本发明属于智能农业技术领域,特别涉及一种基于作物需求的适宜根温区间获取方法。
背景技术:
光合作用作为衡量植物干物质积累的主要指标,受根温、气温、co2、光照强度等环境因子的影响很大,光照是植物光合作用必不可少的条件之一,co2是植物光合作用的重要参与者,空气温度是提高叶片酶活性、叶绿素含量,进而提高光合作用能力的必备条件。而根温直接影响到设施水培作物的根系生长以及养分吸收,加之根温易受夏季高温和冬季低温的影响,导致生菜的根系生长和养分吸收不能满足地上部分的生长需求,严重影响作物的光合作用以及产量,已成为影响设施水培作物生长发育以及光合作用的主要因素。
近年来,很多学者对植物光合速率模型以及光合作用相关的环境因子调控模型做了大量研究,也取得了一些成果,其中李润儒等在水培条件下研究了不同根温条件下对生菜生长以及矿物质含量的影响,为根温调控提供了依据。但是,未考虑到在特定根温条件下叶温、co2浓度、光照强度对水培生菜光合作用的影响。傅国海等系统总结了作物根区温度对设施园艺作物根系和冠层的生理生态影响及作用机制,为根温调控奠定了良好基础。韩亚平等研究了夏季高温下不同根温处理对番茄植株生长和对叶片气孔的影响,结果表明随根温升高对植株造成了干旱胁迫。可见根温对设施水培作物的生长具有很大的影响,适宜根温区间的寻找是非常有必要的。
针对以上问题,本发明研究在不同根温、叶温、co2浓度、光照强度条件下水培生菜的光合特性,利用回归型支持向量机(svr)建立光合速率预测模型,利用多种群遗传算法寻找在不同根温条件下的最优叶温、co2浓度、光照强度以及相应的最大光合速率,获取适宜根温区间,使温室设施水培生菜的根温维持在适宜范围,光合作用达到最佳,解决冬、夏季根温过低或者过高对生菜光合作用以及产量影响的问题。
技术实现要素:
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基于作物需求的适宜根温区间获取方法,通过建立耦合了根温、叶温、co2浓度、光照强度等环境因子的光合速率预测模型,实现适宜根温区间获取与应用。
为了实现上述目的,本发明采用的技术方案是:
一种基于作物需求的适宜根温区间获取方法,其特征在于,包括如下步骤:
步骤1,建立以叶温、co2浓度、光照强度、根温为输入,净光合速率为输出的光合速率预测模型,模型公式为:
其中,输出f(x)表示预测的净光合速率,输入信号x=(x′1,x′2,x′3,x′4)t,x′1、x′2、x′3、x′4分别为根温、叶温、co2浓度、光照强度,w为权值向量,b为偏置,φ(x)为非线性映射函数,l为训练集样本对{(xi,yi),i=1,2,3,...,l}中的训练样本个数,xi是第i训练样本的输入列向量,
其中k(xi,xj)=φ(xi)φ(xj)为核函数,yi为对应的输出值,yi∈r,ε为中止训练误差,c为惩罚因子;
步骤2,基于上述模型,在不同根温条件下,寻找最优叶温、co2浓度、光照强度以及相应的最大光合速率,获取在最优叶温、co2浓度、光照强度条件下的适宜根温区间。
所述步骤1光合速率预测模型采用回归型支持向量机(svr)建模方法建立,所述步骤2采用多种群遗传算法(mpga)进行寻优。
所述步骤1光合速率预测模型建立步骤如下:
步骤1.1,获取样本数据
采用培养箱为作物提供一个适宜恒定的外界环境,培养箱内温度设定为20℃,湿度设定为50%,co2浓度设定为400μl/l,同时采用光合仪测定净光合速率,在实验过程中采用光合仪选配的多个子模块按需控制叶片周围的温度、co2浓度以及光照强度参数,其中,利用控温模块设定10、15、20、25、30℃共5个叶温梯度;利用co2注入模块设定二氧化碳体积比为400、800、1200μl/l共3个梯度;利用led光源模块获得0、20、50、100、300、500、550、600、700μmol/(m2·s)共9个光子通量密度(photofluxdensity,pfd)梯度,利用加湿模块设定叶室湿度为50%,另外,以水浴加热方式获得13、15、17、21、25、29℃共6个根温梯度,以嵌套方式共进行810组实验,每组实验随机选取3株同龄植株做重复测试,从而形成以叶温、co2浓度、光照强度、根温为输入,净光合速率为输出的810组实验样本集;
