本發(fā)明是一種作物培育方法，特別是一種實(shí)時(shí)數(shù)據(jù)庫和先進(jìn)控制算法的作物培育模式分析優(yōu)化方法。

背景技術(shù)：

作物培育模型調(diào)控溫室內(nèi)部的環(huán)境條件是提高作物經(jīng)濟(jì)效益的重要手段，然而，建立能簡(jiǎn)潔表達(dá)植物生長(zhǎng)需求的適當(dāng)模型是一項(xiàng)巨大的挑戰(zhàn)。過去幾十年，溫室小氣候和作物模型研究是輔助溫室作物生產(chǎn)環(huán)境優(yōu)化調(diào)控和栽培管理的有力工具。其中，作物培育模型一直是農(nóng)業(yè)研究領(lǐng)域中最熱門的研究課題之一。通過預(yù)測(cè)作物生長(zhǎng)狀態(tài)和管理操作的影響，作物培育模型可以幫助決策支持系統(tǒng)(DSS)產(chǎn)生及時(shí)的最佳命令，最大限度地提高種植者的經(jīng)濟(jì)效益。

研究人員很早就開始室外作物培育模型研究，已經(jīng)開發(fā)了大量的作物培育模型，但大多模型開發(fā)的目的是用于科研和教學(xué)，用于農(nóng)業(yè)管理應(yīng)用程序的作物培育模型很少。雖然園藝作物培育模型也取得了很大進(jìn)步，但現(xiàn)有的園藝作物培育模型往往存在兩個(gè)缺點(diǎn)：首先，這些模型很少考慮作物的需求或反應(yīng)。在大多數(shù)模型中，通常將能量/質(zhì)量交換作為預(yù)測(cè)植物生長(zhǎng)狀態(tài)的關(guān)鍵指標(biāo)，而不是來自植物的生理信號(hào)。因此，通常根據(jù)能量或質(zhì)量轉(zhuǎn)化原理來設(shè)計(jì)控制操作程序，往往忽視了植物生長(zhǎng)的真正需求，導(dǎo)致不必要的能量損耗。其次，現(xiàn)有的模型包含大量的參數(shù)，為了描述微氣候、植物和養(yǎng)分之間的復(fù)雜關(guān)系，園藝作物培育模型需要定義每個(gè)交互過程中的若干參數(shù)，如光合作用和水分吸收。因此，一個(gè)作物培育模型往往有大量參數(shù)?，F(xiàn)有技術(shù)中缺少能對(duì)作物培育中的大量參數(shù)進(jìn)行簡(jiǎn)化，進(jìn)而獲得作物培育模型的方式和預(yù)測(cè)作物培育生長(zhǎng)的方式。

技術(shù)實(shí)現(xiàn)要素：

為了解決背景技術(shù)中存在的問題，本發(fā)明提出了一種實(shí)時(shí)數(shù)據(jù)庫和先進(jìn)控制算法的作物培育模式分析優(yōu)化方法。

如圖3所示，本發(fā)明采用的技術(shù)方案是：

1)引入作物培育的生理因素和環(huán)境因素，通過典型相關(guān)分析法(CCA)和支持向量機(jī)(SVM)針對(duì)環(huán)境參數(shù)和生理參數(shù)進(jìn)行分析處理獲得最佳參數(shù)組合；

2)由最佳參數(shù)組合對(duì)應(yīng)的樣本數(shù)據(jù)輸入到支持向量機(jī)中進(jìn)行訓(xùn)練，構(gòu)建獲得能預(yù)測(cè)作物生長(zhǎng)狀態(tài)的作物培育模型，由獲得作物培育模型對(duì)作物培育模式進(jìn)行優(yōu)化。

本發(fā)明是將控制系統(tǒng)安裝在溫室的現(xiàn)場(chǎng)控制箱，將作物正常生長(zhǎng)所需要的環(huán)境參數(shù)納入到可自動(dòng)監(jiān)測(cè)、統(tǒng)一管理的系統(tǒng)中，利用溫室傳感器采集環(huán)境參數(shù)數(shù)據(jù)，并將環(huán)境參數(shù)數(shù)據(jù)和外部方法測(cè)得的生理參數(shù)一起與溫室控制系統(tǒng)采集的生長(zhǎng)參數(shù)相結(jié)合模擬測(cè)算獲得作物培育模型。

所述步驟1)包括：

1.1)通過典型相關(guān)分析法(CCA)分析樣本作物數(shù)據(jù)中環(huán)境參數(shù)與生長(zhǎng)參數(shù)、生理參數(shù)與生長(zhǎng)參數(shù)之間的相關(guān)性，依據(jù)相關(guān)性將顯著影響作物生長(zhǎng)狀態(tài)的參數(shù)值作為主要參數(shù)值；

1.2)利用獲得的主要參數(shù)值，生成代表性因素組合，用支持向量機(jī)(SVM)對(duì)代表性因素組合進(jìn)行篩選獲得最佳參數(shù)組合。

所述步驟1)具體是采用以下方法步驟：

1.1)將環(huán)境參數(shù)中的每個(gè)參數(shù)值與生長(zhǎng)參數(shù)中所有參數(shù)值之間以及生理參數(shù)中的每個(gè)參數(shù)值與生長(zhǎng)參數(shù)中所有參數(shù)值之間通過典型相關(guān)分析法(CCA)進(jìn)行分析獲得環(huán)境參數(shù)和生理參數(shù)中的各個(gè)參數(shù)值與生長(zhǎng)參數(shù)相關(guān)的相關(guān)性系數(shù)，將所有相關(guān)性系數(shù)按從大到小進(jìn)行排列，選取相關(guān)性系數(shù)大于相關(guān)閾值的各個(gè)參數(shù)值作為主要參數(shù)值；

顯著影響作物生長(zhǎng)狀態(tài)的參數(shù)值指的是相關(guān)性系數(shù)大于相關(guān)閾值的情況。

1.2)利用環(huán)境參數(shù)的一個(gè)主要參數(shù)值和生理參數(shù)的一個(gè)主要參數(shù)值成對(duì)組成一組代表性因素組合，從而獲得所有代表性因素組合，接著將每個(gè)所有代表性因素組合對(duì)應(yīng)的樣本作物數(shù)據(jù)分為訓(xùn)練組和驗(yàn)證組的兩組，通過支持向量機(jī)(SVM)用訓(xùn)練組進(jìn)行訓(xùn)練構(gòu)建獲得各自的生長(zhǎng)預(yù)測(cè)模型，再用驗(yàn)證組進(jìn)行測(cè)試，找到最相關(guān)的代表性因素組合作為最佳參數(shù)組合。

本發(fā)明在支持向量機(jī)(SVM)中，首先將訓(xùn)練集從原始模式空間經(jīng)過特定函數(shù)的非線性變換，映射到高維特征空間，將非線性問題轉(zhuǎn)化為某個(gè)高維空間中的線性問題，然后在高維特征空間中，尋找最優(yōu)分類超平面，該超平面實(shí)際上對(duì)應(yīng)著原始模式空間中的非線性分類面。核函數(shù)是支持向量機(jī)訓(xùn)練中的關(guān)鍵因素，它事先在低維上進(jìn)行計(jì)算，將實(shí)質(zhì)的分類效果表現(xiàn)在高維上，避免直接在高維空間中的復(fù)雜計(jì)算。核函數(shù)有很多類型，其中RBF核函數(shù)在復(fù)雜計(jì)算和處理特殊情況時(shí)具有明顯的優(yōu)越性，因此，RBF核函數(shù)被用于模型預(yù)測(cè)。

所述的樣本作物數(shù)據(jù)包括環(huán)境參數(shù)、生理參數(shù)和生長(zhǎng)參數(shù)。

所述的環(huán)境參數(shù)包括白天平均溫度、夜間平均溫度、二氧化碳濃度、相對(duì)濕度、絕對(duì)濕度、光照強(qiáng)度、白光和藍(lán)光比率以及白光和紅光比率。

所述的生理參數(shù)包括凈光合速率、氣孔導(dǎo)度、胞間CO₂(二氧化碳)濃度、PSII(開放的光系統(tǒng)Ⅱ)捕獲的激發(fā)效率、PSII的量子效率、固定CO₂的量子效率、光化學(xué)猝滅系數(shù)、電子傳遞速率、蒸騰速率和葉溫蒸汽壓損耗，采用葉片氣體交換和葉綠素?zé)晒夥治龇y(cè)定。

所述的生長(zhǎng)參數(shù)包括株高、葉面積、鮮重和干重。

所述的由獲得作物培育模型對(duì)作物培育模式進(jìn)行優(yōu)化具體是指將當(dāng)前需要獲得的生長(zhǎng)參數(shù)輸入到已獲得的作物培育模型中處理，獲得當(dāng)前需要獲得的生長(zhǎng)參數(shù)對(duì)應(yīng)的環(huán)境參數(shù)和生理參數(shù)的具體參數(shù)值，以具體參數(shù)值控制作物的培育過程。

本發(fā)明通過引入生理參數(shù)能夠提高模型的預(yù)測(cè)效果，與采用所有參數(shù)構(gòu)建模型的預(yù)測(cè)結(jié)果相比，典型參數(shù)組合構(gòu)建的模型可提供更好的預(yù)測(cè)結(jié)果。

本發(fā)明建模方法采用典型相關(guān)分析法(CCA)來簡(jiǎn)化模型中的參數(shù)量。CCA從總體上把握兩組指標(biāo)之間的相關(guān)關(guān)系，分別在兩組變量中提取有代表性的兩個(gè)綜合變量，利用這兩個(gè)綜合變量之間的相關(guān)關(guān)系來反映兩組指標(biāo)之間的整體相關(guān)性，生成幾組環(huán)境和生理參數(shù)的代表組合。

