吳與瑋 何思?jí)?/p>

摘 ?要：植物的生長(zhǎng)環(huán)境對(duì)提高植物經(jīng)濟(jì)效益具有重大意義。近年來的研究表明，光合速率是驗(yàn)證植物有效光合作用的重要參數(shù)，因此將環(huán)境因子作為參量構(gòu)建光合速率模型成為現(xiàn)階段的研究重點(diǎn)。文章通過支持向量機(jī)找尋出溫度、CO2濃度、光子通量密度與光和呼吸速率之間的對(duì)應(yīng)關(guān)系，在這個(gè)基礎(chǔ)上，使用鳥群算法完成對(duì)光環(huán)境最優(yōu)目標(biāo)值進(jìn)行尋優(yōu)，并完成光環(huán)境最優(yōu)模型的構(gòu)建。模型預(yù)測(cè)數(shù)據(jù)與實(shí)際量測(cè)數(shù)據(jù)的擬合結(jié)果的決定系數(shù)為0.989，均方誤差為14.58，表明本文構(gòu)建的光合速率模型可以有效根據(jù)環(huán)境參數(shù)計(jì)算出植物的最優(yōu)光飽和點(diǎn)，為農(nóng)業(yè)大棚環(huán)境的精準(zhǔn)調(diào)控提供依據(jù)。

關(guān)鍵詞：支持向量機(jī);鳥群算法;光環(huán)境調(diào)控;設(shè)施大棚

中圖分類號(hào)：TP391.7 ? ? ? 文獻(xiàn)標(biāo)志碼：A ? ? ? ? 文章編號(hào)：2095-2945（2019）35-0057-04

Abstract： The environment for plant to grow is of great significance to improve plant economic benefits. In recent years， studies have shown that photosynthetic rate is an important parameter to verify plant effective photosynthesis， so the construction of photosynthetic rate model based on environmental factors has become the focus of research at the present stage. In this paper， the corresponding relations among temperature， CO2 concentration， photon flux density and light and respiration rate are found by support vector machine. On this basis， the bird swarm algorithm is used to optimize the optimal target value of light environment and complete the construction of the optimal model of light environment. The determination coefficient of the fitting result between the predicted data and the actual measured data is 0.989， and the mean square error is 14.58， indicating that the photosynthetic rate model constructed in this paper can effectively calculate the optimal light saturation point of plants according to environmental parameters. The purpose of this paper is to provide a basis for the precise regulation and control of agricultural greenhouse environment.

Keywords： support vector machine; bird swarm algorithm; light environment control; facility greenhouse

引言

光合呼吸速率是植物生長(zhǎng)過程中進(jìn)行有效光合速率的主要參考依據(jù)。在光照強(qiáng)度過高的情況下，會(huì)導(dǎo)致植物的葉片氣孔閉合，使得植物光合速率值降低[1-2]。而在光最優(yōu)模型的構(gòu)建，首先利用SVM算法對(duì)光合速率與CO2濃度、溫度與光飽和點(diǎn)之間的光照強(qiáng)度不足的條件下，植物光合速率會(huì)下降。

在不同的環(huán)境下植物所需的光照強(qiáng)度是一個(gè)動(dòng)態(tài)變化的值。因此研究周圍環(huán)境因子對(duì)植物的光合作用速率的影響具有重要意義[3]。

近年來，對(duì)于該領(lǐng)域不斷進(jìn)行研究，提出了很多有關(guān)光環(huán)境控制的理論，為本文的研究奠定了基礎(chǔ)。Ryo Matsuda研究了對(duì)在不同溫度下以及不同光合作用周期里光合速率的區(qū)別[4]。Maryam Haghighi研究了在水培條件下溫度差異對(duì)番茄生長(zhǎng)的影響。L，mata等人通過對(duì)植物的光合作用機(jī)理的研究，分析了環(huán)境因子對(duì)于植物光合速率的影響[5]。Zhang Jing等人通過多元回歸分析方法構(gòu)建了番茄光合作用模型，分析了環(huán)境因子對(duì)番茄光合作用的影響。Afiatdoust， F等基于遺傳算法獲得了徑向基函數(shù)的最優(yōu)變量形狀參數(shù)[6]。Patel， Narendra等將改進(jìn)型遺傳算法應(yīng)用于最優(yōu)控制問題，解決了非等溫塞流反應(yīng)器的最優(yōu)控制問題，這些研究都是通過遺傳算法完成尋優(yōu)過程[7]。

