單慧勇，李晨陽(yáng)，張程皓，趙輝，衛(wèi)勇，郭旭存

(天津農(nóng)學(xué)院工程技術(shù)學(xué)院，天津市，300384)

0 引言

光是植物進(jìn)行光合作用的主導(dǎo)因子[1-4]，在設(shè)施溫室種植方面，以提高作物光合速率為目的，綜合考慮溫度及二氧化碳濃度，建立植物光照優(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。

光照優(yōu)化調(diào)控模型的基礎(chǔ)是光合速率預(yù)測(cè)模型，傳統(tǒng)的預(yù)測(cè)模型存在擬合精度低等問(wèn)題，近年來(lái)，眾多學(xué)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(cè)模型研究[5-9]，構(gòu)建了不同的光合速率模型，極大改善了預(yù)測(cè)模型的適應(yīng)性和準(zhǔn)確度。在光照調(diào)控方面，以光飽和點(diǎn)為調(diào)控指標(biāo)的調(diào)控模型得到廣泛應(yīng)用研究[10]，然而基于飽和點(diǎn)的調(diào)控雖可達(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、白京華等基于離散曲率尋找光響應(yīng)曲線(xiàn)曲率最大值點(diǎn)對(duì)應(yīng)的光照強(qiáng)度作為效益最優(yōu)的調(diào)控目標(biāo)值[11-13]，可在有效降低調(diào)控成本的前提下提升作物光合速率。

本文在考慮光合速率與光照調(diào)控效益的前提下，首先研究構(gòu)建基于LS-SVM的光合速率預(yù)測(cè)模型，繼而設(shè)計(jì)了兩種基于曲線(xiàn)平滑差分曲率的光照目標(biāo)值尋優(yōu)方案，經(jīng)分析提出了融合兩種尋優(yōu)方案獲取效益優(yōu)先的光照調(diào)控目標(biāo)值，最后基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建光照優(yōu)化調(diào)控模型，通過(guò)遠(yuǎn)程控制系統(tǒng)實(shí)現(xiàn)溫室光照融合效益原則的精準(zhǔn)高效調(diào)控。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

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。環(huán)境因子變量包括溫度、光照強(qiáng)度及二氧化碳濃度，其中溫度設(shè)定為6梯度，光照強(qiáng)度設(shè)定為8梯度，二氧化碳濃度設(shè)定為7梯度，具體如表1所示，試驗(yàn)采用各環(huán)境因子間嵌套的方式進(jìn)行設(shè)計(jì)。

表1 環(huán)境變量設(shè)置Tab. 1 Settings of environment variable

1.2 凈光合速率的測(cè)量

選取植株生長(zhǎng)狀況差異較小、健壯的黃瓜植株進(jìn)行試驗(yàn)，測(cè)量設(shè)備為CI-340便攜式光合作用儀，其可按需控制測(cè)量葉室的小環(huán)境，以設(shè)置不同試驗(yàn)條件，為避免植物“午休現(xiàn)象”對(duì)數(shù)據(jù)采集的影響，選擇在9∶00～ 11∶30和14∶00～16∶30進(jìn)行試驗(yàn)[14-15]。本試驗(yàn)為單葉片瞬時(shí)試驗(yàn)，為得到足夠穩(wěn)定的凈光合速率，選擇連續(xù)2 d以上相同天氣進(jìn)行測(cè)量，測(cè)量前充分誘導(dǎo)夾入葉室的葉片。最終形成以溫度、二氧化碳濃度、光照強(qiáng)度PPFD為輸入，光合速率Pn為輸出的314組試驗(yàn)樣本集。

2 模型構(gòu)建

本文分3步構(gòu)建光照調(diào)控模型。首先基于LS-SVM構(gòu)建黃瓜光合速率預(yù)測(cè)模型；其次通過(guò)構(gòu)建的光合速率預(yù)測(cè)模型獲取不同溫度與二氧化碳濃度下各光強(qiáng)所對(duì)應(yīng)光合速率關(guān)系，提出兩種基于曲線(xiàn)平滑差分曲率的光照調(diào)控目標(biāo)值獲取方案，繼而基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建兩種調(diào)控方案的光照調(diào)控模型。

2.1 基于LS-SVM的黃瓜光合速率預(yù)測(cè)模型

本文采用LS-SVM算法構(gòu)建光合速率預(yù)測(cè)模型[16]，其具體流程圖如圖1所示。

圖1 光合速率預(yù)測(cè)模型流程圖Fig. 1 Flow chart of photosynthetic rate prediction model

影響黃瓜光合速率的主要影響因素有溫度、光強(qiáng)及CO2濃度，光合速率模型的構(gòu)建，就是尋求溫度(x1)、光強(qiáng)(x2)及二氧化碳濃度(x3)和輸出光合速率(y)之間的關(guān)系：y=f(x1，x2，x3)。

基于試驗(yàn)所得到的數(shù)據(jù)，利用matlabR2018b進(jìn)行編程，對(duì)前期314組數(shù)據(jù)進(jìn)行隨機(jī)排序，取前251組數(shù)據(jù)作為預(yù)測(cè)模型的輸入，占總數(shù)據(jù)的80%，剩余63組對(duì)預(yù)測(cè)模型進(jìn)行檢驗(yàn)。由于各輸入?yún)?shù)及輸出參數(shù)的數(shù)量級(jí)不同，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[17]；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(guò)網(wǎng)格搜索獲取最優(yōu)的建模參數(shù)gam和sig2[18]，其確定的gam=263.549,sig2=0.204 042 5。模型各參數(shù)確定后調(diào)用LS-SVM工具箱的trainlssvm函數(shù)進(jìn)行光合速率預(yù)測(cè)模型的構(gòu)建。

2.2 不同尋優(yōu)方案下的光照最優(yōu)值獲取方案

本文提出了兩種光照尋優(yōu)方案，方案一依據(jù)光照增長(zhǎng)相對(duì)價(jià)值曲線(xiàn)曲率最大值進(jìn)行尋優(yōu)，方案二依據(jù)光合速率增長(zhǎng)率曲線(xiàn)曲率最大值進(jìn)行尋優(yōu)。其中光照增長(zhǎng)價(jià)值等于Pn/PPFD,光合速率增長(zhǎng)率=(Pni-Pnj)/Pnj(i=1,…,n-1;j=2,…,n),式中n為光合速率樣本數(shù)。

為清晰地描述本部分的研究?jī)?nèi)容，繪制不同尋優(yōu)方案下的光照最優(yōu)值獲取流程圖如圖2所示。

為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)，現(xiàn)結(jié)合流程圖，對(duì)上述兩種尋優(yōu)方案的具體操作步驟進(jìn)行如下描述。

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)，通過(guò)循環(huán)形式以每個(gè)環(huán)境因素的不同步長(zhǎng)增加的形式，可獲取嵌套環(huán)境因子的所有梯度條件。本文設(shè)置溫度區(qū)間為12 ℃～33 ℃，固定步長(zhǎng)為1 ℃；二氧化碳濃度區(qū)間為300～1 300 μmol/mol, 固定步長(zhǎng)為50 μmol/mol;光照強(qiáng)度設(shè)定范圍為100～1 700 μmol/(m2·s),固定步長(zhǎng)為5 μmol/(m2·s)。通過(guò)調(diào)用已建立的LS-SVM光合速率預(yù)測(cè)模型，獲取上述環(huán)境因子嵌套條件下對(duì)應(yīng)的光合速率。

2) 采用曲線(xiàn)平滑的差分曲率計(jì)算尋優(yōu)。在不同尋優(yōu)方案下的光照最優(yōu)值獲取過(guò)程中，需要進(jìn)行溫度實(shí)例化和二氧化碳濃度實(shí)例化，獲取對(duì)應(yīng)曲線(xiàn)尋優(yōu)。方案一以光照增長(zhǎng)相對(duì)價(jià)值為評(píng)價(jià)指標(biāo)，方案二以光合速率增長(zhǎng)率為評(píng)價(jià)指標(biāo)。尋優(yōu)時(shí)確定溫度與二氧化碳濃度，光強(qiáng)依次遞增，繪制評(píng)價(jià)指標(biāo)曲線(xiàn)。

圖2 不同尋優(yōu)方案下的光照最優(yōu)值獲取流程圖Fig. 2 Flow chart of obtaining the optimal value of illumination under different optimization schemes

基于曲線(xiàn)平滑的差分曲率進(jìn)行曲率計(jì)算[19-21]，記所需處理的曲線(xiàn)

C={P1,P2,…,Pn}

(1)

式中:Pi——邊界像素點(diǎn),Pi=(xi,yi)。

應(yīng)用高斯函數(shù)將曲線(xiàn)平滑處理，記處理后的曲線(xiàn)

(2)

繼而應(yīng)用差分法計(jì)算當(dāng)前點(diǎn)的離散曲率

(3)

按照以上方法對(duì)兩種方案下評(píng)價(jià)指標(biāo)曲線(xiàn)各點(diǎn)求曲率并找出最大值點(diǎn)，此最大值對(duì)應(yīng)的光強(qiáng)即尋優(yōu)光強(qiáng)，記錄和保存其對(duì)應(yīng)的光照強(qiáng)度，直到獲取所有評(píng)價(jià)指標(biāo)曲線(xiàn)曲率最大點(diǎn)對(duì)應(yīng)的光照強(qiáng)度結(jié)束。

2.3 基于BP神經(jīng)網(wǎng)絡(luò)的光照強(qiáng)度優(yōu)化模型的構(gòu)建

基于上述兩種尋優(yōu)方法，分別得到了以溫度、二氧化碳為輸入，以光照強(qiáng)度調(diào)控目標(biāo)值為輸出的462組目標(biāo)數(shù)據(jù)集，采用BP神經(jīng)網(wǎng)絡(luò)分別進(jìn)行光照強(qiáng)度優(yōu)化模型構(gòu)建。

隨機(jī)選取方案一中351組數(shù)據(jù)作為預(yù)測(cè)模型的輸入，占總數(shù)據(jù)的76%，剩余111組對(duì)預(yù)測(cè)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)為三層神經(jīng)網(wǎng)絡(luò)，結(jié)合式(4)確定隱層節(jié)點(diǎn)的數(shù)[22]。

(4)

式中:m——隱層節(jié)點(diǎn)數(shù)；

q——輸入層節(jié)點(diǎn)數(shù)(本文為2)；

l——輸出層節(jié)點(diǎn)數(shù)(本文為1)；

α——1～10之間的常數(shù)。

經(jīng)過(guò)多次反復(fù)的訓(xùn)練和調(diào)試，最終將隱層的神經(jīng)元設(shè)置為4；網(wǎng)絡(luò)訓(xùn)練的目標(biāo)誤差為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)隱含層傳遞函數(shù)為tansig，輸出層傳遞函數(shù)為logsig。方案二的光照強(qiáng)度優(yōu)化模型構(gòu)建方案與方案一相同。

3 模型的驗(yàn)證與結(jié)果分析

3.1 光合速率預(yù)測(cè)模型驗(yàn)證結(jié)果

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(cè)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(duì)誤差為0.629 7 μmol/(m2·s),決定系數(shù)0.967 4，均方誤差為0.827 3 μmol/(m2·s);預(yù)測(cè)結(jié)果誤差如圖3所示，由圖3可見(jiàn)，基于LS-SVM建立的光合速率預(yù)測(cè)模型誤差較小，即使最大的誤差也均保持在4.5 μmol/(m2·s)的范圍之內(nèi)，即可以較好預(yù)測(cè)作物光合速率變化趨勢(shì)。

圖3 預(yù)測(cè)結(jié)果誤差圖Fig. 3 Error chart of prediction results

3.2 不同尋優(yōu)方案下的光照調(diào)控模型目標(biāo)值獲取結(jié)果分析

在建模過(guò)程中每種方案均獲取了462組不同條件下光照的調(diào)控點(diǎn)，由于無(wú)法完全羅列，故下文僅展示溫度為18 ℃～28 ℃以2 ℃為步長(zhǎng)，二氧化碳從300～1 300 μmol/mol 區(qū)間以100 μmol/mol為步長(zhǎng)條件下的不同尋優(yōu)方案光照獲取結(jié)果，如圖4所示，三角形為方案一所確定的補(bǔ)光點(diǎn)，正方形形為方案二所確定的補(bǔ)光點(diǎn)，星形為傳統(tǒng)光飽和點(diǎn)所確定的補(bǔ)光點(diǎn)。

(a) T=18 ℃時(shí)不同CO2濃度下光合速率與光照強(qiáng)度關(guān)系圖

(b) T=20 ℃時(shí)不同CO2濃度下光合速率與光照強(qiáng)度關(guān)系圖

(c) T=22 ℃時(shí)不同CO2濃度下光合速率與光照強(qiáng)度關(guān)系圖

(d) T=24 ℃時(shí)不同CO2濃度下光合速率與光照強(qiáng)度關(guān)系圖

(e) T=26 ℃時(shí)不同CO2濃度下光合速率與光照強(qiáng)度關(guān)系圖

(f) T=28 ℃時(shí)不同CO2濃度下光合速率與光照強(qiáng)度關(guān)系圖

由圖4可以發(fā)現(xiàn)，方案一光調(diào)控點(diǎn)在低于23 ℃時(shí)，隨著二氧化碳濃度升高，光照調(diào)控點(diǎn)逐漸降低，在高于23 ℃時(shí)，隨著二氧化碳濃度升高，光照調(diào)控點(diǎn)小幅度增長(zhǎng)；方案二的光調(diào)控點(diǎn)與溫度和二氧化碳濃度呈正相關(guān)，同一二氧化碳濃度下，隨著溫度升高，所需光強(qiáng)也隨之高，同一溫度下，隨著二氧化碳濃度升高，所需光強(qiáng)也隨之升高。

進(jìn)一步分析不同溫度下方案一與方案二光照調(diào)控點(diǎn)的變化，可以發(fā)現(xiàn)在溫度較低時(shí)，基于方案二所獲取的光照調(diào)控點(diǎn)低于基于方案一所獲取的光照調(diào)控點(diǎn)；在溫度較高時(shí)，基于方案二所獲取的光照調(diào)控點(diǎn)高于基于方案一所獲取的光照調(diào)控點(diǎn)；基于上述分析，提出效益優(yōu)先的光照調(diào)控策略：在獲取實(shí)時(shí)溫度與二氧化碳環(huán)境參數(shù)后，輸入到兩個(gè)調(diào)控模型中，獲取兩個(gè)光強(qiáng)調(diào)控點(diǎn)，選取其中光照調(diào)控點(diǎn)較小的作為效益優(yōu)先的光照調(diào)控策略。

3.3 光照強(qiáng)度優(yōu)化模型結(jié)果及驗(yàn)證

方案二預(yù)測(cè)結(jié)果與誤差如圖5所示。

圖5 方案二預(yù)測(cè)結(jié)果與誤差圖Fig. 5 Scheme II prediction results and error chart

對(duì)基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的方案一優(yōu)化模型驗(yàn)證結(jié)果表明，其決定系數(shù)R=0.992 6,均方誤差為4.321 2 μmol/(m2·s),平均絕對(duì)誤差為5.135 5 μmol/(m2·s);對(duì)基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的方案二優(yōu)化模型驗(yàn)證結(jié)果表明，其決定系數(shù)R=0.991 0,均方誤差為10.418 2 μmol/(m2·s),平均絕對(duì)誤差為12.028 7 μmol/(m2·s),可見(jiàn)基于BP神經(jīng)網(wǎng)絡(luò)建立的方案二的光照強(qiáng)度優(yōu)化模型誤差略高于方案一的光照強(qiáng)度優(yōu)化模型，但其最大的誤差也均保持在25 μmol/(m2·s)的范圍之內(nèi)，如圖5所示，具有較高的預(yù)測(cè)準(zhǔn)確度。

4 調(diào)控效果對(duì)比

4.1 理論調(diào)控效果分析

為了驗(yàn)證上述提出的效益優(yōu)先的光照調(diào)控模型的調(diào)控效果，與獲取光飽和點(diǎn)作為調(diào)控目標(biāo)值的傳統(tǒng)方案進(jìn)行對(duì)比，選取18 ℃～28 ℃的溫度區(qū)間，300～1 100 μmol/mol的二氧化碳濃度區(qū)間，以5 ℃的溫度梯度，200 μmol/mol的二氧化碳濃度梯度為例，對(duì)比結(jié)果如表2所示。

從表2中可以看出，依據(jù)效益優(yōu)先的光照調(diào)控可以使得光照強(qiáng)度大幅降低的同時(shí)，光合速率僅小幅度下降。數(shù)據(jù)表明，本文提出的效益優(yōu)先的光照調(diào)控策略，相比于傳統(tǒng)光飽和點(diǎn)調(diào)控，光照供需量平均下降22.86%，而光合速率平均僅降低了3.71%，說(shuō)明采用效益優(yōu)先的光照優(yōu)化調(diào)控策略，可以使得設(shè)施溫室作物補(bǔ)光在投入較少的情況下獲得相對(duì)較高的效益。

表2 傳統(tǒng)光飽和點(diǎn)調(diào)控方案與效益優(yōu)先的調(diào)控方案對(duì)比Tab. 2 Comparison between the traditional light saturation point control scheme and the benefit priority control scheme

4.2 實(shí)際調(diào)控效果分析

為了驗(yàn)證本模型的實(shí)際調(diào)控效果，在天津農(nóng)學(xué)院西校區(qū)實(shí)訓(xùn)基地溫室內(nèi)開(kāi)展調(diào)控模型驗(yàn)證試驗(yàn)，光照遠(yuǎn)程調(diào)控系統(tǒng)整體工作流程圖如圖6所示。環(huán)境參數(shù)通過(guò)日光溫室遠(yuǎn)程智能監(jiān)控系統(tǒng)實(shí)時(shí)獲取，上位機(jī)通過(guò)讀取環(huán)境參數(shù)，利用matlab軟件運(yùn)行兩種光照優(yōu)化調(diào)控模型并進(jìn)行對(duì)比，獲取效益優(yōu)先的光照調(diào)控目標(biāo)值，然后根據(jù)實(shí)時(shí)的光照強(qiáng)度，判斷是否需要進(jìn)行光照調(diào)控。若當(dāng)前實(shí)時(shí)光照高于目標(biāo)值，則不進(jìn)行調(diào)控，繼續(xù)進(jìn)行調(diào)控目標(biāo)值的計(jì)算與實(shí)時(shí)環(huán)境的比較；若當(dāng)前光照強(qiáng)度低于目標(biāo)值，則進(jìn)行動(dòng)態(tài)光照差值計(jì)算，發(fā)出光照調(diào)控信號(hào)。試驗(yàn)光源選取項(xiàng)目合作單位西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院自主研發(fā)矩陣多光源補(bǔ)光燈，補(bǔ)光燈利用PWM控制電流方式控制燈珠光照強(qiáng)度，通過(guò)PLC內(nèi)部程序運(yùn)算，將光照強(qiáng)度值發(fā)給協(xié)調(diào)器，進(jìn)而進(jìn)行精準(zhǔn)補(bǔ)光[23-24]。補(bǔ)光系統(tǒng)通過(guò)Modbus協(xié)議利用無(wú)線(xiàn)數(shù)傳電臺(tái)與上位機(jī)通訊。

圖6 光照遠(yuǎn)程調(diào)控系統(tǒng)整體工作流程圖Fig. 6 Overall work flow chart of lighting control system