本發(fā)明方法以支持向量機(jī)(SVM)作為一種先進(jìn)控制算法。采用支持向量機(jī)(SVM)來預(yù)測(cè)溫室作物的生長(zhǎng)狀態(tài)，找到建模的最優(yōu)參數(shù)組合，構(gòu)建作物培育模型的樣本量很小，不需要針對(duì)所有參數(shù)進(jìn)行計(jì)算和處理。若通過環(huán)境、生理和生長(zhǎng)參數(shù)進(jìn)行計(jì)算和處理，那么三者之間的相關(guān)性復(fù)雜程度遠(yuǎn)遠(yuǎn)超出了一般線性預(yù)測(cè)工具的能力，可能會(huì)造成結(jié)果的不確定性。由此，本發(fā)明能夠解決了現(xiàn)有技術(shù)中相關(guān)性計(jì)算太復(fù)雜的問題。

本發(fā)明首先是將環(huán)境參數(shù)和生理參數(shù)都考慮在模型內(nèi)，賦予模型具有描述作物需求的能力，其次是將模型進(jìn)行簡(jiǎn)化，模型簡(jiǎn)化是基于典型相關(guān)分析(CCA)的代表性特征向量和支持向量機(jī)(SVM)模型的性能測(cè)試。

本發(fā)明的有益效果：

本發(fā)明大大簡(jiǎn)化了作物培育的方式，能夠解決現(xiàn)有技術(shù)中相關(guān)性計(jì)算過于復(fù)雜的問題，并且能夠準(zhǔn)確預(yù)測(cè)獲得作物培育的生長(zhǎng)，對(duì)作物培育過程進(jìn)行優(yōu)化。

本發(fā)明充分發(fā)揮環(huán)境動(dòng)態(tài)變化和歷史累積影響在作物培育中的作用，為進(jìn)一步開發(fā)自動(dòng)化的環(huán)境控制系統(tǒng)奠定了基礎(chǔ)。

本發(fā)明提供的最優(yōu)作物預(yù)測(cè)模型具有以下優(yōu)點(diǎn)：首先，由環(huán)境參數(shù)形成的特征向量比生理參數(shù)形成的特征向量可以得到更好的預(yù)測(cè)效果；其次，當(dāng)更多的環(huán)境參數(shù)參與模型構(gòu)建時(shí)，這類模型具有較高的預(yù)測(cè)成功率，但不是采用所有的環(huán)境參數(shù)和生理參數(shù)，所有最佳模型都是經(jīng)過簡(jiǎn)化的模型；第三，4個(gè)或9個(gè)生理參數(shù)特征向量比7個(gè)或所有的生理參數(shù)特征向量具有更好的預(yù)測(cè)輸出效果。

附圖說明

圖1是實(shí)施例環(huán)境參數(shù)和生長(zhǎng)參數(shù)之間的影響關(guān)系。

圖2是實(shí)施例生理參數(shù)和生長(zhǎng)參數(shù)間的影響關(guān)系。

圖3是本發(fā)明方法的流程圖。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說明。

本發(fā)明實(shí)施的系統(tǒng)硬件包括溫室感知設(shè)備和硬件控制箱，并搭建有實(shí)時(shí)數(shù)據(jù)庫和先進(jìn)控制算法的控制系統(tǒng)。

其中溫室感知設(shè)備主要包括溫濕度傳感器、CO₂濃度傳感器、光照強(qiáng)度傳感器，通過這些傳感器對(duì)溫室內(nèi)溫濕度、CO₂濃度、光照強(qiáng)度進(jìn)行監(jiān)測(cè)。

硬件控制箱內(nèi)安裝可編程邏輯控制器(PLC)和FBOX盒子，PLC控制執(zhí)行機(jī)構(gòu)運(yùn)行，F(xiàn)BOX盒子連接Internet實(shí)現(xiàn)遠(yuǎn)程控制。

實(shí)時(shí)數(shù)據(jù)庫是開發(fā)實(shí)時(shí)控制系統(tǒng)、數(shù)據(jù)采集系統(tǒng)、CIMS(計(jì)算機(jī)集成制造系統(tǒng))系統(tǒng)的支撐軟件，數(shù)據(jù)主要來源于由組態(tài)軟件+PLC建立的控制系統(tǒng)、直接連接硬件設(shè)備和通過人機(jī)界面人工錄入的數(shù)據(jù)，采用支持OPC協(xié)議的標(biāo)準(zhǔn)OPC通訊方式。

環(huán)境參數(shù)設(shè)定：為了獲得可靠的生長(zhǎng)反應(yīng)，設(shè)計(jì)不同的環(huán)境參數(shù)組合(白天平均溫度、夜間平均溫度、二氧化碳濃度、相對(duì)濕度、絕對(duì)濕度、光照強(qiáng)度、白光和藍(lán)光比率、白光和紅光比率)。每一個(gè)組合中至少有一個(gè)環(huán)境參數(shù)不同于其他組合。

生長(zhǎng)參數(shù)測(cè)定：通過測(cè)量每個(gè)葉片的長(zhǎng)度和寬度，利用Schwarz和環(huán)方程計(jì)算葉面積來測(cè)定單株總?cè)~面積。測(cè)定鮮重后，在80℃的烘箱中將植株烘干到一個(gè)恒定的干燥質(zhì)量。計(jì)算平均每天植物生長(zhǎng)率。

生理參數(shù)測(cè)定：利用葉片氣體交換和葉綠素?zé)晒夥治鰷y(cè)定生理參數(shù)。運(yùn)用開放式氣體交換系統(tǒng)(LI-6400)的集成熒光室頭部(LI-6400-40熒光葉室)進(jìn)行二全葉葉片氣體交換和葉綠素?zé)晒夥治?。主葉片氣體交換和葉綠素?zé)晒鈪?shù)包括凈光合速率、氣孔導(dǎo)度、胞間CO2濃度，開放的PSII(光系統(tǒng)Ⅱ)中心激發(fā)捕獲效率，PSII的量子效率，固定CO2的量子效率、光化學(xué)猝滅系數(shù)，電子傳遞速率，蒸騰速率，葉溫蒸汽壓損耗。在光適應(yīng)熒光測(cè)量的基礎(chǔ)上，計(jì)算熒光參數(shù)。

本發(fā)明的實(shí)施例如下：

本發(fā)明將控制系統(tǒng)安裝在溫室的現(xiàn)場(chǎng)工控機(jī)中，結(jié)合傳感器采集的數(shù)據(jù)和已搭建的溫室控制系統(tǒng)，將作物正常生長(zhǎng)所需要的環(huán)境氣象參數(shù)(光、溫、水、氣、土)納入到可自動(dòng)監(jiān)測(cè)、統(tǒng)一管理的系統(tǒng)中。

實(shí)施例利用溫室傳感器監(jiān)測(cè)人工氣候室內(nèi)的環(huán)境參數(shù)，并將環(huán)境參數(shù)數(shù)據(jù)通過PLC和FBOX盒子實(shí)時(shí)上傳數(shù)據(jù)庫中，并實(shí)時(shí)更新實(shí)時(shí)數(shù)據(jù)庫。

實(shí)施例構(gòu)建作物培育模型的步驟如下：

1、首先，運(yùn)用典型相關(guān)分析法(CCA)來分析環(huán)境和生長(zhǎng)參數(shù)對(duì)及生理和生長(zhǎng)參數(shù)對(duì)的相關(guān)性，并根據(jù)典型相關(guān)分析的結(jié)果，選擇幾組典型參數(shù)組合作為構(gòu)建支持向量機(jī)模型的代表特征向量，所有特征向量由同一類別的環(huán)境或生理參數(shù)所形成。

選擇番茄幼苗的8個(gè)環(huán)境參數(shù)、10個(gè)生理參數(shù)和4個(gè)生長(zhǎng)參數(shù)，所有參數(shù)被分為(環(huán)境，生長(zhǎng))和(生理，生長(zhǎng))兩組，進(jìn)行典型相關(guān)分析。其中，環(huán)境參數(shù)和生理參數(shù)是自變量，作物生長(zhǎng)參數(shù)是因變量。X代表自變量集(環(huán)境參數(shù)或生理參數(shù))，Y代表因變量集(生長(zhǎng)參數(shù))。

實(shí)施例設(shè)計(jì)了15種不同的環(huán)境參數(shù)組合進(jìn)行實(shí)現(xiàn)，如下表1所示：

表1 15個(gè)不同環(huán)境參數(shù)組合

由15種不同的環(huán)境參數(shù)組合分別進(jìn)行實(shí)驗(yàn)采集獲得每個(gè)實(shí)驗(yàn)對(duì)應(yīng)的生理參數(shù)和生長(zhǎng)參數(shù)，再用獲得所有實(shí)驗(yàn)數(shù)據(jù)進(jìn)行以下典型相關(guān)分析步驟。

(1)環(huán)境參數(shù)和生長(zhǎng)參數(shù)典型相關(guān)分析

選擇番茄幼苗的8個(gè)環(huán)境參數(shù)和4個(gè)生長(zhǎng)參數(shù)。x₁代表白天平均溫度，x₂代表夜間平均溫度，x₃代表二氧化碳濃度，x₄代表相對(duì)濕度，x₅代表絕對(duì)濕度，x₆代表光照強(qiáng)度，x₇代表白光和藍(lán)光比率，x₈代表白光和紅光比率，y₁代表株高，y₂代表葉面面積，y₃代表鮮重，y₄代表干重。因此，p＝8，q＝4，min(p，q)＝4，即有4對(duì)典型相關(guān)參數(shù)。λ₁，λ₂，λ₃在0.05水平下而僅有λ₁，λ₂在0.01水平下因此，只有前兩對(duì)的典型相關(guān)參數(shù)是顯著的。解釋比例分析發(fā)現(xiàn)，U₁、U₂對(duì)X的累計(jì)解釋比例為44.89％，U對(duì)X的總解釋比例為63.54％；U₁、U₂對(duì)Y的累計(jì)解釋比例為29.69％，U對(duì)Y的總解釋比例為32.54％。V₁、V₂對(duì)X的累計(jì)解釋比例為50.21％，V對(duì)X的總解釋比例為53.26％；V₁、V₂對(duì)Y的累計(jì)解釋比例為78.03％，V對(duì)Y的總解釋比例為100％。因此，前兩對(duì)典型相關(guān)參數(shù)的解釋比例占主導(dǎo)作用?？傊?，χ²顯著性檢驗(yàn)和解釋比例分析均表明，前兩對(duì)典型相關(guān)參數(shù)是影響作物生長(zhǎng)的主導(dǎo)因素。

