基于植物工厂LED阵列补光灯的栽培槽平面光场强度预测模型

郑吉澍，刘剑飞，李佩原，李 脉，张 凯，李 萍

(重庆市农业科学院农业工程研究所，重庆 401329)

【研究意义】光照是影响植物光合能力、生长发育及干物质积累的核心环境因素，而重庆地区寡照问题突出，导致作物生长受阻，农业受灾面积逐年扩大[1-2]。人工补光技术是解决重庆地区农业生产中寡照问题的关键所在[3-5]。密闭型植物工厂是装配有人工光源等模块的一种高度专业化、现代化设施农业，其采用非透明热绝缘材料建造，使封闭系统与外界通风和热交换量保持在最小限度，而人工光源是其内植物生长的唯一光照来源，通过高精度的环境条件控制，可满足农作物周年生产和科研需要，即利用计算机、嵌入式控制器、高性能执行设备等对植物生长的光照、温度、湿度、CO2浓度及营养液等环境条件进行自动控制，使作物生长不受或很少受重庆当地自然条件的制约[6-7]。传统的作物补光多采用固定光强、固定高度的方式，但这种方式存在一定的弊端，其未考虑到不同高度下的光场分布均匀性问题，易造成作物光抑制或者光胁迫；而且未考虑到不同种类作物、不同生长时期的需光差异性，易造成不必要的能耗损失[8]。因此，通过探究不同高度、不同光强比例条件下栽培槽平面光场强度的分布规律，构建栽培槽平面光场强度预测模型，根据不同种类作物、不同生长时期的光需求，实现植物工厂补光灯高度、光照强度的动态调控，可精准满足作物的光需求，避免作物出现光胁迫等障碍，还可有效减少补光灯能耗损失。【前人研究进展】随着智慧农业的迅速发展，众多学者在光照对作物生长发育的影响方面开展了大量研究。如Fantini等[9]提出光照是一种关键的环境因素，能够影响植物整个生命周期中的多种生理过程，发现吸收蓝光的隐色素可以影响种子萌发、开花诱导、植物结构、果实代谢物含量及对生物和非生物胁迫的抵抗力。Liu等[10]以26个小麦品种为研究对象，通过大田实验证明了植株冠层光截获能力直接影响小麦的生长发育及产量。Baligar等[11]以9种多年生豆科植物为研究对象，分析温室条件下3种光子通量密度处理对豆科作物生长的影响。结果表明，随着光子通量密度的增加，净同化率、SPAD指数、净光合作用、气孔导度、蒸腾作用和蒸汽压亏缺等均明显增加，同时提高了养分的吸收速率，证明冠层受光强度对作物生长具有直接影响。Wang等[12]研究了外界光环境对大豆根系发育的影响，结果表明，通过调控叶片磷素状态和蔗糖运输的各种光照条件(阴影光)来调节生长素的合成，并对根系的形成和分布做出反应。Guo等[13]以玉米为研究对象，开展了大田自然光和遮阴种植比较试验，结果表明光环境直接影响玉米的根管生长及产量。赵凯旋等[14]针对西安市临潼区冬季寡照低温天气难以满足番茄喜光喜温特性的问题，以日光温室为试验场景，开展了补光温室和自然光温室栽培对比试验，结果表明补光条件下的番茄始花期、始收期分别提前5、8 d，同时其茎粗、果径、单果重等指标均优于自然光对照组，证明了寡照条件下人工补光对作物生长发育具有明显促进作用。韦朝妹等[15]以多肉植物为研究对象，分析补光时长对多肉植物的生长性状及生理指标的影响，寻求最佳补光时长。结果表明补光条件下多肉植物的株高、冠幅、叶绿素含量、根系活力等生长指标明显增加，而且补光时长为4 h的多肉植物生长指标及观赏效果最佳。陈晖等[16]以温室草莓为研究对象，分别在开花期和结果期进行了补光对比试验，结果表明补光可显著促进草莓的生长发育，具体表现在果实大小、总糖、总酸及固形物含量等方面表现更优，且红光占比高的补光条件对草莓品质的促进效果更好。在作物的光需求模型研究方面，张海辉等[17]以温室黄瓜为研究对象，采集不同叶位的光合能力和叶绿素含量等指标，证明了黄瓜不同叶位的光需求具有差异性，结合智能算法构建了立体光环境优化调控模型，为黄瓜的立体补光提供定量依据。王智永等[18]以温室黄瓜为研究对象，通过设计黄瓜全生育期的多环境因子嵌套试验，建立了一种基于向量机-蚁群算法(SVM-ACO)的黄瓜光环境优化调控模型，探明了黄瓜全生育期的光需求。王东等[19]以温室番茄为研究对象，通过设计温-光耦合试验建立多元非线性光合速率预测模型，再采用遗传算法进行光饱和点数据获取，进而建立温-光与光饱和点之间的光环境优化调控模型，并在番茄幼苗阶段进行了验证，证明了该模型在光环境优化调控方面应用效果良好。Tan等[20]以温室番茄为研究对象，基于番茄生长模型提出了一种温室光环境优化控制方法。该方法将光环境优化控制问题分为最优层次和控制层次两个层次，大大简化了传统光环境优化控制的计算复杂度和最优解的获取问题。结果表明该方法比基于固定阈值的光环境调控方法的成本更低，更具节能效果。Alameh等[21]以蔬菜和草药为研究对象，探究光源波长对作物生长速度和品质的影响机理，结果证明红光和蓝光LED补光比全光谱补光的效果更可靠、更有效，并可以显著增强作物的光合活性、抗氧化特性、酚类和类黄酮含量，从而增加作物的生物量及营养价值。这些研究充分证明了本文以红蓝光为主的植物补光灯为研究对象进行栽培槽平面光场强度预测模型构建的合理性。Thomas等[22]以植物工厂水培生菜为研究对象，探究了3种光质(白色、蓝色和红色)和3种光周期[8/16光/暗(L/D)、16/8 L/D和24/0 L/D]对水培生菜生长速度、产量及品质的影响。结果表明，水培生菜的生长速度、产量及品质受到光质和光周期的显著影响；在24/0 L/D光周期下，红光下植株的新鲜生物量、干物质含量比蓝光和白光下植株分别提高了40.7%、26.6%；在16/8 L/D光周期下，红光下植株的新鲜生物量、干物质含量与24/0 L/D光周期的蓝光和白光条件下的植株相当；然而，在24/0 L/D光周期的蓝光下生长的植株中，观察到其大部分生长参数显著优于其他处理。Zhang等[23]以药用植物丹参为研究对象，设置了单色蓝光(460 nm，B)、单色红光(635 nm，R)、白光及各种BR光组合(9B∶1R、7B∶3R、1B∶1R、3B∶7R、1B∶9R)处理，探究光质对丹参生长和次生代谢产物积累的影响。结果表明，蓝光和红光结合补施促进了丹参的生长，并通过上调该草本植物中SmPAL1和Sm4CL1的转录增强了酚酸的积累。Khoramtabrizi等[24]以植物工厂栽培的莴苣为研究对象，探究了3种LED光源[全红色(R)，75%红色、25%蓝色(RB)，50%红色、25%蓝色、25%远红色(RBF)，光强均为250 μmol/(m2·s)对莴苣生长的影响。结果表明，植物在连续光照条件下生长导致暴露于R和RB处理的植物叶片上出现一些坏死斑点；全R处理的鲜重、干重和叶面积最高，且叶片出现变形；与R处理相比，RBF处理的植株非常高大，坏死斑点数量有限。【本研究切入点】上述研究从不同角度探究了光照强度、光照周期、光质、光利用率等对作物生长的影响，证明了良好的光环境对作物生长发育、品质提升、养分积累等具有显著促进作用，也证明了红光和蓝光结合补施对作物生长发育的促进效果较优。此外，部分研究从模型构建角度证明了作物全生育期及不同叶位的需光性存在差异，并建立了相应的作物需光模型。然而，鲜有人研究实际种植场景中特定类型补光灯的栽培槽平面光场分布规律，也鲜有研究针对不同作物、不同生长阶段的需光差异性进行LED补光灯的栽培槽平面光场强度预测模型构建，并以模型为指导，实现不同种类作物、不同生长阶段下补光灯高度及强度的自动化精准调控。【拟解决的关键问题】本研究以重庆市农业科学院的密闭型智能仿真农业环境实验室为基础，通过测定其LED光源模组不同高度、不同光强比例下的栽培槽平面光照强度，探究不同条件下的栽培槽平面光场分布规律，采用回归型支持向量机(SVR)建立补光灯不同高度、光强比例条件下的栽培槽平面光场强度预测模型，并根据模型对不同作物、不同生长阶段下补光灯的高度及强度进行优化调控，实现作物产量品质的最大提升及能源的最优利用。

