一种基于多目标优化算法的水培番茄动态光氮协同调控方法

本发明属于植物栽培，涉及人工智能在人工照明植物工厂中的应用，特别涉及一种基于多目标优化算法的水培番茄动态光氮协同调控方法。

背景技术：

1、高密度、工厂化的种植需求对植物工厂的环境控制提出了更高的要求。植物之间为了最大限度进行光合作用实现干物质积累会展开对养分、光照、水分的竞争。而工厂化的种植也要求更高的生产效率，这意味着植物工厂需要更精确地控制温度、光照、肥料配施等因素，以最大限度地提高干物质积累并降低能源消耗。因此有必要建立融合环境因素、植物生理和调控成本的模型以提高生产效率并优化产量质量。

2、植物光合作用和生长效率与环境因素的变化息息相关。其中，精确控制光照条件对于优化植物生长和产量具有重要意义。然而，单一因素的变化往往不能独立决定植物的生长状态，植物生长发育过程受多环境因素的综合影响。包括植株无机氮素形态比例、营养液温度、空气温度等在内的多种环境因子对植株根系氮素吸收和氮素同化、植株叶片的光合作用等生理反应过程均有很大影响。因此综合考虑多种环境因子的共同影响是构建环境调控模型的关键。进一步的研究表明，在适宜的铵态氮和硝态氮比例培育下作物提高了对弱光的耐受性，这意味着通过适当调整铵态氮和硝态氮的比例，能够有效应对光照变化，保持作物的稳定生长和高效生产。因此综合考虑多环境因素，获取融合光照强度和氮肥硝铵比例的协同调控策略对精准高效的优化产量和品质具有重要意义。

3、针对不同氮肥硝铵比例对植株生长发育的影响，许多学者进行了有关于植株氮同化氮吸收以及作物产量和品质的研究。常晓等(2024)以甜菜品种为材料，设置6个不同的氮素形态配比，进行表型和氮同化相关的生理生化指标的测定。研究结果表明，在纯硝态氮供应下生长的甜菜根长和株高等表型均显著高于其他处理组。马超等(2024)采用温室大棚育苗移栽的种植方式，分别设置5组配比处理，测定不同生育期株高、茎粗、叶面积、spad值、植株生物量和果实含氮量、产量及果实品质，计算氮肥累积利用率等。结果表明当铵根离子和硝酸根离子配比为25∶75时，与ck相比可显著促进生长发育，提高果实产量，改善果实品质。但是，现有研究多集中在描述性统计和简单的相关分析，缺乏深入的多变量分析和模型构建，而且，实验处理没有充分考虑到其他环境变量的交互作用，如光照、温度等。因此结合智能算法构建调控模型对番茄氮肥硝铵比例和光照强度的协同调控进行精细化分析对设施农业高效生产是有必要的。

4、在设施环境调控建模方面，许多学者从植株光合速率、荧光参数、生理性状方面进行了许多研究，在植物光合速率模型的研究过程中，经历了从以植物生理为基础的机理模型到面向环境调控的光合模型的变化。以植物生理为基础的机理模型主要基于植物的生长机制以数理方程的模型表示各因素与植物生长量之间的动态作用关系，为定量分析光响应规律研究了多种机理模型，如直角双曲线模型、直角双曲线修正模型等。其中，叶子飘等(2010)在传统光合生理模型的基础上，提出不同类型光响应模型，为光合模型研究打下了良好的基础，但由于机理模型建立过程中所需的大量生理相关参数难以实现精确、实时测量，因此难以直接应用于设施环境调控和进一步的研究。近年来，出现了面向环境调控的光合模型，基于作物的生长数据，基于统计学理论构建数学模型，提高了模型普适性和精准度。早期面向环境调控的光合模型多基于统计学分析方法，通过分析不同环境因子与光合速率的相关性，利用多元线性回归方法建立各个环境因子与光合速率的数理方程。这种方法未考虑到多环境因子对植物光合状态的耦合互作作用，且在模型精度方面仍有待进一步提高。采用人工智能算法构建基于多环境因子的光合速率模型将现代数据分析与植物生理状态相结合，已成为新的研究热点。荆昊男等(2019)以黄瓜为试验材料，设计了温度、光照强度、光质比嵌套的植株净光合速率测试试验获取试验样本，利用支持向量机建立了融合黄瓜光质需求的光合速率预测模型，基于粒子群算法获取了不同温度条件下最适合植物生长的光照强度和光质比作为调控目标，并构建调控策略。但是，基于此类方法获取的高光合速率调控目标也对应着高能源消耗。因此有必要获取基于效益优先的环境调控策略。

