人工智能輔助種植策略對溫室草莓生產調控效果對比研究

摘要：人工智能（Artificial Intelligence ，AI）輔助種植有助于提高設施園藝作物精準化管理水平、緩解日益凸顯的勞動力緊缺問題。草莓是典型的勞動密集型園藝作物，研究對比采用不同 AI種植策略和關鍵技術對草莓溫室生產的調控效果，可對園藝作物種植的 AI技術改進和產業化應用提供參考。本研究對比分析了4個不同 AI種植策略對草莓生長發育和產量及品質的調控效果，并以人工種植管理為參照，對 AI種植的技術特點和存在問題進行了分析。結果表明，知識圖譜、深度學習、視覺識別、作物模型和作物生長仿真器等技術在草莓 AI種植中各有優勢。其中，AI-1組采用知識圖譜技術將專家經驗、作物數據和環境數據進行融合，建立了標準化草莓種植知識結構和智慧種植決策方法，對作物生產發育的調控較為穩健，以較低的投入獲得了最高產值。與人工種植管理相比，AI種植策略組的平均產量提高了1.66倍，平均產值提高了1.82倍，最高投入產投比提高了1.27倍。針對高產優質的目標，在配備較完善的智能化設備和控制組件的溫室生產條件下，AI輔助種植能有效提高草莓種植管控的精準度，減少水肥和勞動力的投入，獲得較高的收益，但也存在對人工管理擾動的模擬難、作物本體信息采集難等問題。

關鍵詞：人工智能;草莓;種植策略;調控效果;自動化溫室;知識圖譜

中圖分類號：S625.5+1;S3""""" 文獻標志碼：A"""""""" 文章編號：SA202203006

引用格式：耿聞軒， 趙俊曄， 阮繼偉， 侯躍輝.人工智能輔助種植策略對溫室草莓生產調控效果對比研究[J].智慧農業（中英文）， 2022， 4（2）：183-193.

GENG Wenxuan， ZHAO Junye， RUAN Jiwei， HOU Yuehui. Comparative study of the regulation effects of artificial intelligence-assisted planting strategies on strawberry production in greenhouse[J]. Smart Agriculture， 2022， 4（2）：183-193.（in Chinese with English abstract）

1引言

中國是世界草莓第一生產大國和消費大國，年產量超過300萬噸，占世界總產量的50%以上[1]。在生產方式上，中國草莓已經基本由傳統的露地栽培轉變為設施栽培，其中半促成栽培和促成栽培都占較大的比重。目前，南方產區草莓大棚逐漸向連棟大棚的方向發展，北方產區新一代日光溫室正逐漸取代傳統日光溫室[2]。伴隨設施條件的改善，遠程環境監測、水肥一體化等技術已成為草莓設施生產的常規配置[1]。但由于草莓植株矮小、生長量大、易染病，對溫度、濕度、光照要求較高，生產管理過程中人工成本很高，且常因栽培管理技術粗放，缺乏標準化栽培模式，導致植株長勢較差，畸形果多，病蟲害嚴重，生產水平仍與發達國家存在差距[3]。近年來，機器學習、專家系統等人工智能技術在農業中加快研究和應用，在提高精細化管理水平、緩解勞動力緊缺等方面被寄予厚望。草莓作為勞動密集型產業的典型代表，對智能化技術的應用需求也日漸迫切。

信息技術在設施園藝作物生產管理中的應用可以追溯到上世紀80年代，逐漸由傳統的數據庫發展為可以解決復雜問題的決策支持系統[4]。人工智能在作物病害識別、自動灌溉、自動化采摘、產量預測等方面已經有較多的研究。近幾年，人工智能技術在草莓種植中也逐漸發展應用，特別是圖像識別技術在病蟲害識別和果實識別方面進展較快。以卷積神經網絡（ Convolu ‐ tional Neural Networks ， CNN ）為主的深度網絡技術早期病害識別效率高，保證了草莓病害分類的準確性[5-7]。YOLOv4、DCNN 、IoT-Edge等技術的綜合運用，能夠有效提高草莓果實識別速度，減少機械采摘過程中由于定位不準確而造成的果實損傷[8-10]。人工智能遠程作物管理也成為新的研究熱點。溫室氣候模型和作物模型通過模擬和預測溫室環境和作物生長，提供不同生長條件下的植株長勢信息和實現特定生產目標的環境調控信息，為智慧種植決策提供支持。模型結合傳感器和機器學習可以實現溫室作物生產的自動化控制，目前在黃瓜、番茄、甜椒等作物的產量和品質調控方面得到了成功驗證[11-13]。然而，人工智能在溫室作物生產控制中的應用仍然有限，關于草莓智能化種植整體策略及對草莓生產綜合調控的研究也鮮有報道。

