一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质

技术领域

本发明属于农业智能算法检测应用领域，具体涉及一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质。

背景技术

研究表明，在农业生产制造中，作物产量的90％以上都是基于其光合作用的有效产出，因此监测光合作用速率对提升作物培育质量、品质、产量等都有着重要的参考价值。目前植物光合作用光合速率的测定方法主要有半叶法、生长分析法、释放O

如何克服现有红外CO

发明内容

本发明的目的是提供一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质，所述方法结合TDLAS-WMS技术，创造性地提出了用二次谐波峰值差表征光合作用时目标气体的浓度差，对光合作用中浓度极低或者吸收极弱的气体实现ppm甚至更低级别的测量，提高气体的定量分析精度。与此同时，提出了环境补偿模型，利用深度学习网络构建模型，适应在复杂恶劣的测量环境中由环境因素引起的测量误差，提高了测定植物净光合速率的准确性和实时性。

一方面，本发明提供了一种基于环境补偿模型的植物净光合速率测定方法，包括如下步骤：

步骤S1：分别获取分析气室和参比气室中光合作用过程目标气体对应的二次谐波信号峰值

其中，采用双气室结构并在开放气路下激光穿过分析气体室和参比气体室；

步骤S2：计算双气室的二次谐波信号峰值差

其中，所述环境补偿模型的输入数据是二次谐波信号峰值差及其环境目标参数，输出数据为二次谐波峰值差补偿因子；

步骤S3：利用所述二次谐波峰值差补偿因子

步骤S4：利用所述二次谐波峰值补偿值

本发明提供的所述植物净光合速率测定方法创新性地提出：使用植物光合作用时的二次谐波信号峰值替代传统的红外气体分析法中的目标气体浓度表征，从而降低了在复杂恶劣的野外环境下数据采集时，环境因素对气体浓度测量的干扰。这是由于单位时间内的外界环境因素对植物光合作用测量的影响可以认为是稳定的，进而采用二次谐波峰值差表征光合作用时CO

可选地，所述环境补偿模型为基于萤火虫算法优化参数的宽度学习的FA-BLS环境补偿模型，所述FA-BLS环境补偿模型中利用FA算法迭代优化确定BLS网络的最优权值和阈值，最优权值和阈值的确定过程如下：

S201：初始化BLS网络结构的参数；

S202：初始化萤火虫算法的参数，对应参数至少包括：种群规模N，其中，每个萤火虫的位置表示一组权值和阈值；

S203：根据所述种群规模N随机生成初始萤火虫种群；

S204：将每个萤火虫的位置对应的权值和阈值分别赋予给BLS网络，并使用样本数据训练以及测试BLS网络得到BLS网络输出误差；

S205：依据BLS网络输出误差确定种群中对应的萤火虫的亮度；

其中，BLS网络输出误差越大表示亮度越低，BLS网络输出误差越大表示亮度越高；

S206：判断是否满足迭代终止条件，若满足，将当前种群中亮度最高的萤火虫对应的权值和阈值作为最优权值和阈值；若不满足，执行步骤S207；

S207：根据依据亮度更新种群中每个萤火虫的位置，再返回步骤S203；

其中，基于最优权值和阈值训练得到的BLS网络为所述FA-BLS环境补偿模型。

首先，在实际光合作用速率测量中，其测量值极易受到外界环境影响在短时间内发生急剧变化，因此需要对测量方法或者系统的实时性和测量精度要求极高，传统的模型如在线极限学习机(OS-ELM)等，由于参数的随机选择性，网络输出会存在较大波动，对学习网络的稳定性有很大影响，同时隐层节点数较多时，学习网络容易出现过拟合问题，网络的泛化性也会随之降低。BLS网络的提出，为解决深度学习网络中网络结构分析困难、训练过程耗时极大的问题提供了可行方案，其结构简单，仅包含映射特征层、增强层、输出层3层，训练参数少、计算速度快，能够很好地适应光合作用测量对系统的实时性要求，但同时也存在着网络输出稳定性的问题。

萤火虫(FA)算法是启发于萤火虫在野外活动或求偶过程中，通过判断自身亮度的强弱决定是否飞往某一群落，其原理是首先随机生成种群中的萤火虫，根据萤火虫位置信息计算其亮度值，亮度低的萤火虫向亮度高的靠近，亮度高的则可以随机聚集到较亮的萤火虫周围，最终找到亮度最高的萤火虫位置。

