CN112904920B - 一种预测温室作物光合作用干物质产量的方法 - Google Patents
一种预测温室作物光合作用干物质产量的方法 Download PDFInfo
- Publication number
- CN112904920B CN112904920B CN202110053488.4A CN202110053488A CN112904920B CN 112904920 B CN112904920 B CN 112904920B CN 202110053488 A CN202110053488 A CN 202110053488A CN 112904920 B CN112904920 B CN 112904920B
- Authority
- CN
- China
- Prior art keywords
- crop
- greenhouse
- obtaining
- canopy
- dry matter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D27/00—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00
- G05D27/02—Simultaneous control of variables covered by two or more of main groups G05D1/00 - G05D25/00 characterised by the use of electric means
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Greenhouses (AREA)
Abstract
本发明公开了一种预测温室作物光合作用干物质产量的方法,包括以下步骤:步骤一、温室环境参数采集及数据处理:步骤二、建立作物模型:获取作物叶面积指数LAI;获取植物冠层消光系数k;获取作物冠层上方光照强度Ix;获取作物冠层光吸收量Iabs;由吸收光照量与光合效率系数得出作物单位时间光合作用干物质合成量P。本发明涉及智能温室作物生产技术领域。该预测温室作物光合作用干物质产量的方法,解决了国内现阶段对于智能温室的环境控制主要是通过技术人员凭借经验或守则通过温室环控电脑设置相应的参数以达到预定的温度、光照、CO2、及其它环境要素,影响作物产量以及提高环控成本的问题。
Description
技术领域
本发明涉及智能温室作物生产技术领域,具体为一种预测温室作物光合作用干物质产量的方法。
背景技术
相较于传统大棚,智能温室能够更加有效的控制温室内环境,提升劳动力效率,增加单位面积作物产量。以荷兰为代表的的西方发达国家在智能温室领域拥有雄厚的技术储备与实践经验,近年来随着中国经济的发展,我国自九十年代开始大量引进国外先进连栋智能温室。然而实践证明在相同的硬件设施下,中国智能温室的生产效率远低于国外同等温室。缺乏相应的智能温室管理经验是主要原因之一,其中又以温室环境控制为最大短板。
高效的温室环境控制取决于对作物环境相关性的理解。作物对于温度、光照、CO2、湿度以及其它环境要素在不同生长阶段与不同时段都有不同的要求。只有通过优化各个环境要素,才能够最大地发挥职能温室的效力。然而国内现阶段对于智能温室的环境控制主要是通过专业技术人员的经验判断来实现的,技术人员凭借经验或守则通过温室环控电脑设置相应的参数以达到预定的温度、光照、CO2、及其它环境要素。这种方式基于主观判断,缺乏量化指标不利于扩展应用,常常忽略了各环境要素之间的相互作用,往往难以达到作物所需的最佳环境指标,从而导致产量低下与环控成本的增加。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种预测温室作物光合作用干物质产量的方法,解决了国内现阶段对于智能温室的环境控制主要是通过技术人员凭借经验或守则通过温室环控电脑设置相应的参数以达到预定的温度、光照、CO2、及其它环境要素,影响作物产量以及提高环控成本的问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种预测温室作物光合作用干物质产量的方法,包括以下步骤:
步骤一、温室环境参数采集及数据处理:
A、通过安装在温室内外的光照传感器、温度传感器及CO2传感器将温室内外的环境参数采集到服务器;
B、通过数据处理将所得的环境数据加以整理成等时区间的数据,时间区间可为每分钟、每五分钟或每小时,并用算法估算出缺失的数据,以确保所有时间点都有数值,最后所得室外光照强度(W/m2)、温度(℃)及CO2(ppm)为作物模型输入;
步骤二、建立作物模型:
a、获取作物叶面积指数LAI;
b、获取植物冠层消光系数k;
c、获取作物冠层上方光照强度Ix;
d、获取作物冠层光吸收量Iabs;
e、由吸收光照量与光合效率系数得出作物单位时间光合作用干物质合成量P。
优选的,所述步骤二a步骤中通过以下公式得出当前作物LAI值:
公式中LAtotal为单位面积Aproject之内叶面积总和,n为总植株数,m为总叶片数,i为植株序列数,j为叶片序列数。LAI为单位面积植物叶表面积之和(LAtotal)与对应投影面积(Aproject)之比值。LAI越大,作物截光能力越强,单位面积光合作用效率越高。LAI 随作物生长而变化,从幼苗至成年LAI逐渐增大,LAI最后趋于稳定。不同种类的作物拥有不同的LAI生长曲线,因此建模前需对每一种作物进行LAI测量,获得相应的LAI生长曲线。从幼苗起,每周需对 LAI进行测量。于温室内取样本作物n株,摘取所有叶片,将所摘叶片置于叶面积扫描仪上读取叶面积(LAij)。
