基于碳同化的群体光合速率测量系统设计与试验

不同植株叶位、叶龄和所处环境的导致单叶光合速率存在明显差异,使其在表征整株光合能力和物质积累效率等方面存在不足.本文以设施蔬菜为研究对象,基于透明同化箱设计基于碳同化过程的群体光合速率测量系统,系统通过高精度光辐射传感器和SCD30对同化箱内光照强度、CO2浓度、温湿度进行采集,实现了同化箱光环境的精确控制、碳同化过程...     

基于离散曲率的温室CO2优化调控模型研究

提出了基于离散曲率算法的温室CO_2优化调控模型,通过设计嵌套试验采集温室不同温度、光照强度、CO_2浓度组合下的番茄光合速率,利用支持向量机回归算法(Support vector regression algorithm,SVR)构建光合速率预测模型;以预测模型网络为目标函数,采用L弦长曲率算法实现CO_2响应曲线离散曲率的计算,利用爬山法获得不同温度、光照强度组合条件的CO_2响应曲线曲率最大点,以此作为效益最优的调控目标值,进而基于SVR构建CO_2优化调控模型。结果表明,调控模型的决定系数为0. 99、均方根误差为4. 42μmol/mol、平均绝对误差为3. 17μmol/mol,拟合效果良好。与CO_2饱和点目标值的调控效果对比发现,理论上CO_2供需量平均下降61. 81%,光合速率平均减少15. 58%;验证试验中,相较饱和点调控下光合速率平均下降15. 14%,CO_2供需量下降57. 61%,相较自然条件下光合速率升高26. 70%。说明此温室CO_2优化调控模型具有高效节能特点,为设施作物CO_2高效精准调控和节本增效提供了理论基础。     

基于1D CNN-GRU的日光温室温度预测模型研究

准确预测日光温室温度是实现温室高效调控的关键,对作物生长发育具有重要意义,但因温度具有时序性、非线性及多耦合性等特征,难以实现连续、精准、长时化预测。提出了一种基于1D CNN-GRU(One dimensional convolutional neural networks-gated recurrent unit)的日光温室温度预测模型,通过温室内外监测平台获取内外环境因子,以斯皮尔曼相关系数获取相关性强特征,构造特征与时间步长的二维矩阵输入网络进行温度预测,模型在测试集上预测1～4 h后的决定系数为0.970～0.994,均方根误差为0.612～1.358℃,平均绝对误差为0.428～0.854℃,绝对值的最大绝对误差为0.856～1.959℃。并在不同清晰度指数K_T下进行验证,结果表明,模型在K_T≥0.5(晴)时预测效果最好,且在其他K_T下模型相对误差在10%以内,可以达到温室生产所需的预测精度要求,为日光温室精准高效控温提供了重要依据。