针对BLS网络以及萤火虫(FA)算法的特性，本发明巧妙地选择萤火虫(FA)算法优化参数。BLS网络参数和阈值首先也是随机生成，通过目标函数估计其参数和阈值的预测效果，为了增强预测精度和网络输出稳定性，可以不断调整参数和阈值以寻求最优参数和阈值。萤火虫算法的原理和BLS网络映射特征层、增强层、输出层的参数和阈值寻优过程有一定的相似性，两者的融合，最终萤火虫集聚的位置所代表的参数和阈值作为BLS网络的最优参数集合，集聚萤火虫的数量最多的位置可以作为萤火虫种群设置的参考依据之一。同时实验结果表明，BLS网络在FA算法的优化下，其网络输出稳定性、泛化性以及预测精度都会有很大提升。

可选地，步骤S205中萤火虫的位置更新公式如下：

x

式中，t为迭代次数，x

式中，β

其中，萤火虫i到目标萤火虫j的规则是寻着亮度，向更亮的方向移动。在一些实现方式中，按照当前种群中萤火虫的亮度排序，基于亮度顺序依次向更亮的方向移动；移动时，目标萤火虫j可以是相邻的萤火虫或不相邻的萤火虫。

可选地，所述环境补偿模型训练过程中样本数据的获取过程如下：

U401：获取植物在自然生长环境下的环境目标参数以及双气室下的二次谐波信号峰值差；

U402：设定与自然生长环境相同的环境目标函数，并获取同一植物在实验条件的双气室下的二次谐波信号峰值差；

U403：将步骤U402中获取的二次谐波峰值差减去步骤U401中获得的二次谐波峰值差获得二次谐波峰值差补偿因子；

其中，步骤U401中的环境目标参数和二次谐波信号峰值差作为样本集的输入参数，步骤U403中的二次谐波峰值差补偿因子作为样本集的输出参数。

可选地，步骤S4中所述目标气体的痕量浓度差以及所述净光合作用速率的公式如下：

式中，C为光合作用中目标气体的痕量浓度差，I

可选地，若目标气体为CO

式中，δ

式中，t为温度，P为压强。

可选地，所述目标气体的为光合作用中的CO

二方面，本发明提供的一种基于环境补偿模型的植物净光合速率测定系统，包括：相互连接的数据采集子系统和数据处理子系统；

所述数据采集子系统包括：信号发生器、激光控制器、激光器、分束器、准直器、双气室、光电检测器、锁相放大器、环境采集传感器以及数据采集单元；

其中，信号发生器与激光控制器连接，所述信号发生器的信号加载至激光控制器，经过条子的电流通过激光控制器加载到激光器；

所述激光器的激光束通过分束器分成两路，分别经过准直器准直后进入盛有光合作用目标气体的双气室，一路进入参比气室，另一路经过分析气室；

所述光电检测器用于检测参比气室和分析气室的信号，并传输至锁相放大器；

所述锁相放大器解调产生二次谐波信号峰值；

所述环境采集传感器用于采集环境目标参数；

所述锁相放大器与所述环境采集传感器均与所述数据采集单元连接，用于将所述二次谐波信号峰值以及所述环境目标参数输送至所述数据采集单元；

所述数据处理子系统中设有处理单元，所述处理单元用于根据权利要求1所述的方法测定植物净光合速率。

第三方面，本发明提供的一种测定终端，包括处理器和存储器，所述存储器存储了计算机程序，所述处理器调用所述存储器存储的计算机程序以执行：所述一种基于环境补偿模型的植物净光合速率测定方法的步骤。

第四方面，本发明提供的一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以执行：所述一种基于环境补偿模型的植物净光合速率测定方法的步骤。

有益效果

1.本发明提供的一种基于环境补偿模型的植物净光合速率测定方法，其创造性地提出了用二次谐波峰值差表征光合作用时目标气体的浓度差。利用单位时间内的外界环境因素对植物光合作用测量的影响可以认为是稳定的原理，采用二次谐波峰值差表征光合作用时目标气体的浓度差，最大程序可以消除环境因素的影响，相较于常规的特征参数的选择更符合测定需求；另外，利用双气室结构进行测量，对光合作用中浓度极低或者吸收极弱的气体实现ppm甚至更低级别的测量，提高气体的定量分析精度。