5、近年来多目标进化算法已被广泛应用于在农业领域，包括作物规划模型、作物生长模型、温室自动化、机器人系统操作等方面。多目标优化问题面对多个目标函数，获取的最优解是一个非劣解集合。早期的多目标优化问题多通过权重分配等方式转化为单目标问题进行求解，效率较低且结果受权重影响较大。在此基础上多目标进化算法被提出，其通过进化算法对潜在最优解进行全局搜索，可以有效提升求解速度。chaki等(2018)采用nsga-ⅱ计算非劣解集，通过快速非支配排序方法可以提高计算效率，使非劣解集接近理想pareto前沿。尽管nsga-ⅱ算法在解决多目标问题方面已经展现出良好的性能并得到了广泛的应用，但是有研究对比nsga-ⅱ算法和其他多目标算法，发现该算法在如何提高种群收敛性，改善全局搜索能力，提高算法运行效率这几个方面仍有待改进。

技术实现思路

1、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多目标优化算法的水培番茄动态光氮协同调控方法，以兼顾高作物产量和低能源消耗的双重需求。

2、为了实现上述目的，本发明采用的技术方案是：

3、一种基于多目标优化算法的水培番茄动态光氮协同调控方法，包括如下步骤：

4、步骤1，获取多环境因子协同作用下水培番茄苗期光合数据集，并采用基于ebm算子的广义加性模型进行环境因素变量的交互关系分析；

5、步骤2，以光量子通量密度、营养液氮肥硝铵比例、空气温度、营养液温度为输入，以净光合速率pn为输出，采用qpso-svr算法构建水培番茄的光合速率预测模型；

6、步骤3，在空气温度和营养液温度的离散单元下，基于改进的nsga-ⅱ算法对净光合速率和光能利用率进行双目标优化，并获取环境调控非劣解集；

7、所述改进的nsga-ⅱ算法是对nsga-ⅱ算法进行如下改进：

8、1)采用佳点集算法改进种群初始化策略，改善初始种群的局部不均匀，防止算法陷入局部最优；

9、2)结合种群的局部拥挤度方差定义新的拥挤度计算方式，保证种群多样性和非支配前沿均匀性；

10、3)在精英保留选择阶段引入伪适应度指标以提高解集收敛效率；

11、步骤4，从pareto前沿中采用逼近理想解排序法获取最佳调和解，并将其投射到决策空间内获取光量子通量密度和营养液氮肥硝铵比例的决策变量值，基于所述决策变量值构建动态光氮调控模型；

12、步骤5，利用所述动态光氮调控模型进行水培番茄动态光氮协同调控。

13、在一个实施例中，所述步骤1，水培番茄苗期光合数据集通过多环境因子嵌套实验获取，并对环境变量数据和净光合速率数据进行线性归一化处理，将归一化后的数据集划分为训练集和测试集；同时采用bagging算法，从训练集中采用自助采样的方式进行有放回地随机取样和重复取样，获取若干与原数据集大小相同的自助样本数据集，相对应地，在所述步骤2中训练n个基学习器，取预测结果的平均值作为最终预测结果；其中所述多环境因子嵌套实验中：

14、设定9个光量子通量密度，分别为：100μmol·m-2·s-1、200μmol·m-2·s-1、300μmol·m-2·s-1、500μmol·m-2·s-1、700μmol·m-2·s-1、900μmol·m-2·s-1、1200μmol·m-2·s-1、1500μmol·m-2·s-1、1800μmol·m-2·s-1；设定6个营养液硝铵比例，分别为：100％:0％、80％:20％、60％:40％、40％:60％、20％:80％、0％:100％；设定3个空气温度和3个营养液温度，均分别为：20℃、25℃、30℃。