本研究對4種不同的草莓人工智能（ Artifi‐ cial Intelligence ，AI ）輔助種植策略的技術選擇和實施效果進行了對比，并以人工種植管理為參照，分析了不同 AI 種植策略對草莓生產的調控效果。以期為 AI 種植草莓的策略和技術選擇提供必要參考，為草莓數字化種植技術改進提供思路。

2材料和方法

2.1試驗環境

2.1.1試驗地點和作物

草莓種植地點為云南省昆明市富民縣國家高原云果產業園（25.2082°N ，102.5737°E）。草莓品種選用“章姬”，其具有生長勢強、結果早、坐果率高、果形大、糖度高等特性。于2020年6月20日至7月19日對營養缽苗進行短日照催花處理，7月20日定植，12月底基本完成三個花序的采收。與常年相比，2020年種植期間氣溫和降水量基本在正常范圍，無較大波動。

2.1.2溫室結構和設備

本研究包括1個 AI 種植策略組和1個對照組。AI 種植策略組包含4種 AI 種植處理，分別以 AI-1、AI-2、AI-3和 AI-4表示，人工種植作為對照組，以 CK表示。AI種植策略組所用玻璃日光溫室面積為96 m2" （12 m×8 m），配備荷蘭騎士集團生產的施肥、灌溉、開關窗、通風和遮陽等智能控制系統和環境傳感器來采集溫室內外的溫濕度、CO2濃度、風速、風向、大氣壓、光照和光合輻射等數據。通過螢石云攝像頭遠程采集植株生長圖像數據，鏡頭分辨率為1920×1080。溫室內設6條立架式栽培槽，每條栽培槽內定植100株草莓，采用泥炭和珍珠巖混合物（體積比為8：2）作為栽培基質。另，AI-2處理額外添加了光合有效輻射傳感器，莖粗和葉片厚度傳感器以及種植槽水含量和 EC 傳感器，以上設施設備均可以自動控制和遠程操控。CK 組所用傳統鋼架拱棚面積為96 m2" （12 m×8 m），每個溫室內設6條落地種植槽，每個種植槽定植100株草莓，栽培基質同 AI 策略組。配套設施有風機、遮陽網、防蟲網、水泵、硫磺熏蒸器、滴灌軟管、定比施肥器、溫濕度計、EC 測量儀和 pH 測量儀。 CK 組設施和設備均需手動操作，不能進行自動控制和遠程操控。

2.2 AI種植策略

AI 種植策略組進行草莓種植管理的基本流程一致。利用環境傳感器實時監測采集溫室內外的氣溫、濕度、CO2濃度以及基質溫度、EC值等環境信息，利用攝像頭等實時采集作物生長的圖像信息，并將收集到的環境和作物信息數據經過AI 決策系統的處理，結合專家經驗形成對生產管理的決策，然后通過控制組件對水、肥、藥和光照、溫度、空氣等溫室環境因子進行遠程控制和調節。在此基礎上，AI種植策略組4個處理分別采用了個性化的 AI 種植策略和技術方案（表1）。

2.3作物生產管理方式

AI 種植策略組作物生產管理分為遠程管理和現場管理兩部分。遠程管理指通過 AI 智能決策系統遠程操控溫室控制組件，實施灌溉、施肥、遮光、補光和通風等具體操作，對溫室環境和作物生長進行干預?，F場管理指通過人工開展的輔助操作，具體包括摘除老葉、疏花、疏果和果實采摘。CK 組生產管理均采用人工操作，包括開關棚、遮陽、水肥調控、病蟲害防控以及疏花疏果等，在出現植株缺素或養分脅迫時，根據種植經驗調整水肥配比，調節 pH和 EC值。田間植保和植株管理參照當地通用管理措施[24]。AI種植策略組和 CK組的果實在成熟期采用相同的標準采摘，測定產量和品質。

2.4生長發育指標測定

每兩周測量記錄 AI 種植策略組作物莖粗、葉片數、葉長和葉寬等生長指標的變化，包括用數顯游標卡尺測定植株縮短莖直徑，統計葉片數，用直尺測量各單株最新完全展開葉的長度和寬度。觀測記錄 AI種植策略組各處理第一花序、第二花序和第三花序開花時間。

2.5產量和品質測定

2.5.1 產量測定

將2020年9月10日至11月30日采收的第一和第二花序的草莓果實記入產量。采用隨機抽樣法測定產量，每3～4天測產一次，在每個溫室中間的4條種植槽中隨機抽取連續的20株作為測產對象，共計80株植株樣本。所采集的熟果需滿足單果重10 g 以上，果形周正無病蟲害，具有商品價值。產量評價采取分級評價方式，將符合要求的果實分為 A 級（≥30 g）、B 級（21～30 g）、C 級（16～20 g）、D 級（10～15 g）四個級別。分級產量為樣本植株不同級別平均單果重與植株總數的乘積，總產量為 A～D 級分級產量的總和。

2.5.2 品質測定

以果實甜度作為品質衡量指標。每次果實采收完成產量測定后，隨機取10個果實分別從果實中部橫切，擠壓出果汁滴于便攜式分光光度計（型號 PAL-1，日本東京 Atago公司）測定果實可溶性固形物含量，計算10個重復的平均值記為果實可溶性固形物含量，表征果實甜度。

2.6經濟性分析

經濟性分析是對各組投入產出比和凈收益的量化評價，僅以現場數據作為核算標準，流通環節的成本不計入?？偸找娓鶕暝颇鲜∨l市場草莓鮮果行情分級分段計算。成本是各組在種植期間使用的設施設備等固定成本和生產投入的總和。固定成本主要包含溫室使用成本（20.06元/m2）、設施成本和管理成本。生產投入包括人工維護費用、基礎農藥、肥料、水電費用以及新增設施和生產資料的投入。水價和電價分別按照4.20元/t 和1.00元/（kWh）計算。因 AI 種植策略組委托專家團隊進行日常溫室農事管理維護，費用按照2.00元/株額定計算，所需的額外人工勞動按照14.00元/h 累計核算。化肥農藥等農資投入也作為額定成本進行核算，額外添加的農資和設備單獨核算計入成本。凈利潤即總收益減去固定成本和生產投入后的差值，投入產出比即凈利潤與投資總額的比值。

3 結果與分析

3.1不同AI 種植處理草莓生長發育差異

3.1.1 莖粗

莖粗是反映作物長勢的重要指標。由圖1可知，草莓定植后 AI-1的植株莖粗一直保持穩定增長;AI-4的植株莖粗在定植后72 d 內緩慢增長，之后呈穩定增粗的態勢;AI-2和 AI-3定植后59 d內莖粗穩定增長，72 d左右打老葉前后莖粗顯著變小，之后恢復較快增長。從定植后17～59 d ，AI-4莖粗顯著小于其他各處理，定植72 d后，AI-3的莖粗顯著小于其他各處理。

3.1.2 葉片數

葉片是植物進行光合作用的主要器官，圖 2顯示了7月20日至11月中旬草莓單株葉片數的動態變化。定植35 d時各組草莓單株平均葉片數集中在4～5片左右，之后各組呈現不同的動態變化。AI-1葉片數在前期增幅較小，定植80 d后快速增加，在98 d 達到峰值9.35片/株，顯著高于其他各組。AI-2葉片數量在定植56 d之前為各組最高，定植66 d打掉老葉后跌至4片左右，之后較快回升，定植后98 d的葉片數僅次于 AI-1，之后略有增加。AI-3葉片數量變化趨勢與 AI-2相近，但作物生長期內比 AI-2約少1個葉片。AI-4葉片數量自定植后35 d起持續穩定增加，較其他組波動小。

3.1.3葉長和葉寬

葉面積的大小直接影響光合作用的強弱，與果實產量密切相關。如圖3所示，AI-2葉長和葉寬在定植后16～31 d 迅速增大，一直到定植后99 d都維持較高值，之后波動減小;AI-1變化趨勢與 AI-2相近，但葉長和葉寬值較小。AI-3定植后葉長和葉寬迅速增大，在定植44 d達到峰值后不斷下降，定植77 d后一直顯著低于其他組。 AI-4前期葉片生長緩慢，定植58 d后葉長和葉寬迅速擴大，定植后113 d 左右達到頂峰，顯著高于其他各組。

3.1.4草莓生長發育調控效果分析

根據作物莖葉相關指標的動態變化，AI-1的植株長勢相對穩健，該處理綜合運用知識圖譜和視覺識別，將葉片吐水情況作為表征作物水分需求狀況的重要指標并納入機器視覺識別的范圍，實現作物數據的有效采集和處理;并利用作物水肥模型及時調整水肥供給，該處理莖粗波動小，葉片數較多，葉長和葉寬值較高且相對穩定，有利于產生更多光合產物。AI-2處理主要通過機器學習和條件控制算法制定種植策略，對營養生長的調控以減少脅迫為主要目標，依靠作物模型和專家意見來避免極端決策，莖粗、葉片數和葉長、葉寬等指標相對較高。由于溫室番茄的智能種植模式不能與草莓生長完全匹配，導致植株生長發育波動較大。AI-3處理利用 CNN 高殘差網絡圖像識別系統實現對葉面積的高效識別，據此進行溫濕調控，植株前期長勢旺盛，后期長勢偏弱，不利于植株進行光合作用。其原因可能是簡化的作物生長仿真器未能實現對作物養分需求的模擬和預測，導致后期調控精準度下降。AI-4處理在作物生長前期通過開窗通風等措施降低環境溫度，通過減少輻熱積推遲生育期，導致前期莖粗和葉片長勢偏弱，中后期根據長勢調節輔熱積參數，加快了植株生育進程，水分和肥料供給較為充足，植株長勢趨強。

