基于改进多目标进化算法的温室环境优化控制

该文围绕温室环境控制问题,以温湿度2个主要环境因子为研究对象,建立了温室环境动态模型。设计1种基于改进的非支配排序多目标进化算法(modified non-dominated sorting evolutionary algorithm,MNSEA-II)的双比例积分微分(proportional integral derivative,PID)控制器的多输入、输出温室控制系统,以误差平方矩的积分型(integrated time square error,ITSE)为性能指标,使用多目标进化算法对其确立的目标函数进行寻优,求出Pareto最优解,进而对PID控制器的参数进行整定,使系统获得良好的控制性能。本文以Matlab/Simulink为仿真环境,对此温室控制系统进行了仿真研究。结果表明了温室模型的合理性和多目标进化算法优化的PID控制方法的有效性。     

塑料温室薄膜承载性的非线性有限元分析

该文通过温室薄膜单轴拉伸试验,确定材料的计算参数和本构模型;应用非线性有限元与引入人工刚度的方法,建立温室薄膜荷载效应分析的计算模型;并结合相关规范,探讨温室薄膜承载计算的安全系数的取值问题。在此基础上,对温室薄膜在风载与雪载工况下作实例计算,确定承载薄膜的第一主应力与变形值,同时也分析不同薄膜预张力对承载性的影响,以及薄膜第一主应力的具体分布。该研究为温室设计合理选用农膜,提供参考计算模型与分析方法。     

长江中下游地区温室内温湿度预测模型的研究

该文利用传热学理论,以温室热平衡模型为基础,分析了温室内温度和湿度的动态模型,并以此建立了室内温湿度预测模型.最后,作者通过SR5.2型连栋塑料温室的实验研究,求出该模型参数,为实现智能温室前馈控制奠定基础.     

电导率对温室黄瓜叶面积和干物质生产影响的动态模拟

电导率是温室营养液管理的重要参数.为定量研究不同电导率对温室黄瓜光合与干物质生产的影响,该文以温室黄瓜为试验材料,于2009年10月至2010年7月进行了不同电导率的营养液栽培的试验,定量分析了电导率对温室黄瓜叶面积、光合速率和干物质生产的影响,构建了以辐热积为尺度的叶面积指数、最大光合速率和干物质生产模型,并用独立的试验数据对模型进行了检验.结果表明:模型对温室黄瓜叶面积、最大光合速率和干物质产量的模拟值与实测值之间的决定系数分别为0.89、0.93和0.94,回归估计标准误差分别为0.21m2/m2、1.52 μmol/(m2.s)和36.77 kg/hm2,预测相对误差分别为4.5％、11％和9.2％.该研究建立的模型可以为温室黄瓜的营养液管理和决策提供依据.     

温室蒸发湿帘风机降温系统热环境的研究

针对温室夏季气温过高,严重影响植物生育的问题,本文对温室湿帘风机降温系统热环境进行了理论分析,建立了温室热环境的理论计算模型,并进行了试验验证。结果表明,理论计算与实测值吻合较好。通过对北京地区夏季温室热环境的预测,提出了这种温室适宜的结构与运行参数。     