步骤1.2,光合速率预测模型构建
模型输入信号为x=(x′1,x′2,x′3,x′4)t,x′1、x′2、x′3、x′4分别为根温、叶温、co2浓度、光照强度,输出信号to,表示网络计算得到的光合速率,每组对应实测光合速率均为教师信号td,通过支持向量机训练法建立光合速率预测模型td'(x),训练过程采用80%的数据集作为训练集,20%的数据集作为验证集,采用异校验方式进行光合速率预测模型性能的验证分析。
所述通过支持向量机训练法建立光合速率预测模型的理论依据如下:
设含有l个训练样本的训练集样本对为{(xi,yi),i=1,2,3,...,l},其中,xi是第i个训练样本的输入列向量,d是列向量维数,
设在高维特征空间中建立的线性回归函数为
f(x)=wφ(x)+b
其中x为输入向量,w为权值向量,b为偏置,φ(x)为非线性映射函数。
定义ε线性不敏感损失函数
其中f(x)为回归函数返回的预测值;y为对应的真实值,即表示若预测值与真实值之间的差别小于等于ε,则损失等于0;
对于线性回归问题,问题变为寻求一个最优超平面,使得在给定精度(ε≥0)条件下可以无误差地拟合y,即所有样本点到最优超平面的距离都不大于ε;考虑到允许误差的情况,可引入松弛变量ξi,ξi*≥0其寻优问题转化相应的二次规划问题为:
其中c为惩罚因子,c越大表示对训练误差大于ε的样本惩罚越大,ε规定了回归函数的误差要求,ε越小表示回归函数的误差越小,则求解问题可转化为对偶问题:
其中ai,ai*为最优解;
则最优回归函数为:
所述多种群遗产算法寻优过程如下:
步骤2.1,种群初始化
设计初始种群个体长度为40,以根温(gw)为变量,叶温(tair)、co2、光照强度(par)为优化目标,寻找最大光合速率,随机产生初始种群p(t),按信息交换模型划分:p(t)={p1(t),…,pi(t),…,pn(t)},其中n为分组数,然后分组计算各pi(t)(i=1,2,…,n)中个体的适应度;
步骤2.2,控制参数的确定
各种群取不同的控制参数,交叉概率pc和变异概率pm的取值决定了算法全局搜索和局部搜索能力的均衡,按下式计算:
式中:pc(1),pm(1)分别为初始交叉概率和变异概率;g为遗传操作代数;c,m为交叉、变异操作的区间长度;m为种群数目;frand为产生随机数的函数;pc在[0.7,0.9]区间内随机产生,pm在[0.001,0.05]区间内随机产生;
步骤2.2,移民算子和人工选择算子
通过移民算子immigrant联系,实现多种群协同进化,将目标种群中的最差个体用源种群的最优个体代替,在进化的每一代,通过人工选择算子选出其他种群的最优个体放入精华种群加以保存,精华种群不进行遗传操作,保证各种群产生的最优个体不被破坏和丢失。
在所述步骤2获取在最优叶温、co2浓度、光照强度条件下的适宜根温区间后,再基于曲率理论进行适宜根温区间获取,步骤如下:
基于寻优所得根温与最大光合速率的耦合关系,采用多项式拟合得如下公式:
y(t)=-0.0001106t5+0.01174t4-0.4943t3+10.12t2-99.85t+396.4
采用曲率理论得到最大光合速率曲线上升拐点和下降拐点,以及此拐点对应的根温,利用曲率计算分析可得适宜根温区间,曲率计算公式为:
其中:y为耦合所得根温公式,k为计算所得曲率。
与现有技术相比,本发明的有益效果是:
1)提出了一种耦合根温、叶温、co2浓度、光照强度的光合速率预测模型。以根温、叶温、co2、光照强度为输入,光合速率为输出,采用回归型支持向量机(svr)构建光合速率预测模型,为适宜根温区间的获取奠定了良好基础。
