基于BP神经网络算法的温室番茄CO_2增施策略优化

CO2浓度是植物光合作用的主要原料之一，确定植株生长阶段的最适CO2浓度需求量，对日光温室内CO2浓度调控具有重要意义。以开花期番茄植株为研究对象，将定植后的番茄分为4个CO2浓度梯度处理组，其中，C1、C2、C3处理组CO2增施摩尔比分别为（700±50）、（1000±50）、（1300±50）txmol／mol，CK处理组为温室内自然状态下C0：摩尔比（约450μmol／mol）。实验利用无线传感器网络节点实时监测温室环境因子，包括空气温湿度、光照强度和c0：浓度；利用LI-6400XT型便携式光合速率仪进行光合日动态和环境因子交互影响实验测定。光合日动态组间差异性研究表明，对开花期番茄增施1000—1300Ixmol／mol的CO2时，可使番茄单叶净光合速率提高约37．13％-40，42％。以环境因子为输人参数，建立基于BP神经网络的光合速率预测模型，用于不同CO2浓度梯度下的光合日动态预测。结果表明，模型训练集和测试集的相关系数分别为0．98和0．93，预测精度较高；C1、C2、C3和CK处理组的日动态预测相关系数分别为0．96、0．94、0．78和0．96，与实测结果吻合度较高且相对误差较小，因此该模型可以为可变环境下的番茄光合日变化动态预测提供依据。

基于WSN的温室番茄光合速率预测

为了提高CO2气肥的利用率,对日光温室番茄开花期光合速率变化进行了研究。采用无线传感器网络系统对温室环境信息进行实时监测;采用LI-6400XT型光合仪测定番茄植株叶片净光合作用速率,并对叶片的环境状况按照一定的规律进行调控。将经过主成分分析后的环境信息作为输入参数,将光合作用速率作为输出参数,利用BP神经网络建立了番茄开花期单叶净光合作用速率的预测模型,并对预测模型进行了性能评估。结果表明,所建立的光合作用速率模型预测值和实测值相关系数为0.99,均方根误差为0.288,具有较好的预测效果。在一定环境条件下改变CO2浓度的输入值,得到的光合作用速率预测曲线与实际曲线变化趋势一致,该模型可以作为温室番茄开花期CO2施肥量化调控的依据。

CO_2与土壤水分交互作用的番茄光合速率预测模型

为了实现不同土壤水分管理下的CO_2气肥精细控制,建立了番茄作物不同生长阶段的光合速率预测模型。实验设置了4个CO_2浓度与3个土壤水分条件的交互处理,利用无线传感器网络长期实时监测温室内环境信息,采用LI-6400XT型光合速率仪定时采集作物净光合速率信息;并用BP神经网络分别建立了番茄苗期、花期和果期的光合速率预测模型。预测模型的验证结果表明,对于苗期预测模型,预测值与实测值之间的决定系数R2为0.925;花期预测模型的决定系数R2为0.920,果期预测模型的决定系数R2为0.958;番茄各生长期的光合速率预测模型均具有较高的预测精度。在不同土壤水分条件下改变CO_2浓度,得到的CO_2浓度与光合速率预测曲线与实测值相近,可反映实际土壤水分管理下的CO_2浓度最优值,对指导不同土壤水分条件下CO_2气肥的精细调控具有重要意义。

基于WSN的日光温室CO_2浓度监控系统

为合理增施CO2气肥以提高日光温室作物产量和品质,基于无线传感器网络设计开发了日光温室CO2浓度监控系统。该系统由监控节点、网关节点和远程管理软件组成。监控节点用于测量作物冠层和根部处的CO2浓度,并可控制CO2气肥增施装置的开关;网关节点用于实现远程管理软件与监控节点之间的通讯;远程管理软件具有友好的人机交互界面,能实现温室内CO2数据的实时显示、存储、分析和CO2气肥调控,还可对无线传感器网络进行参数配置。以开发的系统为基础,对日光温室番茄作物冠层和根部CO2浓度进行监测和调控试验。试验结果表明:设计开发的节点数据传输稳定,平均丢包率为0.13%,CO2控制平均超调量为64μmol/mol。系统工作稳定可靠,满足温室番茄作物CO2浓度监测与调控的技术要求。