论文部分内容阅读
在日光温室栽培中温室环境的智能控制是提高作物产量和品质的关键技术。目前对于一些常见设施蔬菜的栽培环境管理技术研究已经达到了较高的理论水平,但大部分研究结果都是基于特定的试验条件得出的,并不能涵盖实际生产中各种复杂的环境情况。另一方面,以这类试验结果为理论依据建立的温室环境控制模型在实际应用中也不能取得理想的效果。为解决上述问题,本试验提出建立基于数据驱动的日光温室环境温度控制模型。具体的方法是,通过分析高产黄瓜温室中的环境数据建立黄瓜栽培温度的BP神经网络模拟模型,将普通温室的环境数据经数据清洗和聚类后输入对应的模型,此时输出的环境温度值即为对应环境条件下高产温室的环境温度。将此温度值作为普通温室环境温度调控的控制目标,在理论上可以达到提高普通温室温度管理水平的目的。针对温室环境数据的自动化处理,提出了一种将小波包分析与光照强度异常值修正程序相结合的温室环境数据清洗方法以及光照强度为依据的相似环境条件数据聚类方法。在当前国内日光温室黄瓜生产环境控制粗放,硬件设备落后的背景下,本试验建立的设施黄瓜栽培温度模拟模型对指导设施黄瓜栽培温度控制提高设施黄瓜生产水平具有重要意义。主要研究结果如下:1.确定了适用于日光温室环境温度模拟的BP神经网络拓扑结构。模型为5-11-1的三层结构,以光照强度(L)、CO2浓度(CO2)、空气湿度(Hair)、土壤温度(Tsoil)及土壤湿度(Hsoil)5个参数为输入;以空气温度(Tair)为输出;其中输入层与隐含层间的传递函数为对数S形传递函数Logsig,隐含层与输出层间的传递函数为线性传递函数Purelin;以trainlm函数为网络的训练函数。2.针对温室环境数据中存在噪音和异常值的问题,本试验运用小波包分析消除数据噪音,并基于VBA语言开发了光照强度异常值修正程序。通过上述两种方法的结合实现了温室环境数据的自动化清洗。数据清洗后模拟的平均相对误差降低了0.46%,模型在环境变化复杂区段的模拟精度显著提高。3.以光强度为依据,分别对黄瓜初花期和结瓜期数据做相似日聚类。根据聚类效果确定初花期数据的最佳类别数为2,结瓜期数据的最佳类别数为4,其中初花期有19日被归为Ⅰ类,6日被归为Ⅱ类;结瓜期有31日被归为Ⅰ类,61日被归为Ⅱ类,9日被归为Ⅲ类,32日被归为Ⅳ类。用聚类后的数据建立的模型与其对照相比精度均明显提高。4.对数据做清洗和聚类处理后用于BP神经网络模型的训练,最终建立初花期Ⅰ、初花期Ⅱ、结瓜期Ⅰ、结瓜期Ⅱ、结瓜期Ⅲ以及结瓜期Ⅳ共6类温室环境温度模拟模型。对模型检验后发现模型的模拟效果整体良好,其中初花期Ⅱ和结瓜期Ⅲ模型由于训练数据不足导致拟合度相对较低,初花期Ⅱ模型拟合度为0.62,结瓜期Ⅲ模型的拟合度为0.87。本试验中建立的基于数据驱动的日光温室黄瓜栽培温度控制模型在对照温室中的应用效果良好,模型针对对照温室输出的温度参考值符合理论上设施黄瓜高产栽培的温度控制规律。