15、在一个实施例中，所述步骤1，采用融合ebm算子的广义加性模型判断四个对作物pn影响显著的环境因子对作物净光合速率变化的交互协同作用；将训练集用于广义加性模型构建，以光量子通量密度、营养液氮肥硝铵比例、空气温度、营养液温度及6个环境因素的两两交互项作为模型输入，对应的pn值为模型输出。

16、在一个实施例中，，所述步骤2，采用支持向量回归算法以径向基函数为核函数构建光合速率预测模型，并采用引入量子行为的粒子群优化算法(quantum-behavedparticle swarm optimization,qpso)对支持向量回归算法的正则化参数c和径向基核函数参数g进行参数寻优。

17、在一个实施例中，所述引入量子行为的粒子群优化算法中，设置种群规模n＝20，最大迭代次数200，搜索维数d＝2，收缩扩张系数α＝1，正则化参数c的寻优区间是c∈[0.1,10]，径向基核函数参数g的寻优区间为g∈[0.01,10]。

18、在一个实施例中，所述步骤3，以空气温度和营养液温度为离散单元，基于光合速率和光能利用率的协同优化，构造环境调控目标函数。

19、在一个实施例中，所述采用佳点集算法改进种群初始化策略，是在s维欧式空间中的单位立方体中获取多目标优化的佳点，并将其映射到净光合速率和光能利用率的搜索空间内，得到初始化种群。

20、在一个实施例中，所述步骤4，从pareto前沿中获取最佳调和解的方法如下：

21、采用逼近理想解排序法从所述非劣解集中获取环境参数的最佳调和解，通过计算评价单元各项指标参数与正负理想解的欧式距离，以确定评价单元的评分，非劣解集中越接近正理想解其评分越高，越接近负理想解其评分越低。

22、在一个实施例中，所述步骤4，基于所述决策变量值，采用支持向量回归算法分别构建光量子通量密度调控模型和氮肥硝铵比例调控模型。

23、与现有技术相比，本发明基于改进的nsga-ⅱ对净光合速率和光能利用率进行多目标优化，获取了ppfd和nar的最佳调控策略，实现了兼顾高作物产量和低能源消耗的动态光氮协同调控。首先，基于qpso-svr算法构建了净光合速率预测模型并进行了参数优化。结果表明，相比于其他参数优化算法(网格搜索法、ga算法、pso算法)，qpso-svr算法计算时间最小为0.7969s，模型精度最高，在测试集上r2为0.9745，rmse为0.0479，mae为0.3810，且模型泛化能力最好，训练集和测试集之间的r2差值最小，δr2为0.0083。该方法为后续多目标优化获取奠定环境调控目标值奠定良好的基础。其次，本发明考虑到传统nsga-ⅱ算法在全局搜索能力、种群收敛性和算法运行效率方面不佳的问题，做出了针对性的改进：采用佳点集算法保证初始种群的总体和局部均匀性，结合种群的局部拥挤度方差重新定义拥挤度计算方式，并引入了伪适应度值改进精英保留策略，提高解集收敛效率。对比传统nsga-ⅱ算法和moea/d算法，本发明算法所获的pareto的hv指数最大，sp指数最小，这表明所获非劣解集分布均匀，连续性好，收敛性佳，解的多样性高，能获取优良的调控非劣解集合。随后采用topsis算法从离散单元的非劣解集中获取最优调和解，将其投射到决策空间内获取光照强度和营养液氮肥硝铵比例的决策变量值，并构建动态光氮调控模型。对比光合最大补光法，本发明所获动态光氮调控模型在光量子通量密度上平均降低了44.22％，同时保留了93.61％的净光合速率，且光能利用率平均提高了1倍以上，体现了本发明所获动态光氮调控模型的高效、节能。上述结果表明，本发明提出的优化调控方法为植物工厂的光氮动态协同调控提供了理论基础和技术基础。