3.2不同AI種植處理草莓開花時期差異

草莓各級花序開花時間的早晚和整齊程度部分反映了 AI 種植策略對營養生長向生殖生長轉變調控的效果。表2顯示了各 AI種植策略處理第一、第二和第三花序開花時期的分布，以半個月為期，數值代表了不同時間段內各組植株的開花率。整體來看，AI-1、AI-2和 AI-3處理絕大部分植株在定植后27～43 d完成了第一花序開花，在定植后74～104 d 完成了第二花序開花，花期較為集中，兩次花序的間隔期較長，調控效果較好。AI-4處理前期通過降低溫室內溫度、減少輔熱積推遲了第一花序，后期通過增加輔熱積和水肥供給加快生育進程，第二花序和第三花序比其他處理提前，導致第一花序和第二花序花期間隔短，重疊度大。

3.3不同AI 種植處理草莓果實采摘時期的差異

草莓果實采摘期與花期的調控效果密切相關，表3顯示了 AI種植策略組各處理果實采摘期的分布。AI-1、AI-2和 AI-3組采摘期基本集中在定植后63～73 d和105～134 d ，74～104 d期間產量較低。AI-1處理通過調控花期使果實采摘期明顯推遲，約 65.40%的果實集中在105～134 d 完成采摘，平均單果重由13.30 g 增加至16.20 g。 AI-2處理的采摘期相對提前，定植后63～73 d采摘果實的個數最多，產量占其總產量的63.28%，但單果重顯著低于其他各組。AI-3處理的果實采摘均勻分布在定植后63～73 d和105～134 d 。AI-4處理第一花序果實成熟期晚于其他三組，集中在定植后74～104 d 采摘，平均單果重顯著高于其他三組;第二花序果實集中在定植后105～134 d 采摘，平均單果重為四組中最低。其原因主要是該組調控推遲了第一花序開花，干物質積累相對充足，提高了單果重，后期通過增加輔熱積加快生育進程，第二花序提前，但干物質積累相對不足，同時第三花序開花提前，與第二花序果實產量形成期有重疊，影響果實發育和成熟。

3.4不同AI種植處理草莓產量和品質分析

從收獲的第一花序和第二花序的商品果來看，AI種植策略組4個處理的累計產量顯著高于 CK組，4個 AI種植策略的平均產量比 CK組產量提高了1.66倍，CK組果實甜度的平均值則比 AI 種植策略組高6.50%（表4）。 AI-1處理共收獲草莓555個，總產量8456.10 g ，A 級果和 B 級果總占比21.65%，可溶性物質含量9.80%，產量、高等級果實占比和甜度方面均優于 AI 種植策略組其他3個處理。AI-2處理產量最低，低等級果實占比高，結合該組營養生長較為旺盛，第二花序的產量較低，表明對營養生長與生殖生長的調控沒有達到較好的平衡。AI-3處理產量7573.20 g，僅次于 AI-1處理，但 D 級果占比73.72%，可溶性物質含量9.23%，為 AI策略組最低，相對高產的同時沒有兼顧品質提升。AI-4處理產量顯著低于 AI-1處理和 AI-3處理，A級果和 B級果總占比8.70%，D 級果占比73.59%，果實均勻度低，主要是前期植株長勢較弱，開花整齊度低，對產量形成產生了不利影響。

3.5不同AI種植處理草莓生產經濟性分析

以第一和第二花序的產值分析各組的經濟性（表5）。 AI 策略組4個處理投入成本均高于 CK 組，投入成本平均值是 CK 組投入成本的1.67倍。與 CK組相比，AI策略組設施投入、水電投入顯著增加，分別為 CK 組的4.08倍和1.32倍，AI 策略組的人工投入和農藥投入顯著減少，分別為 CK 組的69.20%和83.28%。AI 各組肥料投入差異較大，AI-3顯著低于 CK組，而 AI-2顯著高于 CK組。AI組各處理產值均顯著大于 CK組，AI 策略組產值平均值比 CK 組產值提高了1.82倍。AI組各處理的投入產出比均高于 CK組，平均值為0.84，其中 AI-1投入產出比為1.09，比CK 組提高了1.27倍， AI-2投入產出比為0.61，低于其他 AI 組處理，但高于 CK （0.48）。 AI 輔助草莓種植呈現高投入高產出的特征，其中 AI-1處理以較低的投入達到了最高產值。

3.6 AI 種植策略調控效果綜合分析

綜合對比各組植株的生長發育指標、果實產量和品質及投入產出比，AI-1處理對植株生長的調控相對穩健，莖粗、葉片數、葉長和葉寬基本維持在高位，波動平緩，花期相對集中，產量、果實品質和投入產出比均有較優表現。AI-2處理的營養生長相對旺盛，但第二花序的產量顯著低于其他處理，導致總產量最低，表明該組 AI 策略在營養生長向生殖生長的轉化上未能實現較好的調控。AI-3處理產量和投入產出比僅次于 AI-1處理，但莖粗等生長指標波動明顯，植株長勢前旺后弱，果實甜度最低，說明 AI 策略對生長后期的調控效果不佳。AI-4處理的產量、品質和投入產出比低于 AI-1和 AI-3處理，植株長勢前弱后強，第一花序推遲，第二花序提前，同一花序花期分散，該組策略對生長發育有較明確的調控效果，但調控目標有待優化。