2)提出了一种新的求解动态优化问题的多种群遗传算法。该算法采用了两个独立且不同进化机制的多种群方式同时进化,并在检查点进行个体的迁移,从而缓解了群体多样性与群体收敛性的矛盾。利用该算法全局及局部协同搜索能力强、优化速度快,动态环境中具有较强适应能力的特点以光合速率为目标函数,利用多种群遗传算法寻找不同根温条件下的最优叶温、co2浓度、光照强度以及相应的最大光合速率。得出在不同根温条件下的最大光合速率曲线。
3)提出了一种基于曲率理论的适宜根温区间获取方法。在上述不同根温条件下最大光合速率曲线的基础上,采用曲率计算可精确获取适宜根温区间。有效避免人眼观察造成的误差,解决冬、夏季根温过低或者过高对水培作物根部养分吸收以及光合能力影响的问题。
本发明提出的基于水培生菜在不同根温、叶温、co2浓度、光照强度条件下的光合速率预测模型,以及在此模型基础上获取的适宜根温区间。一方面有效解决了季节变化引起的根温过低或者过高对生菜生长及品质影响的问题。另一方面,调控水培作物根温处于适宜范围,为叶温、co2浓度、光照强度等环境因子的调控奠定了良好基础。
附图说明
图1是本发明光合速率预测模型建立及适宜根温区间获取流程图。
图2是本发明光合速率实测值与预测值结果对比图。
图3是本发明不同根温下最优光合速率曲线图。
图4是本发明基于曲率理论的适宜根温区间获取图(曲率曲线图)。
图5是本发明基于曲率理论的适宜根温区间获取图(曲率一阶导曲线图)。
图6是本发明标准遗传寻优进化过程图(sga进化过程)。
图7是本发明多种群遗传寻优进化过程图(mpga进化过程)。
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。
本文发明一种基于水培生菜在不同根温、叶温、co2浓度、光照强度条件下的光合速率预测模型,以及在此模型基础上采用多种群遗传算法(mpga)获取的适宜根温区间。参照图1,建立过程如下:
1、材料与方法
1.1试验材料与方法
本实验于2017年3月1日-2017年3月16日在西北农林科技大学北校机械与电子工程学院进行,供实验生菜品种是“奶油生菜”,奶油生菜处于苗期,取自陕西省咸阳市杨凌区现代农业示范园创新园,采用标准水培方式进行培育,幼苗长至4-5叶,叶片大小达到3*5mm,选择生长健康、长势均匀的同龄幼苗进行实验。实验开始前一天将生菜幼苗定植于专用水培容器,移至md1400培养箱进行环境预适应处理。测试时间为8:30-11:30和14:30-17:30,实验期间不喷施任何农药,进行正常的温室水培管理。
实验采用荷兰snijders公司生产的md1400培养箱为奶油生菜提供一个适宜恒定的外界环境,培养箱内温度设定为20℃,湿度设定为50%,co2浓度设定为400μl/l,同时采用美国li-cor公司生产的li-6800xt型便携式光合仪测定净光合速率,在实验过程中采用光合仪选配的多个子模块按需控制叶片周围的温度、co2浓度、光照强度等参数。其中,利用控温模块设定10、15、20、25、30℃共5个叶温梯度;利用co2注入模块设定二氧化碳体积比为400、800、1200μl/l共3个梯度;利用led光源模块获得0、20、50、100、300、500、550、600、700μmol/(m2·s)共9个光子通量密度(photofluxdensity,pfd)梯度,利用加湿模块设定叶室湿度为50%,另外,以水浴加热方式获得13、15、17、21、25、29℃共6个根温梯度,以嵌套方式共进行810组实验,每组实验随机选取3株同龄植株做重复测试,从而形成以叶温、co2浓度、光照强度、根温为输入,净光合速率为输出的810组实验样本集。
1.2模型建立方法
为了建立最优的光合速率预测模型,针对苗期奶油生菜采用回归型支持向量机(svr)建模方法建立光合速率预测模型,在光合速率预测模型的基础上,采用多种群遗传算法(mpga)寻找不同根温条件下的最优叶温、co2浓度、光照强度以及相应的最大光合速率,获取水培生菜的适宜根温区间。
