多因子约束的卷帘机揭盖被决策方法与控制系统研究

张军华 陈丹艳 张仲雄 孙章彤 张明科 胡 瑾

(1.西北农林科技大学机械与电子工程学院， 陕西杨凌 712100； 2.农业农村部农业物联网重点实验室， 陕西杨凌 712100； 3.陕西省农业信息感知与智能服务重点实验室， 陕西杨凌 712100； 4.西北农林科技大学园艺学院， 陕西杨凌 712100)

0 引言

北方冬季反季节生产过程中，日光温室通过后墙对太阳能的蓄放热及保温覆盖物的保温，能有效实现夜间温室内温度的维持[1-2]。但传统日光温室电气化水平较低，基本无加热装置及补光灯等设备支持[3-4]，光照时长及日间的太阳辐射量是影响温室内温度和作物物质积累的主要因素[5]，温室在揭被后，太阳辐射对温室整体增温，内墙及土壤进行蓄热，为作物的正常生长提供适宜环境，但阴雨天、雪天太阳辐射较弱时，太阳辐射强度无法提供足够的热量来源，使温室温度下降；盖被后温室内温度急剧下降，温室通过后墙、土壤的放热及保温被的隔热来维持温室内温度，防止温度过低造成作物受冷害[6-9]。温室温度目前很大程度上取决于基地温室管理人员揭盖被操作的时间[10-11]。实际生产中，由于信息化水平低，管理员仅用水银温度计来测量温室温度，揭、盖卷帘被时间也依靠人工经验，管理员通常采取晚揭被、早盖被的方式来保证室内温度[12]，这种方式使温室不能最大化接收太阳光辐射，导致温室无法获取充足热量，温室内蓄热量降低，保暖性能逐渐下降，同时会减少作物光合作用时长，影响作物的正常生长发育和物质积累[10]。目前已有研究主要考虑不同揭盖被方式、揭盖被程度对日光温室内温度的影响，结合作物生长需求模型进行卷帘机揭盖被决策的研究较少[13-17]。因此，结合作物需求及揭盖被后温室温度变化规律，实现合理的揭盖被决策对日光温室的生产至关重要。

本文基于作物生理生长对温度和光照的需求，结合揭被过程中不同内外温差条件下太阳辐射使温室内温度达到平衡所需的光照强度(光平衡点)，研究基于经验控制、作物温度限制、光补偿点与光平衡点多约束条件融合的卷帘机揭被决策模型；同时，构建温室夜间最低温预测模型，建立融合光补偿点、温度限制点、经验控制的卷帘机盖被决策方法，并依托卷帘机决策控制系统实现卷帘机揭盖被的智能决策控制，为提高日光温室冬季反季节生产中光周期，减少夜间低温冷害的发生提供有效保障。

1 揭盖被约束条件获取

揭盖被操作主要在典型西北下沉式日光温室进行，本研究中约束条件包括冬季番茄生理生长需求、揭盖被后温室温度变化规律与经验揭盖被时间3方面。试验作物为普罗旺斯番茄(SolanumLycopersicumMill.)，其生理生长需求约束条件主要为作物低温限制点与光补偿点(光限制点)；试验日光温室东西长50 m，南北跨度7 m，脊高5 m，下沉0.5 m，后墙、东侧墙体、西侧墙体为黏土制成，拱架为钢架结构，后坡覆以PC板和纺织材料制成的保温棉被，透光材料为聚氯乙烯薄膜，采用上下通风方式建造。约束条件获取试验于陕西省泾阳县西北农林科技大学泾阳蔬菜示范基地东6号日光温室进行，其约束条件为温室内温度平稳时的光平衡点及温室夜间最低温预测模型获取的最低温值。

1.1 作物生理生长约束条件

1.1.1番茄低温光合速率试验

植物的生长主要依靠叶片的光合作用，其中光合速率是反映植物对环境响应的重要指标，而低温对植物生长的影响从细胞层面开始，它主要影响叶片中光合器官光合过程和相关酶活性，限制了叶片的光合速率，从而限制叶片向花和果实的养分供应，因此本文以叶片低温光合速率试验来获取冬季低温条件下作物温度约束条件及光约束条件。西北越冬番茄种植过程中，低温冷害主要发生在对低温敏感的生殖生长期，初花期中现蕾期与花芽分化初期受低温影响后会严重限制花粉的形成、活力以及花的数量[18]，且花芽分化、开花及果期在生殖生长过程中并存，而花期是果期产量和品质的基础，因此本文以初花期番茄为试验对象，采用LI-6400XT型光合速率仪进行低温光合速率嵌套试验，其中光子通量密度、空气温度、CO2浓度范围根据日光温室实测范围适当调整设定，试验方案如表1所示。由于需预测番茄植株光补偿，同时考虑到弱光条件下作物光响应曲线斜率较大，光子通量密度共设置11个梯度，分别为0、15、30、60、120、250、400、600、800、1 000、1 200 μmol/(m2·s)。整个试验采用人工气候箱进行，环境相对湿度为50%。