优选的,所述步骤二b步骤中通过下列公式得出植物冠层消光系数k值:
公式中I为作物冠层下方单位面积地面接收光照量,Io为作物冠层上方接收光照量。作物冠层消光系数k影响同等叶面积LAI下作物的截光效率。k由温室内入射光与叶所成角度θ而定,当θ为90°时,截光效率越最高。每一种类别的作物在生长期内拥有较为固定叶片构型。
优选的,所述步骤二c步骤中通过下列公式得出作物冠层上方光照强度Ix值:
Ix=Rn×τ+Iart
公式中Ix为作物冠层上方光照强度,Rn为室外自然光强度,τ为温室覆盖材料透光率,Iart为人工补光强度。
优选的,所述步骤二d步骤中通过下列公式得出作物冠层光吸收量Iabs值:
Iabs=Ix×(1-e-k×LAI)
公式中Iabs为作物冠层光吸收量,Ix为作物冠层上方光照强度。
优选的,所述步骤二e步骤中通过下列公式得出作物单位时间光合作用干物质合成量P:
P=Iabs×LUE
公式中P为光合作用干物质合成量,LUE为光合效率参数,单位 mol/g。
有益效果
本发明提供了一种预测温室作物光合作用干物质产量的方法。具备以下有益效果:
该预测温室作物光合作用干物质产量的方法,相较于传统主观判断的方式,依据本方法所建立的作物模型更准确的反应了作物的生理发育过程,并能够更准确的预测作物产量。本发明提供了一种量化的方式,客观评估温室内环境状况,有利于管理者对温室环控管理进行优化,并对自身的管理进行提高。
附图说明
图1为本发明作物模型于温室环控中应用原理框图;
图2为本发明温室内24小时光照、湿度、CO2与温度随时间变化示意图;
图3为本发明温室作物24小时干物质每5分钟合成量以及累计合成量示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-3,以一种预测温室番茄光合作用干物质合成量的预测为例,按照本发明步骤进行作物光合作用干物质合成量P的预测:
步骤一、温室环境参数采集及数据处理:
通过安装在温室内外的光照传感器、温度传感器及CO2传感器将温室内外的环境参数采集到服务器。通过数据处理将所得的环境数据加以整理成等时区间的数据,时间间距为5分钟,并用算法估算出缺失的数据,以确保所有时间点都有数值。最后所得室外光照强度 (W/m2)、温度(℃)及CO2(ppm)为作物模型输入。
步骤二、建立作物模型
a.从定植后第4周开始,每周对番茄植株进行采样。于温室内依作物种类,取样本作物5株,摘取所有叶片,将所摘叶片置于叶面积扫描仪上读取叶面积(LAij)。5株番茄占地1.5平方米。通过以下公式得出当前作物LAI值。以第8周测量为例:
公式中LAtotal为单位面积Aproject之内叶面积总和,n为总植株数,m为总叶片数,i为植株序列数,j为叶片序列数。
4-10周LAI测量值
周数 | LAI |
4 | 1.5 |
5 | 2 |
6 | 2.4 |
7 | 2.8 |
8 | 3 |
9 | 3.1 |
10 | 3.3 |
b.获取植物冠层消光系数k。作物冠层消光系数k影响同等叶面积LAI下作物的截光效率。k由温室内入射光与叶所成角度θ而定,当θ为90°时,截光效率越最高。每一种类别的作物在生长期内拥有较为固定叶片构型,因此拥有固定的k值。以第8周周一中午测量为例,作物冠层上方光照为300W/m2,地面测量光照为110W/m2。
公式中I为作物冠层下方单位面积地面接收光照量,Io为作物冠层上方接收光照量。
c.作物冠层上方光照强度取决于自然光穿透温室强度加上温室内补光强度。温室透光率为70%,补光灯光照强度200umol/m2/s,按照下列公式计算白天日照时间段作物冠层上方光照强度:
Ix=Rn×τ+Iart
公式中Ix为作物冠层上方光照强度,Rn为室外自然光强度,τ为温室覆盖材料透光率,Iart为人工补光强度。
白天日照时间段冠层上方光照强度
d.作物冠层光吸收量取决于作物冠层上方光照强度、叶面积LAI 和植物构型。k、LAI与Ix由步骤a、b与c得出。
Iabs=Ix×(1-e-k×LAI)
公式中Iabs为作物冠层光吸收量,Ix为作物冠层上方光照强度。
e.作物单位时间光合作用干物质合成量由吸收光照量与光合效率系数得出。生长期番茄光合效率系数为3mol/g.通过下列公式可得出,每平米番茄作物每小时干物质合成量。
P=Iabs×LUE
公式中P为光合作用干物质合成量,LUE为光合效率参数,单位 mol/g。
光照时段番茄作物每小时干物质合成量预测
相较于传统主观判断的方式,依据本方法所建立的作物模型更准确的反应了作物的生理发育过程,并能够更准确的预测作物产量。本发明提供了一种量化的方式,客观评估温室内环境状况,有利于管理者对温室环控管理进行优化,并对自身的管理进行提高。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下。由语句“包括一个......限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素”。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (1)