分組來看，AI-1處理所采用的知識圖譜將作物生長數據、溫室環境數據和種植專家經驗三種異質信息置于同一框架下進行融合化和結構化，能夠解決農業數據資料分散和利用率低的問題，較準確地判斷出植株在趨向理想狀態時需要調控的環境因素。知識圖譜實現了草莓水肥管理的智能調控，其中用 YOLOv4神經網絡代替傳統人眼識別植株吐水情況、生育期、果實和花朵狀態，對圖片特征提取精度達到了83.79%，展現出了較強的可靠性和穩定性。在第一花序結果數較少的情況下，AI-1處理后期通過減少灌溉量，調控水肥促進第二花序的分化、開花和結實，得到最高產量，A級果和 B級果占比高，果實甜度也較高，在投入相對較低的情況下，獲得了最高的產值和凈收益。

作物模型的適用度和魯棒性對植株生長調控的精準度至關重要。AI-2處理將荷蘭溫室番茄的無限生長模式遷移至草莓種植，通過專家決策和數據驅動融合進行智能決策，前期主要依靠作物模型和專家意見，后期適當提高由機器學習產生決策的比重，部分彌補了傳統模型不匹配的問題。該處理在管理過程中采取增加光照和減少開窗等措施盡量減少脅迫的產生，充足的水肥供給保證了植株長勢良好，莖粗、葉片數和葉長、葉寬等指標相對較高，營養生長相對旺盛。但第二花序開花和結果期間，雙層算法中條件決策的專家經驗和機器學習的數據積累均不足，難以形成有效決策，營養生長與生殖生長的平衡失調，影響了坐果和成熟，導致最終產量不高。

SUCROS87作為一個通用仿真器被廣泛應用于模擬作物潛在生長，有研究發現 SUCROS87仿真器會將產量低估5%～25%[20]，其升級版本能有效降低因參數誤差所導致的不準確性，在高粱、珍珠栗和棉花等作物產量預測方面得到了很好的應用。AI-3處理的調控效果表明 SUCROS87仿真器也可用于草莓產量的預測，但是準確性有待提高?；诒热~面積構建的作物模型對比葉面積敏感度高，微小的比葉面積計算和測量誤差都會降低模型的準確性[25]，且草莓植株打老葉、疏花疏果等常態化操作的擾動也導致模型預測誤差增加。AI-3處理由專家系統實現溫室內溫濕度的智能調控，水肥管理主要根據標準操作程序的生產參數每周調整水肥配方。該 AI 策略下，作物前期植株長勢良好，但第二花序開花期間莖粗、葉片數和葉長與葉寬指標顯著低于其他各組，結果數量雖多，但平均單果重較低，說明簡化的作物生長仿真器難以實現對養分需求的模擬和預測，導致作物生長后期的調控精準度顯著下降。

通過輻熱積構建作物模型可以有效避免比葉面積法對比葉面積高度敏感和破壞性取樣測量的問題[26]。本研究中 AI-4處理基于輻熱積構建的發育模型對草莓生育期的預測表現良好，實現草莓生育期預測誤差為7.87%左右，通過生長和發育模型與物聯網結合實現生產管理的遠程操控。該組前期為提高果實品質，通過縮短光照時間和開窗降溫減少輔熱積，并輔以水肥調控，推遲花序分化，導致前期植株長勢較弱，莖粗、葉長和葉寬均顯著低于其他各組。后期通過增加輔熱積加快生育進程，但葉片數偏少，花序開花整齊度較低，果實采摘收獲時間較其他組分散，且與第三花序花期重疊，雖然在10月下旬結果數較多，但由于干物質積累轉化不足，單果重較低。

4結論與啟示

4.1結論

本研究針對溫室草莓智能化種植，對比研究了四種人工智能輔助種植策略對草莓生產的調控效果。從草莓 AI 種植策略組的實施情況和實施效果來看，在配備較完善的智能化設備和控制組件的溫室生產條件下，通過人工智能調控環境參數，在一定程度上實現了對草莓植株生長發育、開花、果實產量和品質的管控。知識圖譜、深度學習、視覺識別、作物模型、作物生長仿真器、專家系統等技術可組合應用于草莓 AI輔助種植。本研究中，AI-1組以知識圖譜、生長模型、視覺識別等為主要 AI 種植策略，實現了對草莓生長發育和產量與品質的最優調控。

與傳統人工種植相比，AI 輔助決策能有效提高種植管控的精準度，減少水肥、農藥和勞動力的投入，AI種植策略組的平均產量提高了1.66倍，平均產值提高了1.82倍，最高投入產出比提高了1.27倍。

4.2 AI輔助種植存在的不足與啟示

本研究對不同 AI 策略調控效果的分析均來自此次種植，草莓產量和品質形成也是多個技術集成調控的結果，較難同時實現不同 AI 策略調控效果的復現，但分析結果仍可為草莓等園藝作物 AI種植策略制定和關鍵技術選擇提供參照。

4個 AI策略處理均未實現完全的智能化決策與管控，一是草莓定植、打老葉、疏花疏果和采摘等都需要人工管理;二是溫度、光照、水肥等管理決策的制定僅部分由數據驅動，部分依據專家經驗而定。人工現場管理雖然解決了智能化決策管理不能解決的問題，但是同時也產生了新的問題。比如打老葉后，對單個植株和群體都會產生較大的擾動，對基于葉面積和植物干物質分配的生長模型而言，增加了模擬難度。

人工智能決策本質上是數據驅動的決策，但本研究中的 AI 策略種植組均面臨數據不足的問題，其中環境參數采集的信息相對全面，而作物本體信息的采集難度大，數據量少，其主要原因之一是高精度、實時反饋的植物狀態傳感器的缺乏，難以實現對植株物理的、化學的和視覺的全方位監測[27]。各組均利用攝像頭采集植株圖像信息，圖象識別技術在病蟲害識別、果實識別方面研究和應用較多，但是對作物生長動態、產量性狀、品質性狀等信息的提取和解析難度大，也是數據驅動的智能決策需要重點解決的問題[28]。

參考文獻：

[1] 張運濤， 雷家軍， 趙密珍， 等.新中國果樹科學研究70年——草莓[J].果樹學報， 2019， 36（10）：1441-1452.

ZHANG Y， LEI J， ZHAO M， et al. Fruit scientific re‐search in New China in the past 70 years： Strawberry[J].Journal of Fruit Science， 2019， 36（10）：1441-1452.

[2] 王曉立， 韓浩章， 苗昌云， 等.草莓栽培現狀與栽培方式概述[J].安徽農學通報， 2020， 26（10）：36-37， 116.

WANG X， HAN H， MIAO C， et al. Research cultiva‐tion status and cultivation methods of Fragaria anan‐assa[J]. Anhui Agricultural Science Bulletin， 2020， 26（10）：36-37， 116.

[3] 舒銳， 焦健， 臧傳江， 等.我國草莓產業現狀及發展建議[J].中國果菜， 2019， 39（1）：51-53.

SHU R， JIAO J， ZANG C， et al. The current situationand development suggestions of strawberry industry inChina[J]. China Fruit amp; Vegetable， 2019， 39（1）：51-53.

[4] LIN F， CHEN H， ZHUANG P. Intelligent greenhousesystem based on remote sensing images and machinelearning" promotes" the" efficiency" of agricultural" eco‐nomic" growth[J]. Environmental Technology amp; Inno‐vation， 2021： ID 101758.

[5] XIAO J， CHUNG P， WU H， et al. Detection of straw ‐berry diseases using a convolutional neural network[J].Plants， 2020， 10（1）：31.

[6] JIANG Q， WU G， TIAN C， et al. Hyperspectral imag‐ing for early identification of strawberry leaves diseas‐es with machine learning and spectral fingerprint fea‐tures[J]. Infrared" Physics amp; Technology， 2021， 118：ID103898.

[7] MA L， GUO X， ZHAO S， et al. Algorithm of strawber‐ry" disease" recognition" based" on" deep" convolutionalneural network[J]. Cognitive Computing Solutions forComplexity" Problems" in" Computational" Social" Sys‐tems， 2021：1-10.

[8] HE" Z，" KARKEE" M，" UPADHAYAY" P. Detection" ofstrawberries" with" varying" maturity" levels" for" roboticharvesting" using YOLOv4[C]//2021 ASABE AnnualInternational" Virtual" Meeting，" St. Joseph，" Michigan：American Society of Agricultural and Biological Engi‐neers， 2021：1.

[9] ZHANG Y， YU J， CHEN Y， et al. Real-time strawberrydetection using deep neural networks on embedded sys‐tem （rtsd-net）： An" edge AI" application [J]. Computerand Electronics in Agriculture， 2022， 192： ID106586.

[10] PARK" S， KIM J W. Design and implementation of ahydroponic strawberry monitoring and harvesting tim ‐ ing" information supporting system based on nano AI- Cloud and IoT-Edge[J]. Electronics， 2021， 10（12）： ID1400.

[11] HEMMING S， DE ZWART F， ELINGS A， et al. Cher‐ry tomato production in intelligent greenhouses— Sen‐ sors" and" AI" for" control" of" climate，" irrigation，" crop yield， and quality[J]. Sensors， 2020， 20（22）： ID 6430.