秒尺度温室番茄作物-环境互作模型构建与验证

为了解决现有温室模型时间尺度不统一的问题,该研究建立了一个时间尺度统一的温室番茄作物-环境互作模型,描述作物与环境之间的相互作用,提高模型的精准性。首先,将番茄作物生长模型拆分成SUPPLY、PARTITION、GROWTH3个子模块,针对3个模块在由天数量级时间尺度到秒数量级时间尺度变换时存在的问题,通过模型替换、结构改造、参数辨识等方法对时间尺度进行了转换,并利用EFAST敏感性分析算法将模型中的不确定参数分为敏感参数和不敏感参数两类。然后,在秒时间尺度番茄作物生长模型的基础上,考虑番茄作物对温室环境的实时反馈,结合小气候模型形成包含未知参数的"通用"的互作模型结构。最后,利用贝叶斯优化方法及番茄生产温室的实际数据,分别对互作模型中生长模型和小气候模型的未知参数进行参数辨识,确定互作模型全部结构与参数,得到可用的互作模型。利用该研究得到的秒时间尺度生长模型对2015—2018年上海崇明A8温室番茄产量进行模拟,其与真实产量值间的均方根误差在7.34～18.85 g/m~2之间,平均相对误差在5.8%～18%之间,均小于TOMGRO模型与Integrated模型,可以更好地预测产量变化。含作物反馈的小气候环境模型经参数辨识后,模拟番茄作物3个不同生长时期(幼苗期、开花坐果期、结果期)的环境因子(温室内温度、湿度、CO_2浓度)变化的平均相对误差均在3%～6%之间,且相较于未考虑作物反馈的一般小气候模型有更好的模拟效果。互作模型的建立将作物与温室小气候环境统一成一个模型,可以为温室环境控制提供模型基础。     

面向控制的温室系统小气候环境模型要求与现状

以往的温室作物生长和小气候环境模型,主要是从面向研究而不是面向实际生产的温室获得的,这二者的最大不同是:面向研究的模型主要考虑的是得到作物生长高产所需的"最优"的温室内部气候环境参数设定值,而较少考虑温室内控制设备的能力（控制动态过程）、生产过程中温室外气候变化情况和达到"最优"所需付出的能量等代价;而后者在面向实际生产的自动化控制的温室系统模型中是必不可少的。当前温室系统自动化控制面临的一个最大困难,就是缺乏一个这样的可靠的温室系统模型,而只能采用面向研究的温室系统模型去进行实际生产的温室系统控制,这种忽视实际生产条件下的温室系统模型与理想条件下的模型之间差异的"纸上谈兵"的做法,必然导致温室控制技术水平低、达不到预期效果。该文介绍了温室系统的整个控制过程,对一个实际生产的温室系统中各种变量和参数作了简要描述,并概括了面向实际的温室生产控制要求的温室系统模型的基本结构,对温室环境模型、作物生长模型和能耗及CO₂消耗模型的研究现状作了详细的回顾。从满足控制需求出发对现有的温室系统模型所存在的问题进行了分析,并指出了其中的不足和局限性。探讨了未来温室系统的建模方法和需要解决的关键问题,提出了面向控制需求的温室系统建模要满足的要求,为温室系统的建模研究提供了一种新的思路和方向。     

番茄连作对日光温室土壤微生物及土壤理化性状的影响

对大庆地区具有代表性的温室进行调查研究,了解不同种植年限对番茄温室土壤微生物及土壤理化性状的影响,为解决温室土壤连作障碍问题奠定理论依据。结果表明,随着种植年限增加,细菌、真菌的数量及土壤速效钾、有效磷、碱解氮、有机质、盐分的含量呈增加趋势,种植年限为10年分别是对照(露地菜田)的2.14、1.33、2.18、2.09、1.96、2.86、9.5倍,土壤p H值相反,种植年限为10年比对照下降了0.64,但放线菌数量与B/F值[(细菌+放线菌)/真菌]在第5年与第7年达到最高,呈现先增高再降低的趋势,分别比对照增加了34.12%、44.26%;随着土壤深度的增加,土壤微生物数量及土壤速效钾、有效磷、碱解氮、有机质、盐分含量降低,土壤含水量、p H值增加。综合分析番茄连作对土壤微生物和土壤理化性状的影响,番茄连作6年后出现一定程度的连作障碍问题。     

湿帘-风机降温下的温室热/流场模拟及降温系统参数优化

为提高温室夏季降温环境性能,提出了一种基于计算流体力学(computational fluid dynamics,CFD)的温室湿帘-风机系统的降温环境优化设计方法。采用太阳射线追踪法来模拟太阳辐射对夏季温室内流场环境的影响,并结合温室内作物的多孔介质模型,构建并求解温室三维非稳态模型,模拟了湿帘-风机降温下的温室内部温度场与速度场分布情况。模拟结果与试验测量的温度值和风速值进行了对比,其平均误差分别在4%和6%以内,验证了建立的温室CFD模型的准确性。结合正交试验方法,基于CFD模型对不同温室长度、湿帘面积和风机速度参数条件下的室内降温环境进行了优化设计。根据模拟优化获得的不同配置方案结果,建立了温室长度、湿帘面积和风机速度参数的拟合结果,为夏季华东沿海地区Venlo型温室湿帘-分机降温系统的设计提供了可靠的理论依据。     