1.一种预测温室作物光合作用干物质产量的方法,其特征在于,包括以下步骤:
步骤一、温室环境参数采集及数据处理:
A、通过安装在温室内外的光照传感器、温度传感器及CO2传感器将温室内外的环境参数采集到服务器;
B、通过数据处理将所得的环境数据加以整理成等时区间的数据,时间区间可为每分钟、每五分钟或每小时,并用算法估算出缺失的数据,以确保所有时间点都有数值,最后所得室外光照强度(W/m2)、温度(℃)及CO2(ppm)为作物模型输入;
步骤二、建立作物模型:
a、获取作物叶面积指数LAI;
b、获取植物冠层消光系数k;
c、获取作物冠层上方光照强度Ix;
d、获取作物冠层光吸收量Iabs;
e、由吸收光照量与光合效率系数得出作物单位时间光合作用干物质合成量P;所述步骤二a步骤中通过以下公式得出当前作物LAI值:
公式中LAtotal为单位面积Aproject之内叶面积总和,n为总植株数,m为总叶片数,i为植株序列数,j为叶片序列数;所述步骤二b步骤中通过下列公式得出植物冠层消光系数k值:
公式中I为作物冠层下方单位面积地面接收光照量,Io为作物冠层上方接收光照量;所述步骤二c步骤中通过下列公式得出作物冠层上方光照强度Ix值:
Ix=Rn×τ+Iart
公式中Ix为作物冠层上方光照强度,Rn为室外自然光强度,τ为温室覆盖材料透光率,Iart为人工补光强度;所述步骤二d步骤中通过下列公式得出作物冠层光吸收量Iabs值:
Iabs=Ix×(1-e-k×LAI)
公式中Iabs为作物冠层光吸收量,Ix为作物冠层上方光照强度;所述步骤二e步骤中通过下列公式得出作物单位时间光合作用干物质合成量P:
P=Iabs×LUE
公式中P为光合作用干物质合成量,LUE为光合效率参数,单位mol/g。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110053488.4A CN112904920B (zh) | 2021-01-15 | 2021-01-15 | 一种预测温室作物光合作用干物质产量的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110053488.4A CN112904920B (zh) | 2021-01-15 | 2021-01-15 | 一种预测温室作物光合作用干物质产量的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112904920A CN112904920A (zh) | 2021-06-04 |
CN112904920B true CN112904920B (zh) | 2022-05-10 |
Family
ID=76114472
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110053488.4A Active CN112904920B (zh) | 2021-01-15 | 2021-01-15 | 一种预测温室作物光合作用干物质产量的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112904920B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117629314A (zh) * | 2024-01-26 | 2024-03-01 | 山东智云信息科技有限公司 | 一种基于物联网的环境智能监测*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102736596A (zh) * | 2012-06-11 | 2012-10-17 | 南京农业大学 | 基于作物信息融合的多尺度温室环境控制*** |
CN106018284A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种作物长势定量遥感监测方法及*** |
CN106600048A (zh) * | 2016-12-09 | 2017-04-26 | 江苏大学 | 一种预测温室番茄果实生长的方法 |
CN106842923A (zh) * | 2017-01-17 | 2017-06-13 | 同济大学 | 基于作物生理和能耗优化的温室环境多因子协调控制方法 |
WO2017199253A1 (en) * | 2016-05-18 | 2017-11-23 | Paskal Technologies Agriculture Cooperative LTD. | Yield forecast and light use efficiency |
CN110068299A (zh) * | 2019-05-05 | 2019-07-30 | 华北水利水电大学 | 一种温室作物叶面积指数的计算方法 |
CN111223002A (zh) * | 2020-02-26 | 2020-06-02 | 中国水利水电科学研究院 | 一种玉米区域干物质产量或青储产量评估方法和*** |
-
2021
- 2021-01-15 CN CN202110053488.4A patent/CN112904920B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102736596A (zh) * | 2012-06-11 | 2012-10-17 | 南京农业大学 | 基于作物信息融合的多尺度温室环境控制*** |