[12] HEMMING S， DE ZWART H F， ELINGS A， etal. Re‐mote control of greenhouse vegetable production with artificial" intelligence—Greenhouse" climate，" irrigation， and crop production[J]. Sensors， 2019， 19（8）： ID 1807.

[13] BUWALDA F， HENTEN E JVAN， DE GELDER A， etal. Toward an optimal control strategy for sweet pepper cultivation-1. a" dynamic" crop" model[J]. Acta" Hortic， 2006， 718：367-374.

[14]林森， 郭文忠， 鄭建鋒， 等.基于知識圖譜和機器視覺的智慧草莓生產托管服務系統實踐[J].農業工程技術， 2021， 41（4）：17-20.

LIN" S，" GUO" W，" ZHENG" J，" et" al. Practice" of smart strawberry production hosting service system based on knowledge" graph" and" machine" vision[J]. Agricultural Engineering Technology， 2021， 41（4）：17-20.

[15]張宇， 郭文忠， 林森， 等.基于 Neo4j的草莓種植管理知識圖譜構建及驗證[J].現代農業科技 ， 2022（1）：223-230.

ZHANG Y，" GUO W，" LIN" S，" et" al. Construction" and verification of knowledge graph of strawberry planting management based" on Neo4j[J]. Modern Agricultural Science and Technology， 2022（1）：223-230.

[16]張宇 ， 趙春江 ， 林森 ， 等.基于 Penman-Monteith 模型和路徑排序算法相結合的草莓灌溉方法與驗證[J].智慧農業（中英文）， 2021， 3（3）：116-128.

ZHANG Y， ZHAO C， LIN S， et al. Irrigation method and verification of strawberry based on Penman-Mon‐ teith model and path ranking algorithm [J]. Smart Agri‐ culture， 2021， 3（3）：116-128.

[17]龍潔花， 郭文忠， 林森， 等.改進 YOLOv4的溫室環境下草莓生育期識別方法[J].智慧農業（中英文）， 2021， 3（4）：99-110.

LONG J， GUO W， LIN S， et al. Strawberry growth pe‐ riod" recognition" method" under" greenhouse" environ‐ ment based on improved YOLOv4[J]. Smart Agricul‐ ture， 2021， 3（4）：99-110.

[18] MARCELIS L F M， ELINGS A， DE VISSER PH B， etal. Simulating" growth" and" development" of" tomato crop[J]. Acta Hortic， 2009， 821：101-110.

[19] MORIMOTO， T， HASHIMOTO， Y. AI approaches toidentification and control of total plant production sys‐ tems[J]. ControlEngineeringPractice， 2000， 8：555-567.

[20] KROPFF M J， BASTIAANS L， GOUDRIAAN J. Im ‐plications of improvements in modeling canopy photo‐synthesis" in" SUCROS （a" simple" and" universal" cropgrowth simulator）[J]. Netherlands Journal of Agricul‐tural Science， 1987， 35（2）：192-194.

[21] DIEPEN C AVAN， WOLF J， KEULEN HVAN， et al.WOFOST： A simulation model of crop production[J].Soil Use Manag， 1989， 5：16-24.

[22]倪紀恒， 陳學好， 陳春宏， 等.用輻熱積法模擬溫室黃瓜果實生長[J].農業工程學報， 2009， 25（5）：192-196.

NI J， CHEN X， CHEN C， et al. Simulation of cucum ‐ber fruit growth in greenhouse based on production ofthermal effectiveness and photosynthesis active radia‐tion[J]. TransactionsoftheCSAE， 2009， 25（5）：192-196.

[23]王丹丹， 呂振寧， 李堅， 等.基于輻熱積的日光溫室不同茬次袋培番茄干物質模型比較[J].西北農業學報，2018， 27（2）：238-243.

WANG D， LV Z， LI J， et al. Comparison of dry matterpartitioning" model" of tomato" cultivated with" growth-bag during different growing seasons based on productof thermal effectiveness and photosynthesis active radi‐ation in solar greenhouse[J]. Acta Agriculture Boreali-occidentalis Sinica， 2018， 27（2）：238-243.

[24] RUAN J， WANG G， NING G， et al. Longer duration ofshort-day" treatment" is" required" to" advance" floweringand fruiting of decaploid strawberry 'Tokun'[J]. Hort‐Science， 2020， 55（1）：30-34.

[25]李永秀， 羅衛紅， 倪紀恒， 等.用輻熱積法模擬溫室黃瓜葉面積、光合速率與干物質產量[J].農業工程學報， 2005（12）：131-136.

LI Y， LUO W， NI J， et al. Simulation of leaf area， pho‐tosynthetic" rate" and" dry" matter" production" in" green‐house cucumber based on product of thermal effective‐ness and photosynthetically active radiation[J]. Trans‐actions of the CSAE， 2005（12）：131-136.

