基于植物工廠LED陣列補光燈的栽培槽平面光場強度預測模型

鄭吉澍，劉劍飛，李佩原，李 脈，張 凱，李 萍

(重慶市農業科學院農業工程研究所，重慶 401329)

【研究意義】光照是影響植物光合能力、生長發育及干物質積累的核心環境因素，而重慶地區寡照問題突出，導致作物生長受阻，農業受災面積逐年擴大[1-2]。人工補光技術是解決重慶地區農業生產中寡照問題的關鍵所在[3-5]。密閉型植物工廠是裝配有人工光源等模塊的一種高度專業化、現代化設施農業，其采用非透明熱絕緣材料建造，使封閉系統與外界通風和熱交換量保持在最小限度，而人工光源是其內植物生長的唯一光照來源，通過高精度的環境條件控制，可滿足農作物周年生產和科研需要，即利用計算機、嵌入式控制器、高性能執行設備等對植物生長的光照、溫度、濕度、CO2濃度及營養液等環境條件進行自動控制，使作物生長不受或很少受重慶當地自然條件的制約[6-7]。傳統的作物補光多采用固定光強、固定高度的方式，但這種方式存在一定的弊端，其未考慮到不同高度下的光場分布均勻性問題，易造成作物光抑制或者光脅迫；而且未考慮到不同種類作物、不同生長時期的需光差異性，易造成不必要的能耗損失[8]。因此，通過探究不同高度、不同光強比例條件下栽培槽平面光場強度的分布規律，構建栽培槽平面光場強度預測模型，根據不同種類作物、不同生長時期的光需求，實現植物工廠補光燈高度、光照強度的動態調控，可精準滿足作物的光需求，避免作物出現光脅迫等障礙，還可有效減少補光燈能耗損失。【前人研究進展】隨著智慧農業的迅速發展，眾多學者在光照對作物生長發育的影響方面開展了大量研究。如Fantini等[9]提出光照是一種關鍵的環境因素，能夠影響植物整個生命周期中的多種生理過程，發現吸收藍光的隱色素可以影響種子萌發、開花誘導、植物結構、果實代謝物含量及對生物和非生物脅迫的抵抗力。Liu等[10]以26個小麥品種為研究對象，通過大田實驗證明了植株冠層光截獲能力直接影響小麥的生長發育及產量。Baligar等[11]以9種多年生豆科植物為研究對象，分析溫室條件下3種光子通量密度處理對豆科作物生長的影響。結果表明，隨著光子通量密度的增加，凈同化率、SPAD指數、凈光合作用、氣孔導度、蒸騰作用和蒸汽壓虧缺等均明顯增加，同時提高了養分的吸收速率，證明冠層受光強度對作物生長具有直接影響。Wang等[12]研究了外界光環境對大豆根系發育的影響，結果表明，通過調控葉片磷素狀態和蔗糖運輸的各種光照條件(陰影光)來調節生長素的合成，并對根系的形成和分布做出反應。Guo等[13]以玉米為研究對象，開展了大田自然光和遮陰種植比較試驗，結果表明光環境直接影響玉米的根管生長及產量。趙凱旋等[14]針對西安市臨潼區冬季寡照低溫天氣難以滿足番茄喜光喜溫特性的問題，以日光溫室為試驗場景，開展了補光溫室和自然光溫室栽培對比試驗，結果表明補光條件下的番茄始花期、始收期分別提前5、8 d，同時其莖粗、果徑、單果重等指標均優于自然光對照組，證明了寡照條件下人工補光對作物生長發育具有明顯促進作用。韋朝妹等[15]以多肉植物為研究對象，分析補光時長對多肉植物的生長性狀及生理指標的影響，尋求最佳補光時長。結果表明補光條件下多肉植物的株高、冠幅、葉綠素含量、根系活力等生長指標明顯增加，而且補光時長為4 h的多肉植物生長指標及觀賞效果最佳。陳暉等[16]以溫室草莓為研究對象，分別在開花期和結果期進行了補光對比試驗，結果表明補光可顯著促進草莓的生長發育，具體表現在果實大小、總糖、總酸及固形物含量等方面表現更優，且紅光占比高的補光條件對草莓品質的促進效果更好。在作物的光需求模型研究方面，張海輝等[17]以溫室黃瓜為研究對象，采集不同葉位的光合能力和葉綠素含量等指標，證明了黃瓜不同葉位的光需求具有差異性，結合智能算法構建了立體光環境優化調控模型，為黃瓜的立體補光提供定量依據。