本文將采用支持向量機(jī)算法（Support Vector Maching，SVM）和鳥群算法（Bird Swarm Algorithm， BSA）相結(jié)合的方式來進(jìn)行光環(huán)境關(guān)系進(jìn)行計(jì)算，構(gòu)建出以CO2濃度、溫度與光飽和點(diǎn)為輸入，光合速率為輸出的模型。將實(shí)際環(huán)境下的CO2濃度、溫度代入上述模型獲得光子通量密度與光和呼吸速率之間的關(guān)系，然后通過鳥群算法需求當(dāng)前環(huán)境下的光飽和點(diǎn)。

最終，擬合在不同環(huán)境下獲取的最優(yōu)光飽和點(diǎn)構(gòu)成光環(huán)境最優(yōu)模型。

1 基于SVM構(gòu)建的光合速率模型

1.1 基于SVM的光合速率模型的建立

植物的光合速率與環(huán)境中的光子通量密度、溫度和CO2濃度三者之間存在著非線性的關(guān)系。SVM是機(jī)器學(xué)習(xí)中常用的數(shù)據(jù)處理算法之一，常用于非線性的分類與回歸問題，其核心思想就是找出最優(yōu)的超平面，使得靠近超平面且難分點(diǎn)的數(shù)據(jù)點(diǎn)間距最大[8-9]。由于SVM使用核方法從低維映射到高維，模型復(fù)雜度不受到維數(shù)影響，因而可以用來預(yù)測(cè)植物的光合速率。

使用SVM構(gòu)建光合速率模型的主要步驟如下：歸一化處理，建立預(yù)測(cè)樣本集與訓(xùn)練樣本集，核函數(shù)和懲罰因子的選取，模型訓(xùn)練，如圖1所示。

1.2 模型驗(yàn)證

本文選取張海輝等人進(jìn)行的試驗(yàn)數(shù)據(jù)作為模型驗(yàn)證數(shù)據(jù)，試驗(yàn)“毛粉802”的番茄幼苗作為試驗(yàn)對(duì)象，采用Li-6400XT型便攜式光合儀對(duì)不同環(huán)境下番茄幼苗的凈光合速率進(jìn)行量測(cè)。為了防止番茄幼苗的“午休現(xiàn)象”，試驗(yàn)選取在9：30-11：30和14：30-17：30兩個(gè)時(shí)間段進(jìn)行。將溫室內(nèi)濕度控制在60%～70%，通過CO2調(diào)節(jié)模塊將葉室內(nèi)的CO2濃度設(shè)置成600、900、1200、1500、1800、2000μmol·mol-16個(gè)梯度。使用LED光源模塊將光子通量密度設(shè)置成100、200、300、400、500、600、800、1000、1200、1400μmol·m-2·s-110個(gè)梯度，使用溫度模塊設(shè)置12、15、20、24、28、32℃共六個(gè)溫度梯度[10]。

在測(cè)量時(shí)間內(nèi)，進(jìn)行360組試驗(yàn)。每一株幼苗進(jìn)行三次測(cè)量然后取平均值作為最終數(shù)據(jù)，得到360組數(shù)據(jù)。輸入360組樣本數(shù)據(jù)，測(cè)試集為72組，訓(xùn)練集為288組，按照步驟構(gòu)建光合速率模型并進(jìn)行驗(yàn)證，預(yù)測(cè)結(jié)果如圖2所示。