[26]徐超， 王明田， 楊再強， 等.苗期高溫對草莓生育期的影響及其模擬[J].中國農業氣象 ， 2020， 41（10）：644-654.

XU C， WANG M， YANG Z， et al. Effect of high tem ‐perature" in" seedling" stage" on" phenological" stage" ofstrawberry" and" its" simulation[J]. Chinese" Journal" ofAgrometeorology， 2020， 41（10）：644-654.

[27]徐凌翔， 陳佳瑋， 丁國輝， 等.室內植物表型平臺及性狀鑒定研究進展和展望[J].智慧農業（中英文）， 2020，2（1）：23-42.

XU L，" CHEN J， DING" G，" et" al. Indoor phenotypingplatforms" and" associated" trait" measurement： Progressand prospects[J]. Smart Agriculture， 2020， 2（1）：23-42.

[28]周濟 ， TARDIEU F， PRIDMORE T， 等.植物表型組學：發展、現狀與挑戰[J].南京農業大學學報， 2018，41（4）：580-588.

ZHOU J， TARDIEU F， RIDMORE T， et al. Plant phe‐nomics： History， present status and challenges[J]. Jour‐nal" of Nanjing" Agricultural" University， 2018， 41（4）：580-588.

Comparative Study of the Regulation Effects of Artificial Intelligence-Assisted Planting Strategies on StrawberryProduction in Greenhouse

GENG Wenxuan1 ， ZHAO Junye1* ， RUAN Jiwei2* ， HOU Yuehui3

（1. Ministry of Agriculture Key Laboratory of Agri-information Service Technology/ Agricultural Information Insti‐tute， Chinese Academy of Agricultural Sciences， Beijing 100081， China;

2. Flower Research Institute， Yunnan Academy of Agricultural Sciences， Kunming 650205， China;

3. Agro-Tech Extension and Service Center of Yunnan Yuanjiang， Yuanjiang 653300， China ）

Abstract： Artificial intelligence （AI） assisted planting can improve in the precise management of protected horticultural crops while also alleviating the increasingly prevalent problem of labor shortage. As a typical representative of labor-intensive indus‐ tries， the strawberry industry has a growing need for intelligent technology. To assess the regulatory effects of various AI strate‐ gies and key technologies on strawberry production in greenhouse， as well as provide valuable references for the innovation and industrial application of AI in horticultural crops， four AI planting strategies were evaluated. Four 96 m2 modern greenhouses were used for planting strawberry plants. Each greenhouse was equipped with standard sensors and actuators， and growers used artificial intelligence algorithms to remotely control the greenhouse climate and crop growth. The regulatory effects of four dif‐ ferent AI planting strategies on strawberry growth， fruit yield and qualitywere compared and analyzed. And human-operated cul‐ tivation was taken as a reference to analyze the characteristics， existing problems and shortages. Each AI planting strategy simu‐ lated and forecast the greenhouse environment and crop growth by constructing models. AI-1 implemented greenhouse manage‐ ment" decisions primarily through the knowledge" graph method， whereas AI-2 transferred the" intelligent planting model" of Dutch greenhouse tomato planting to strawberry planting. AI-3 and AI-4 created growth and development models for strawber‐ ries based" on World Food" Studies （WOFOST） and Product" of Thermal Effectiveness" and Photosynthesis Active Radiation （TEP）， respectively. The results showed that all AI supported strategy outperformed a human-operated greenhouse that served as reference. In comparison to the human-operated cultivation group， the average yield and output value of the AI planting strate‐ gy group increased 1.66 and 1.82 times， respectively， while the highest Return on Investment increased 1.27 times. AI can effec‐ tively improve the accuracy of strawberry planting management and regulation， reduce water， fertilizer， labor input， and obtain higher returns under greenhouse production conditions equipped with relatively complete intelligent equipment and control com ‐ ponents， all with the goal of high yield and quality. Key technologies such as knowledge graphs， deep learning， visual recogni‐ tion， crop models， and crop growth simulators all played a unique role in strawberry AI planting. The average yield and Return on Investment （ROI） of the AI groups were greater than those of the human-operated cultivation group. More specifically， the regulation of AI-1 on crop development and production was relatively stable， integrating expert experience， crop data， and envi‐ ronmental data with knowledge graphs to create a standardized strawberry planting knowledge structure as well as intelligent planting decision-making approach. In this study， AI-1 achieved the highest yield， the heaviest average fruit weight， and the highest ROI. This group's AI-assisted strategy optimized the regulatory effect of growth， development， and yield formation of strawberry crops in consideration of high yield and quality. However， there are still issues to be resolved， such as the difficulty of simulating the disturbance caused by manual management and collecting crop ontology data.

Key words： artificial intelligence; strawberry; planting strategies; regulation effects; automated greenhouse; knowledge graphs