表1 光合速率测试试验梯度设置Tab.1 Gradient setting of photosynthetic rate test

1.1.2低温限制点分析

低温限制点指对番茄生理生长造成严重抑制的环境临界温度点。以CO2浓度为600 μmol/mol时的不同温度、光照强度梯度下光合速率变化趋势为例，其温度响应结果如图1所示。

图1 不同光照强度下番茄(初花期)光合速率温度响应Fig.1 Temperature response of photosynthetic rate of tomatounder different photon flux densities (flowering stage)

由图1a可知，随着温度的增加，整个光照强度区间光合速率差异越来越大。6℃时，不同光照强度下光合速率收缩，说明叶片光合作用能力差异减小受到了抑制；在6℃升至8℃时光合速率差异变大，说明植物生理状态得到恢复或缓解，外界的光照强度变化已能明显改变其光合能力，作物生理应激反应趋于正常，光合作用强度主要受限于低温下酶活性的影响。由图1b各温度区间光合速率变化斜率可看出，光照强度大于120 μmol/(m2·s)时，在6～8℃及10℃以上温度区间的光合速率变化斜率均较大，在8～10℃区间斜率达到最小值，说明在该区间附近时达到了平台期，即作物能忍受的低温限制区，低于限制温度作物生理机能会迅速降低；由0 μmol/(m2·s)的变化趋势可知植株呼吸作用在低于8℃时明显减小，说明此时呼吸作用也受到了抑制，这与IKKONEN等[19]研究结果一致，当光照强度低于120 μmol/(m2·s)时，8～10℃区间斜率相对集中且接近于0，同样处于平台期，光合速率随着温度降低略有上升，是因为低温使呼吸作用受到了抑制。因此本研究以8℃作为作物低温约束条件。

1.1.3光限制点分析

为保证番茄的正常生长发育，以低温条件下光补偿点(光限制点)作为卷帘机揭盖被中作物的光约束条件。光补偿点通过叶子飘等[20]提出的直角双曲线修正模型及光合计算软件对原始光响应试验数据拟合计算获取。以环境温度、CO2浓度为输入，计算获取的光补偿点为输出，采用支持向量机回归(Support vector regression，SVR)[21-22]算法建立光补偿点预测模型,其中模型参数C、g通过Tent映射改进的差分进化算法(Differential evolution algorithm，DE)进行寻优[23-25]，最终以获取的最优参数组合对光补偿点数据进行拟合，在日光温室温度6～16℃、CO2浓度400～1 000 μmol/mol范围内光补偿预测模型曲面如图2所示。

图2 不同温度、CO2浓度下光补偿点预测模型Fig.2 Prediction model of LCP under different temperatures and CO2

采用留一法对模型性能进行验证，通过线性拟合对预测值与光补偿点实际值进行相关分析，结果如图3所示，结果表明，该模型的决定系数R2为0.935 3，均方根误差(Root mean square error， RMSE)为1.11 μmol/(m2·s)，归一化均方根误差(Normalized root mean square error，NRMSE)为0.064 2，小于0.2，说明模型具有较高的拟合精度和良好的适用性，与实际光补偿点数据接近，能够满足卷帘机实际控制过程中光限制点的获取精度要求。

图3 改进DE-SVR建模性能Fig.3 Improved DE-SVR modeling performance

1.2 温室约束条件

为减少温室低温冷害的发生，环境监测预警与卷帘机调控过程中应监测温室中最低温位置环境，经前期研究分析，本文室内最低温环境监测点位置部署于温室东侧靠近薄膜附近，距东墙4 m，后墙5.48 m左右，高度随作物冠层高度进行调整[26]；室外环境监测节点部署于日光温室棚顶位置。

1.2.1温室揭盖被试验

为分析揭被后不同外界光辐射强度、内外温差对温室温度变化的影响，获取温室内外温度平衡的光约束条件，进行了不同温光条件下揭被测试。试验数据采集从揭被动作开始至揭被后10 min结束，揭被过程各个环境参数数据分布范围如表2所示，试验时间2019年12月28日—2020年2月18日，去除其中2020年1月15日由于降雪全天未揭被的数据，试验共采集可用于分析的温光数据53组。

表2 日光温室揭被试验环境参数分布范围Tab.2 Distribution range of environmental parameters of uncovering-quilt test in solar greenhouse

日光温室盖被后，夜间室内最低温不仅受盖被后初始温度、后墙与土壤蓄热的影响，同时也受外界温度的影响[27]，参考已有研究，夜间最低温建模输入参数主要包括室内最低温监测点温度、室外温度、气象数据[11,28-29]，由于夜间后墙距离最低温监测点较远，土壤的散热对空气温度影响更大，因此本文增加监测点土壤温度数据作为输入，增加模型预测准确性[30]。

盖被试验于2019年12月28日—2020年2月18日、2020年12月8日—2021年1月19日进行，去除特殊原因如极端雪天等天气未盖被情况，试验共获取试验数据73组。数据采集从盖被动作开始记录至第2日08:00结束，其中气象数据由泾阳气象预报获取，记录盖被时刻温室内外温度及盖被后至第2天08:00间每小时气象预报温度数据，每小时温度预报数据将用于积温计算，其余夜间实测环境数据由环境监测节点自动采集，各参数数据分布范围如表3所示。

表3 日光温室盖被试验环境参数分布范围Tab.3 Distribution range of environmental parameters of covering-quilt test in solar greenhouse ℃

1.2.2光平衡点预测模型

基于获取的试验数据，在不同温度差与光辐射强度条件下，截取了揭被后10 min时的室内外环境监测数据，对10 min内温室内外温度差均值、太阳辐射强度均值及温度变化率进行计算，以室内温度变化率反映不同温光耦合条件下最低温监测点温度变化趋势，当温差变化率小于0时，说明外界光辐射强度在当前温度差下不能保证温度平稳，即温度下降，反之则说明温度升高。不同太阳辐射强度、温度差下温度变化率的变化规律如图4所示，图中白色虚线为最低温监测点在不同内外温度差、光辐射强度条件下，揭被后10 min内温度变化为0℃/min趋势线。从0℃/min趋势线可以看出，本文试验条件下不同温度差时，最低温监测点温度不变时光平衡点较小，在53～120 μmol/(m2·s)范围内变化。

图4 不同温差、太阳光辐射强度下室内温度变化率分布Fig.4 Temperature transition rate distribution of indoor temperature at different internal-external temperatures and light radiation intensities

对0℃/min趋势线进行提取，获取了19组光平衡点原始数据，通过二次非线性拟合获取了不同温差条件下维持温室内温度不下降的光平衡点，拟合结果如图5所示，由图5可知，模型拟合的R2为0.991 9，RMSE为1.816 9 μmol/(m2·s)，NRMSE为0.029 3，说明光平衡点拟合结果精度高，适用性良好。当温差为0℃时，理论上温室内外无热量交换，光平衡点辐射强度应为0 μmol/(m2·s)，此时模型计算该点辐射强度为4.028 2 μmol/(m2·s)，接近于实际情况，为日光温室卷帘机揭被过程中决策限制条件提供了理论依据。

图5 光平衡点拟合模型Fig.5 Light equilibrium point fitting model

1.2.3夜间最低温预测模型

夜间最低温预测模型采用精英策略遗传算法(Genetic algorithm，GA)优化的SVR进行构建[31-33]。GA寻优过程中参数设置：种群大小设置为50，迭代次数100，交叉概率0.85，变异概率0.1。本研究根据经验设置寻优参数C、g取值范围分别为[0, 15]、[0, 5]。通过精英策略GA对SVR参数进行优化，在迭代17次时达到模型收敛，最终惩罚因子C最优值为3.222 8，核参数g最优值为0.002 9，模型预测性能验证分析结果如图6所示。

图6 模型预测性能分析Fig.6 Model predictive performance analysis

通过最优参数SVR模型对数据集进行训练与测试，训练集与测试集R2分别为0.824 0、0.832 1，RMSE分别为0.718 5、0.708 7℃，其中测试集NRMSE为0.128 9，说明最低温预测模型在不同环境条件下具有良好的预测性能，泛化能力良好，能为卷帘机盖被决策提供可靠的数据支撑。

1.3 经验揭盖被约束条件

在日光温室冬季实际生产过程中，除大雪等恶劣天气情况下不进行揭盖被外，其余天气均会在合适时间进行揭盖被操作。经验揭盖被约束条件是在外界环境无法达到温室、作物需求的约束条件而无法揭盖被时，根据农艺师揭盖被经验时间来实现卷帘机的控制，本文经验揭盖被时间由对照日光温室日常操作时间记录获取，试验期间去除雪天无盖被情况共计76组人工揭盖被时间，人工揭被最晚时间为10:03，最早盖被时间为16:05，后续揭盖被决策方法中经验时间以此为依据。

2 多因子约束的卷帘机揭盖被决策方法

基于番茄初花期、温室环境约束条件及决策控制系统，本文融合揭被经验、光平衡点、低温约束、光补偿点构建了卷帘机揭被决策方法，在考虑不同外界环境因素条件下，以作物低温条件下温-光限制点约束为主导，光平衡点与揭盖被经验相辅助的方式，实现卷帘机揭被的科学合理决策；针对盖被操作，融合揭盖被经验、低温预测、低温约束、光补偿点构建了卷帘机盖被决策方法，该方法基于作物低温限制条件，以夜间最低温预测为主导，光补偿点与盖被经验相辅助的方式，实现卷帘机的盖被决策与控制，控制方法实现流程如图7所示。

图7 卷帘机揭盖被决策控制流程图Fig.7 Decision control method for uncovering/covering of rolling shutter machine

2.1 卷帘机揭被决策过程

卷帘机揭被决策过程基于卷帘机揭被决策方法与环境实时监测数据实现，决策开始后，系统通过天气系统判别是否为雪天，若为雪天则不进行卷被操作，由管理员现场确认实际情况酌情揭盖被；若为其他天气，系统实时分析上传的环境参数，通过光限制点预测模型实时获取光补偿点，若室内温度高于最低温限制点，系统则以光补偿点作为揭盖被决策条件，这是因为光补偿点通常低于光平衡点，揭被后会出现短时间温度下降，因此当室内温度高于低温限制点时采用光补偿点进行调控，当满足植物光合需求时执行揭被；当室内温度低于最低温限制点时，说明作物已受到低温影响，揭被主要考虑揭被后室内温度是否上升，因此此时根据光平衡点进行决策，当外界太阳光辐射强度高于光平衡点时执行揭被操作，使揭被后温度不会进一步降低；若光补偿点与光平衡点二者均无法满足要求，则通过经验揭被最晚时间来进行决策，保证作物的光照需求；当得到执行揭被决策结果后，系统生成卷帘机揭被控制指令通过网络下发到卷帘机物联网控制终端，控制卷帘机完成揭被操作。

2.2 卷帘机盖被决策过程

卷帘机盖被决策方法中为尽量防止夜间低温对作物造成伤害，同样基于番茄低温限制点进行，系统先获取当前环境条件下光补偿点作为盖被光限制点，同时获取实时天气预报小时气温并计算此时至第2天日出之间的小时预报温度积温，以室外温度、室内温度、土壤温度、预报积温为输入进行夜间最低温预测，若预测最低温高于低温限制点+标准误差，即8.7℃，则系统以光补偿点作为盖被决策条件，当外界光照强度小于光补偿点时执行盖被操作，反之不盖被，等待下一次环境数据上传后重新决策，尽量增加温室光照时间；若预测最低温低于低温限制点，则判断时间是否晚于经验最早盖被时间点，满足条件时才进行盖被，以此来保证温室的光照时长。当系统得到盖被决策结果后自动生成盖被决策指令，通过网络下发至卷帘机物联网控制终端，完成对卷帘机的盖被决策。

3 卷帘机决策控制系统

卷帘机决策控制系统基于ZigBee无线传感器网络实现了日光温室内外实时环境参数感知，通过4G通信网络完成监测数据的上传，最终由农业物联网监测控制平台内嵌的卷帘机智能决策模型对揭盖被做出决策，向卷帘机物联网控制终端发送控制指令，完成卷帘机的可靠自动控制。系统主要包括可自主组网和功能裁剪的环境监测节点、卷帘机物联网控制终端、用于网络协调及数据汇集上传的网关节点、DTU数据上传模块以及物联网监测平台，卷帘机决策控制系统结构示意图如图8所示。

图8 卷帘机决策控制系统结构示意图Fig.8 Schematic of decision control system for rolling curtain

3.1 温室环境监测节点

监测硬件整体设计如图9所示，主要包括CC2530核心处理模块、传感器接口、数据传输接口、电源模块、程序烧录模块、状态指示模块。

图9 环境监测节点硬件框图Fig.9 Hardware block diagram of environmental monitoring node

温室环境监测节点主要完成日光温室卷帘机智能控制过程中决策模型环境参数的获取，基于本研究中模型所需的环境监测需求，设备还可同时兼容扩展多种类传感器的接入，主要包括太阳辐射强度、空气温湿度、CO2浓度、土壤温度、土壤含水率6类环境因子。

3.2 卷帘机物联网控制终端

卷帘机物联网控制终端用于实现日光温室卷帘机的远程揭盖被控制，它具备手动控制和自动控制两种模式，其中手动控制用于基地管理者根据实际需求对卷帘机进行实地揭盖被操作，自动控制模式用于用户通过物联网系统平台进行远程揭盖被控制和智能模型调控。为了保证卷帘机控制系统的安全可靠运行，终端引入了行程开关与红外对射相结合的卷帘机限位控制方法，以及各类保护控制继电器，使终端在接收到远程控制指令时，能保证在无人值守条件下完成卷帘机的安全操作。卷帘机物联网控制终端包括ZigBee物联网控制器(弱电控制部分)与卷帘机自限位控制电路(强电控制部分)两部分，其整体框图如图10所示。

图10 卷帘机物联网控制终端整体框图Fig.10 Overall block diagram of IoT control terminal of rolling curtain machine

3.3 ZigBee协调节点

ZigBee协调节点用于日光温室卷帘机智能控制系统中环境监测节点、卷帘机物联网控制终端间无线传感器网络的组织和管理，通过定义网关节点来区分监测控制系统各个节点的归属，同时它与输出传输模块DTU进行通信，将网络节点传递的信息进行上传，也对平台下发的指令进行转发。ZigBee协调节点硬件框图如图11所示，包含CC2530核心处理模块、数据通信模块、电源模块及状态指示模块，其中数据通信模块完成与DTU数据透传模块的数据交互。

图11 ZigBee协调节点硬件框图Fig.11 ZigBee coordination node hardware block diagram

4 系统试验与结果分析

为验证本文智能控制系统的优越性和效果，试验于2021年11月14日—2022年1月12日于西北农林科技大学泾阳蔬菜试验示范站进行，选取东6号日光温室采用多因子约束的卷帘机揭盖被决策方法进行控制，东4号日光温室由园区农艺师按经验进行控制，两个温室种植作物均为“普罗旺斯”番茄，于2021年10月20日同期定植，每个温室共定植23垄，试验时株高55 cm左右，整个过程两个温室肥水管理、农事操作一致。温室内环境监测数据采集间隔为5 min，通过ZigBee网络与4G网络直接上传至农业生产物联网监控平台，试验期间共采集了揭盖被数据60组，通过平台统计计算，获取和计算了试验期间温室的有效积温、辐热积、光照时长等指标；试验期间同时测量记录番茄植株生理指标及第1穗果成熟时产量数据，用于分析两个日光温室在试验期间的两种卷帘机控制方式的调控效果。

4.1 温室温光评价指标结果分析

为验证卷帘机调控性能，统计分析了两个温室试验期间盖被后夜间最低温、日平均气温、日光照时长、日辐热积等温室温光评价指标，其变化趋势与结果如图12所示。

图12 温室温光评价指标结果Fig.12 Temperature and light evaluation index results of greenhouse

由图12a可以看出，试验温室夜间最低温几乎全部高于对照温室，经计算试验温室夜间最低温平均值为8.75℃，对照温室夜间最低温平均值为7.95℃，说明本系统的应用有效提升了温室夜间最低温，通过与室外温度变化的对比分析，夜间最低温低于8℃的情况主要发生在外界出现较极端低温或持续低温的天气。对最低温低于8℃的天数及温度进行统计分析，试验温室在试验期间低于8℃共18 d， 而对照组温室这一情况达到32 d，试验温室卷帘机调控系统的部署减少了43%的低温发生率，由图12结果也可看出低温天数中有6 d最低温接近于8℃，证明本系统在防止夜间温度低于温度限制点的性能良好，能有效减少夜间低温的出现。

