实时数据库和先进控制算法的作物培育模式分析优化方法与流程

本发明是一种作物培育方法，特别是一种实时数据库和先进控制算法的作物培育模式分析优化方法。

背景技术：

作物培育模型调控温室内部的环境条件是提高作物经济效益的重要手段，然而，建立能简洁表达植物生长需求的适当模型是一项巨大的挑战。过去几十年，温室小气候和作物模型研究是辅助温室作物生产环境优化调控和栽培管理的有力工具。其中，作物培育模型一直是农业研究领域中最热门的研究课题之一。通过预测作物生长状态和管理操作的影响，作物培育模型可以帮助决策支持系统(DSS)产生及时的最佳命令，最大限度地提高种植者的经济效益。

研究人员很早就开始室外作物培育模型研究，已经开发了大量的作物培育模型，但大多模型开发的目的是用于科研和教学，用于农业管理应用程序的作物培育模型很少。虽然园艺作物培育模型也取得了很大进步，但现有的园艺作物培育模型往往存在两个缺点：首先，这些模型很少考虑作物的需求或反应。在大多数模型中，通常将能量/质量交换作为预测植物生长状态的关键指标，而不是来自植物的生理信号。因此，通常根据能量或质量转化原理来设计控制操作程序，往往忽视了植物生长的真正需求，导致不必要的能量损耗。其次，现有的模型包含大量的参数，为了描述微气候、植物和养分之间的复杂关系，园艺作物培育模型需要定义每个交互过程中的若干参数，如光合作用和水分吸收。因此，一个作物培育模型往往有大量参数。现有技术中缺少能对作物培育中的大量参数进行简化，进而获得作物培育模型的方式和预测作物培育生长的方式。

技术实现要素：

为了解决背景技术中存在的问题，本发明提出了一种实时数据库和先进控制算法的作物培育模式分析优化方法。

如图3所示，本发明采用的技术方案是：

1)引入作物培育的生理因素和环境因素，通过典型相关分析法(CCA)和支持向量机(SVM)针对环境参数和生理参数进行分析处理获得最佳参数组合；

2)由最佳参数组合对应的样本数据输入到支持向量机中进行训练，构建获得能预测作物生长状态的作物培育模型，由获得作物培育模型对作物培育模式进行优化。

本发明是将控制系统安装在温室的现场控制箱，将作物正常生长所需要的环境参数纳入到可自动监测、统一管理的系统中，利用温室传感器采集环境参数数据，并将环境参数数据和外部方法测得的生理参数一起与温室控制系统采集的生长参数相结合模拟测算获得作物培育模型。

所述步骤1)包括：

1.1)通过典型相关分析法(CCA)分析样本作物数据中环境参数与生长参数、生理参数与生长参数之间的相关性，依据相关性将显著影响作物生长状态的参数值作为主要参数值；

1.2)利用获得的主要参数值，生成代表性因素组合，用支持向量机(SVM)对代表性因素组合进行筛选获得最佳参数组合。

所述步骤1)具体是采用以下方法步骤：

1.1)将环境参数中的每个参数值与生长参数中所有参数值之间以及生理参数中的每个参数值与生长参数中所有参数值之间通过典型相关分析法(CCA)进行分析获得环境参数和生理参数中的各个参数值与生长参数相关的相关性系数，将所有相关性系数按从大到小进行排列，选取相关性系数大于相关阈值的各个参数值作为主要参数值；

显著影响作物生长状态的参数值指的是相关性系数大于相关阈值的情况。

1.2)利用环境参数的一个主要参数值和生理参数的一个主要参数值成对组成一组代表性因素组合，从而获得所有代表性因素组合，接着将每个所有代表性因素组合对应的样本作物数据分为训练组和验证组的两组，通过支持向量机(SVM)用训练组进行训练构建获得各自的生长预测模型，再用验证组进行测试，找到最相关的代表性因素组合作为最佳参数组合。

