关键词:
番茄生长平衡
平均温度
模糊逻辑
机器学习算法
均温预测模型
摘要:
为了获得稳定的高产和最佳品质,番茄生产系统中一个重要的目标是平衡营养生长和生殖生长的强度和速度,实现营养/生殖平衡,这种平衡也是许多生产策略和环境调控的基础。在实际生产过程中,温室环境调控需要每周定时地判断番茄平衡状态,以作物需求为核心进行环境参数的调整,其调控重点在于控制和保持温室内部环境来始终满足番茄健康且平衡的生长状态。但实际生产过程中,番茄平衡状态的判断以及环境调控的过程主要依赖人工经验,对专业水平要求较高,主观性强且衡量标准不统一。华南地区和西北地区是用半封闭玻璃温室进行番茄生产的主要地区且两地地理位置、环境差距大。为了解决上述问题,本研究以广东珠海、甘肃张掖分别作为华南地区和西北地区的代表城市,利用两地的半封闭玻璃温室的番茄生长信息和环境数据为数据集,提出了一种基于模糊逻辑的番茄生长状态的评价模型以及构建了基于机器学习算法的每日均温、日间均温、夜间均温预测模型。最后在上述两个模型的基础上,利用分时段计算均温补偿量和约束条件,提出气温动态调控模型。本文的研究内容及结果具体如下:
基于模糊逻辑的番茄生长状态评价模型的构建。本文选取了番茄营养生长参数—头部茎粗、周生长量作为输入,构建营养生长评价模型;选取番茄生殖生长参数—穗顶间距、花梗直径作为输入,构建生殖生长评价模型;最后,将输出的营养生长状态和生殖生长状态,基于模糊逻辑构建番茄生长状态评价系统,评估两地番茄最终的生长状态。使用专家打分和模型评价结果进行对比验证,营养生长状态、生殖生长状态及番茄生长状态评估结果的平均相对误差分别在6.09%、5.75%和5.10%,该模型能较为准确地评价番茄生长状态。该模型可应用于实际生产,不受地域和气候条件的影响,适用性较广,但与温室设施类型、栽培种类相关。
基于机器学习的温室均温预测模型的构建。在判断出番茄生长状态的基础上,结合温室内外环境变化,使用随机森林(RF)、支持向量机(SVM)、长短期记忆神经网络(LSTM)这三种机器学习算法构建温室均温预测模型,用来预测温室每日均温、日间均温、夜间均温的变化。模型结果表明:LSTM算法在两地的每日均温预测上表现最佳,珠海和张掖的R2分别为0.89和0.93;而SVM算法在两地的日间均温和夜间均温预测上表现最佳,R2最高,RMSE、MAE最低;同时发现三种机器学习算法在张掖地区的预测精度均比在珠海地区好。
基于平均温度的气温动态调控策略的制定。根据上述模型研究结果并结合实际温室环境调控需求,提出分时段计算日间和夜间的剩余均温补偿量的计算公式,并通过约束条件对气温进行动态调控,实现以番茄生长平衡为目的的调控目标,对维持温室番茄稳定高产和品质具有指导意义。
综上所述,本文通过构建基于模糊逻辑的番茄生长状态评价模型、温室均温预测模型以及气温动态调控策略,可以在及时判断番茄生长状态的基础上,预测每日均温、日间均温和夜间均温,进而动态地调整温室实时气温,实现以维持番茄生长平衡为主的温度精准调控。