2.本发明还引入了环境补偿模型，该环境补偿模型以补偿因子补偿自然环境下测定的误差，进一步降低环境干扰的影响程度。

3.本发明进一步的优选方案中，该环境补偿模型选择使用FA-BLS环境补偿模型。这是从光合作用的测量实时性以及网络特性角度考虑的。一方面，在实际光合作用速率测量中，其值极易受到外界环境影响在短时间内发生急剧变化，因此需要对测量方法或者系统的实时性和测量精度要求极高。BLS网络其结构简单，仅包含映射特征层、增强层、输出层3层，训练参数少、计算速度快，能够很好地适应光合作用测量对系统的实时性要求。二方面，BLS网络参数和阈值首先也是随机生成，其通过目标函数估计其参数和阈值的预测效果，为了增强预测精度和网络输出稳定性，可以不断调整参数和阈值以寻求最优参数和阈值。萤火虫算法的原理和BLS网络映射特征层、增强层、输出层的参数和阈值寻优过程有一定的相似性，两者的融合，最终萤火虫集聚的位置所代表的参数和阈值作为BLS网络的最优参数集合，集聚萤火虫的数量最多的位置可以作为萤火虫种群设置的参考依据之一。

附图说明

图1是本发明基于FA-BLS环境补偿模型的植物净光合速率测定方法和系统的流程图；

图2是本发明样本数据集获取流程图；

图3是本发明原始样本数据采集过程结构框图；

图4是本发明BLS网络拓扑结构示意图；

图5是本发明FA-BLS环境补偿模型迭代寻找最优权值和阈值的具体算法流程图；

图6是FA-BLS环境补偿模型萤火虫优化迭代过程对比图；

图7是本发明FA-BLS环境补偿模型迭代寻优输出误差对比图。

具体实施方式

下面将结合实施例对本发明做进一步的说明。本发明提供了一种基于环境补偿模型的植物净光合速率测定方法、系统、终端及可读存储介质。该系统的数据采集子系统中在物理结构上采用双气室结构，在实际自然环境开放气路下，获取盛有植物光合作用目标气体的分析气室和参比气室中的二次谐波信号峰值差以及影响目标气体浓度测量的各项环境目标参数，该二次谐波峰值差受到环境因素的影响存在一定误差，将获取的二次谐波峰值差和环境目标参数输入训练完成的环境补偿模型，获得该自然环境条件下二次谐波峰值差的补偿因子，利用补偿后的二次谐波峰值差反演得到光合作用过程中目标气体浓度痕量浓度差，进而得到该植物的净光合作用速率。其中，目标气体可以是CO

实施例1：

本实施例提供的一种基于环境补偿模型的植物净光合速率测定方法，包括如下步骤：

步骤S1：分别获取分析气室和参比气室中光合作用过程目标气体对应的二次谐波信号峰值

其中，如图3所示，本实施例中所选用的数据采集子系统包括：信号发生器、激光控制器、激光器、分束器、准直器、双气室、光电检测器、锁相放大器、数据采集单元、数据处理单元。首先将高频正弦波信号加载到信号发生器上，信号发生器提供的锯齿波信号与之前加载的高频正弦波信号叠加，叠加后的信号加载到激光控制器上，经过调制的电流通过激光控制器加载到激光器，之后激光器产生调制波长同时具备扫描锯齿波、高频正弦波特征的光束，光束通过分束器分为两路，两路光束均经过准直器准直后进入盛有光合作用气体CO