王智永等[18]以溫室黃瓜為研究對象，通過設計黃瓜全生育期的多環境因子嵌套試驗，建立了一種基于向量機-蟻群算法(SVM-ACO)的黃瓜光環境優化調控模型，探明了黃瓜全生育期的光需求。王東等[19]以溫室番茄為研究對象，通過設計溫-光耦合試驗建立多元非線性光合速率預測模型，再采用遺傳算法進行光飽和點數據獲取，進而建立溫-光與光飽和點之間的光環境優化調控模型，并在番茄幼苗階段進行了驗證，證明了該模型在光環境優化調控方面應用效果良好。Tan等[20]以溫室番茄為研究對象，基于番茄生長模型提出了一種溫室光環境優化控制方法。該方法將光環境優化控制問題分為最優層次和控制層次兩個層次，大大簡化了傳統光環境優化控制的計算復雜度和最優解的獲取問題。結果表明該方法比基于固定閾值的光環境調控方法的成本更低，更具節能效果。Alameh等[21]以蔬菜和草藥為研究對象，探究光源波長對作物生長速度和品質的影響機理，結果證明紅光和藍光LED補光比全光譜補光的效果更可靠、更有效，并可以顯著增強作物的光合活性、抗氧化特性、酚類和類黃酮含量，從而增加作物的生物量及營養價值。這些研究充分證明了本文以紅藍光為主的植物補光燈為研究對象進行栽培槽平面光場強度預測模型構建的合理性。Thomas等[22]以植物工廠水培生菜為研究對象，探究了3種光質(白色、藍色和紅色)和3種光周期[8/16光/暗(L/D)、16/8 L/D和24/0 L/D]對水培生菜生長速度、產量及品質的影響。結果表明，水培生菜的生長速度、產量及品質受到光質和光周期的顯著影響；在24/0 L/D光周期下，紅光下植株的新鮮生物量、干物質含量比藍光和白光下植株分別提高了40.7%、26.6%；在16/8 L/D光周期下，紅光下植株的新鮮生物量、干物質含量與24/0 L/D光周期的藍光和白光條件下的植株相當；然而，在24/0 L/D光周期的藍光下生長的植株中，觀察到其大部分生長參數顯著優于其他處理。Zhang等[23]以藥用植物丹參為研究對象，設置了單色藍光(460 nm，B)、單色紅光(635 nm，R)、白光及各種BR光組合(9B∶1R、7B∶3R、1B∶1R、3B∶7R、1B∶9R)處理，探究光質對丹參生長和次生代謝產物積累的影響。結果表明，藍光和紅光結合補施促進了丹參的生長，并通過上調該草本植物中SmPAL1和Sm4CL1的轉錄增強了酚酸的積累。Khoramtabrizi等[24]以植物工廠栽培的萵苣為研究對象，探究了3種LED光源[全紅色(R)，75%紅色、25%藍色(RB)，50%紅色、25%藍色、25%遠紅色(RBF)，光強均為250 μmol/(m2·s)對萵苣生長的影響。結果表明，植物在連續光照條件下生長導致暴露于R和RB處理的植物葉片上出現一些壞死斑點；全R處理的鮮重、干重和葉面積最高，且葉片出現變形；與R處理相比，RBF處理的植株非常高大，壞死斑點數量有限。【本研究切入點】上述研究從不同角度探究了光照強度、光照周期、光質、光利用率等對作物生長的影響，證明了良好的光環境對作物生長發育、品質提升、養分積累等具有顯著促進作用，也證明了紅光和藍光結合補施對作物生長發育的促進效果較優。此外，部分研究從模型構建角度證明了作物全生育期及不同葉位的需光性存在差異，并建立了相應的作物需光模型。然而，鮮有人研究實際種植場景中特定類型補光燈的栽培槽平面光場分布規律，也鮮有研究針對不同作物、不同生長階段的需光差異性進行LED補光燈的栽培槽平面光場強度預測模型構建，并以模型為指導，實現不同種類作物、不同生長階段下補光燈高度及強度的自動化精準調控。【擬解決的關鍵問題】本研究以重慶市農業科學院的密閉型智能仿真農業環境實驗室為基礎，通過測定其LED光源模組不同高度、不同光強比例下的栽培槽平面光照強度，探究不同條件下的栽培槽平面光場分布規律，采用回歸型支持向量機(SVR)建立補光燈不同高度、光強比例條件下的栽培槽平面光場強度預測模型，并根據模型對不同作物、不同生長階段下補光燈的高度及強度進行優化調控，實現作物產量品質的最大提升及能源的最優利用。