本发明在支持向量机(SVM)中，首先将训练集从原始模式空间经过特定函数的非线性变换，映射到高维特征空间，将非线性问题转化为某个高维空间中的线性问题，然后在高维特征空间中，寻找最优分类超平面，该超平面实际上对应着原始模式空间中的非线性分类面。核函数是支持向量机训练中的关键因素，它事先在低维上进行计算，将实质的分类效果表现在高维上，避免直接在高维空间中的复杂计算。核函数有很多类型，其中RBF核函数在复杂计算和处理特殊情况时具有明显的优越性，因此，RBF核函数被用于模型预测。

所述的样本作物数据包括环境参数、生理参数和生长参数。

所述的环境参数包括白天平均温度、夜间平均温度、二氧化碳浓度、相对湿度、绝对湿度、光照强度、白光和蓝光比率以及白光和红光比率。

所述的生理参数包括净光合速率、气孔导度、胞间CO₂(二氧化碳)浓度、PSII(开放的光系统Ⅱ)捕获的激发效率、PSII的量子效率、固定CO₂的量子效率、光化学猝灭系数、电子传递速率、蒸腾速率和叶温蒸汽压损耗，采用叶片气体交换和叶绿素荧光分析法测定。

所述的生长参数包括株高、叶面积、鲜重和干重。

所述的由获得作物培育模型对作物培育模式进行优化具体是指将当前需要获得的生长参数输入到已获得的作物培育模型中处理，获得当前需要获得的生长参数对应的环境参数和生理参数的具体参数值，以具体参数值控制作物的培育过程。

本发明通过引入生理参数能够提高模型的预测效果，与采用所有参数构建模型的预测结果相比，典型参数组合构建的模型可提供更好的预测结果。

本发明建模方法采用典型相关分析法(CCA)来简化模型中的参数量。CCA从总体上把握两组指标之间的相关关系，分别在两组变量中提取有代表性的两个综合变量，利用这两个综合变量之间的相关关系来反映两组指标之间的整体相关性，生成几组环境和生理参数的代表组合。

本发明方法以支持向量机(SVM)作为一种先进控制算法。采用支持向量机(SVM)来预测温室作物的生长状态，找到建模的最优参数组合，构建作物培育模型的样本量很小，不需要针对所有参数进行计算和处理。若通过环境、生理和生长参数进行计算和处理，那么三者之间的相关性复杂程度远远超出了一般线性预测工具的能力，可能会造成结果的不确定性。由此，本发明能够解决了现有技术中相关性计算太复杂的问题。

本发明首先是将环境参数和生理参数都考虑在模型内，赋予模型具有描述作物需求的能力，其次是将模型进行简化，模型简化是基于典型相关分析(CCA)的代表性特征向量和支持向量机(SVM)模型的性能测试。

本发明的有益效果：

本发明大大简化了作物培育的方式，能够解决现有技术中相关性计算过于复杂的问题，并且能够准确预测获得作物培育的生长，对作物培育过程进行优化。

本发明充分发挥环境动态变化和历史累积影响在作物培育中的作用，为进一步开发自动化的环境控制系统奠定了基础。

本发明提供的最优作物预测模型具有以下优点：首先，由环境参数形成的特征向量比生理参数形成的特征向量可以得到更好的预测效果；其次，当更多的环境参数参与模型构建时，这类模型具有较高的预测成功率，但不是采用所有的环境参数和生理参数，所有最佳模型都是经过简化的模型；第三，4个或9个生理参数特征向量比7个或所有的生理参数特征向量具有更好的预测输出效果。

附图说明

图1是实施例环境参数和生长参数之间的影响关系。

图2是实施例生理参数和生长参数间的影响关系。

图3是本发明方法的流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

本发明实施的系统硬件包括温室感知设备和硬件控制箱，并搭建有实时数据库和先进控制算法的控制系统。

其中温室感知设备主要包括温湿度传感器、CO₂浓度传感器、光照强度传感器，通过这些传感器对温室内温湿度、CO₂浓度、光照强度进行监测。

硬件控制箱内安装可编程逻辑控制器(PLC)和FBOX盒子，PLC控制执行机构运行，FBOX盒子连接Internet实现远程控制。

实时数据库是开发实时控制系统、数据采集系统、CIMS(计算机集成制造系统)系统的支撑软件，数据主要来源于由组态软件+PLC建立的控制系统、直接连接硬件设备和通过人机界面人工录入的数据，采用支持OPC协议的标准OPC通讯方式。