基于上述子系统，本实施例中激光源为DFB激光器，开放气路下激光穿过分析气室和参比气室，

步骤S2：计算双气室的二次谐波信号峰值差

其中，因植物光合作用过程中的消耗，分析气室获得的二次谐波峰值低于参比气体室，即

其中，单位采样时间内，参比气室是封闭的，分析气室是对外开放的，即分析气室中的气体与外面相连，动态反应单位采样时间内光合作用的进行过程，两个气室中的浓度均采用二次谐波峰值来衡量，到下一个采样时间时，参比气室会进行换气操作。因此，单位时间内，刚开始参比气室和分析气室中的气体浓度是相同的，随着光合作用的进行，分析气室中的气体浓度会逐渐减小，而参比气室中的气体浓度不变，设置参比气室主要是为了考虑单位时间内的环境因素。在实际应用中，FA-BLS环境补偿模型是通过预先采集的样本进行训练和测试，本实例中样本数据为3000组，随机选取样本数据集中2200组样本构成训练样本数据集，剩余800组样本构成测试样本数据集，如图2所示，样本数据集的获取过程如下：

U401：获取植物在自然生长环境条件下影响CO

U402：对比实验模拟环境条件下，设定与自然环境条件相同的各项环境目标数据，获取同一植物在该实验条件下的双气室参考二次谐波峰值差；

U403：步骤U402中获取的参考二次谐波峰值差减去步骤U401中获得的二次谐波峰值差获得二次谐波峰值差补偿因子；

U404：步骤U401中影响CO

归一化处理计算公式为：

本实施例中所选择的环境补偿模型为FA-BLS环境补偿模型，其利用FA算法迭代优化确定BLS网络的最优权值和阈值。其他可行的实施例中，若是选择其他类型的网络或者BLS网络，可以直接利用样本数据进行模型的训练，在此不再赘述。

本实施例中，BLS网络为三层结构，由映射特征层、增强层、输出层组成，以上述步骤U401-U404获取得到样本数据集，先将样本数据集输入BLS网络形成映射特征层数据，映射特征层数据经过增强层形成增强层数据，两层网络获取的数据共同用于产生模型输出，先以训练样本数据集训练FA-BLS环境补偿模型，后使用测试样本数据集测试模型性能，同时FA算法迭代优化寻找最优的权值和阈值，如图5所示，FA-BLS环境补偿模型迭代寻找最优权值和阈值过程如下：

S201：初始化BLS网络结构的各项参数；

其中，本实例特征节点组数n＝10，每组特征节点个数q＝10，增强节点个数m＝100。

S202：初始化萤火虫算法的各项基本参数；

其中，本实例最大迭代次数MaxGeneration＝50，迭代精度ε＝1×10

S203：根据设定的种群规模随机生成初始萤火虫种群；

S204：将每个萤火虫的位置对应的权值和阈值分别赋予给BLS网络，并使用样本数据训练以及测试BLS网络得到BLS网络输出误差；

其中，每个萤火虫的位置对应了一组权值和阈值，将当前种群中每个萤火虫对应的权值和阈值分别赋值给BLS网络，然后再使用训练样本数据集训练BLS网络，再使用测试样本数据集测试BLS网络，从而计算出基于当前一组权值和阈值训练出的BLS网络的BLS网络输出误差。

其中，将BLS网络输出误差E

S205：依据BLS网络输出误差确定种群中对应的萤火虫的亮度；其中，BLS网络输出误差越大表示亮度越低，BLS网络输出误差越大表示亮度越高。

S206：判断是否满足迭代终止条件，若满足，将当前种群中亮度最高的萤火虫对应的权值和阈值作为最优权值和阈值；若不满足，执行步骤S207；

S207：根据依据亮度更新种群中每个萤火虫的位置，再返回步骤S204；

其中，在逐次迭代寻优过程中，每只萤火虫会选择向亮度比自身高的萤火虫移动，因此，依据每次萤火虫的亮度可以判断出萤火虫的移动方向，两者萤火虫的相对吸引度按照如下公式计算：

其中β表示萤火虫i到萤火虫j的相对吸引度，β

萤火虫的位置更新公式如下：

x

其中，t为迭代次数，x

应当说明的是，萤火虫的位置更新时，若萤火虫迭代更新后超出相应的边界值范围，则萤火虫位置参数用其边界值来修正，本实例中上届为1，下届为-1。

其中，在上述迭代过程，还需要判断是否达到迭代终止条件，若是达到，则停止下一次迭代，依据萤火虫的亮度确定当前种群中亮度最高的萤火虫或者位置最为集中的萤火虫对应的权值和阈值作为最优权值和阈值；若不满足迭代终止条件在，则更新萤火虫的位置，进入下一次迭代。