1.1)第一組生理參數(shù)與生長(zhǎng)參數(shù)的典型相關(guān)系數(shù)分析，發(fā)現(xiàn)U₁與x₁(白天平均溫度)、x₄(相對(duì)濕度)、x₆(光照強(qiáng)度)、x₈(白光和紅光比率)負(fù)相關(guān)，典型相關(guān)系數(shù)分別為-0.52766、-0.71088、-1.04669、-0.5365，即此4個(gè)環(huán)境參數(shù)均與生長(zhǎng)參數(shù)呈負(fù)相關(guān)。U₁與x₅(絕對(duì)濕度)呈正相關(guān)，典型相關(guān)系數(shù)為0.787162，即當(dāng)其他環(huán)境參數(shù)滿足植物生長(zhǎng)的基本需要時(shí)，絕對(duì)濕度與生長(zhǎng)參數(shù)呈正相關(guān)。同時(shí)，x₂(夜間平均溫度)、x₃(二氧化碳濃度)、x₇(白光和藍(lán)光比率)與U₁的典型相關(guān)系數(shù)較小，表明夜間平均溫度，二氧化碳濃度和白光和藍(lán)光比率可能對(duì)生長(zhǎng)參數(shù)的影響很小。V₁與y₂(葉面面積)和y₃(鮮重)具有顯著正相關(guān)關(guān)系，典型相關(guān)系數(shù)分別為0.236367、1.739397，即來自環(huán)境參數(shù)的積極影響容易促進(jìn)葉面面積和鮮重的增加。另外，V₁與y₄(干重)呈顯著負(fù)相關(guān)，典型相關(guān)系數(shù)為-2.31609，即干重將隨環(huán)境參數(shù)負(fù)面影響而降低。y₁(株高)與V₁不存在相關(guān)性，說明當(dāng)作物的基本需求得到滿足時(shí)，環(huán)境參數(shù)對(duì)株高影響不大。

1.2)第二組生理參數(shù)與生長(zhǎng)參數(shù)的典型相關(guān)系數(shù)分析，發(fā)現(xiàn)其相關(guān)情況與第一對(duì)略有不同。U₂與x₁(白天平均溫度)和x₄(相對(duì)濕度)呈顯著負(fù)相關(guān)，與x₂(夜間平均溫度)、x₅(絕對(duì)濕度)、x₇(白光和藍(lán)光比率)、x₈(白光和紅光比率)呈正相關(guān)關(guān)系(與白光和藍(lán)光比率的相關(guān)性很弱)，與x₃(二氧化碳濃度)和x₆(光照強(qiáng)度)不存在相關(guān)性。V₂與y₁(株高)和y₃(鮮重)呈顯著正相關(guān)關(guān)系，但與y₂(葉面面積)和y₄(干重)無關(guān)關(guān)系。

1.3)X(環(huán)境參數(shù))與(U₁，U₂)的綜合分析發(fā)現(xiàn)，x₁(白天平均溫度)、x₄(相對(duì)濕度)和x₆(光照強(qiáng)度)與(U₁，U₂)總體上呈負(fù)相關(guān)關(guān)系；x₂(夜間平均溫度)和x₅(絕對(duì)濕度)與(U₁，U₂)總體上呈正相關(guān)關(guān)系；x₃(二氧化碳濃度)、x₇(白光和藍(lán)光比率)與U₁和U₂的相關(guān)性不大；x₈(白光和紅光比率)與U₁和U₂的相關(guān)性比較復(fù)雜，很難確定是正相關(guān)或負(fù)相關(guān)。即白天平均溫度、相對(duì)濕度、光照強(qiáng)度對(duì)生長(zhǎng)參數(shù)有負(fù)面影響；二氧化碳濃度和白光和藍(lán)光比率對(duì)生長(zhǎng)參無影響；白光和紅光比率對(duì)生長(zhǎng)參數(shù)具有未知參數(shù)影響。同樣，在Y(生長(zhǎng)參數(shù))與(V₁，V₂)，y₁(株高)、y₂(葉面面積)、y₃(鮮重)與(V₁，V₂)整體上呈正相關(guān)關(guān)系；y₄(干重)與(V₁，V₂)呈負(fù)相關(guān)關(guān)系，表明作物株高，葉面面積和鮮重對(duì)來自環(huán)境參數(shù)的積極影響反應(yīng)敏感，而干重對(duì)來自環(huán)境參數(shù)的負(fù)面影響反應(yīng)敏感。

