[发明专利]基于最优光质和光子通量密度的需光量实时动态获取方法

说明书

基于最优光质和光子通量密度的需光量实时动态获取方法，首先基于GA‑GRNN神经网络的光合速率建模，利用GA算法对GRNN神经网络的扩展速度进行优化，GA‑GRNN的光合速率预测模型预测值与实测值的相关分析明显优于GRNN神经网络模型；继而以GA‑GRNN的光合速率预测模型为基础，用量子遗传算法实现光合速率寻优，获得对应的最优光质和光子通量密度，并采用多元线性回归拟合构建光环境调控目标值模型；其中，最优光质模型和光子通量密度模型的决定系数分别0.992、0.9893；以每个温度下光合速率为实测值，最优光质和最优光子通量密度对应的光合速率为预测值，采用相关分析法，其决定系数是0.936，拟合直线斜率是1.012，截距是0.054，表明构建的耦合光质和光子通量密度调控目标值模型性能好。

技术领域

本发明属于现代农业智能补光技术领域，特别涉及一种基于最优光质和光子通量密度的需光量实时动态获取方法。

背景技术

光为作物的光合作用提供能量，光子通量密度和光质是影响作物瞬时光合速率的两个主要方面。其中，光子通量密度直接决定参加作物光合作用的瞬时光量子总量，直接影响作物瞬时光合速率的大小；光质通过调控红蓝光比例对作物不同的生理作用影响着作物的叶面积扩展、干物质积累、茎粗增强、叶绿素含量，间接影响光合速率。因此，光环境调控不仅为植物光合作用提供充足的能量，也能够调整植物形态建成和控制生长过程，对设施环境的调控尤为重要。

传统的光环境调控是阈值调控，这种调控不能满足根据外界环境变化改变调控量，也没有考虑作物实际需求。胡瑾等在传统的光环境调控的基础上考虑作物在不同温度下所需要的光照强度的差异，并利用人工智能算法构建了光环境调控模型，该模型考虑了不同温度下最优的光子通量密度的差异性，但没有考虑到光质对作物光合作用的影响。在光质调控方面，现有研究主要是分阶段定量调控，这种调控方式针对作物不同的生长阶段对光质需求的差异性，但没有考虑到温度、光质、光子通量密度之间的耦合关系，实现实时动态调控。因此，选择基于温度、光质、光子通量密度等因子的耦合关系构建实时动态调控作物最优光质和最优光子通量密度的调控目标模型是实现设施环境高效调控亟需解决的问题。

由于在建立融合光质和光子通量密度的调控值模型，输入因子增加由于融合因子的增多、寻优问题更复杂、建模过程长，选择一种快速、准确的建模方法尤其重要。

发明内容

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最优光质和光子通量密度的需光量实时动态获取方法，以温度、光子通量密度、光质为输入，作物净光合速率为输出，利用GA-GRNN神经网络构建光合速率预测模型，以不同温度下的光合速率为目标函数，采用量子遗传算法进行寻优，得到最优光合速率及其对应的光质和光照强度，采用多元线性回归拟合得到光环境的光质调控模型和光照强度调控模型，根据红蓝光需光量与光质调控模型和光子通量密度的关系得到红蓝光调控量模型，最终实现基于最优光质和最优光子通量密度的光环境调控目标值实时动态获取。

为了实现上述目的，本发明采用的技术方案是：

基于最优光质和光子通量密度的需光量实时动态获取方法，蓝光需光量为：Par_B(t)＝Pi(t)×Par(t)，红光需光量为：Par_R(t)＝(1-Pi(t))×Par(t)，其中，Par_B(t)表示不同温度下的蓝光需光量，Par_R(t)表示不同温度下的红光需光量，Pi(t)表示温度t下最大光合速率对应的最优光质即蓝光比例值，Par(t)表示温度t下最大光合速率对应的最优光子通量密度，通过如下方法获取：

首先，以温度、光质、光子通量密度为输入，光合速率为输出，采用GA算法优化GRNN神经网络的扩展速度，构建GA-GRNN光合速率预测模型pⁱ_n；

其次，设定每个环境因素的不同步长：温度作为每次寻优固定的环境量，光质和光子通量密度设定寻优区间；

继而，通过量子遗传算法获得不同温度下最优光合速率以及其对应的光质和光子通量密度；