环境参数设定：为了获得可靠的生长反应，设计不同的环境参数组合(白天平均温度、夜间平均温度、二氧化碳浓度、相对湿度、绝对湿度、光照强度、白光和蓝光比率、白光和红光比率)。每一个组合中至少有一个环境参数不同于其他组合。

生长参数测定：通过测量每个叶片的长度和宽度，利用Schwarz和环方程计算叶面积来测定单株总叶面积。测定鲜重后，在80℃的烘箱中将植株烘干到一个恒定的干燥质量。计算平均每天植物生长率。

生理参数测定：利用叶片气体交换和叶绿素荧光分析测定生理参数。运用开放式气体交换系统(LI-6400)的集成荧光室头部(LI-6400-40荧光叶室)进行二全叶叶片气体交换和叶绿素荧光分析。主叶片气体交换和叶绿素荧光参数包括净光合速率、气孔导度、胞间CO2浓度，开放的PSII(光系统Ⅱ)中心激发捕获效率，PSII的量子效率，固定CO2的量子效率、光化学猝灭系数，电子传递速率，蒸腾速率，叶温蒸汽压损耗。在光适应荧光测量的基础上，计算荧光参数。

本发明的实施例如下：

本发明将控制系统安装在温室的现场工控机中，结合传感器采集的数据和已搭建的温室控制系统，将作物正常生长所需要的环境气象参数(光、温、水、气、土)纳入到可自动监测、统一管理的系统中。

实施例利用温室传感器监测人工气候室内的环境参数，并将环境参数数据通过PLC和FBOX盒子实时上传数据库中，并实时更新实时数据库。

实施例构建作物培育模型的步骤如下：

1、首先，运用典型相关分析法(CCA)来分析环境和生长参数对及生理和生长参数对的相关性，并根据典型相关分析的结果，选择几组典型参数组合作为构建支持向量机模型的代表特征向量，所有特征向量由同一类别的环境或生理参数所形成。

选择番茄幼苗的8个环境参数、10个生理参数和4个生长参数，所有参数被分为(环境，生长)和(生理，生长)两组，进行典型相关分析。其中，环境参数和生理参数是自变量，作物生长参数是因变量。X代表自变量集(环境参数或生理参数)，Y代表因变量集(生长参数)。

实施例设计了15种不同的环境参数组合进行实现，如下表1所示：

表1 15个不同环境参数组合

由15种不同的环境参数组合分别进行实验采集获得每个实验对应的生理参数和生长参数，再用获得所有实验数据进行以下典型相关分析步骤。

(1)环境参数和生长参数典型相关分析

选择番茄幼苗的8个环境参数和4个生长参数。x₁代表白天平均温度，x₂代表夜间平均温度，x₃代表二氧化碳浓度，x₄代表相对湿度，x₅代表绝对湿度，x₆代表光照强度，x₇代表白光和蓝光比率，x₈代表白光和红光比率，y₁代表株高，y₂代表叶面面积，y₃代表鲜重，y₄代表干重。因此，p＝8，q＝4，min(p，q)＝4，即有4对典型相关参数。λ₁，λ₂，λ₃在0.05水平下而仅有λ₁，λ₂在0.01水平下因此，只有前两对的典型相关参数是显著的。解释比例分析发现，U₁、U₂对X的累计解释比例为44.89％，U对X的总解释比例为63.54％；U₁、U₂对Y的累计解释比例为29.69％，U对Y的总解释比例为32.54％。V₁、V₂对X的累计解释比例为50.21％，V对X的总解释比例为53.26％；V₁、V₂对Y的累计解释比例为78.03％，V对Y的总解释比例为100％。因此，前两对典型相关参数的解释比例占主导作用。总之，χ²显著性检验和解释比例分析均表明，前两对典型相关参数是影响作物生长的主导因素。

