基于SVM-BSA的光環境調控模型的構建

吳與瑋 何思夢

摘 ?要：植物的生長環境對提高植物經濟效益具有重大意義。近年來的研究表明，光合速率是驗證植物有效光合作用的重要參數，因此將環境因子作為參量構建光合速率模型成為現階段的研究重點。文章通過支持向量機找尋出溫度、CO2濃度、光子通量密度與光和呼吸速率之間的對應關系，在這個基礎上，使用鳥群算法完成對光環境最優目標值進行尋優，并完成光環境最優模型的構建。模型預測數據與實際量測數據的擬合結果的決定系數為0.989，均方誤差為14.58，表明本文構建的光合速率模型可以有效根據環境參數計算出植物的最優光飽和點，為農業大棚環境的精準調控提供依據。

關鍵詞：支持向量機;鳥群算法;光環境調控;設施大棚

中圖分類號：TP391.7 ? ? ? 文獻標志碼：A ? ? ? ? 文章編號：2095-2945（2019）35-0057-04

Abstract： The environment for plant to grow is of great significance to improve plant economic benefits. In recent years， studies have shown that photosynthetic rate is an important parameter to verify plant effective photosynthesis， so the construction of photosynthetic rate model based on environmental factors has become the focus of research at the present stage. In this paper， the corresponding relations among temperature， CO2 concentration， photon flux density and light and respiration rate are found by support vector machine. On this basis， the bird swarm algorithm is used to optimize the optimal target value of light environment and complete the construction of the optimal model of light environment. The determination coefficient of the fitting result between the predicted data and the actual measured data is 0.989， and the mean square error is 14.58， indicating that the photosynthetic rate model constructed in this paper can effectively calculate the optimal light saturation point of plants according to environmental parameters. The purpose of this paper is to provide a basis for the precise regulation and control of agricultural greenhouse environment.

Keywords： support vector machine; bird swarm algorithm; light environment control; facility greenhouse

引言

光合呼吸速率是植物生長過程中進行有效光合速率的主要參考依據。在光照強度過高的情況下，會導致植物的葉片氣孔閉合，使得植物光合速率值降低[1-2]。而在光最優模型的構建，首先利用SVM算法對光合速率與CO2濃度、溫度與光飽和點之間的光照強度不足的條件下，植物光合速率會下降。

在不同的環境下植物所需的光照強度是一個動態變化的值。因此研究周圍環境因子對植物的光合作用速率的影響具有重要意義[3]。

近年來，對于該領域不斷進行研究，提出了很多有關光環境控制的理論，為本文的研究奠定了基礎。Ryo Matsuda研究了對在不同溫度下以及不同光合作用周期里光合速率的區別[4]。Maryam Haghighi研究了在水培條件下溫度差異對番茄生長的影響。L，mata等人通過對植物的光合作用機理的研究，分析了環境因子對于植物光合速率的影響[5]。Zhang Jing等人通過多元回歸分析方法構建了番茄光合作用模型，分析了環境因子對番茄光合作用的影響。Afiatdoust， F等基于遺傳算法獲得了徑向基函數的最優變量形狀參數[6]。Patel， Narendra等將改進型遺傳算法應用于最優控制問題，解決了非等溫塞流反應器的最優控制問題，這些研究都是通過遺傳算法完成尋優過程[7]。

本文將采用支持向量機算法（Support Vector Maching，SVM）和鳥群算法（Bird Swarm Algorithm， BSA）相結合的方式來進行光環境關系進行計算，構建出以CO2濃度、溫度與光飽和點為輸入，光合速率為輸出的模型。將實際環境下的CO2濃度、溫度代入上述模型獲得光子通量密度與光和呼吸速率之間的關系，然后通過鳥群算法需求當前環境下的光飽和點。

最終，擬合在不同環境下獲取的最優光飽和點構成光環境最優模型。

1 基于SVM構建的光合速率模型

1.1 基于SVM的光合速率模型的建立

植物的光合速率與環境中的光子通量密度、溫度和CO2濃度三者之間存在著非線性的關系。SVM是機器學習中常用的數據處理算法之一，常用于非線性的分類與回歸問題，其核心思想就是找出最優的超平面，使得靠近超平面且難分點的數據點間距最大[8-9]。由于SVM使用核方法從低維映射到高維，模型復雜度不受到維數影響，因而可以用來預測植物的光合速率。

使用SVM構建光合速率模型的主要步驟如下：歸一化處理，建立預測樣本集與訓練樣本集，核函數和懲罰因子的選取，模型訓練，如圖1所示。

1.2 模型驗證

本文選取張海輝等人進行的試驗數據作為模型驗證數據，試驗“毛粉802”的番茄幼苗作為試驗對象，采用Li-6400XT型便攜式光合儀對不同環境下番茄幼苗的凈光合速率進行量測。為了防止番茄幼苗的“午休現象”，試驗選取在9：30-11：30和14：30-17：30兩個時間段進行。將溫室內濕度控制在60%～70%，通過CO2調節模塊將葉室內的CO2濃度設置成600、900、1200、1500、1800、2000μmol·mol-16個梯度。使用LED光源模塊將光子通量密度設置成100、200、300、400、500、600、800、1000、1200、1400μmol·m-2·s-110個梯度，使用溫度模塊設置12、15、20、24、28、32℃共六個溫度梯度[10]。