通过对试验期间日平均温度的计算，试验温室和对照温室试验期间日平均温度分别为15.83、15.53℃，试验日光温室日平均气温普遍高于对照温室(图12b)；日光温室冬季光照时长的增加是提升产量的关键，经分析计算，除2021年11月20日为保证夜间温度，系统提前决策盖被导致光照时长减少外，试验温室平均日光照时长基本都高于对照温室(图12c)，试验温室与对照温室日平均光照时长分别为8.97、7.72 h，平均日光照时长增加了1.25 h；试验期间日辐热积计算结果如图12d所示，由结果可以看出，试验日光温室的日辐热积基本均高于对照温室，试验温室平均日辐热积为4.98 MJ/(m2·d)，对照温室为3.95 MJ/(m2·d)，试验温室平均提升1.03 MJ/(m2·d)，提升效率为26.08%。在运用多因子约束卷帘机揭盖被决策模型进行合理早揭被、晚盖被的情况下，本文揭盖被决策方法优于人工经验揭盖被。

本文提出的卷帘机揭盖被决策控制方法与对照温室的评价指标总体结果如表4所示。由表4可看出，在整个验证试验期间(60 d)，相对于对照温室，试验温室总光照时长增加了75.16 h，相对增长了16.22%，总辐热积提高了61.41 MJ/m2，相对增加了25.89%，总有效积温提升了22.28℃，增长了4.91%。结果证明，在温室整体平均温度与传统经验调控相差不大的情况下，作物接受的太阳辐射总量有效增加，这有利于作物的光合作用；对温室而言，日照时间的增长，温室内部蓄热墙体、土壤接受的太阳有效辐射增加，使温室整体辐热积增加，有助于温室热量的积累，提高温室夜间保温性能。在冬季整体温度、光辐射不能满足番茄正常快速生长需求的情况下，辐热积和有效积温的增加，对作物生理生长和物质积累具有积极的促进作用。

表4 评价指标总体结果Tab.4 Overall results of evaluation indicators

4.2 番茄生长指标结果分析

由于植株存在个体差异以及初始阶段植物的生长指标不同，因此选用指标的增长量作为依据进行试验组和对照组的对比分析。图13为温室均匀采样获取的植株生理指标增长量图，由结果可看出试验组的株高增长量整体低于对照组。而试验组番茄茎粗整体高于对照组，植株矮、茎秆粗说明植株健壮，即试验组的番茄植株生长状态比对照组更健壮，这有利于番茄后期生长过程中对茎叶及果实物质能量的输送。

图13 生理指标结果Fig.13 Increase results of plant height and stem diameter

叶片生长速率变化趋势如图14所示，由于叶片形态受生长时间的影响，本研究选择统一的新生叶作为叶片生长速率的测定依据。由图中趋势可看出，叶长随生长时间先快速上升后趋于平稳。叶宽也表现出了相同的趋势，但趋于平稳的速度小于叶长。在叶片生长到20 d之前叶长和叶宽都处于快速生长期，而在20～26 d之间叶长已趋于平稳，而叶宽还在快速增加，29～30 d时均趋于稳定，当叶长叶宽都趋平稳时说明叶片的生长形态已经达到最大。结果说明试验组叶面积大于对照组，更有利于光合产物的积累。

图14 叶片生长速率变化曲线Fig.14 Variation trends of leaf growth rate

4.3 产量分析

由于温室环境的积温增加，光照时间增长，光合叶面积增加，试验组的番茄产量高于对照组，产量结果对比如图15所示。通过对3次采摘结果的计算可知试验组产量提高30.74%，说明了本研究方法能够对番茄产量产生促进作用。但从3次采收结果可以看出，试验组在前两次采收具有较高的产量，明显高于对照组，但第3次采收结果低于对照组，说明本研究方法对于番茄前期收获具有更明显的优势。

图15 产量结果对比Fig.15 Yield result comparison

5 结论

(1)经验证，与传统经验卷帘机控制相比，本文方法能有效减少冬季日光温室夜间温度低于番茄低温限制点发生率。

(2)试验期间，试验温室日光照时长平均延长1.25 h，相对于经验调控增加了16.22%，试验期内共计增加光照时间75.16 h，辐热积增加61.41 MJ/m2，提升了25.89%，有效积温增加了22.28℃，对温室总体蓄热提升效能明显，为作物生长提供了更好的生长环境。

(3)基于作物实际生长指标，试验温室植株更加健壮，相对时间内平均生长速率也更高，由产量分析结果可以看出，试验温室前3次收获结果较对照温室产量提高30.74%，说明本研究控制系统及方法能有效增加番茄物质的积累，对于番茄提前收获具有明显的优势。