多智能算法融合的苗期番茄最佳温度决策方法

摘 要 为应对全球食品需求的增长和气候变化对传统农业的影响，开发了一种基于多智能算法融合的设施番茄最佳温度决策方法。设计了番茄嵌套试验试验，采集了不同环境条件下苗期番茄的光合速率数据，并建立光合速率预测模型；通过对该模型实例化获取光合速率随温度变化的响应函数，并通过导数理论完成最佳温度提取；最后设计了模拟试验验证了最佳温度条件在番茄幼苗光合积累上的优势。模型评价结果表明：光合速率预测模型在未知数据集上决定系数达0.99，均方根误差为1.37 μmol/（m2·s），较其他经典模型具有显著优势；模型实例化函数显示不同环境条件下皆存在一个最适宜的温度点，该温度可使番茄光合速率达到最大；模拟生产结果显示，一个生产日内单位面积番茄幼苗的光合积累达0.216 6 mol/m2，较自然生长的番茄光合积累提升了一倍。综上，本决策方法提升了番茄的光合积累，为现代农业生产提供了有效的技术支持。

关键词 神经网络；遗传算法；温度决策；光合速率

随着全球食品需求的不断增长以及气候变化对传统农业模式的挑战，温室栽培作为一种有效的设施农业技术，在保障作物产量和质量方面发挥着重要作用［1-2］。在温室环境中，温度是影响植物生长最为关键的因素之一，也是中国温室环境的主要控制因素［3］。适宜的温度控制不仅直接关系到果实的品质和产量，还影响着病虫害的发生频率及严重程度［4-5］。然而，传统的温室温度控制往往依赖于人工经验和定时调节，缺乏灵活性和自适应性［6］。此外，由于受到多种环境因素的影响，如室外气候条件、季节变化、日照强度以及温室内作物生长状态等，使得温度调控成为一个复杂的多变量优化问题［7］。因此，开发智能化的温度决策系统，以适应复杂多变的环境并实现精细化管理，已成为当前研究的重点。

李胜利等［8］通过探究高海拔温室内温度与番茄幼苗形态、开花数及坐果率的关系，确定了高山地区番茄的适温范围为15～33 ℃。Wang等［9］提出一种具有分层控制策略的温室卷帘模糊控制方法，可以有效决策卷帘转置开关，满足温室作物生长的温度需求。但是上述温度决策方法依然难以确定作物生长最佳温度，只能提供粗略的温度范围。

为了解决温室温度细粒度决策问题，近年来人工智能技术的迅猛发展为这一问题提供了新的思路［10-11］。机器学习和智能计算领域的一系列先进算法，如神经网络、遗传算法和群体智能优化等，已经在许多领域展现出了卓越的数据处理和模式识别能力［12-13］。这些智能算法能够从大量历史数据中学习规律，预测未来趋势，并据此做出最优或近似最优的决策。Gao等［14］采用支持向量机等算法实现了对温度变化条件下的温室最佳光照环境获取。袁凯凯等［15］在不同根温条件下筛选了适宜番茄生长的氮肥调控区间。

在温室温度调控方面，现有决策方案多基于环境设定值实现参数调控，根据环境实时监测结果与经验设定目标之间的差值驱动执行机构做出相应决策［16-17］。但温室环境变化时系统难以及时调整优化设定值，将影响控制结果，故应结合智能控制方法实现温室环境精准调控。Azaza等［18］考虑温室白天和夜间需要供暖或通风，设计模糊解耦控制结构来保持温度有效控制。解耦方法多以确定的数学模型为基础，而对于复杂的温室系统，难以建立融合多种环境因子的精准数学模型，人工智能算法为该问题提供了新的解决方案［19-20］。然而，温室温度的时滞性和非线性特征制约了温室温度控制装备的智能化发展，Yang等［12］通过建立温度预测模型实现温度预测来缓解时滞性等问题，但最佳温度决策目标值选取问题仍然亟待解决。

本研究旨在探索一种基于多智能算法融合的设施番茄温度决策方法。通过结合多种智能算法的优势，建立一套能够实时响应内外环境变化、自动决策温度设定点以实现最佳设施生产积累的决策方法。该方法应当协同考虑温室综合环境变化与作物自身需求，动态完成最佳温度决策。考虑到植物生长受温度、光照、水分、CO2和肥料的综合影响［21-22］，但在温室中土壤水分与肥力往往受人工控制，保持在较稳定的水平［23］。温室光照强度与CO2浓度水平随时间变化的波动较大［24-25］，因而本研究假设温室中土壤条件稳定，依据光照强度和CO2浓度变化完成温度调控目标值决策。