試驗(yàn)在同一溫室的3塊黃瓜生長(zhǎng)發(fā)育狀況相同的區(qū)域進(jìn)行，分別按效益優(yōu)先補(bǔ)光策略、傳統(tǒng)光飽和點(diǎn)補(bǔ)光策略、不進(jìn)行補(bǔ)光策略進(jìn)行光照調(diào)控，記為效益組、光飽和對(duì)照組和自然對(duì)照組。試驗(yàn)中運(yùn)行效益組與光飽和對(duì)照組的光調(diào)控程序，自然對(duì)照組不進(jìn)行補(bǔ)光。試驗(yàn)在2020年3月8日進(jìn)行，試驗(yàn)時(shí)間為09∶00～ 16∶00，間隔3 min記錄一組數(shù)據(jù)(共計(jì)141組數(shù)據(jù))，當(dāng)天溫室內(nèi)二氧化碳濃度與溫度變化曲線(xiàn)圖如圖7所示，利用CI-340便攜式光合作用儀對(duì)不同試驗(yàn)區(qū)域的黃瓜進(jìn)行光合速率測(cè)量，得到3組對(duì)應(yīng)的光合速率曲線(xiàn)如圖8所示。

三組不同調(diào)控方案下的平均光合速率分別為

(5)

(6)

(7)

式中:PN1——效益組光合速率數(shù)據(jù)；

PN2——光飽和組光合速率數(shù)據(jù)；

PN3——自然對(duì)照組光合速率數(shù)據(jù)；

n——試驗(yàn)記錄數(shù)據(jù)樣本量，n=141。

圖7 溫度和二氧化碳濃度變化圖Fig. 7 Temperature and CO2 concentration curve

圖8 3組光合速率的變化趨勢(shì)Fig. 8 Trends of photosynthetic rate in three groups

設(shè)效益組在不同環(huán)境條件下的目標(biāo)補(bǔ)光值為PPFD1、光飽和點(diǎn)組在不同環(huán)境條件下的目標(biāo)補(bǔ)光值為PPFD2,則效益組整體光合速率比光飽和組補(bǔ)充光照供需量降低量

(8)

經(jīng)對(duì)比計(jì)算，效益組整體光合速率比光飽和組光合速率低3.34%，補(bǔ)充光照供需量降低27.47%，效益組整體光合速率比自然組高40.69%。說(shuō)明提出的以效益優(yōu)先的光照調(diào)控可以在大幅度提高光合效益的同時(shí)降低光照補(bǔ)充能耗，對(duì)設(shè)施溫室補(bǔ)光的精準(zhǔn)調(diào)控具有指導(dǎo)意義。

5 結(jié)論

1) 本文在LS-SVM算法構(gòu)建的光合速率預(yù)測(cè)模型的基礎(chǔ)上，提出了融合兩種不同尋優(yōu)方案的效益優(yōu)先的光照優(yōu)化調(diào)控目標(biāo)值獲取方案，繼而基于BP神經(jīng)網(wǎng)絡(luò)構(gòu)建了光照優(yōu)化調(diào)控模型。

2) 對(duì)提出的光照優(yōu)化調(diào)控模型進(jìn)行評(píng)估分析，數(shù)據(jù)表明所提出的調(diào)控方案較傳統(tǒng)光飽和點(diǎn)調(diào)控方案的理論光照供需量下降22.86%，但光合速率僅降低3.71%；經(jīng)對(duì)比試驗(yàn)驗(yàn)證，光照供需量下降27.47%，光合速率減少3.34%，較自然條件下的光合速率提高了40.69%，因此所提出的光照優(yōu)化調(diào)控模型可在大幅提高光合效益的同時(shí)降低光照補(bǔ)充能耗。

3) 作物的生長(zhǎng)受溫室多種環(huán)境因素影響，多環(huán)境因子之間存在相互關(guān)聯(lián)的關(guān)系，且調(diào)控成本差異顯著，后續(xù)課題組將深入研究，探討智能多因子耦合的調(diào)控方案，將二氧化碳、光照等環(huán)境因子進(jìn)行融合調(diào)控，進(jìn)一步提高設(shè)施環(huán)境智能精準(zhǔn)調(diào)控水平。