技术特征：

1.一种基于多目标优化算法的水培番茄动态光氮协同调控方法，其特征在于，包括如下步骤：

2.根据权利要求1所述基于多目标优化算法的水培番茄动态光氮协同调控方法，其特征在于，所述步骤1，水培番茄苗期光合数据集通过多环境因子嵌套实验获取，并对环境变量数据和净光合速率数据进行线性归一化处理，将归一化后的数据集划分为训练集和测试集；同时采用bagging算法，从训练集中采用自助采样的方式进行有放回地随机取样和重复取样，获取若干与原数据集大小相同的自助样本数据集，相对应地，在所述步骤2中训练n个基学习器，取预测结果的平均值作为最终预测结果；其中所述多环境因子嵌套实验中：

3.根据权利要求1所述基于多目标优化算法的水培番茄动态光氮协同调控方法，其特征在于，所述步骤1，采用融合ebm算子的广义加性模型判断四个对作物pn影响显著的环境因子对作物净光合速率变化的交互协同作用；将训练集用于广义加性模型构建，以光量子通量密度、营养液氮肥硝铵比例、空气温度、营养液温度及6个环境因素的两两交互项作为模型输入，对应的pn值为模型输出，其基本形式如下：

4.根据权利要求1所述基于多目标优化算法的水培番茄动态光氮协同调控方法，其特征在于，所述步骤2，采用支持向量回归算法以径向基函数为核函数构建光合速率预测模型，并采用引入量子行为的粒子群优化算法(quantum-behaved particle swarmoptimization,qpso)对支持向量回归算法的正则化参数c和径向基核函数参数g进行参数寻优；

5.根据权利要求4所述基于多目标优化算法的水培番茄动态光氮协同调控方法，其特征在于，所述引入量子行为的粒子群优化算法中，设置种群规模n＝20，最大迭代次数200，搜索维数d＝2，收缩扩张系数α＝1，正则化参数c的寻优区间是c∈[0.1,10]，径向基核函数参数g的寻优区间为g∈[0.01,10]。

6.根据权利要求1所述基于多目标优化算法的水培番茄动态光氮协同调控方法，其特征在于，所述步骤3，以空气温度和营养液温度为离散单元，基于光合速率和光能利用率的协同优化，构造环境调控目标函数如下：

7.根据权利要求1所述基于多目标优化算法的水培番茄动态光氮协同调控方法，其特征在于，所述采用佳点集算法改进种群初始化策略，是在s维欧式空间中的单位立方体中获取多目标优化的佳点，并将其映射到净光合速率和光能利用率的搜索空间内，得到初始化种群。

8.根据权利要求1所述基于多目标优化算法的水培番茄动态光氮协同调控方法，其特征在于，所述结合种群的局部拥挤度方差的拥挤度计算方式，是将拥挤距离按照如下公式计算：

9.根据权利要求1所述基于多目标优化算法的水培番茄动态光氮协同调控方法，其特征在于，所述步骤4，从pareto前沿中获取最佳调和解的方法如下：

10.根据权利要求1所述基于多目标优化算法的水培番茄动态光氮协同调控方法，其特征在于，所述步骤4，基于所述决策变量值，采用支持向量回归算法分别构建光量子通量密度调控模型和氮肥硝铵比例调控模型。

技术总结
一种基于多目标优化算法的水培番茄动态光氮协同调控方法，包括如下步骤：获取多环境因子协同作用下水培番茄苗期光合数据集，并进行环境因素变量的交互关系分析；以光量子通量密度、营养液氮肥硝铵比例、空气温度、营养液温度为输入，以净光合速率为输出，采用QPSO‑SVR算法构建水培番茄的光合速率预测模型；在空气温度和营养液温度的离散单元下，基于改进的NSGA‑Ⅱ算法对净光合速率和光能利用率进行双目标优化，并获取环境调控非劣解集；从Pareto前沿中采用逼近理想解排序法获取最佳调和解并将其投射到决策空间内，获取光量子通量密度和营养液氮肥硝铵比例的决策变量值构建动态光氮调控模型，利用模型进行水培番茄动态光氮协同调控。

技术研发人员：李慧敏,胡瑾,徐婧华,高攀,卢苗,孙章彤
受保护的技术使用者：西北农林科技大学
技术研发日：
技术公布日：2024/9/23