1.4)環(huán)境參數(shù)與生長(zhǎng)參數(shù)的影響關(guān)系可以用圖1所示。向上箭頭(↑)代表積極的影響或反應(yīng)，而向下箭頭(↓)代表的負(fù)面影響或反應(yīng)，問號(hào)(？)代表未知的效果或反應(yīng)。交叉(×)代表很小或根本沒有影響或反應(yīng)。

(2)生理參數(shù)和生長(zhǎng)參數(shù)典型相關(guān)分析

在這一部分中，有10個(gè)生理參數(shù)和4個(gè)生長(zhǎng)參數(shù)。設(shè)定x₁代表PN(凈光合速率)、x₂代表Cond(氣孔導(dǎo)度)，x₃代表Ci(胞間二氧化碳濃度)，x₄代表Fv’/Fm’(開放的PSII激發(fā)捕獲的效率)，x₅代表PhiPS2(PSII的量子效率)，x₆代表PhiCO₂(固定二氧化碳的量子效率)，x₇代表qP(光化學(xué)猝滅系數(shù))，x₈代表ETR(電子傳遞速率)，x₉代表TR(蒸騰速率)，x₁₀代表VpdL(葉溫蒸汽壓損耗)，y₁代表株高，y₂代表葉面面積，y₃代表鮮重，y₄代表干重。因此，p＝10，q＝4，min(p，q)＝4，即有4對(duì)典型相關(guān)參數(shù)。顯著性檢驗(yàn)發(fā)現(xiàn)，只有λ₁和λ₂在0.05水平下因此，僅有前兩組典型相關(guān)參數(shù)具有顯著性。

2.1)第一組生理參數(shù)與生長(zhǎng)參數(shù)的典型相關(guān)系數(shù)分析，發(fā)現(xiàn)U₁與x₁(凈光合速率)，x₄(開放的PSII激發(fā)捕獲的效率)，x₇(光化學(xué)猝滅系數(shù))和x₉(蒸騰速率)呈負(fù)相關(guān)關(guān)系，典型相關(guān)系數(shù)分別為-0.78044、-0.98889、-1.46475、-0.27797，即此4個(gè)參數(shù)對(duì)生長(zhǎng)參數(shù)均產(chǎn)生負(fù)面影響。同時(shí)，U₁與x₃(胞間二氧化碳濃度)、x₅(PSII的量子效率)、x₆(固定二氧化碳的量子效率)、x₈(電子傳遞速率)、x₁₀(葉溫蒸汽壓損耗)呈正相關(guān)關(guān)系，尤其是x₅(PSII的量子效率)和x₈(電子傳遞速率)的典型相關(guān)系數(shù)分別為2.192971和2.09139，即當(dāng)其他生理參數(shù)滿足植物生長(zhǎng)的基本需求時(shí)，胞間二氧化碳濃度、PSII的量子效率、固定二氧化碳的量子效率，電子傳遞速率和葉溫蒸汽壓損耗對(duì)作物生長(zhǎng)參數(shù)有顯著的積極影響。此外，PSII的量子效率和電子傳遞速率對(duì)生長(zhǎng)參數(shù)有顯著的積極影響。同時(shí)，x₂(氣孔導(dǎo)度)與U₁的相關(guān)系數(shù)較小，表明氣孔導(dǎo)度可能對(duì)生長(zhǎng)參數(shù)的影響較小。V₁與y₁(株高)和y₄(干重)呈正相關(guān)關(guān)系，尤其與y₄的典型相關(guān)系數(shù)為2.266482，說明生理參數(shù)的積極影響容易促進(jìn)作物株高和干重(尤其是干重)的增加。同時(shí)，V₁與y₂(葉面面積)和y₃(鮮重)存在負(fù)相關(guān)關(guān)系，尤其與y₃(鮮重)的典型相關(guān)系數(shù)為-1.52239，來自生理參數(shù)的負(fù)面影響將導(dǎo)致葉面面積和鮮重(尤其是鮮重)降低。

2.2)第二組生理參數(shù)與生長(zhǎng)參數(shù)的典型相關(guān)系數(shù)分析，與第一組略有不同。U₂與x₁(凈光合速率)、x₃(胞間二氧化碳濃度)、x₇(光化學(xué)猝滅系數(shù))、x₉(蒸騰速率)和x₁₀(葉溫蒸汽壓損耗)呈負(fù)相關(guān)關(guān)系，相關(guān)性系數(shù)分別為-1.40466、-0.48413、-1.44658、-0.18223、-0.75646；但與x₂(氣孔導(dǎo)度)，x₄(開放的PSII激發(fā)捕獲的效率)，x₅(PSII的量子效率)、x₆(固定二氧化碳的量子效率)和x₈(電子傳遞速率)呈正相關(guān)關(guān)系，相關(guān)系數(shù)分別為0.150397、0.166466、0.978422、0.259383、1.256868。V₂與x₁(凈光合速率)、x₃(胞間二氧化碳濃度)呈正相關(guān)關(guān)系，但與x₂(氣孔導(dǎo)度)，x₄(開放的PSII激發(fā)捕獲的效率)呈負(fù)相關(guān)關(guān)系。