在測量時間內，進行360組試驗。每一株幼苗進行三次測量然后取平均值作為最終數據，得到360組數據。輸入360組樣本數據，測試集為72組，訓練集為288組，按照步驟構建光合速率模型并進行驗證，預測結果如圖2所示。

? ? 對測試集的結果進行擬合可得y=0.986x+0.349，決定系數R2為0.995，表明了實測值與模型預測值具有較高的相關性;均方根誤差為0.748，模型預測精度較高。因此證明了基于SVM的光合速率預測模型可以準確的預測出不同環境下的光合速率，為接下來使用鳥群算法進行光飽和點的尋優確立了準確的目標函數。

2 基于鳥群算法構建的光環境最優模型

2.1 基于鳥群算法的光飽和點的尋優

BSA算法常數P設置為0.6，a1和a2均設置為1.5，C和S均設置為1，遷移周期設置為5，最大迭代次數設置為100。

其詳細步驟如下：

步驟一 設定當前環境的溫度和CO2濃度To，Co，構建出當前的適應度函數。

步驟二 基于當前環境隨機生成初始種群、最大迭代次數等參數。

步驟三 使用當前適應度函數計算初始種群的適應度。

步驟四 通過鳥群算法對種群進行更新，并尋求更優的參數xi并更新參數。

步驟五 使用更新后的參數xi進行適應度計算，對比獲取最優適應值后保存。

步驟六 返回到步驟四繼續進行迭代，直至適應度達到穩定值或者滿足終止條件。

步驟七 完成當前環境下最優適應度的計算，輸出當前最優參數xi與最優適應度F。設定下一組溫度和CO2濃度To，Co，構建新的適應度函數，返回步驟一。直至完成全環境范圍內的光飽和點尋優。

2.2 光環境最優目標值模型的建立

基于BSA優化算法的尋優結果，可得到不同生長環境條件下的光飽和點。以溫度、CO2濃度為輸入，光響應曲線曲率最大值處光子通量密度和光飽和點光子通量密度為輸出，采用SVR進行建模。按4：1的比例隨機分配為訓練集與測試集，訓練集樣本為80，測試集樣本為20。訓練結果如表1所示。

3 模型驗證

為了驗證基調控模型的預測精度，先通過人工標記的方式獲取驗證集中的光飽和點，再使用本文提出的模型進行光飽和點計算，對比兩種方式獲得的光飽和點來驗證模型的有效性和精確度。光飽和點實際值與模型計算值的相關性分析結果如圖3所示。

? ? 對驗證結果進行擬合可得y=0.979x+19.8，其決定系數R2為0.989，表明實際量測值和模型預測值具有較高的相關性，其均方根誤差為14.58，表明模型預測誤差值較小，對光飽和點的預測值較為精確。

4 結束語

本文主要構建了光環境最優目標值模型，首先設計了光合速率模型的構建試驗，以溫度、光子通量密度、CO2濃度為環境變量，測試了不同環境番茄幼苗的光合速率，然后對誤差值進行了濾除，使用SVM對溫度、CO2濃度、光子通量密度與光合呼吸速率四者之間的關系進行非線性擬合，得到光合速率模型，然后基于光合速率模型確定在不同環境下的目標函數，通過鳥群算法對最優光飽和點進行尋優，從而獲得不同環境下的最優光飽和點，進而完成光環境最優目標值模型的構建。經過驗證，表明本文建立的光環境最優模型具有較高的預測精度，為設施大棚的光環境調控提供了有效依據。

參考文獻：

[1]于海業，孔麗娟，劉爽，等.植物生產的光環境因子調控應用綜述[J].農機化研究，2018，40（8）：1-9.

[2]張東來，張玲，葛文志.不同光環境對胡桃楸幼苗生物量及光合生理的影響[J].森林工程，2017，33（5）：8-11.

[3]張靜，王雙喜.溫室番茄光合作用模擬模型中環境因子的影響[J].農機化研究，2011，33（7）：57-59.

[4]Afiatdoust F， Esmaeilbeigi M. Optimal variable shape parameters using genetic algorithm for radial basis function approximation[J]. Ain Shams Engineering Journal， 2015， 6（2）：639-647.

[5]Changdar C ， Mahapatra G S ， Pal R K . An improved genetic algorithm based approach to solve constrained knapsack problem in fuzzy environment[J]. Expert Systems with Applications， 2015， 42（4）：2276-2286.

[6]Haghighi M， Abolghasemi R， Silva J A T D. Low and high temperature stress affect the growth characteristics of tomato in hydroponic culture with Se and nano-Se amendment[J]. Scientia Horticulturae， 2014， 178（178）：231-240.

[7]Wu J， Hao Y. Linear Regression-Based Efficient SVM Learning for Large-Scale Classification[J]. IEEE Transactions on Neural Networks & Learning Systems， 2017， 26（10）：2357-2369.

[8]司剛全，李水旺，石建全，等.采用改進果蠅優化算法的最小二乘支持向量機參數優化方法[J].西安交通大學學報，2017，51（6）：14-19.

[9]付光遠，辜弘煬.基于數據分布特性的支持向量機核參數選擇方法[J].計算機應用，2017，37（s1）：103-105.

[10]劉翔.基于光溫耦合的設施光環境檢測與智能調控系統設計[D].2015.

[11]孟令通，朱洪淵，蔣祖華，等.基于遺傳算法的平板車調度優化方法[J].哈爾濱工程大學學報，2018，39（3）：554-560.