土壤一维稳态溶质迁移研究的边界层方法比较

边界层方法为土壤溶质迁移研究中描述一维稳态流条件下,仅考虑吸附作用的对流-弥散方程（Convection-dispersion equation,CDE）的求解和参数估算提供了简单可靠的新手段,利用该方法可以有效避免参数反演的不唯一性。对不同边界层解（多项式解、指数解、复合解、对数解和微小通量解）在预测溶质浓度分布和估算溶质迁移参数方面的精度进行了对比研究,归纳了边界层解的适用范围和选取方法。结果表明：边界层解的精度受平均孔隙水流速、弥散系数和延迟因子共同影响,当溶质浓度随剖面深度的变化率呈不断减小趋势时边界层解与精确解最接近;边界层解预测溶质分布误差随时间推移先减小后增加,溶质迁移过程初期三次多项式解精度最高,后期指数解表现最好;边界层方法对延迟因子的估算结果优于弥散系数,且不同边界层解对延迟因子的估算值近似,三次多项式解和对数解估算弥散系数最为准确。     

Implications of climate change for tillage practice in Australia

The world is experiencing climate change that in no way can be considered normal, and the challenge that this brings to agriculture is twofold. The first challenge relates to the continuing need to reduce greenhouse gas emissions that generate the changes to climate. Australia's National Greenhouse Gas Inventory estimates that agriculture produces about one-quarter of Australia's total greenhouse gas emissions (including land clearing). The main gases emitted are carbon dioxide, methane, and nitrous oxide. These gases are derived from high-value components within the agricultural production base, so reducing emissions of greenhouse gases from agriculture has the potential to provide production and financial benefits, as well as greenhouse gas reduction. Methane essentially derives from enteric fermentation in ruminants. Nitrous oxide and carbon dioxide, on the other hand, are strongly influenced, and perhaps even determined by a range of variable soil-based parameters, of which the main ones are moisture, aerobiosis, temperature, amount and form of carbon, organic and inorganic nitrogen, pH, and cation exchange capacity. Tillage has the potential to influence most of these parameters, and hence may be one of the most effective mechanisms to influence rates of emissions of greenhouse gases from Australian agriculture. There have been substantial changes in tillage practice in Australia over the past few decades – with moves away from aggressive tillage techniques to a fewer number of passes using conservative practices. The implications of these changes in tillage for reducing emissions of greenhouse gases from Australian agriculture are discussed.

The second challenge of climate change for Australian agriculture relates to the impacts of climate change on production, and the capacity of agriculture to adapt where it is most vulnerable. Already agriculture is exposed to climate change, and this exposure will be accentuated over the coming decades. The most recent projections for Australia provided by the CSIRO through the Australian Climate Change Science Programme, indicate that southern Australia can expect a trend to drying due to increased temperatures, reduced rainfalls, and increased evaporative potentials. Extremes in weather events are likely also to become more common. We anticipate that climate change will become an additional driver for continued change in tillage practice across Australia, as land managers respond to the impacts of climate change on their production base, and governments undertake a range of activities to address both emissions reduction and the impacts of climate change in agriculture and land management.     