1.1)第一组生理参数与生长参数的典型相关系数分析，发现U₁与x₁(白天平均温度)、x₄(相对湿度)、x₆(光照强度)、x₈(白光和红光比率)负相关，典型相关系数分别为-0.52766、-0.71088、-1.04669、-0.5365，即此4个环境参数均与生长参数呈负相关。U₁与x₅(绝对湿度)呈正相关，典型相关系数为0.787162，即当其他环境参数满足植物生长的基本需要时，绝对湿度与生长参数呈正相关。同时，x₂(夜间平均温度)、x₃(二氧化碳浓度)、x₇(白光和蓝光比率)与U₁的典型相关系数较小，表明夜间平均温度，二氧化碳浓度和白光和蓝光比率可能对生长参数的影响很小。V₁与y₂(叶面面积)和y₃(鲜重)具有显著正相关关系，典型相关系数分别为0.236367、1.739397，即来自环境参数的积极影响容易促进叶面面积和鲜重的增加。另外，V₁与y₄(干重)呈显著负相关，典型相关系数为-2.31609，即干重将随环境参数负面影响而降低。y₁(株高)与V₁不存在相关性，说明当作物的基本需求得到满足时，环境参数对株高影响不大。

1.2)第二组生理参数与生长参数的典型相关系数分析，发现其相关情况与第一对略有不同。U₂与x₁(白天平均温度)和x₄(相对湿度)呈显著负相关，与x₂(夜间平均温度)、x₅(绝对湿度)、x₇(白光和蓝光比率)、x₈(白光和红光比率)呈正相关关系(与白光和蓝光比率的相关性很弱)，与x₃(二氧化碳浓度)和x₆(光照强度)不存在相关性。V₂与y₁(株高)和y₃(鲜重)呈显著正相关关系，但与y₂(叶面面积)和y₄(干重)无关关系。

1.3)X(环境参数)与(U₁，U₂)的综合分析发现，x₁(白天平均温度)、x₄(相对湿度)和x₆(光照强度)与(U₁，U₂)总体上呈负相关关系；x₂(夜间平均温度)和x₅(绝对湿度)与(U₁，U₂)总体上呈正相关关系；x₃(二氧化碳浓度)、x₇(白光和蓝光比率)与U₁和U₂的相关性不大；x₈(白光和红光比率)与U₁和U₂的相关性比较复杂，很难确定是正相关或负相关。即白天平均温度、相对湿度、光照强度对生长参数有负面影响；二氧化碳浓度和白光和蓝光比率对生长参无影响；白光和红光比率对生长参数具有未知参数影响。同样，在Y(生长参数)与(V₁，V₂)，y₁(株高)、y₂(叶面面积)、y₃(鲜重)与(V₁，V₂)整体上呈正相关关系；y₄(干重)与(V₁，V₂)呈负相关关系，表明作物株高，叶面面积和鲜重对来自环境参数的积极影响反应敏感，而干重对来自环境参数的负面影响反应敏感。

1.4)环境参数与生长参数的影响关系可以用图1所示。向上箭头(↑)代表积极的影响或反应，而向下箭头(↓)代表的负面影响或反应，问号(？)代表未知的效果或反应。交叉(×)代表很小或根本没有影响或反应。

(2)生理参数和生长参数典型相关分析

在这一部分中，有10个生理参数和4个生长参数。设定x₁代表PN(净光合速率)、x₂代表Cond(气孔导度)，x₃代表Ci(胞间二氧化碳浓度)，x₄代表Fv’/Fm’(开放的PSII激发捕获的效率)，x₅代表PhiPS2(PSII的量子效率)，x₆代表PhiCO₂(固定二氧化碳的量子效率)，x₇代表qP(光化学猝灭系数)，x₈代表ETR(电子传递速率)，x₉代表TR(蒸腾速率)，x₁₀代表VpdL(叶温蒸汽压损耗)，y₁代表株高，y₂代表叶面面积，y₃代表鲜重，y₄代表干重。因此，p＝10，q＝4，min(p，q)＝4，即有4对典型相关参数。显著性检验发现，只有λ₁和λ₂在0.05水平下因此，仅有前两组典型相关参数具有显著性。