1 材料与方法

1.1 试验设备

本试验在重庆市农业科学院的密闭型智能仿真农业环境实验室中进行。该实验室主要包括库体及环境调控系统、人工光源系统、栽培槽子系统、智能控制系统4个子系统，可实现对温度、光照、湿度、CO2浓度等环境因素的精准调控(图1)，其中人工光源系统采用柔性可调的智能LED光照系统。在光密度方面，LED灯正下方30 cm处光密度约1000 μmol/(m2·s)，其中蓝光约350 μmol/(m2·s)，红光约650 μmol/(m2·s)；在组合方式方面，采用模组化设计，每个模组约350 W，大致尺寸为324 mm×385 mm×188 mm(长宽高)，其中蓝光120 W，红光200 W，紫光6 W，远红光10 W；在光质配比方面，每个模组配备控制模块，对红光和蓝光光强可以进行精准调控，调整好的混合光谱配置均匀，理论上可以实现任意红蓝光质比例；在光照均匀度方面，LED光照方向性较强，采用光学处理，整体平面光照均匀性好，可避免植物叶片局部光密度过高造成光损伤；在高度控制方面，为实现作物生长过程中光源高度的自动化调整，利用电动高度控制装置和系统，通过软件操作控制单位数量的LED光源高度。

图1 密闭型智能仿真农业环境实验室效果Fig.1 Design sketch of closed intelligent simulation agricultural environment laboratory

1.2 试验方法

1.2.1 基础数据获取 基于上述试验条件，以单个栽培槽子系统所对应的3个并排光源模组为研究对象，通过光源高度控制装置分别控制光源模组下平面与栽培槽平面的距离为20、30、40 cm，通过光源控制系统分别设置10%、20%、30%、40%、50%、60%、70%、80%、90%、100%、110%、120%、130%、140%、150%、160%、170%、180%、190%、200%共计20个光强比例梯度，然后采用LI-250A光照计测量不同高度、不同光强比例条件下栽培槽平面范围内的光照强度值。其中，栽培槽所在平面的尺寸为100 cm×110 cm，测量点的间距为10 cm，具体测量场景及点位布局如图2所示。整个试验过程共采集不同高度、不同光强比例条件下的栽培槽平面光场强度数据6600条，参与后期模型构建。

1.2.2 预测模型构建思路 回归型支持向量机是一种基于统计理论发展起来的针对小样本数据集的训练精度高的方法，可将低维空间数据映射到高维空间进行处理，从而达到高精度模型构建的目的[25-28]。因此，本研究采用回归型支持向量机，以补光灯高度、补光灯光强比例、栽培槽平面位置信息(行、列)为输入，栽培槽平面光场强度为输出，进行栽培槽平面光场强度预测模型构建。具体建模过程如图3所示。

1.2.3 数据预处理 本研究采集了6600组数据，随机选取总数据集的80%(5280组)参与模型训练过程；选取剩余的20%数据集(1320组)参与模型的验证过程。由于补光灯高度、光强比例、空间位置等数据之间量纲不一致，如果直接参与模型训练会导致模型收敛难等问题[29]。为有效避免这个问题，采用归一化数据处理方式进行预处理，归一化处理区间为[0.2,0.9]，具体计算公式如下：

y=xmin+0.7×(x-xmin)/(xmax-xmin)

(1)

式中，y为归一化处理之后的补光灯高度、光强比例、空间位置数据，x为归一化处理之前的补光灯高度、光强比例、空间位置数据，xmax、xmin为前述补光灯高度、光强比例、空间位置数据中同一个量纲数据集序列中的最大值、最小值。

1.2.4 核函数及核心参数确定 回归型支持向量机中核心内容包括核函数的选择及核心参数c、g的确定，常见的核函数包括径向基核函数、线性核函数、多项式核函数。其中，径向基核函数是最受欢迎的一种核函数，具有不随计算过程的参数变化而增加模型复杂度的优点[30-32]。因此，本研究采取径向基核函数参与后续的模型构建。核心参数c主要影响径向基核函数的形态，影响因子g主要影响模型的精度，通过交叉验证方法进行不同组合的c、g参数训练，最终确定c、g参数分别为2、4。

图2 测量场景及点位Fig.2 The measurement scene and point bitmap

图3 基于SVR的栽培槽平面光场强度预测模型构建Fig.3 Construction of SVR based prediction model for plane light field intensity of cultivation tank

1.2.5 预测模型构建 基于划分的训练数据集和测试数据集，结合选定的径向基核函数进行栽培槽平面光场强度预测模型构建，将低维空间不可分问题映射至高位空间进行回归决策分析。其中，决策函数如下所示：

(2)

模型构建过程中所选择的径向基核函数表达式如下：

k(xi,x)=exp(-σ×‖xi-x‖2)

(3)

式中，σ为宽度信息。

基于上述过程，通过将训练集样本数据代入模型进行训练，再用测试集数据对构建的模型进行验证，证明模型的泛化性能及可靠性。

2 结果与分析

2.1 不同高度、不同光强比例条件下栽培槽平面光场分布规律

为探究不同高度、不同光强比例条件下的栽培槽平面光场强度变化规律，采用Origin 2018软件分别绘制20、30、40 cm高度下10%、100%、200%光强比例条件的栽培槽平面光场分布图(图4～6)。同一光源高度条件下，随着光强比例的增大，栽培槽光场曲面上的光场强度值也随之增加；同一光强比例下，随着补光灯高度的增加，栽培槽光场曲面中心区域的光场强度值随之减小，而光场曲面边缘区域的光场强度值则有一定程度的增加。究其原因是补光灯高度较低时，边缘区域受光受限，导致光场强度值较低；随着补光灯高度的增加，边缘区域接收到更多的叠加光线，其光场强度值增大。此外，随着补光灯高度的增加，发现栽培槽光场曲面由隐约的“三峰”向“独峰”过渡。虽然在这个过程中光场分布趋于均匀化，但也损失了部分光照强度。因此，在实际的作物生产过程中，应根据不同作物、不同生长阶段的光照需求进行补光灯高度的动态精准调控。

图4 20 cm高度条件下不同光强比例的栽培槽平面光场分布Fig.4 Plane light field distribution of cultivation tank under different light intensity ratio at 20 cm height

图5 30 cm高度条件下不同光强比例的栽培槽平面光场分布Fig.5 Plane light field distribution of cultivation tank under different light intensity ratio at 30 cm height

图6 40 cm高度条件下不同光强比例的栽培槽平面光场分布Fig.6 Plane light field distribution of cultivation tank under different light intensity ratio at 40 cm height

2.2 模型构建方法对比

一般的多元非线性回归方法在应对多维输入问题的模型构建方面存在模型精度不高、易过拟合等问题，而神经网络方法可有效解决这些问题。为选择一种模型精度最佳的栽培槽平面光场强度预测模型构建方法，本研究采用BP神经网络[33-34]、遗传算法优化的BP神经网络(GA-BP)[35-37]、粒子群优化的BP神经网络(PSO-BP)[38-39]、极限学习机(ELM)[40-41]、回归型支持向量机(SVR)[27-28,42]5种方法构建栽培槽平面光场强度预测模型，通过对比均方误差、平均绝对误差、平均相对误差和决定系数等指标选定最佳建模方法。对比结果如表1所示，可发现SVR算法在本研究所得数据集上表现最佳。

表1 不同建模方法的结果对比

2.3 栽培槽平面光场强度预测模型验证

本研究通过嵌套补光灯高度、光强比例及空间位置信息共计采集6600个数据样本。划分总数据集的80%，即5280个样本数据参与栽培槽平面光场强度预测模型构建，其建模结果如图7所示，所得模型的训练精度R2达0.9897。

图7 栽培槽平面光场强度预测模型训练结果Fig.7 The training results of prediction model of plane light field intensity in cultivation tank

为进一步验证模型的泛化性能，将剩余的20%数据样本用于模型性能验证，结果如图8所示，所得模型的测试精度R2达0.9815，说明构建的模型性能可靠，能精准地预测不同高度、不同光强比例、栽培槽平面不同位置处的光场强度信息。

3 讨 论

目前，对于光环境与作物生长发育之间的相关性，大多研究分析了光质、光周期、光照强度、冠层光利用率等对作物生长速率、生物量、色素、品质、产量、代谢产物等的影响；部分研究探讨了作物不同生长阶段、不同叶位的需光差异性，建立了相应的光环境优化调控模型。本研究探明特定类型LED补光灯在不同高度、不同光强比例下的栽培槽平面光场分布规律，建立补光灯高度、光强比例与栽培槽平面光场强度之间的定量模型，并应用此模型，再结合不同作物、不同生长阶段的实际光需求进行补光灯高度及光强比例的智能调控。这一出发点与现有研究不同，主要考虑从光源供给端出发实现可控、可预测的光场强度调节，根据作物生长所需进行光照强度控制。

植物生长过程中，随着自身光合器官的发育及光合功能的完善，其需光性是动态变化的。在生长初期，植株相对较小，叶片光合功能发育不全，光合能力较弱，光需求较小，此阶段如果补光过多，极易造成植株的顶叶、新叶出现光抑制甚至光破坏；随着植株长大，作物的光合功能发育完全，为积累更多的干物质，其光需求也逐渐增大。从一天(晴天)中外界光环境变化分析，早晚时段外界自然光照相对较弱，及时按需补光可促进作物生长；中午时段外界光照强度较大，自然光环境可满足作物生长所需，大多不需要补光，即使需要补光，也只需补施微量。在阴天条件下，外界自然光相对较弱，通过按需补光，可弥补自然光不足影响作物生长的缺陷。传统补光多采用定时、定高、定量补施的方式，这种方式不能适应作物不同生长阶段的实际光需求变化，易导致光抑制甚至光破坏，或造成不必要的电能损耗和浪费，而本研究构建的栽培槽平面光场强度预测模型可有效解决这些问题。

本研究采用LED阵列补光灯，通过调节补光灯高度和光强比例，可使栽培槽平面光场强度处于121～2560 μmol/(m2·s)范围内，满足大多数作物全生育期的光照需求。综合考虑不同光源高度下光场分布的均匀性问题，得出40 cm高度下光场分布相对均匀，其光强可满足一般作物的生长需求；其他高度条件，一定程度上损害了光强的均匀性，不能发挥补光灯的最大优势。本研究构建的栽培槽平面光场强度预测模型精度R2达0.9815，一定程度上保证了栽培槽平面的光强值预测的可靠性，在未来的研究和实际应用过程中，可根据不同作物、不同生长阶段的实际光需求或者最佳光需求，结合光照供给端模型和光照需求端模型来实现补光灯高度、光强比例的精准调控，以此满足作物的光环境需求。在实际生产应用中，由于作物冠层层次不齐、叶片高度不一，在补光灯高度精准控制方面需要配备高精度的距离传感器，同时选定不易受影响的距离控制基准点位置。本研究构建的栽培槽平面光场强度预测模型可作为植物工厂栽培场景下补光灯高度及光强比例调节的依据，如果是设施温室，还需要配置精准的光照传感器监测外界自然光强，与作物实际光需求进行实时求差运算，获取补光灯需要输出的光强。此外，构建的栽培槽平面光场强度预测模型不仅可以配合作物的光需求模型，还可以配合作物的生长模型进行补光灯的智能调控，在后续的研究中，应进一步探析这些模型之间的最优配置。

图8 栽培槽平面光场强度预测模型验证结果Fig.8 The verification results of prediction model of plane light field intensity in cultivation tank

4 结 论

本研究针对传统定量、定高、定时补光措施存在的问题，结合不同作物、不同生长阶段的需光差异性，基于SVR算法提出了一种面向植物工厂LED阵列补光灯的光场强度预测模型，模型精度R2可达0.9815，为后续设施农业或植物工厂内作物按需补光奠定了良好的基础。在实际应用过程中，考虑到不同作物生长形态、叶片遮挡及株高的差异性，本研究构建的模型可能比较适用于株高较低且冠层均匀的作物，如生菜、草莓等。针对番茄、黄瓜等株高较高的作物，还需进一步开展立体补光装置及光环境预测模型的构建研究。