1 材料與方法

1.1 試驗設備

本試驗在重慶市農業科學院的密閉型智能仿真農業環境實驗室中進行。該實驗室主要包括庫體及環境調控系統、人工光源系統、栽培槽子系統、智能控制系統4個子系統，可實現對溫度、光照、濕度、CO2濃度等環境因素的精準調控(圖1)，其中人工光源系統采用柔性可調的智能LED光照系統。在光密度方面，LED燈正下方30 cm處光密度約1000 μmol/(m2·s)，其中藍光約350 μmol/(m2·s)，紅光約650 μmol/(m2·s)；在組合方式方面，采用模組化設計，每個模組約350 W，大致尺寸為324 mm×385 mm×188 mm(長寬高)，其中藍光120 W，紅光200 W，紫光6 W，遠紅光10 W；在光質配比方面，每個模組配備控制模塊，對紅光和藍光光強可以進行精準調控，調整好的混合光譜配置均勻，理論上可以實現任意紅藍光質比例；在光照均勻度方面，LED光照方向性較強，采用光學處理，整體平面光照均勻性好，可避免植物葉片局部光密度過高造成光損傷；在高度控制方面，為實現作物生長過程中光源高度的自動化調整，利用電動高度控制裝置和系統，通過軟件操作控制單位數量的LED光源高度。

圖1 密閉型智能仿真農業環境實驗室效果Fig.1 Design sketch of closed intelligent simulation agricultural environment laboratory

1.2 試驗方法

1.2.1 基礎數據獲取 基于上述試驗條件，以單個栽培槽子系統所對應的3個并排光源模組為研究對象，通過光源高度控制裝置分別控制光源模組下平面與栽培槽平面的距離為20、30、40 cm，通過光源控制系統分別設置10%、20%、30%、40%、50%、60%、70%、80%、90%、100%、110%、120%、130%、140%、150%、160%、170%、180%、190%、200%共計20個光強比例梯度，然后采用LI-250A光照計測量不同高度、不同光強比例條件下栽培槽平面范圍內的光照強度值。其中，栽培槽所在平面的尺寸為100 cm×110 cm，測量點的間距為10 cm，具體測量場景及點位布局如圖2所示。整個試驗過程共采集不同高度、不同光強比例條件下的栽培槽平面光場強度數據6600條，參與后期模型構建。

1.2.2 預測模型構建思路 回歸型支持向量機是一種基于統計理論發展起來的針對小樣本數據集的訓練精度高的方法，可將低維空間數據映射到高維空間進行處理，從而達到高精度模型構建的目的[25-28]。因此，本研究采用回歸型支持向量機，以補光燈高度、補光燈光強比例、栽培槽平面位置信息(行、列)為輸入，栽培槽平面光場強度為輸出，進行栽培槽平面光場強度預測模型構建。具體建模過程如圖3所示。

1.2.3 數據預處理 本研究采集了6600組數據，隨機選取總數據集的80%(5280組)參與模型訓練過程；選取剩余的20%數據集(1320組)參與模型的驗證過程。由于補光燈高度、光強比例、空間位置等數據之間量綱不一致，如果直接參與模型訓練會導致模型收斂難等問題[29]。為有效避免這個問題，采用歸一化數據處理方式進行預處理，歸一化處理區間為[0.2,0.9]，具體計算公式如下：

y=xmin+0.7×(x-xmin)/(xmax-xmin)

(1)

式中，y為歸一化處理之后的補光燈高度、光強比例、空間位置數據，x為歸一化處理之前的補光燈高度、光強比例、空間位置數據，xmax、xmin為前述補光燈高度、光強比例、空間位置數據中同一個量綱數據集序列中的最大值、最小值。

1.2.4 核函數及核心參數確定 回歸型支持向量機中核心內容包括核函數的選擇及核心參數c、g的確定，常見的核函數包括徑向基核函數、線性核函數、多項式核函數。其中，徑向基核函數是最受歡迎的一種核函數，具有不隨計算過程的參數變化而增加模型復雜度的優點[30-32]。因此，本研究采取徑向基核函數參與后續的模型構建。核心參數c主要影響徑向基核函數的形態，影響因子g主要影響模型的精度，通過交叉驗證方法進行不同組合的c、g參數訓練，最終確定c、g參數分別為2、4。

圖2 測量場景及點位Fig.2 The measurement scene and point bitmap

圖3 基于SVR的栽培槽平面光場強度預測模型構建Fig.3 Construction of SVR based prediction model for plane light field intensity of cultivation tank

1.2.5 預測模型構建 基于劃分的訓練數據集和測試數據集，結合選定的徑向基核函數進行栽培槽平面光場強度預測模型構建，將低維空間不可分問題映射至高位空間進行回歸決策分析。其中，決策函數如下所示：

(2)

模型構建過程中所選擇的徑向基核函數表達式如下：

k(xi,x)=exp(-σ×‖xi-x‖2)

(3)

式中，σ為寬度信息。

基于上述過程，通過將訓練集樣本數據代入模型進行訓練，再用測試集數據對構建的模型進行驗證，證明模型的泛化性能及可靠性。

2 結果與分析

2.1 不同高度、不同光強比例條件下栽培槽平面光場分布規律

為探究不同高度、不同光強比例條件下的栽培槽平面光場強度變化規律，采用Origin 2018軟件分別繪制20、30、40 cm高度下10%、100%、200%光強比例條件的栽培槽平面光場分布圖(圖4～6)。同一光源高度條件下，隨著光強比例的增大，栽培槽光場曲面上的光場強度值也隨之增加；同一光強比例下，隨著補光燈高度的增加，栽培槽光場曲面中心區域的光場強度值隨之減小，而光場曲面邊緣區域的光場強度值則有一定程度的增加。究其原因是補光燈高度較低時，邊緣區域受光受限，導致光場強度值較低；隨著補光燈高度的增加，邊緣區域接收到更多的疊加光線，其光場強度值增大。此外，隨著補光燈高度的增加，發現栽培槽光場曲面由隱約的“三峰”向“獨峰”過渡。雖然在這個過程中光場分布趨于均勻化，但也損失了部分光照強度。因此，在實際的作物生產過程中，應根據不同作物、不同生長階段的光照需求進行補光燈高度的動態精準調控。

圖4 20 cm高度條件下不同光強比例的栽培槽平面光場分布Fig.4 Plane light field distribution of cultivation tank under different light intensity ratio at 20 cm height

圖5 30 cm高度條件下不同光強比例的栽培槽平面光場分布Fig.5 Plane light field distribution of cultivation tank under different light intensity ratio at 30 cm height

圖6 40 cm高度條件下不同光強比例的栽培槽平面光場分布Fig.6 Plane light field distribution of cultivation tank under different light intensity ratio at 40 cm height

2.2 模型構建方法對比

一般的多元非線性回歸方法在應對多維輸入問題的模型構建方面存在模型精度不高、易過擬合等問題，而神經網絡方法可有效解決這些問題。為選擇一種模型精度最佳的栽培槽平面光場強度預測模型構建方法，本研究采用BP神經網絡[33-34]、遺傳算法優化的BP神經網絡(GA-BP)[35-37]、粒子群優化的BP神經網絡(PSO-BP)[38-39]、極限學習機(ELM)[40-41]、回歸型支持向量機(SVR)[27-28,42]5種方法構建栽培槽平面光場強度預測模型，通過對比均方誤差、平均絕對誤差、平均相對誤差和決定系數等指標選定最佳建模方法。對比結果如表1所示，可發現SVR算法在本研究所得數據集上表現最佳。

表1 不同建模方法的結果對比

2.3 栽培槽平面光場強度預測模型驗證

本研究通過嵌套補光燈高度、光強比例及空間位置信息共計采集6600個數據樣本。劃分總數據集的80%，即5280個樣本數據參與栽培槽平面光場強度預測模型構建，其建模結果如圖7所示，所得模型的訓練精度R2達0.9897。

圖7 栽培槽平面光場強度預測模型訓練結果Fig.7 The training results of prediction model of plane light field intensity in cultivation tank