温室采光设计的理论分析方法——设施农业光环境模拟分析研究之一

本文提供一种温室采光设计的理论计算方法,可针对不同纬度、不同建设方位、不同透明覆盖材料、采光屋面具有不同骨架结构和几何形状的各类单栋温室,建立相应的模拟模型,模拟分析太阳直接辐射透进温室内的时空分布状况,为温室采光优化设计提供模拟分析手段和科学依据。     

温室环境温度预测自适应机理模型参数在线识别方法

温室小气候模型具有非线性、强干扰、时变等特性,常用的线性化模型或离线辨识模型无法有效预测温室环境动态变化规律,模型精度不高直接影响温室环境控制性能。针对模型的这种复杂特性,该文以温度模型为例,提出利用连续-离散递推预测误差算法,对非线性模型参数和状态进行在线估计,以提高模型精度。首先,考虑加热和通风2种控制输入,建立了温室温度模型。然后,论述了该算法的原理和优势,算法通过引入并调整增益矩阵,对系统噪声进行在线更新,减少了系统噪声初始化偏差对参数估计收敛性的影响。最后,基于试验温室实测数据,对温室温度模型进行了在线辨识仿真,结果表明,利用连续-离散递推预测误差算法辨识模型拟合度为93.7%,扩展卡尔曼滤波器拟合度为89.5%,该文提出的算法在预测温室温度方面更为有效。     

基于作物生长和控制成本的温室气候控制决策支持系统

根据试验和观察获得的数据建立了温室作物生长模拟模型、温室的环境调控的技术效果模型和温室的环境调控成本模型,并建立相应的模型库;通过收集资料和专家经验建立了温室环境调控的知识库。以温室生产的“产出投入比”最大为目标,综合利用模型预测功能和知识库系统的推理功能,建立了温室环境调控决策支持系统。系统能够根据温室内外的环境信息、作物生长信息和温室调控设备状态信息给出温室环境调控实时最优的温度、湿度、光照和CO₂浓度等参数,并提供相应的调控方案。     

塑料大棚气流场模拟及作物蒸腾量计算

为了分析塑料大棚内气流场的特征和计算与作物蒸腾量有关的通风参数,该文通过计算流体动力学模拟了塑料大棚内自然通风量,建立了华东地区常见塑料大棚内平均风速和外部风速之间的线性关系,根据能量平衡和紊流扩散模型建立了一个计算作物蒸腾量的数学模型,并利用棚外的常规气象资料和棚内的实测温度计算了棚内作物蒸腾量。通过将作物蒸腾量的计算值和实测值进行比较,结果发现作物蒸腾量的计算值与实测值比较一致,逐日蒸腾量间的决定系数为0.7756,累积蒸腾量间的决定系数为0.9983,模拟累计值与实测累计值之间标准误差为1.16 mm,最大绝对误差为4.82 mm;结果表明,所建立的计算方程参数较少,推求的风速参数比较适用于普通塑料大棚。该研究可满足大棚内作物水分管理、温室大棚设计规划和区域水资源管理等方面的需要。     

影响关中东部冬季日光温室生产的气候变化特点

采用陕西省关中东部1961-2003年的气候资料,对设施农业主要生产阶段（11月-次年3月）的极端最低气温、大雾、连阴天等气候限制因子的时空分布特点分析表明：极端最低气温整体上呈上升趋势,对设施农业生产是有利的;但大雾及连阴天日数大部分为增加趋势,对设施农业生产不利.针对大荔、渭河以南诸县和渭北山区等地不同的气候变化趋势,提出了发展壮大大荔县绿色瓜果菜设施农业基地、适当调减沿渭河各县的设施农业面积、有设施农业发展潜力的北部县应重点解决好温室灌溉和冻害防御问题等建议.     

A kriging approach to the analysis of climate model experiments

A climate model is a computer implementation of a mathematical model for the physical, chemical and biological processes underlying the climate. An immediate use of a climate model is in performing climate model experiments, where uncertain input quantities, such as greenhouse gas and aerosol concentrations, are systematically varied to gain insight into their effects on the climate system. Climate models are computationally intensive, allowing only small experiments. We present a multidimensional kriging method to predict climate model variables at new inputs, based on the experimental data available. The method is particularly suitable for situations in which the climate model data sets share a common pattern across the input space, such as surface temperatures that are lower at the Poles, higher at the Equator, and increasing over time. The results demonstrate the potential of our kriging method as an exploratory tool in climate science.