本试验首先设计了试验采集温度、光照强度和CO2浓度嵌套下的苗期番茄光合速率；其次，基于神经网络算法和遗传算法建立不同环境条件下的番茄光合速率预测模型；实例化光合速率预测模型后，基于导数法实现最佳温度环境决策；最后，设计验证试验表明该最佳温度将显著提升设施番茄的光合积累，为现代农业生产提供技术" 支持。

1 材料与方法

1.1 试验材料与试验设计

光合作用是设施蔬菜生长发育中至关重要的过程，它直接决定了能量获取和有机物的合成，是植物生长和发育的基础［26］。以光合速率为目标的环境调控方法已广泛应用于植物生长小环境营造［27-29］。本试验在研究环境变化对光合速率影响的基础上建立光合速率预测模型，并实现最佳温度条件获取。

数据采集试验于2023年11月1日-12月31日在杨凌气象局人工气候箱内进行，以苗期番茄（‘金鹏8号’）为试验对象记录其在不同环境条件下的光合速率。为确保试验样本一致性，番茄育苗试验每7 d进行一次。育苗试验将番茄种子浸泡在50 ℃的温水中一昼夜后，置于湿润的培养皿中，在25 ℃条件下完成催芽处理。催芽后的番茄种子种植在基质（Pindstrup Substrate）中，并保存与72孔穴盘内。30 d后将发芽的番茄幼苗移植到10 cm×10 cm×10 cm的花盆中培育，培育过程保持水分充足，不喷洒任何农药、激素，直至番茄第5片功能叶发育完全。随机选择健康、高度、状态相似的健壮幼苗进行光合速率采集试验。一周后番茄表型状态改变，则选择新的一批幼苗进行试验，利用Li-6400型光合速率测试仪（LI-COR公司，美国）完成光合速率采集。将光合速率测试仪荧光叶室夹持在番茄幼苗的第三功能叶位，通过控制荧光叶室环境，获取苗期番茄在不同环境条件下的光合速率。

为了获取多环境条件协同的设施番茄光合速率，本研究设计了一个嵌套试验，通过设置光合速率测试仪荧光叶室的温度、光照强度和CO2浓度条件，记录不同环境下的番茄叶片光合速率。嵌套试验环境梯度设置如表1所示，各环境都略超出其适宜生长环境［30］。光合速率通过光合速率测试仪的光响应曲线测量程序进行记录，先将荧光叶室的温度和CO2浓度值设置好，再将光照强度设置为1 900 μmol/（m2·s），待光合速率稳定后开启光响应曲线测量，记录当前温度和CO2浓度条件下18个光照强度时代番茄叶片光合速率。试验共采集了1 620组数据（9×10×18），每组数据都进行3次重复测量，以平均值作为最终结果。

1.2 光合速率预测模型构建

1.2.1 数据预处理 以试验数据作为样本集，选择温度、光照强度和CO2浓度为环境特征，光合速率为标签数据，建立光合速率数据集D如式

（1）所示，用于构建不同环境条件下的番茄幼苗光合速率预测模型。

D=T1P1C1Pn1T2P2C2Pn2T1620P1620C1620Pn1620=X1Y1X2Y2X1620Y1620（1）

式中，Xi=［Ti，Pi，Ci］表示第i个样本的特征向量，包括温度、光照强度和CO2浓度；Yi=［Pni］表示第i个样本的标签向量，为光合速率。

为避免不同维度数据由于量纲造成的模型偏差，需对样本数据集作归一化处理，使温度、光照强度、CO2浓度和光合速率数据处于同一数量级。归一化处理采用线性归一化方法，归一化范围为［0.1，0.9］，如式（2）所示。归一化后的样本集按照6∶2∶2的比例划分为训练集、测试集和验证集。其中训练集数据用于光合速率模型开发，测试集数据用于模型超参数优化，验证集数据用于验证模型性能。

D′=0.1+D－DminDmax－Dmin×0.8（2）

式中，D是原始数据；D′是归一化后的数据；Dmin是数据最小值；Dmax是数据最大值。

1.2.2 双隐层全连接神经网络模型结构 为构建光合速率预测模型，采用双隐层设计的神经网络结构实现光合速率回归。设计网络参数（权值、阈值）总数为数据集大小的" 1/10左右，保持隐层间连接的权值矩阵和阈值矩阵大小约为100。隐层神经元设置由试验决定，分别设计隐层一的神经元数为5、10、15、20和25时，对应的隐层二神经元数量分别为20、10、7、5和4，利用误差反传算法与训练神经网络，对比不同隐层节点组合条件下的验证集均方根误差如表2所示。

由表2可知，当2个隐层神经元个数分别20和5时，预训练模型误差最低。因此，本研究采用的全连接神经网络结构包括一个3神经元的输入层、20神经元的隐层一、5神经元的隐层二和1个神经元的输出层。网络隐层激活函数为Sigmoid函数，输出层函数为ReLu函数，共包含191个权值和阈值作为网络参数，约为数据集大小的" 1/10。模型表达式展示如式（3）所示。

fBPNNX=Reluh2（X）×W3+b3h2X=Sigmoidh1（X）×W2+b2h1X=SigmoidX×W1+b1（3）

式中，h1（X）和h2（X）分别是第一隐层和第二隐层的输出值；W1、W2和W3分别是输入层-第一隐层、第一隐层-第二隐层和第二隐层-输出层之间的权值矩阵；b1、b2和b3分别是第一隐层、第二隐层和输出层的阈值向量。

1.2.3 网络参数优化 为提升模型精度，对网络参数的初值通过遗传算法进行优化后，再采用自适应梯度下降（Adaptive Gradient Descent Algorithm，AdaGrad）算法进行细致调整，模型训练流程如图1所示。适宜的初始模型参数可使网络更好地学习输入特征，提高训练效率和稳定性，还可以加速网络的收敛过程，且对模型性能有显著影响。在本研究中，待优化的网络参数数量近200个，索引空间庞大，优化过程难以收敛。为了快速、准确获取适宜初始模型参数，遗传算法以其强大的全局搜素能力被用于初始化网络参数。

采用遗传算法初始化模型参数需先对网络权值、阈值进行编码，所有模型参数先按照网络前向计算顺序将模型参数排成一列，再从［-1，1］范围内随机赋值，构成一条染色体。染色体解码时则按照编码顺序提取对应位置权值和阈值，并代入网络即可。染色体在进化过程中会按照给定概率进行交叉和变异，以增加种群多样性，交叉和变异概率分别设置为0.5和0.1。

传统交叉算法仅选择一个断点进行交叉，适合基因数较少的染色体［31］。但本研究所设计的染色体包含191个待优化基因变量，优化空间庞大，因而本文提出了一种10段染色体随机交叉机制。该方法首先将父代种群顺序打乱，选择其中一半作为父染色体组，另一半作为母染色体组。在父染色体组和母染色体组中各依次挑选一条染色体进行交叉，每条染色体上选择9个断点将染色体切割成10段。针对染色体上的每一段，按照交叉概率可确定是否将父染色体和母染色体的该段基因交换，最终形成两条子染色体。该方法能使交叉后的种群多样性增加，覆盖更广的搜索空间，加速了收敛，减少了遗传漂移。

虽然交叉算法为种群引入新的个体，但种群基因库是有限的，限制了个体更多发展可能，导致种群进化结果不佳。因此，优化过程中需引入新的基因，以其获得更优个体。该功能通过变异机制实现。染色体在进化迭代过程中每次变异可能会改变其中10个基因。针对每个可能变异的基因，当变异概率被满足时，该基因对应的数值" 取反。

为了使子代个体向更优越的网络参数方向进化，需要对个体和基因进行筛选。保留使网络性能提升的个体与基因，剔除使网络性能下降的个体与基因，因此算法中需要加入自然选择机制将优势个体保存下来。将交叉、变异操作后的子代种群和父代种群相结合为新种群，计算种群中" 每个个体解码后的网络对训练集数据的均方根误差（root mean square error，RMSE）如式（4）" 所示。

Ermse=∑972i=1Yi－fBPNNXi2（4）

式中，Xi为训练集中第i个样本的输入向量；Yi为训练集中第i个样本的输出向量。

在误差的基础上计算遗传算法中每个个体的适应度为：

Fi=1－Ei∑nj=1Ej（5）

式中，Fi为种群中第i个个体的适应度；Ei为群中第i个个体在训练集上的均方根误差；n为子代和父代结合后的种群大小。

在自然选择机制中，每个个体成功被选择进行下一轮遗传进化的概率为：

Pi=Fi∑nj=1Fj（6）

完成选择后的新种群重新进行交叉、变异、自然选择等操作，直至完成进化过程。遗传算法在进化过程中为神经网络提供了不断优化的网络初值。本研究设定遗传算法种群规模为50，遗传代数为100。算法在迭代过程中的进化曲线如图2所示，进化过程中未出现震荡，且收敛速度快。

为了进一步优化网络，经改进遗传算法优化后的初始模型参数还需要经误差反传算法细致调整与优化，获得最佳网络权值和阈值。经典误差反传算法在每个迭代中都采用相同学习率获取网络梯度信息，以实现模型参数优化。但由于模型参数在不同维度上的收敛速度不一致，相同的学习率可能会导致一些参数陷入震荡而另一些参数却未收敛。因而本研究引入AdaGrad算法自适应调整每个参数的学习率。先计算第t次迭代时，每个参数的梯度平方累积：

Gt=∑tτ=1gτ·gτ（7）

式中，gτ表示第τ次迭代的梯度，gτ·gτ表示按元素乘积。

最终参数的更新为：

θt=θt-1-λGt+ε·gt（8）

式中，ε gt; 0，用于保证Gt+εgt; 0。

AdaGrad算法根据模型参数的更新历史自适应地调整学习率，随着偏导累计值的增加，算法会减小学习率。在训练初期，偏导累计值较小，因此算法通常会采用较大的学习率，以便快速接近最优解，而当接近最优解时，偏导累计值较大，算法会自动减小学习率，帮助模型更精确地收敛于最优解。

1.2.4 模型评价 利用相同数据集对随机初值的相同结构神经网络进行训练，通过训练集、测试集和验证集数据的RMSE、平均绝对误差（average absolute error，AAE）和决定系数（coefficient of determination，R2），评价模型最终性能如式（9）至（11）所示。再对比分析遗传算法优化后的光合速率预测模型，可验证网络初值优化对模型性能的提升。此外，本试验还对比了多个经典回归模型，包括支持向量机回归、随机森林回归和岭回归以验证所提出模型的性能优势。

1.3 最佳温度决策方法

1.3.1 最佳温度目标点 为满足作物需求，番茄生长温度决策应当根据其他环境动态调整。在光合速率预测模型考虑的3个环境因素中，光照强度和CO2浓度可以根据传感器获取，从而将光合速率预测模型实例化为光合速率随温度变化的响应函数，如式（12）所示：

gT=fBPNNX|x1=T，x2，x3=P，C（12）

式中，g（·）为光照强度和CO2浓度一定时，光合速率随温度变化的函数；T为温度变量；P和C分别是光照强度和CO2浓度条件。

由于式（12）中光合速率随温度变化而改变，因而可基于该函数获取光合速率最大值，此时的温度即为最适宜苗期番茄生长的温度环境。考虑到函数极大值点的导数值为零，因而对式（12）求取一阶导数如式（13）所示，求解g′（T） = 0即可获取最大光合速率时的温度值。

g′T=gT+ΔT－gT－ΔT2×ΔT（13）

式中，ΔT是一个接近于0的正数。

1.3.2 模拟日生产 为评估最佳温度对苗期番茄生长的有效性与实用性，本文设计了一个模拟试验，通过采集温室中一天的环境变化，计算苗期番茄的光合速率变化，以光合积累量评价最佳温度条件。环境数据来自2023年10月15日的陕西杨凌示范区的日光温室（34°07′39″N，107°59′50″E，海拔648 m），从9：00到16：00采集温室温度、光照强度和CO2浓度环境，采样时间为3～5 min，模拟一天的生产。对比分析最佳温度对作物光合积累及贡献。

1.3.3 实际生长的光合速率采集 除模拟日生产结果，还测定了在实际生长中，不同环境状态下番茄幼苗光合速率大小。由于温室环境在不同条件下环境变化较大，试验采用人工气候室模拟不同环境条件。待测试番茄幼苗（‘金鹏8号’）按光合作用试验培养方法生长至5叶1心，随机在3组培养箱中进行试验。培养箱内的光照强度和CO2浓度由嵌套设置决定，其中光照强度据表1随机设置为200、600、1 000、1 500 μmol/（m2·s），CO2浓度也根据表1设置为200、600、" 1 000、1 600 μmol/mol。3组培养箱的温度条件则按照不同方法设置为试验组、经验组和对照组。其中，试验组温度由本研究所提出方法动态计算确定，经验组温度依据番茄适宜生长经验温度设置为22.5 ℃［32］，对照组温度按前述所采集温度数据中的日平均气温设置为28.5 ℃。待培养箱内环境稳定后，利用光合速率测试仪测定培养箱内对应环境条件下的苗期番茄光合速率。

2 结果与分析

2.1 光合速率预测模型性能分析

未经优化的神经网络在不同数据集上的计算结果图3所示，在不同数据集上将模型预测结果和真实结果的散点图与拟合直线绘制在图3中，其中拟合直线越接近y=x线表明模型预测结果越精准。仅通过AdaGrad算法优化，模型RMSE在各数据集上都大于2 μmol/（m2·s），R2也低于0.99。

网络参数初值经遗传算法优化后的神经网络经训练形成最终光合速率预测模型，在不同数据集上将模型预测结果如表3所示。初值优化后的光合速率预测模型在训练集上取得了极小的RMSE［1.37 μmol/（m2·s）］和AAE［1.04 μmol/（m2·s）］，以及接近1的R2（0.99）。虽然在测试集和验证集上的性能指标略微下降，但其RMSE和AAE也都小于1.5 μmol/（m2·s）。对比未经初值优化的神经网络结果（图3）表明，未经初值优化则网络参数难以达到最佳。初值优化为神经网络提供了更好的训练条件，避免了陷入局部最优或趋于发散等困境。

本试验还对比了多个经典回归模型，包括支持向量机回归、随机森林回归和岭回归，展示了各模型在未知数据集（验证集）上的性能如表4所示。虽然支持向量机和随机森林也获得了较高的R2和较低的误差，但仍与初值优化后的神经网络模型存在差距，验证了本研究所提出模型的优越性，其具有误差小、精度高、拟合度优和泛化能力强等优势。

2.2 光合速率随环境变化分析

进一步可视化光合速率预测模型，将光合速率随环境变化的结果展示在图4中，其中图4-a、图4-b随机展示了不同温度条件下光合速率随光照强度和CO2浓度变化的曲面，图4-c则显示了温度、光照强度和CO2浓度三者协同变化引起的光合速率改变。由图可知，植物的光合速率是受环境因素协同影响的。以光照强度为例，光合速率会随之增加而相应提升，但是在达到一定强度后，光合速率的增长便趋于平稳。而CO2浓度则可以改变光合速率随光照强度变化的幅度。同样地，不同温度条件下的光合速率曲面高低不同，表明温度会造成植物光合作用过程中对光和CO2的利用效率，因此，作物生长过程中的温度决策尤为重要。

2.3 最佳温度分布结果

在不同光照强度和CO2浓度条件下，光合速率都是先随温度上升而提升，但温度进一步升高则会导致光合速率降低。这是因为与光合作用相关酶的随温度提升，其活性也不断提升，但当温度超过其适宜温度后，酶活性将会降低。苗期番茄的最佳生长温度约为26 ℃，然而，光合速率的大小也会受光照强度和CO2浓度环境影响，因而最佳温度随环境改变也略有变化。将光照强度和CO2浓度条件细化后，展示不同环境条件下的最佳温度变化如图5所示。在光照强度弱且CO2浓度低的环境中，光合作用有关酶需要更高的温度提升其活性，使光合速率达到最佳。然而，在较强的光照强度和较高的CO2浓度环境中，光合作用有关酶更容易激活，使光合速率达到饱和状态的温度更低。

2.4 模拟日生产结果

模拟试验中环境采样结果如图6所示，CO2浓度在开棚时由于夜间呼吸积累达到最大，其后不断降低。由于太阳角度变化，温室温度和光照强度都是在中午达到最大，而早晚相对较低。

根据温室光照和CO2的环境变化计算一天中最佳温度的实时最佳值变化情况如图7-a所示。由于温室环境中光照变化较为剧烈，因而光照条件对最佳温度影响更大，其趋势与光照强度变化趋势接近。从最佳温度变化来看，上午开棚时需要对温室升温而中午则需要对温室降温，以保持更高的作物光合速率。

按照图6中的温室环境与图7-a中的最佳温度环境，计算一天中苗期番茄的光合速率变化结果，如图7-b所示。在最佳温度条件下，番茄苗的光合速率远大于自然环境条件下的光合速率。通过对光合速率变化曲线的积分可知，一天的设施生产结束后，利用最佳温度进行设施生产，单位面积番茄幼苗的光合积累是0.216 6 mol/m2，而自然温度条件下的单位面积番茄幼苗光合积累为0.110 4 mol/m2。因而采用最佳温度进行设施生产，几乎增加了一倍的光合积累，也证明了最佳生长温度对作物产量提升的高效性。

2.5 实际光合速率采集验证结果

利用培养箱模拟不同温室环境，采集这些环境中的番茄幼苗光合速率结果如表5所示。在不同环境条件下的番茄光合速率存在较大差异，温度控制策略也会导致最终植株光合速率产出的不同。利用专家经验完成温度决策可以使苗期番茄的光合速率得到提升，但其提升效果低于实验组结果。根据本研究方法动态调控生长温度，可以使番茄在不同条件下的光合速率均保持最大，验证该方法在设施温度决策领域具有优越性。

3 讨论与结论

考虑到温度对作物生长的重要性，本试验提出了一种温室番茄温度决策方法，能大幅提升番茄光合积累，并形成以下结论：

（1）基于神经网络算法提出了温度、光照强度和CO2浓度协同的苗期番茄光合速率预测模型。模型通过遗传算法优化了网络初始权值和阈值，再利用AdaGrad算法细致调整了网络超参数。异校验结果显示，模型RMSE和AAE都小于" 1.5 μmol/（m2·s）、R2达0.99，模型性能优于支持向量机、随机森林和岭回归等经典机器学习" 模型。

（2）基于实例化的光合速率预测模型和导数理论，提出光合速率随温度变化的函数与函数最大值求解方法，完成了最大光合速率对应的最佳温度搜寻。最佳温度受光照强度和CO2浓度影响是动态变化的，能实现不同环境条件下的最大光合速率输出。

（3）通过采集温室中一天的环境变化，模拟生产试验结果表明，采用最佳温度进行一天温室生产，苗期番茄可以获得0.216 6 mol/m2的光合积累，较自然生产高出近一倍，表明最佳温度对温室作物生产的高效性和适用性。

本研究有助于提升温室生产效率，并为温室温度决策提供了科学依据。在未来研究中应当考虑温室中复杂的耦合环境，包括通风、土壤和微生物环境等，以提升决策精度。此外，该模型仅考虑番茄幼苗期的生长，限制了其在生长阶段的使用。在花果期等生长阶段可能需要考虑株高、茎直径和光合分布等因素，综合完成温度决策。

参考文献 Reference：

［1］ 胡 瑾，杨永霞，李远方，等.温室环境控制方法研究现状分析与展望［J］.农业工程学报，2024，40（1）：112-128.

HU J，YANG Y X，LI Y F，et al.Analysis and prospect of the environmental control systems for greenhouse［J］.Transactions of the Chinese Society of Agricultural Engineering，2024，40（1）：112-128.

［2］李 楠，刘希港，李 静，等.换头节次对日光温室长季节栽培番茄生长及产量的影响［J］.中国蔬菜，2024（1）：74-80.

LI N，LIU X G，LI J J，et al.Effects of pinching position and frequency on growth and yield of tomato under long-season cultivation in solar greenhouse［J］.China Vegetables，2024（1）：74-80.

［3］任 壮，汪 军，孔 超，等.温室大棚环境动态测控系统研制［J］.电子测量技术，2024，46（1）：65-71.

REN ZH，WANG J，KONG CH，et al.Development of dynamic measurement and control system for Greenhouse environment［J］.Electronic Measurement Technology，2024，46（1）：65-71.

［4］李松涛.水稻作物产量预测模型的研究—基于多源数据回归模型［J］.农机化研究，2024，46（10）：27-31，36.

LI S T.A Study of rice crop yield prediction model［J］.Journal of Agricultural Mechanization Research，2024，46（10）：27-31，36.

［5］宋财柱，塔 娜，闫彩霞，等.日光温室环境因子预测模型及应用——基于BP神经网络［J］.农机化研究，2024，46（10）：175-179，186.

SONG C ZH，TA N，YAN C X，et al.Establishment and application of environmental factor mod of solar greenhouse［J］.Journal of Agricultural Mechanization Research，2024，46（10）：175-179，186.

［6］PINHOET P，HYTONEN T，RANTANEN M，et al.Dynamic control of supplemental lighting intensity in a greenhouse environment［J］.Light Research Technology，2013，45（3）：295-304.

［7］TIMMERMANS G，HEMMING S，BAEZA E，et al.Advanced optical materials for sunlight control in greenhouses［J］.Advanced" Optical Materials，2020，18（8）：2000738.

［8］李胜利，李 阳，周利杰，等.豫西高山夏季番茄育苗温度适宜度定量评价［J］.农业工程学报，2019，35（4）：194-202.

LI SH L，LI Y，ZHOU L J，et al.Quantitative assessment of temperature suitability of alpine summer tomato seedling in west of Henan province［J］.Transactions of the Chinese Society of Agricultural Engineering，2019，35（4）：194-202.

［9］WANG L，ZHANG H.An adaptive fuzzy hierarchical control for maintaining solar greenhouse temperature［J］.Computers and Electronics in Agriculture，2018，155：251256.

［10］ GAO P，LI B，BAI J，et al.Method for optimizing controlled conditions of plant growth using U-chord curvature［J］.Computers and Electronics in Agriculture，2021，185：106141.

［11］HOU J，LI Y，SUN Z，et al.A cooperative regulation method for greenhouse soil moisture and light using Gaussian curvature and machine learning algorithms［J］.Computers and Electronics in Agriculture，2023，215：108452.

［12］YANG Y，GAO P，SUN Z，et al.Multistep ahead prediction of temperature and humidity in solar greenhouse based on FAM-LSTM model［J］.Computers and Electronics in Agriculture，2023，213：108261.

［13］ZHANG Z，LIU H，WEI Z，et al.A transfer learning method for spectral model of moldy apples from different origins［J］.Food Control，2023，150：109731.

［14］GAO P，LU M，YANG Y，et al.Greenhouse light and CO2 regulation considering cost and photosynthesis rate using i-nsGA Ⅱ［J］.Expert Systems with Applications，2024，237：121680.

［15］袁凯凯，卢 苗，李慧敏，等.基于U弦长曲率的番茄氮肥调控目标区间获取方法［J］.农业工程学报，2022，38（11）：188-196.

YUAN K K，LU M，LI H M，et al.Data acquisition of regulating target range for tomato nitrogen fertilizer using U-chord curvature［J］.Transactions of the Chinese Society of Agricultural Engineering，2022，38（11）：188-196.

［16］孙荣高，孙德超.基于经验数据的温室内的温湿度过程控制系统［J］.电子工程师，2004（9）：70-72.

SUN R G，SUN D CH.Greenhouse temperature and humidity process control system based on experimental data［J］.Informatization Research，2004（9）：70-72.

［17］SUBAHI A，BOUAZZA K.An Intelligent IoT-Based System Design for controlling and monitoring greenhouse temperature［J］.IEEE Access，2020，8：125488-125500.

［18］AZAZA M，ECHAIEB K，TADEO F，et al.Fuzzy decoupling control of greenhouse climate［J］.Arabian Journal for Science and Engineering，2015，40：2805-2812.

［19］ESCAMILLA G，SOTO Z，TOLEDANO A，et al.Applications of artificial neural networks in greenhouse technology and overview for smart agriculture development［J］.Applied Sciences-Basel，2020，10（11）：3835.

［20］MOHAGHEGHI A，MOALLEM M.Intelligent spectrum controlled supplemental lighting for daylight harvesting［J］.IEEE Transactions on Industrial Informatics，2021，17（5）：3263-3272.

［21］段 萌，杨伟才，毛晓敏.覆膜和水分亏缺对春小麦光合特性影响及模型比较［J］.农业机械学报，2018，49（1）：219 -227.

DUAN M，YANG W C，MAO X M.Effects of water deficit on photosynthetic characteristics of spring wheat under plastic mulching and comparison of light response curve models［J］.Transactions of the Chinese Society for Agricultural Machinery，2018，49（1）：219 -227.

［22］付焕森，李元贵，夏华凤.温室系统温湿度、水肥耦合的解耦控制器设计［J］.江苏农业科学，2016，44（6）：430-432.

FU H S，LI Y G，XIA H F.Design of decoupling controller for temperature，humidity，water and fertilizer coupling in greenhouse systems［J］.Jiangsu Agricultural Sciences，2016，44（6）：430-432.

［23］ISSOUFOU LH，CROY W，JAMES K，et al.Crop modelling in data-poor environments – A knowledge-informed probabilistic approach to appreciate risks and uncertainties in flood-based farming systems［J］.Agricultural Systems，2021，187：103014.

［24］HENDRY J，BANDYOPADHYAY A，SRINIVASAN S，et al.Metabolic model guided strain design of cyanobacteria［J］.Current Opinion in Biotechnology，2020，64：17-23.

［25］REN H，XIAO T，ZHANG Q，et al.Photosynthesis- inspired bifunctional energy- harvesting devices that convert light and salinity gradients into electricity［J］.Chemical Communications，2018，87（54）：12310-12313.