2.3)X(生理參數(shù))與(U₁，U₂)的綜合分析發(fā)現(xiàn)：，x₂(氣孔導(dǎo)度)與U₁和U₂的相關(guān)性不大；x₁(凈光合速率)、x₄(開放的PSII激發(fā)捕獲的效率)、x₇(光化學(xué)猝滅系數(shù))、x₉(蒸騰速率)與(U₁，U₂)整體上呈負(fù)相關(guān)關(guān)系；x₅(PSII的量子效率)、x₆(固定二氧化碳的量子效率)、x₈(電子傳遞速率)與(U₁，U₂)整體上呈正相關(guān)；x₃(胞間二氧化碳濃度)和x₁₀(葉溫蒸汽壓損耗)與(U₁，U₂)的相關(guān)性比較復(fù)雜，很難確定是正相關(guān)還是負(fù)相關(guān)。即，x₂(氣孔導(dǎo)度)對(duì)生長(zhǎng)參數(shù)的影響很??；(凈光合速率)、(開放的PSII激發(fā)捕獲的效率)、(光化學(xué)猝滅系數(shù))和(蒸騰速率)(尤其是凈光合速率和光化學(xué)猝滅系數(shù))對(duì)生長(zhǎng)參數(shù)產(chǎn)生負(fù)面影響；PSII的量子效率、固定二氧化碳的量子效率和電子傳遞速率(尤其是PSII的量子效率、電子傳遞速率)對(duì)生長(zhǎng)參數(shù)產(chǎn)生積極影響；胞間二氧化碳濃度與葉溫蒸汽壓損耗對(duì)生長(zhǎng)參數(shù)的影響未知。Y與(V₁，V₂)之間的相關(guān)性與之相似，y₁(株高)與(V₁，V₂)整體上呈正相關(guān)關(guān)系；y₂(葉面面積)與(V₁，V₂)整體上呈負(fù)相關(guān)關(guān)系；y₃(鮮重)、y₄(干重)與(V₁，V₂)的相關(guān)性較復(fù)雜，很難確定是正相關(guān)還是負(fù)相關(guān)。因此，作物株高對(duì)來自生理參數(shù)的積極影響反應(yīng)敏感；而葉面面積對(duì)來自生理參數(shù)的負(fù)面影響敏感；鮮重和干重對(duì)來自生理參數(shù)的影響反應(yīng)敏感。

2.4)生理參數(shù)與生長(zhǎng)參數(shù)的影響關(guān)系可以用圖2概括。

2、其次，對(duì)每組(特征向量，生長(zhǎng)參數(shù))集合構(gòu)建的支持向量機(jī)模型進(jìn)行訓(xùn)練。如果有m個(gè)特征向量和n個(gè)生長(zhǎng)參數(shù)，將有m×n個(gè)支持向量機(jī)模型。添加交叉驗(yàn)證的RBF核函數(shù)將用在所有支持向量機(jī)模型上。測(cè)試結(jié)果表明排名靠前的組合分別為環(huán)境和生理參數(shù)的組合。

根據(jù)典型相關(guān)分析的結(jié)果，2個(gè)環(huán)境參數(shù)(二氧化碳濃度和白光和藍(lán)光比率)與生長(zhǎng)參數(shù)的相關(guān)性不大，1個(gè)環(huán)境參數(shù)(白光和紅光比率)與生長(zhǎng)參數(shù)的關(guān)系復(fù)雜。在此基礎(chǔ)上，設(shè)置了3個(gè)組合的環(huán)境預(yù)測(cè)特征向量：1)所有8個(gè)環(huán)境參數(shù)的預(yù)測(cè)特征向量；2)除了二氧化碳濃度和白光和藍(lán)光比率外的6環(huán)境參數(shù)的預(yù)測(cè)特征向量；3)除二氧化碳濃度、白光和藍(lán)光比率和白光和紅光比率外的5個(gè)環(huán)境參數(shù)的預(yù)測(cè)特征向量。生理參數(shù)和生長(zhǎng)參數(shù)的典型相關(guān)分析(CCA)表明，氣孔導(dǎo)度與生長(zhǎng)參數(shù)的相關(guān)性不大，4個(gè)生理參數(shù)(凈光合速率、PSII的量子效率、光化學(xué)猝滅系數(shù)、電子傳遞速率)與生長(zhǎng)參數(shù)之間有顯著的相關(guān)性，開放的PSII激發(fā)捕獲的效率和固定二氧化碳的量子效率與生長(zhǎng)參數(shù)間有一定相關(guān)關(guān)系，胞間二氧化碳濃度和葉溫蒸汽壓損耗與生長(zhǎng)參數(shù)的相關(guān)關(guān)系較復(fù)雜。在此基礎(chǔ)上，實(shí)施例設(shè)置了4個(gè)組合的生理預(yù)測(cè)特征向量：1)10個(gè)生理參數(shù)的預(yù)測(cè)向量；2)除氣孔導(dǎo)度外，9個(gè)生理參數(shù)的特征向量；3)除氣孔導(dǎo)度、胞間二氧化碳濃度、葉溫蒸汽壓損耗外，7個(gè)生理參數(shù)的預(yù)測(cè)向量；4)4個(gè)生理參數(shù)(凈光合速率、PSII的量子效率、光化學(xué)猝滅系數(shù)、電子傳遞速率)的預(yù)測(cè)向量。因此，有7個(gè)組合的預(yù)測(cè)特征向量和4套分類標(biāo)簽，需要訓(xùn)練28種支持向量機(jī)(SVM)模型。