1.2.1光合速率预测模型构建
本文采用上述实验样本,利用回归型支持向量机(svr)训练误差小的特点,构建回归型支持向量机(svr)光合速率预测模型,其中模型输入信号为x=(x′1,x′2,x′3,x′4)t,x′1、x′2、x′3、x′4分别为根温、叶温、co2浓度、光照强度,输出信号均用to表示网络计算得到的光合速率,每组对应实测光合速率均为教师信号td。通过支持向量机训练法建立光合速率预测模型td'(x)。训练过程采用80%的数据集作为训练集,20%的数据集作为验证集,采用异校验方式进行光合速率预测模型性能的验证分析。
1.2.1.1回归型支持向量机基本理论
(1)随机产生训练集和测试集
实验采用嵌套试验方式以叶温、co2浓度、光照强度、根温为输入,净光合速率为输出测得810组实验样本集,其中将占总样本的80%的650组样本数据用于建立模型的训练集,占总样本的20%的160组样本用于验证模型的测试集,采用异校验方法进行模型验证。
(2)创建/训练svr回归模型回归型支持向量机起初是用于解决线性可分情况下两类样本的分类问题,其核心思想是找到一个最优分类超平面,使得所有训练样本离该最优分类平面的误差最小,分类间隔最大化。
不失一般性,设含有l个训练样本的训练集样本对为{(xi,yi),i=1,2,3,...,l},其中,
设在高维特征空间中建立的线性回归函数为
f(x)=wφ(x)+b(2-1)
其中x为输入向量,w为权值向量,b为偏置,φ(x)为非线性映射函数。
定义ε线性不敏感损失函数
其中f(x)为回归函数返回的预测值;y为对应的真实值,即表示若预测值与真实值之间的差别小于等于ε,则损失等于0。
对于线性回归问题,问题变为寻求一个最优超平面,使得在给定精度(ε≥0)条件下可以无误差地拟合y,即所有样本点到最优超平面的距离都不大于ε;考虑到允许误差的情况,可引入松弛变量ξi,ξi*≥0其寻优问题转化相应的二次规划问题为:
其中c为惩罚因子,c越大表示对训练误差大于ε的样本惩罚越大,ε规定了回归函数的误差要求,ε越小表示回归函数的误差越小。
2-3式求解问题可转化为对偶问题:
其中ai,ai*为(2-4)式最优解。
求解上述问题求解可得最优回归函数为:
其中k(xi,xj)=φ(xi)φ(xj)为核函数。
(3)仿真测试
采用测试样本集数据对所构建的svr回归模型进行验证,可得模型预测值、均方误差、决定系数对所构建的模型进行评估。
根据上述理论,采用回归型支持向量机(svr)构建的光合速率预测模型,其光合速率实测值与预测值对比图如图2所示,决定系数为0.9876,均方误差为0.7849,截距为0.126。因此采用回归型支持向量机(svr)构建的光合速率预测模型的线性度更高,拟合程度更好。
1.2.2不同根温条件下最大光合速率寻优
在光合速率预测模型的基础上,利用多种群遗传算法的全局及局部寻优能力强、收敛速度快的特点,在不同根温条件下,寻找最优叶温、co2浓度、光照强度以及相应的最大光合速率,获取在最优叶温、co2浓度、光照强度条件下的适宜根温区间。
多种群遗产算法寻优过程如下:
(1)种群初始化。
设计初始种群个体长度为40,以根温(gw)为变量,叶温(tair)、co2、光照强度(par)为优化目标,寻找最大光合速率。随机产生初始种群p(t),按信息交换模型划分:p(t)={p1(t),…,pi(t),…,pn(t)},其中n为分组数.然后分组计算各pi(t)(i=1,2,…,n)中个体的适应度。
(2)控制参数的确定。
各种群取不同的控制参数,交叉概率pc和变异概率pm的取值决定了算法全局搜索和局部搜索能力的均衡,可按下式计算:
式中:pc(1),pm(1)分别为初始交叉概率和变异概率;g为遗传操作代数;c,m为交叉、变异操作的区间长度;m为种群数目;frand为产生随机数的函数。