［26］陈 晨，陈 虹，倪 铭，等.油菜素内酯调控植物生长发育的研究进展［J］.林业科学，2022，58（7）：144-155.

CHEN CH，CHEN H，NI M，et al.Research progress of brassinolide in regulating plant growth and development［J］.Scientia Silvae Sinicae，2022，58（7）：144-155.

［27］GAO P，LU M，LI H，et al.Greenhouse environmental control target constrained by discrete surface curvature and multi-objective optimization algorithm［J］.Computers and Electronics in Agriculture，2023，215：108431.

［28］LIU T，YUAN Q，DING X，et al.Multi-objective optimization for greenhouse light environment using Gaussian mixture model and an improved NSGA-II algorithm［J］.Computers and Electronics in Agriculture，2023，205：107612.

［29］NIU Y，LYU H，LIU X，et al.Photosynthesis prediction and light spectra optimization of greenhouse tomato based on response of red-blue ratio［J］.Scientia Horticulturae，2023，318：112065.

［30］GAO P，TIAN Z，LU Y，et al.A decision-making model for light environment control of tomato seedlings aiming at the knee point of light-response curves［J］.Computers and Electronics in Agriculture，2022，198：107103.

［31］胡 瑾，高 攀，陈丹艳，等.融合暗荧光参数的茄子叶片光合速率预测模型构建［J］.农业机械学报，2020，51（4）：328-336.

HU J，GAO P，CHEN D Y，et al.Establishment of photosynthetic rate prediction model for eggplant leaves fused with dark fluorescence parameters［J］.Transactions of the Chinese Society for Agricultural Machinery，2020，51（4）：328-336.

［32］王 谦，沈连峰，陈景玲，等.日光温室番茄气候空间分布特征［J］.农业工程学报，2008，24（12）：183-186.

WANG Q，SHEN L F，CHEN J L，et al.Spatial distribution characteristics of climate for tomato plants in solar greenhouse［J］.Transactions of the CSAE，2008，24（12）：183-186.

A Decision-making Method for Optimal Temperature of Tomato

Seedling Based on Multi-intelligent Algorithms

WU Qingli1，2，GAO Pan3 and GAO Maosheng4

（1.Shaanxi Provincial Meteorological Information Center，Xi’an 710015，China;" 2.China Meteorological Administration

Meteorological Cadre Training Center （Shaanxi）， Xi’an 710015，China; 3.Northwest Aamp;F" University，

College of Mechanical and Electronic Engineering，Yangling" Shaanxi 712100，China;

4.Yangling Meteorological Bureau，Yangling Shaanxi 712100，China）

Abstract To address the global increase in food demand and the impact of climate change on traditional agriculture，we developed an optimal temperature decision-making method for protected-land tomato cultivation.Firstly，a nested experiment was designed for tomato seedlings，and photosynthesis rate data of tomato seedlings were collected under different environmental conditions，and a photosynthesis rate prediction model was established.By instantiating this model，we derived a response function illustrating how the photosynthesis rate changes with temperature，and identified the optimal temperature using derivative theory.Simulated experiments verified the benefits of optimal temperature conditions for the photosynthetic accumulation of tomato seedlings.Model evaluation results showed that the coefficient of determination of the photosynthesis rate prediction model on unknown datasets reached 0.99 with a root mean square error of 1.37 μmol/（m2·s），significantly outperforming other classic models.The model instantiation function showed that there was an optimal temperature point under different environmental conditions，which could maximize the photosynthesis rate of tomatoes.Simulated production results show that within a production day，the photosynthetic accumulation of tomato seedlings per unit area reached 0.216 6 mol/m2，doubling that of naturally grown tomatoes.The decision-making method proposed in this paper not only enhances the photosynthetic accumulation of tomatoes but also provides effective technical support for modern agricultural production.

Key words Neural network; Genetic algorithm; Temperature decision-making; Photosynthetic rate

Received "2024-01-27 """Returned 2024-06-17

Foundation item Open Research Fund of Key Laboratory of Eco-Environmental Meteorology for Qinling and Loess Plateau （No.2023K-3；No.2021G-9）.

First author WU Qingli，female，master，engineer.Research area：agricultural meteorology and training.E-mail： 37545313@qq.com

Corresponding"" author GAO Maosheng，male，Ph.D，senior engineer.Research area：" climate change and food security.E-mail：hsgms@163.com

（责任编辑：成 敏 Responsible editor：CHENG" Min）