2.1)第一组生理参数与生长参数的典型相关系数分析，发现U₁与x₁(净光合速率)，x₄(开放的PSII激发捕获的效率)，x₇(光化学猝灭系数)和x₉(蒸腾速率)呈负相关关系，典型相关系数分别为-0.78044、-0.98889、-1.46475、-0.27797，即此4个参数对生长参数均产生负面影响。同时，U₁与x₃(胞间二氧化碳浓度)、x₅(PSII的量子效率)、x₆(固定二氧化碳的量子效率)、x₈(电子传递速率)、x₁₀(叶温蒸汽压损耗)呈正相关关系，尤其是x₅(PSII的量子效率)和x₈(电子传递速率)的典型相关系数分别为2.192971和2.09139，即当其他生理参数满足植物生长的基本需求时，胞间二氧化碳浓度、PSII的量子效率、固定二氧化碳的量子效率，电子传递速率和叶温蒸汽压损耗对作物生长参数有显著的积极影响。此外，PSII的量子效率和电子传递速率对生长参数有显著的积极影响。同时，x₂(气孔导度)与U₁的相关系数较小，表明气孔导度可能对生长参数的影响较小。V₁与y₁(株高)和y₄(干重)呈正相关关系，尤其与y₄的典型相关系数为2.266482，说明生理参数的积极影响容易促进作物株高和干重(尤其是干重)的增加。同时，V₁与y₂(叶面面积)和y₃(鲜重)存在负相关关系，尤其与y₃(鲜重)的典型相关系数为-1.52239，来自生理参数的负面影响将导致叶面面积和鲜重(尤其是鲜重)降低。

2.2)第二组生理参数与生长参数的典型相关系数分析，与第一组略有不同。U₂与x₁(净光合速率)、x₃(胞间二氧化碳浓度)、x₇(光化学猝灭系数)、x₉(蒸腾速率)和x₁₀(叶温蒸汽压损耗)呈负相关关系，相关性系数分别为-1.40466、-0.48413、-1.44658、-0.18223、-0.75646；但与x₂(气孔导度)，x₄(开放的PSII激发捕获的效率)，x₅(PSII的量子效率)、x₆(固定二氧化碳的量子效率)和x₈(电子传递速率)呈正相关关系，相关系数分别为0.150397、0.166466、0.978422、0.259383、1.256868。V₂与x₁(净光合速率)、x₃(胞间二氧化碳浓度)呈正相关关系，但与x₂(气孔导度)，x₄(开放的PSII激发捕获的效率)呈负相关关系。

2.3)X(生理参数)与(U₁，U₂)的综合分析发现：，x₂(气孔导度)与U₁和U₂的相关性不大；x₁(净光合速率)、x₄(开放的PSII激发捕获的效率)、x₇(光化学猝灭系数)、x₉(蒸腾速率)与(U₁，U₂)整体上呈负相关关系；x₅(PSII的量子效率)、x₆(固定二氧化碳的量子效率)、x₈(电子传递速率)与(U₁，U₂)整体上呈正相关；x₃(胞间二氧化碳浓度)和x₁₀(叶温蒸汽压损耗)与(U₁，U₂)的相关性比较复杂，很难确定是正相关还是负相关。即，x₂(气孔导度)对生长参数的影响很小；(净光合速率)、(开放的PSII激发捕获的效率)、(光化学猝灭系数)和(蒸腾速率)(尤其是净光合速率和光化学猝灭系数)对生长参数产生负面影响；PSII的量子效率、固定二氧化碳的量子效率和电子传递速率(尤其是PSII的量子效率、电子传递速率)对生长参数产生积极影响；胞间二氧化碳浓度与叶温蒸汽压损耗对生长参数的影响未知。Y与(V₁，V₂)之间的相关性与之相似，y₁(株高)与(V₁，V₂)整体上呈正相关关系；y₂(叶面面积)与(V₁，V₂)整体上呈负相关关系；y₃(鲜重)、y₄(干重)与(V₁，V₂)的相关性较复杂，很难确定是正相关还是负相关。因此，作物株高对来自生理参数的积极影响反应敏感；而叶面面积对来自生理参数的负面影响敏感；鲜重和干重对来自生理参数的影响反应敏感。