? ? 對(duì)測(cè)試集的結(jié)果進(jìn)行擬合可得y=0.986x+0.349，決定系數(shù)R2為0.995，表明了實(shí)測(cè)值與模型預(yù)測(cè)值具有較高的相關(guān)性;均方根誤差為0.748，模型預(yù)測(cè)精度較高。因此證明了基于SVM的光合速率預(yù)測(cè)模型可以準(zhǔn)確的預(yù)測(cè)出不同環(huán)境下的光合速率，為接下來使用鳥群算法進(jìn)行光飽和點(diǎn)的尋優(yōu)確立了準(zhǔn)確的目標(biāo)函數(shù)。

2 基于鳥群算法構(gòu)建的光環(huán)境最優(yōu)模型

2.1 基于鳥群算法的光飽和點(diǎn)的尋優(yōu)

BSA算法常數(shù)P設(shè)置為0.6，a1和a2均設(shè)置為1.5，C和S均設(shè)置為1，遷移周期設(shè)置為5，最大迭代次數(shù)設(shè)置為100。

其詳細(xì)步驟如下：

步驟一 設(shè)定當(dāng)前環(huán)境的溫度和CO2濃度To，Co，構(gòu)建出當(dāng)前的適應(yīng)度函數(shù)。

步驟二 基于當(dāng)前環(huán)境隨機(jī)生成初始種群、最大迭代次數(shù)等參數(shù)。

步驟三 使用當(dāng)前適應(yīng)度函數(shù)計(jì)算初始種群的適應(yīng)度。

步驟四 通過鳥群算法對(duì)種群進(jìn)行更新，并尋求更優(yōu)的參數(shù)xi并更新參數(shù)。

步驟五 使用更新后的參數(shù)xi進(jìn)行適應(yīng)度計(jì)算，對(duì)比獲取最優(yōu)適應(yīng)值后保存。

步驟六 返回到步驟四繼續(xù)進(jìn)行迭代，直至適應(yīng)度達(dá)到穩(wěn)定值或者滿足終止條件。

步驟七 完成當(dāng)前環(huán)境下最優(yōu)適應(yīng)度的計(jì)算，輸出當(dāng)前最優(yōu)參數(shù)xi與最優(yōu)適應(yīng)度F。設(shè)定下一組溫度和CO2濃度To，Co，構(gòu)建新的適應(yīng)度函數(shù)，返回步驟一。直至完成全環(huán)境范圍內(nèi)的光飽和點(diǎn)尋優(yōu)。

2.2 光環(huán)境最優(yōu)目標(biāo)值模型的建立

基于BSA優(yōu)化算法的尋優(yōu)結(jié)果，可得到不同生長(zhǎng)環(huán)境條件下的光飽和點(diǎn)。以溫度、CO2濃度為輸入，光響應(yīng)曲線曲率最大值處光子通量密度和光飽和點(diǎn)光子通量密度為輸出，采用SVR進(jìn)行建模。按4：1的比例隨機(jī)分配為訓(xùn)練集與測(cè)試集，訓(xùn)練集樣本為80，測(cè)試集樣本為20。訓(xùn)練結(jié)果如表1所示。

3 模型驗(yàn)證

為了驗(yàn)證基調(diào)控模型的預(yù)測(cè)精度，先通過人工標(biāo)記的方式獲取驗(yàn)證集中的光飽和點(diǎn)，再使用本文提出的模型進(jìn)行光飽和點(diǎn)計(jì)算，對(duì)比兩種方式獲得的光飽和點(diǎn)來驗(yàn)證模型的有效性和精確度。光飽和點(diǎn)實(shí)際值與模型計(jì)算值的相關(guān)性分析結(jié)果如圖3所示。