本实施例中，迭代终止条件设置为满足最大迭代次数50或迭代误差精度1×10

其中，基于最优权值和阈值训练得到的BLS网络作为所述FA-BLS环境补偿模型，对应的BLS网络输出误差也较低。

步骤S3：利用所述二次谐波峰值差补偿因子

步骤S4：利用所述二次谐波峰值补偿值

式中，C为光合作用吸收产生的CO

其中，P

实施例2：

本发明还提供一种基于环境补偿模型的植物净光合速率测定系统，包括：相互连接的数据采集子系统和数据处理子系统。

其中，如图3所示的数据采集子系统包括：信号发生器、激光控制器、激光器、分束器、准直器、双气室、光电检测器、锁相放大器、环境采集传感器以及数据采集单元和数据处理单元。

其中，信号发生器与激光控制器连接，所述信号发生器的信号加载至激光控制器，经过条子的电流通过激光控制器加载到激光器；所述激光器的激光束通过分束器分成两路，分别经过准直器准直后进入盛有光合作用目标气体的双气室，一路进入参比气室，另一路经过分析气室；所述光电检测器用于检测参比气室和分析气室的信号，并传输至锁相放大器；所述锁相放大器解调产生二次谐波信号峰值；所述环境采集传感器用于采集环境目标参数；所述锁相放大器与所述环境采集传感器均与所述数据采集单元连接，用于将所述二次谐波信号峰值以及所述环境目标参数输送至所述数据采集单元，最后由数据处理单元处理。

所述数据处理子系统中设有处理单元，所述处理单元用于根据本发明的一种基于环境补偿模型的植物净光合速率测定方法测定植物净光合速率。应当理解，数据处理子系统中的处理单元可以是处理器或者一个终端设备或者其他兼具处理功能的元器件。

在一些实现方式中，该数据处理子系统包括：

二次谐波信号峰值获取单元，用于获取分析气室和参比气室中光合作用过程目标气体对应的二次谐波信号峰值

二次谐波信号峰值差计算单元，用于计算双气室的二次谐波信号峰值差

环境补偿模型构建模块，用于构建环境补偿模型；

二次谐波峰值差补偿因子获取单元，用于将所述二次谐波信号峰值差

二次谐波峰值补偿值

痕量浓度差计算单元，用于利用所述二次谐波峰值补偿值

净光合作用速率计算单元，用于基于所述目标气体的痕量浓度差计算出净光合作用速率。

其中，各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

实施例3：

在一些实现方式中，本发明还提供一种测定终端，其包括处理器和存储器，存储器存储了计算机程序，处理器调用存储器存储的计算机程序以执行：

步骤S1：分别获取分析气室和参比气室中光合作用过程目标气体对应的二次谐波信号峰值

其中，采用双气室结构并在开放气路下激光穿过分析气体室和参比气体室；

步骤S2：计算双气室的二次谐波信号峰值差

其中，所述环境补偿模型的输入数据是二次谐波信号峰值差及其环境目标参数，输出数据为二次谐波峰值差补偿因子；

步骤S3：利用所述二次谐波峰值差补偿因子

步骤S4：利用所述二次谐波峰值补偿值

其中，各个步骤的实现过程请参照前述方法的具体实现过程，在此不再赘述。

实施例4：

在一些实现方式中，本发明还提供一种可读存储介质，其存储了计算机程序，该计算机程序被处理器调用以执行：

步骤S1：分别获取分析气室和参比气室中光合作用过程目标气体对应的二次谐波信号峰值

其中，采用双气室结构并在开放气路下激光穿过分析气体室和参比气体室；

步骤S2：计算双气室的二次谐波信号峰值差

其中，所述环境补偿模型的输入数据是二次谐波信号峰值差及其环境目标参数，输出数据为二次谐波峰值差补偿因子；

步骤S3：利用所述二次谐波峰值差补偿因子

步骤S4：利用所述二次谐波峰值补偿值

其中，各个步骤的实现过程请参照前述方法的具体实现过程，在此不再赘述。

应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。

所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。

为了验证本发明所述方法的可靠性，我们首先随机生成20只萤火虫，每只萤火虫和BLS网络参数一组可行解对应，具体地，本实例中待优化的参数包括(d

需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。