CN106018284A (zh) * | 2016-05-12 | 2016-10-12 | 中国科学院遥感与数字地球研究所 | 一种作物长势定量遥感监测方法及*** |
WO2017199253A1 (en) * | 2016-05-18 | 2017-11-23 | Paskal Technologies Agriculture Cooperative LTD. | Yield forecast and light use efficiency |
CN106600048A (zh) * | 2016-12-09 | 2017-04-26 | 江苏大学 | 一种预测温室番茄果实生长的方法 |
CN106842923A (zh) * | 2017-01-17 | 2017-06-13 | 同济大学 | 基于作物生理和能耗优化的温室环境多因子协调控制方法 |
CN110068299A (zh) * | 2019-05-05 | 2019-07-30 | 华北水利水电大学 | 一种温室作物叶面积指数的计算方法 |
CN111223002A (zh) * | 2020-02-26 | 2020-06-02 | 中国水利水电科学研究院 | 一种玉米区域干物质产量或青储产量评估方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN112904920A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107423850B (zh) | 基于时间序列lai曲线积分面积的区域玉米成熟期预测方法 | |
CN112904920B (zh) | 一种预测温室作物光合作用干物质产量的方法 | |
CN111066535A (zh) | 一种使用ai光谱的种植温室及种植方法 | |
CN111275569B (zh) | 一种烤烟产区生态特征测定方法、***、存储介质、终端 | |
CN105389739A (zh) | 设施葡萄低温灾害天气指数保险纯费率的确定方法 | |
CN110987830A (zh) | 植物冠层叶片叶绿素含量快速测定模型、测定方法及应用 | |
CN115310680A (zh) | 一种番茄种苗模型建模与生长预测方法 | |
CN114330931A (zh) | 一种基于气象条件的桂平荔枝产量大小年年型等级区域预测模型的构建方法 | |
CN112766763A (zh) | 一种寡照胁迫对温室番茄品质影响的评估方法及*** | |
Feng et al. | An IoT-based hierarchical control method for greenhouse seedling production | |
CN112667708A (zh) | 一种基于ndvi时间序列的冬小麦物候期监测方法及装置 | |
CN108460691A (zh) | 一种日光温室连阴寡照气象指数保险方法 | |
Jolliet et al. | Tomato yield in greenhouses related to humidity and transpiration | |
WO2018103136A1 (zh) | 一种基于温室番茄叶片长度的营养液管理技术 | |
CN116595709A (zh) | 一种烟草适宜移栽期的预测方法及*** | |
Weyand et al. | Light interception, gas exchange and carbon balance of different canopy zones of minimally and cane-pruned field-grown Riesling grapevines | |
CN113935542A (zh) | 一种基于气候适宜度的棉花单产预测方法 | |
CN116307729A (zh) | 基于多源卫星遥感数据的干热风灾害评估方法 | |
CN114626010A (zh) | 一种基于CatBoost的灌溉量计算方法及*** | |
CN114219183A (zh) | 一种基于气象条件的北流荔枝产量大小年年型等级区域预测模型的构建方法 | |
CN113408793A (zh) | 一种基于气象条件的荔枝大小年区域预报模型的构建方法 | |
CN116701859B (zh) | 一种基于全遥感数据的植物活动积温估算方法 | |
Yao et al. | Integrating microweather forecasts and crop physiological indicators for greenhouse environmental control | |
Koubek et al. | Determinants of interspecific variation in season length of perennial herbs | |
CN114358442A (zh) | 一种基于气象条件的合浦荔枝产量大小年年型等级区域预测模型的构建方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |