(dòng)獲取補(bǔ)氣時(shí)間段與單位補(bǔ)氣量，從而形成結(jié)合溫度、光照度等參數(shù)的最優(yōu)補(bǔ)氣策略。

3.2?模型數(shù)據(jù)分析

為了構(gòu)建上述模型的調(diào)控?cái)?shù)據(jù)庫，通過日光溫室遠(yuǎn)程智能監(jiān)控系統(tǒng)獲取天津農(nóng)學(xué)院西校區(qū)實(shí)訓(xùn)基地溫室內(nèi)2020年3月1日至2020年3月31日的環(huán)境參數(shù)，用MATLAB軟件進(jìn)行調(diào)控?cái)?shù)據(jù)庫的建立。本研究以2020年3月5日的數(shù)據(jù)為例進(jìn)行分析，用該時(shí)間的調(diào)控?cái)?shù)據(jù)庫共構(gòu)建出245組數(shù)據(jù)，由于不能一一列舉，因而給出1 000 mol/mol×30 min、1 500 mol/mol×30 min、2 000 mol/mol×30 min 3組有限補(bǔ)氣資源總量下的以△t分段的共15組數(shù)據(jù)。

由表1可以看出，補(bǔ)氣時(shí)間總體分布在9∶30-12∶30。對圖5、表1進(jìn)行綜合分析可知，2020年3月5日上午、下午的光照度基本呈對稱分布，可見光照度對補(bǔ)氣時(shí)間的影響較小;溫度從9∶00時(shí)最低的15 ℃一路攀升至13∶00的38 ℃，之后開始緩慢下降，至16∶00時(shí)為32 ℃，可見表1中的補(bǔ)氣時(shí)間與溫度有著密切聯(lián)系;當(dāng)溫度高于35 ℃時(shí)，在高溫脅迫下黃瓜的光合速率下降，與文獻(xiàn)[17]、[18]的研究結(jié)論一致。由此可見，在午后補(bǔ)充CO2并未能得到較高的光合收益，這也從側(cè)面證明了本研究提出的有限CO2資源補(bǔ)充時(shí)間段的正確性。

4?經(jīng)濟(jì)相對最優(yōu)的光照調(diào)控模型的構(gòu)建

4.1?經(jīng)濟(jì)相對最優(yōu)的光照調(diào)控目標(biāo)值獲取方案

在獲取了補(bǔ)氣時(shí)間段與單位補(bǔ)氣量后，需要對溫室光照度進(jìn)行補(bǔ)充。本研究提出了依據(jù)光照度增長相對價(jià)值曲線曲率最大值進(jìn)行尋優(yōu)的光照度調(diào)控目標(biāo)值獲取方案，并繪制了經(jīng)濟(jì)相對最優(yōu)的光照調(diào)控目標(biāo)值獲取流程（圖6）。其中光照度增長相對價(jià)值=Pn/PPFD。

為了精確地描述程序中的尋優(yōu)條件及尋優(yōu)目標(biāo)函數(shù)等關(guān)鍵參數(shù)，結(jié)合流程圖對上述尋優(yōu)方案的具體操作步驟進(jìn)行描述。

4.1.1?獲取不同環(huán)境因子嵌套條件下的光合速率?在試驗(yàn)梯度范圍內(nèi)，以每個(gè)環(huán)境因素的不同步長增加的形式，循環(huán)獲取嵌套環(huán)境因子的所有梯度條件。在本研究中，設(shè)置溫度區(qū)間為12～33 ℃，固定步長為1 ℃;設(shè)置CO2濃度區(qū)間為300～1 500 μmol/mol，固定步長為50 μmol/mol;設(shè)置光照度為100～1 700 μmol/（m2·s），固定步長為5 μmol/（m2·s）。通過調(diào)用已建立的LS-SVM光合速率預(yù)測模型，獲取上述環(huán)境因子嵌套條件下對應(yīng)的光合速率。

4.1.2?采用曲線平滑的差分曲率計(jì)算尋優(yōu)?在獲取不同尋優(yōu)方案下最優(yōu)光照度的過程中，需要進(jìn)行溫度實(shí)例化和CO2濃度實(shí)例化，以光照度增長相對價(jià)值作為評價(jià)指標(biāo)，尋優(yōu)時(shí)確定溫度與CO2濃度，光照度依次遞增，繪制評價(jià)指標(biāo)曲線?；谇€平滑的差分曲率進(jìn)行計(jì)算[19]，所需處理的曲線為C={P1，P2，…，Pi}，其中Pi=（xi，yi）表示邊界像素點(diǎn)。應(yīng)用高斯函數(shù)將曲線作平滑處理，處理后的曲線為Ck={Pk1，Pk2，…，Pki}，Pki=（xki，yki），繼而用差分法計(jì)算構(gòu)成曲線各點(diǎn)的離散曲率：

式中，xki為平滑處理后擬合曲線坐標(biāo)點(diǎn)的橫坐標(biāo)，yki為平滑處理后擬合曲線坐標(biāo)點(diǎn)的縱坐標(biāo)。

按照上述方法對評價(jià)指標(biāo)曲線各點(diǎn)求曲率并找出最大值點(diǎn)，最大值對應(yīng)的光照度即為尋優(yōu)光照度，記錄并保存尋優(yōu)光照度，獲取所有評價(jià)指標(biāo)曲線曲率最大點(diǎn)對應(yīng)的光照度時(shí)結(jié)束。

4.2?光照度調(diào)控?cái)?shù)據(jù)分析

在建模過程中，每種方案均獲取了550組不同條件下光照度的調(diào)控點(diǎn)，由于無法完全羅列，故下文僅展示溫度為24～33 ℃（以3 ℃為步長）、CO2濃度為300～1 500 μmol/mol（以200 μmol/mol為步長）條件下不同尋優(yōu)方案的光照度。不同方案的尋優(yōu)結(jié)果見圖7，對比結(jié)果見表2。

從表2可以看出，本研究提出的光照調(diào)控方案可以使光照度大幅降低，同時(shí)使光合速率僅出現(xiàn)小幅度下降，相比于傳統(tǒng)光飽和點(diǎn)調(diào)控，光照度需求量平均下降18.27%，而光合速率僅平均降低2.43%，說明采用經(jīng)濟(jì)相對最優(yōu)的光照調(diào)控策略，可以使設(shè)施補(bǔ)光在投入較少的情況下獲得相對較高的效益。

4.3?基于BP神經(jīng)網(wǎng)絡(luò)經(jīng)濟(jì)性相對最優(yōu)的光照調(diào)控模型的構(gòu)建

基于上述尋優(yōu)方法，得到了以溫度、CO2為輸入，以光照度調(diào)控目標(biāo)值為輸出的550組目標(biāo)數(shù)據(jù)集，采用BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行光照度優(yōu)化模型構(gòu)建。隨機(jī)選取其中440組數(shù)據(jù)作為預(yù)測模型的輸入，占總數(shù)據(jù)量的80%，用其余110組數(shù)據(jù)對預(yù)測模型進(jìn)行檢驗(yàn)。在訓(xùn)練時(shí)，數(shù)據(jù)歸一化處理函數(shù)采用MATLAB自帶函數(shù)mapminmax。模型設(shè)計(jì)采用3層神經(jīng)網(wǎng)絡(luò)，結(jié)合經(jīng)驗(yàn)公式m=n+l+α確定單隱層節(jié)點(diǎn)數(shù)[20]，式中，m為單隱層節(jié)點(diǎn)數(shù)，n為輸入層節(jié)點(diǎn)數(shù)（在本研究中為2），l為輸出層節(jié)點(diǎn)數(shù)（在本研究中為1），α為常數(shù)，其值為1～10。經(jīng)過反復(fù)訓(xùn)練和調(diào)試，最終將單隱層的神經(jīng)元數(shù)量設(shè)置為7，網(wǎng)絡(luò)訓(xùn)練的目標(biāo)誤差設(shè)為0.000 1，訓(xùn)練步數(shù)設(shè)為1 000步，在此基礎(chǔ)上，網(wǎng)絡(luò)隱含層的傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為logsig。

基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的優(yōu)化模型的驗(yàn)證結(jié)果表明，決定系數(shù)（R2）=0.988 8，均方誤差為3.203 6 μmol/（m2·s），平均絕對誤差為3.362 1 μmol/（m2·s）。由圖8可知，基于BP神經(jīng)網(wǎng)絡(luò)建立的光照度優(yōu)化模型誤差較小，其最大誤差也保持在30 μmol/（m2·s）以內(nèi)，符合預(yù)測精度要求。

5?結(jié)論

本研究提出了1種有限CO2資源條件下的溫室光氣耦合優(yōu)化調(diào)控模型?；谔岢龅牟捎肔S-SVM算法的光合速率預(yù)測模型構(gòu)建了有限CO2資源條件下溫室CO2優(yōu)化調(diào)控模型數(shù)據(jù)庫，可根據(jù)用戶輸入的CO2資源總量，自動(dòng)尋優(yōu)獲取最佳補(bǔ)氣時(shí)間與單位補(bǔ)氣量，能夠在CO2資源一定的條件下最大幅度地提高光合收益。繼而結(jié)合經(jīng)濟(jì)性相對最優(yōu)的補(bǔ)光策略，在上述確定的補(bǔ)氣時(shí)間段內(nèi)進(jìn)行光照調(diào)控，經(jīng)評估計(jì)算，該補(bǔ)光方案能夠使設(shè)施溫室補(bǔ)光在投入較少的情況下獲得相對較高的效益。由于設(shè)施溫室作物光合速率還與溫度、濕度等環(huán)境參數(shù)有關(guān)，本課題組今后將在現(xiàn)有研究基礎(chǔ)上，結(jié)合其他環(huán)境參數(shù)調(diào)控的多維環(huán)境因子耦合調(diào)控模型進(jìn)行研究，進(jìn)一步提高智慧農(nóng)業(yè)設(shè)施溫室內(nèi)環(huán)境因子調(diào)控的精準(zhǔn)度與智能化。

參考文獻(xiàn)：

[1]?張振賢，艾希珍，趙世杰，等. 黃瓜葉片光合作用的溫度補(bǔ)償點(diǎn)與光合啟動(dòng)時(shí)間[J].園藝學(xué)報(bào)，2003，30（2）：157-162.

[2]?YIN-JIAN Z， YI-TING Z， HOU-CHENG L， et al. Supplemental blue light increases growth and quality of greenhouse pak choi depending on cultivar and supplemental light intensity[J]. Journal of Integrative Agriculture，2018，17（10）：2245-2256.

[3]?張?盼. 非均勻光合特性約束下的黃瓜立體需光模型構(gòu)建方法研究[D].楊凌：西北農(nóng)林科技大學(xué)，2019.

[4]?張海輝，張?珍，張斯威，等. 黃瓜初花期光合速率主要影響因素分析與模型構(gòu)建[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（6）：242-248.

[5]?胡?瑾，何東健，任?靜，等. 基于遺傳算法的番茄幼苗光合作用優(yōu)化調(diào)控模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2014，30（17）：220-227.

[6]?胡?瑾，閆?柯，何東健，等. 基于改進(jìn)型魚群算法的番茄光環(huán)境調(diào)控目標(biāo)值模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（1）：260-265.

[7]?辛萍萍，張?珍，王智永，等. 基于支持向量機(jī)-改進(jìn)型魚群算法的CO2優(yōu)化調(diào)控模型[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2017，48（6）：249-256.

[8]?朱?舟，童向亞，鄭書河. 基于作物光照需求的溫室光調(diào)控系統(tǒng)[J].農(nóng)機(jī)化研究，2016，38（2）：192-196.

[9]?胡?瑾，田紫薇，汪健康，等. 基于離散曲率的溫室CO2優(yōu)化調(diào)控模型研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（9）：337-346.

[10]白京華. 基于光合速率預(yù)測模型的黃瓜幼期CO2-光照協(xié)同調(diào)控目標(biāo)參數(shù)獲取方法[D]. 楊凌：西北農(nóng)林科技大學(xué)，2019.

[11]辛萍萍. 效益優(yōu)先的溫室環(huán)境多因子協(xié)同調(diào)控模型與方法研究[D]. 楊凌：西北農(nóng)林科技大學(xué)，2019.

[12]李萍萍，李冬生，王紀(jì)章，等. 溫室黃瓜葉片光合速率的類卡方模型[J].農(nóng)業(yè)工程學(xué)報(bào)，2009，25（1）：171-175.

[13]史為民，陳青云，喬曉軍. 日光溫室黃瓜葉片光合速率模型及其參數(shù)確定的初步研究[J].農(nóng)業(yè)工程學(xué)報(bào)，2005，21（5）：113-118.

[14]陳?濤，呂?松，任廷林，等. 基于最小二乘支持向量機(jī)的周用電量預(yù)測方法[J].華電技術(shù)，2020，42（1）：35-40.

[15]孫雙林，楊?倩. 基于最小二乘支持向量機(jī)的船舶集中空調(diào)系統(tǒng)能耗預(yù)測[J].艦船科學(xué)技術(shù)，2020，42（2）：184-186.

[16]陶開鑫，俞成丙，侯頎驁，等. 基于最小二乘支持向量機(jī)的棉針織物活性染料濕蒸染色預(yù)測模型[J].紡織學(xué)報(bào)，2019，40（7）：169-173.

[17]孫勝楠，王?強(qiáng)，孫晨晨，等. 黃瓜幼苗光合作用對高溫脅迫的響應(yīng)與適應(yīng)[J].應(yīng)用生態(tài)學(xué)報(bào)，2017，28（5）：1603-1610.

[18]丁小濤. 溫室黃瓜高溫耐受性及其響應(yīng)機(jī)制研究[D].上海：上海交通大學(xué)，2018.

[19]郭娟娟，鐘寶江. U弦長曲率：一種離散曲率計(jì)算方法[J].模式識別與人工智能，2014，27（8）：683-691.

[20]陶彥蓉. 基于BP神經(jīng)網(wǎng)絡(luò)的黃瓜光合速率預(yù)測模型研究[D].楊凌：西北農(nóng)林科技大學(xué)，2016.

（責(zé)任編輯：徐?艷）