若pc取值过大,易破坏群体中的优良个体;若取值过小,产生新个体的速度太慢。pc一般在[0.7,0.9]区间内随机产生。pm若取值过大,有可能破坏掉很多较好的个体;若取值过小,变异操作产生新个体能力和抑制早熟现象的能力变差。pm一般在[0.001,0.05]区间内随机产生。
(3)移民算子和人工选择算子。
通过移民算子immigrant联系,实现多种群协同进化,将目标种群中的最差个体用源种群的最优个体代替。在进化的每一代,通过人工选择算子选出其他种群的最优个体放入精华种群加以保存。精华种群不进行选择、交叉、变异等遗传操作,保证各种群产生的最优个体不被破坏和丢失。
寻优可得不同根温条件下的最优叶温、co2浓度、光照强度以及相应的最大光合速率,得出在不同根温条件下的最大光合速率曲线图如图3所示,可发现所得曲线具有显著局部平坦区,代表适宜根温区间所在位置。
从图5分析可得,标准遗传算法(sga)寻优进化到35代时,不同根温条件下的叶温、co2浓度、光照强度寻优达到稳定。而多种群遗传算法(mpga)寻优进化到14代时,不同根温条件下的叶温、co2浓度、光照强度寻优达到稳定,训练过程未出现震荡和局部平坦区,表明多种群遗传算法(mpga)具有很好的全局及局部协同搜索能力,同时具有很好的收敛性。
1.2.3基于曲率理论的适宜根温区间获取
基于寻优所得根温与最大光合速率的耦合关系,采用多项式拟合可得公式(1),获取不同根温条件下的最大光合速率曲线如图3所示。
y(t)=-0.0001106t5+0.01174t4-0.4943t3+10.12t2-99.85t+396.4(1)
采用曲率理论可得最大光合速率曲线上升拐点和下降拐点,以及此拐点对应的根温,利用曲率计算可得图4和图5所示结果,分析可得适宜根温区间为20-28℃。
曲率计算公式为:
其中:y为耦合所得根温公式,k为计算所得曲率。
2、结果与讨论
本发明主要研究了水培生菜在不同根温、叶温、co2、光照强度下的光合特性,以及根温与叶温、co2、光照强度之间的耦合关系,分析可得不仅叶温、co2、光照强度影响水培生菜的光合能力,冬、夏季根温过低或者过高对水培生菜的影响更大,而本发明基于多种群遗传算法(mpga)寻优的适宜根温区间正好得当的解决了此问题。
2.1光合速率预测模型分析
采用多因子嵌套试验获得试验样本集共810组,将样本分为训练集和测试集,其中650组用于建立模型的训练集,占总样本的80%,剩余160组用于验证模型的测试集,占总样本的20%,采用异校验方法进行模型验证。其次,采用回归型支持向量机(svr)拟合根温、叶温、co2、光照强度与光合速率之间的耦合关系,利用回归型支持向量机(svr)训练误差小的特点,建立精确的光合速率预测模型。得到光合速率实测值与预测值结果对比如图2所示,模型训练值与预测值高度吻合,其决定系数为0.9876,均方误差为0.7849,截距为0.126。
2.2基于多种群遗传算法寻优结果分析
在光合速率预测模型的基础上,以光合速率为目标函数,基于多种群遗传算法(mpga)寻找不同根温条件下的最优叶温、co2浓度、光照强度以及相应的最大光合速率,寻优进化到14代时,不同根温条件下的叶温、co2浓度、光照强度寻优达到稳定,得出在不同根温条件下的最优光合速率曲线。训练过程未出现震荡和局部平坦区,表明多种群遗传算法(mpga)相对于标准遗传算法(sga)具有很好的全局及局部协同搜索能力,同时具有很好的收敛性。
2.3基于曲率计算的适宜根温区间获取
基于不同根温条件下的最大光合速率曲线,采用曲率计算可精确得到适宜根温区间的端点。搜寻结果如图6和图7所示,可得水培生菜的适宜根温区间为20-28℃,有效避免了人眼观测所造成的误差。
构建光合速率预测模型,基于曲率理论精确获取适宜根温区间。一方面,调控根温至适宜区间,有效解决季节变化引起的根温过高或过低对水培作物根部养分吸收以及光合能力影响的问题。另一方面,基于多种群遗传算法(mpga)寻找不同根温条件下的最优叶温、co2浓度、光照强度以及相应最大光合速率,为叶温、co2浓度、光照强度调控奠定了良好基础。