2.4)生理参数与生长参数的影响关系可以用图2概括。

2、其次，对每组(特征向量，生长参数)集合构建的支持向量机模型进行训练。如果有m个特征向量和n个生长参数，将有m×n个支持向量机模型。添加交叉验证的RBF核函数将用在所有支持向量机模型上。测试结果表明排名靠前的组合分别为环境和生理参数的组合。

根据典型相关分析的结果，2个环境参数(二氧化碳浓度和白光和蓝光比率)与生长参数的相关性不大，1个环境参数(白光和红光比率)与生长参数的关系复杂。在此基础上，设置了3个组合的环境预测特征向量：1)所有8个环境参数的预测特征向量；2)除了二氧化碳浓度和白光和蓝光比率外的6环境参数的预测特征向量；3)除二氧化碳浓度、白光和蓝光比率和白光和红光比率外的5个环境参数的预测特征向量。生理参数和生长参数的典型相关分析(CCA)表明，气孔导度与生长参数的相关性不大，4个生理参数(净光合速率、PSII的量子效率、光化学猝灭系数、电子传递速率)与生长参数之间有显著的相关性，开放的PSII激发捕获的效率和固定二氧化碳的量子效率与生长参数间有一定相关关系，胞间二氧化碳浓度和叶温蒸汽压损耗与生长参数的相关关系较复杂。在此基础上，实施例设置了4个组合的生理预测特征向量：1)10个生理参数的预测向量；2)除气孔导度外，9个生理参数的特征向量；3)除气孔导度、胞间二氧化碳浓度、叶温蒸汽压损耗外，7个生理参数的预测向量；4)4个生理参数(净光合速率、PSII的量子效率、光化学猝灭系数、电子传递速率)的预测向量。因此，有7个组合的预测特征向量和4套分类标签，需要训练28种支持向量机(SVM)模型。

在本发明模型建立过程中环境参数不应被忽视，由4个或9个生理参数形成的特征向量可以提供有竞争的效果。从参数选择的角度来看，在建模过程中可以忽略6个或1个生理参数。

3、最后，用已形成的几个特征向量组合来构建新的支持向量机模型。特征向量组合包含一个排名靠前的环境组合和一个排名靠前的生理组合。如果有r个组合特征向量，将有r×n个新的支持向量机模型。对于每个生长参数，有m+r个支持向量机模型。将所有支持向量机模型进行测试性能，测试方法采用线性内核函数、RBF核函数或者RBF核函数+交叉验证的三种方式进行。用测试集对每一个训练好的支持向量机(SVM)模型进行测试，用记录的预测/分类成功率来评估模型的性能。将测试性能最佳的模型作为最终模型，参数选择模式的输出是最终模型的相应参数组合。

实施例将90个样本分为两部分：60样品的训练集和30个样本的测试集。在带有开源计算机视觉库(OpenCV)的Microsoft Visual Studio 2010下对支持向量机的训练集和测试集进行编码。对每一个支持向量机模型，进行3种训练模型的。第一种，采用线性内核函数，第二种采用RBF核函数，第三种采用添加了交叉验证+RBF核函数。在交叉验证+RBF核函数训练过程中，对尺寸为3，4，5，6，10，12，15和20的集合进行测试。对于每个生长参数，选择最佳的测试输出集合尺寸。

本发明选择“交叉验证+RBF核函数+支持向量机”的先进控制算法来预测作物的生长状态，并获得三种最优的作物生长模型。交叉验证+RBF核函数训练的支持向量机模型具有稳定、可靠性。

实施例最终选择的最优作物生长模型有：1)“交叉验证+RBF核函数训练的支持向量机模型(环境参数组合)”为预测株高和叶面面积的最优作物生长模型；2)“交叉验证+RBF核函数训练的支持向量机模型(环境参数+9个生理参数的综合参数组合)”为预测鲜重的最优作物生长模型；3)“交叉验证+RBF核函数训练的支持向量机模型(环境参数和4个生理参数的参数组合)”为预测干重的最优作物生长模型。

4)对于当前培育情况，先从实时数据库中选择培育模型，可进一步将作物培育模型连同调控建议以多种形式输出给用户(输出控制信号及操作建议等)，并发布远程控制，实现对实验室的远程调控。