在本發(fā)明模型建立過程中環(huán)境參數(shù)不應(yīng)被忽視，由4個(gè)或9個(gè)生理參數(shù)形成的特征向量可以提供有競(jìng)爭(zhēng)的效果。從參數(shù)選擇的角度來看，在建模過程中可以忽略6個(gè)或1個(gè)生理參數(shù)。

3、最后，用已形成的幾個(gè)特征向量組合來構(gòu)建新的支持向量機(jī)模型。特征向量組合包含一個(gè)排名靠前的環(huán)境組合和一個(gè)排名靠前的生理組合。如果有r個(gè)組合特征向量，將有r×n個(gè)新的支持向量機(jī)模型。對(duì)于每個(gè)生長(zhǎng)參數(shù)，有m+r個(gè)支持向量機(jī)模型。將所有支持向量機(jī)模型進(jìn)行測(cè)試性能，測(cè)試方法采用線性內(nèi)核函數(shù)、RBF核函數(shù)或者RBF核函數(shù)+交叉驗(yàn)證的三種方式進(jìn)行。用測(cè)試集對(duì)每一個(gè)訓(xùn)練好的支持向量機(jī)(SVM)模型進(jìn)行測(cè)試，用記錄的預(yù)測(cè)/分類成功率來評(píng)估模型的性能。將測(cè)試性能最佳的模型作為最終模型，參數(shù)選擇模式的輸出是最終模型的相應(yīng)參數(shù)組合。

實(shí)施例將90個(gè)樣本分為兩部分：60樣品的訓(xùn)練集和30個(gè)樣本的測(cè)試集。在帶有開源計(jì)算機(jī)視覺庫(OpenCV)的Microsoft Visual Studio 2010下對(duì)支持向量機(jī)的訓(xùn)練集和測(cè)試集進(jìn)行編碼。對(duì)每一個(gè)支持向量機(jī)模型，進(jìn)行3種訓(xùn)練模型的。第一種，采用線性內(nèi)核函數(shù)，第二種采用RBF核函數(shù)，第三種采用添加了交叉驗(yàn)證+RBF核函數(shù)。在交叉驗(yàn)證+RBF核函數(shù)訓(xùn)練過程中，對(duì)尺寸為3，4，5，6，10，12，15和20的集合進(jìn)行測(cè)試。對(duì)于每個(gè)生長(zhǎng)參數(shù)，選擇最佳的測(cè)試輸出集合尺寸。

本發(fā)明選擇“交叉驗(yàn)證+RBF核函數(shù)+支持向量機(jī)”的先進(jìn)控制算法來預(yù)測(cè)作物的生長(zhǎng)狀態(tài)，并獲得三種最優(yōu)的作物生長(zhǎng)模型。交叉驗(yàn)證+RBF核函數(shù)訓(xùn)練的支持向量機(jī)模型具有穩(wěn)定、可靠性。

實(shí)施例最終選擇的最優(yōu)作物生長(zhǎng)模型有：1)“交叉驗(yàn)證+RBF核函數(shù)訓(xùn)練的支持向量機(jī)模型(環(huán)境參數(shù)組合)”為預(yù)測(cè)株高和葉面面積的最優(yōu)作物生長(zhǎng)模型；2)“交叉驗(yàn)證+RBF核函數(shù)訓(xùn)練的支持向量機(jī)模型(環(huán)境參數(shù)+9個(gè)生理參數(shù)的綜合參數(shù)組合)”為預(yù)測(cè)鮮重的最優(yōu)作物生長(zhǎng)模型；3)“交叉驗(yàn)證+RBF核函數(shù)訓(xùn)練的支持向量機(jī)模型(環(huán)境參數(shù)和4個(gè)生理參數(shù)的參數(shù)組合)”為預(yù)測(cè)干重的最優(yōu)作物生長(zhǎng)模型。

4)對(duì)于當(dāng)前培育情況，先從實(shí)時(shí)數(shù)據(jù)庫中選擇培育模型，可進(jìn)一步將作物培育模型連同調(diào)控建議以多種形式輸出給用戶(輸出控制信號(hào)及操作建議等)，并發(fā)布遠(yuǎn)程控制，實(shí)現(xiàn)對(duì)實(shí)驗(yàn)室的遠(yuǎn)程調(diào)控。