為進一步驗證模型的泛化性能，將剩余的20%數據樣本用于模型性能驗證，結果如圖8所示，所得模型的測試精度R2達0.9815，說明構建的模型性能可靠，能精準地預測不同高度、不同光強比例、栽培槽平面不同位置處的光場強度信息。

3 討 論

目前，對于光環境與作物生長發育之間的相關性，大多研究分析了光質、光周期、光照強度、冠層光利用率等對作物生長速率、生物量、色素、品質、產量、代謝產物等的影響；部分研究探討了作物不同生長階段、不同葉位的需光差異性，建立了相應的光環境優化調控模型。本研究探明特定類型LED補光燈在不同高度、不同光強比例下的栽培槽平面光場分布規律，建立補光燈高度、光強比例與栽培槽平面光場強度之間的定量模型，并應用此模型，再結合不同作物、不同生長階段的實際光需求進行補光燈高度及光強比例的智能調控。這一出發點與現有研究不同，主要考慮從光源供給端出發實現可控、可預測的光場強度調節，根據作物生長所需進行光照強度控制。

植物生長過程中，隨著自身光合器官的發育及光合功能的完善，其需光性是動態變化的。在生長初期，植株相對較小，葉片光合功能發育不全，光合能力較弱，光需求較小，此階段如果補光過多，極易造成植株的頂葉、新葉出現光抑制甚至光破壞；隨著植株長大，作物的光合功能發育完全，為積累更多的干物質，其光需求也逐漸增大。從一天(晴天)中外界光環境變化分析，早晚時段外界自然光照相對較弱，及時按需補光可促進作物生長；中午時段外界光照強度較大，自然光環境可滿足作物生長所需，大多不需要補光，即使需要補光，也只需補施微量。在陰天條件下，外界自然光相對較弱，通過按需補光，可彌補自然光不足影響作物生長的缺陷。傳統補光多采用定時、定高、定量補施的方式，這種方式不能適應作物不同生長階段的實際光需求變化，易導致光抑制甚至光破壞，或造成不必要的電能損耗和浪費，而本研究構建的栽培槽平面光場強度預測模型可有效解決這些問題。

本研究采用LED陣列補光燈，通過調節補光燈高度和光強比例，可使栽培槽平面光場強度處于121～2560 μmol/(m2·s)范圍內，滿足大多數作物全生育期的光照需求。綜合考慮不同光源高度下光場分布的均勻性問題，得出40 cm高度下光場分布相對均勻，其光強可滿足一般作物的生長需求；其他高度條件，一定程度上損害了光強的均勻性，不能發揮補光燈的最大優勢。本研究構建的栽培槽平面光場強度預測模型精度R2達0.9815，一定程度上保證了栽培槽平面的光強值預測的可靠性，在未來的研究和實際應用過程中，可根據不同作物、不同生長階段的實際光需求或者最佳光需求，結合光照供給端模型和光照需求端模型來實現補光燈高度、光強比例的精準調控，以此滿足作物的光環境需求。在實際生產應用中，由于作物冠層層次不齊、葉片高度不一，在補光燈高度精準控制方面需要配備高精度的距離傳感器，同時選定不易受影響的距離控制基準點位置。本研究構建的栽培槽平面光場強度預測模型可作為植物工廠栽培場景下補光燈高度及光強比例調節的依據，如果是設施溫室，還需要配置精準的光照傳感器監測外界自然光強，與作物實際光需求進行實時求差運算，獲取補光燈需要輸出的光強。此外，構建的栽培槽平面光場強度預測模型不僅可以配合作物的光需求模型，還可以配合作物的生長模型進行補光燈的智能調控，在后續的研究中，應進一步探析這些模型之間的最優配置。

圖8 栽培槽平面光場強度預測模型驗證結果Fig.8 The verification results of prediction model of plane light field intensity in cultivation tank

4 結 論

本研究針對傳統定量、定高、定時補光措施存在的問題，結合不同作物、不同生長階段的需光差異性，基于SVR算法提出了一種面向植物工廠LED陣列補光燈的光場強度預測模型，模型精度R2可達0.9815，為后續設施農業或植物工廠內作物按需補光奠定了良好的基礎。在實際應用過程中，考慮到不同作物生長形態、葉片遮擋及株高的差異性，本研究構建的模型可能比較適用于株高較低且冠層均勻的作物，如生菜、草莓等。針對番茄、黃瓜等株高較高的作物，還需進一步開展立體補光裝置及光環境預測模型的構建研究。