? ? 對(duì)驗(yàn)證結(jié)果進(jìn)行擬合可得y=0.979x+19.8，其決定系數(shù)R2為0.989，表明實(shí)際量測(cè)值和模型預(yù)測(cè)值具有較高的相關(guān)性，其均方根誤差為14.58，表明模型預(yù)測(cè)誤差值較小，對(duì)光飽和點(diǎn)的預(yù)測(cè)值較為精確。

4 結(jié)束語(yǔ)

本文主要構(gòu)建了光環(huán)境最優(yōu)目標(biāo)值模型，首先設(shè)計(jì)了光合速率模型的構(gòu)建試驗(yàn)，以溫度、光子通量密度、CO2濃度為環(huán)境變量，測(cè)試了不同環(huán)境番茄幼苗的光合速率，然后對(duì)誤差值進(jìn)行了濾除，使用SVM對(duì)溫度、CO2濃度、光子通量密度與光合呼吸速率四者之間的關(guān)系進(jìn)行非線性擬合，得到光合速率模型，然后基于光合速率模型確定在不同環(huán)境下的目標(biāo)函數(shù)，通過鳥群算法對(duì)最優(yōu)光飽和點(diǎn)進(jìn)行尋優(yōu)，從而獲得不同環(huán)境下的最優(yōu)光飽和點(diǎn)，進(jìn)而完成光環(huán)境最優(yōu)目標(biāo)值模型的構(gòu)建。經(jīng)過驗(yàn)證，表明本文建立的光環(huán)境最優(yōu)模型具有較高的預(yù)測(cè)精度，為設(shè)施大棚的光環(huán)境調(diào)控提供了有效依據(jù)。

參考文獻(xiàn)：

[1]于海業(yè)，孔麗娟，劉爽，等.植物生產(chǎn)的光環(huán)境因子調(diào)控應(yīng)用綜述[J].農(nóng)機(jī)化研究，2018，40（8）：1-9.

[2]張東來，張玲，葛文志.不同光環(huán)境對(duì)胡桃楸幼苗生物量及光合生理的影響[J].森林工程，2017，33（5）：8-11.

[3]張靜，王雙喜.溫室番茄光合作用模擬模型中環(huán)境因子的影響[J].農(nóng)機(jī)化研究，2011，33（7）：57-59.

[4]Afiatdoust F， Esmaeilbeigi M. Optimal variable shape parameters using genetic algorithm for radial basis function approximation[J]. Ain Shams Engineering Journal， 2015， 6（2）：639-647.

[5]Changdar C ， Mahapatra G S ， Pal R K . An improved genetic algorithm based approach to solve constrained knapsack problem in fuzzy environment[J]. Expert Systems with Applications， 2015， 42（4）：2276-2286.

[6]Haghighi M， Abolghasemi R， Silva J A T D. Low and high temperature stress affect the growth characteristics of tomato in hydroponic culture with Se and nano-Se amendment[J]. Scientia Horticulturae， 2014， 178（178）：231-240.

[7]Wu J， Hao Y. Linear Regression-Based Efficient SVM Learning for Large-Scale Classification[J]. IEEE Transactions on Neural Networks & Learning Systems， 2017， 26（10）：2357-2369.

[8]司剛?cè)钏?，石建全，?采用改進(jìn)果蠅優(yōu)化算法的最小二乘支持向量機(jī)參數(shù)優(yōu)化方法[J].西安交通大學(xué)學(xué)報(bào)，2017，51（6）：14-19.

[9]付光遠(yuǎn)，辜弘煬.基于數(shù)據(jù)分布特性的支持向量機(jī)核參數(shù)選擇方法[J].計(jì)算機(jī)應(yīng)用，2017，37（s1）：103-105.

[10]劉翔.基于光溫耦合的設(shè)施光環(huán)境檢測(cè)與智能調(diào)控系統(tǒng)設(shè)計(jì)[D].2015.

[11]孟令通，朱洪淵，蔣祖華，等.基于遺傳算法的平板車調(diào)度優(yōu)化方法[J].哈爾濱工程大學(xué)學(xué)報(bào)，2018，39（3）：554-560.