一种浮萍光环境调控方法、系统及介质
本发明属于智慧农业与植物工厂光环境调控,特别涉及一种浮萍光环境调控方法、系统及介质。
背景技术:
1、浮萍(lemnaceae)是一类体型微小、结构高度简化的水生被子植物,在适宜条件下种群生物量可在1~3天内实现倍增,干物质中蛋白质含量通常可达20%~30%,优化条件下甚至可超过40%,被认为是具有重要开发潜力的可持续植物蛋白来源。植物工厂与室内垂直农场等人工光环境控制技术通过多层立体栽培与环境精准调控,为浮萍的规模化、周年连续生产提供了重要路径。在人工光环境下,光照作为驱动光合作用的核心因子,其强度(光合光子通量密度)与光谱组成直接影响浮萍的生长速率及蛋白质积累过程;同时,光照能耗也是决定植物工厂运行成本的关键工程参数。因此,开展浮萍光环境调控研究,对于实现其高效、低能耗的蛋白生产具有重要意义。
2、目前,浮萍光照调控方案的制定通常依据经验设定或单因素实验来确定培养条件,通过调整光质比例或光周期等手段促进浮萍生长或特定代谢产物的积累。然而,上述方法侧重于单一生物产量指标的提升,由于光环境参数与浮萍生长、蛋白品质及光源能耗之间存在复杂的非线性交互作用,单一指标的优化往往导致其他性能指标的劣化;因此,基于离散实验或经验设定的调控方式难以在产量、品质与能耗之间取得协调,无法为人工光环境下浮萍高效生产提供系统化的光环境配置依据。
技术实现思路
1、本发明的目的在于提供一种浮萍光环境调控方法、系统及介质,能够实现浮萍光环境的精准调控,兼顾蛋白质产量、蛋白质品质与光源能耗的协同优化。
2、为解决上述技术问题,本发明的实施例提供了一种浮萍光环境调控方法,包括以下步骤:
3、获取浮萍在多种光质类型分别与不同光合光子通量密度条件下的蛋白质产量、可溶性蛋白质含量和光源能耗;
4、针对每种光质类型,分别建立光合光子通量密度与蛋白质产量、可溶性蛋白质含量和光源能耗之间的非线性映射关系,构建各优化目标对应的预测模型;
5、以最大化蛋白质产量、最大化可溶性蛋白质含量、最小化光源能耗为优化目标,以光合光子通量密度为决策变量,分别针对每种光质类型,采用多目标进化算法对各预测模型进行协同优化,获得每种光质类型各自对应的pareto最优解集;
6、分别针对每种光质类型,采用多属性决策方法对对应的pareto最优解集中的各候选解进行综合评价,根据预设的各优化目标权重确定各候选解的综合优先度,从每种光质类型对应的pareto最优解集中分别选取综合优先度最高的候选解,作为该光质类型下的最优光合光子通量密度;
7、根据确定的目标光质类型及对应的最优光合光子通量密度,控制浮萍培养环境的照明光源。
8、在一些可选的实施例中,所述构建各优化目标对应的预测模型,具体步骤如下:
9、采用支持向量回归svr建立非线性映射关系,并利用遗传算法ga对svr的超参数进行优化,得到遗传算法优化的支持向量回归ga-svr预测模型。
10、在一些可选的实施例中,所述多目标进化算法为带精英保留策略的非支配排序遗传算法。
11、在一些可选的实施例中,所述多属性决策方法为逼近理想解排序法topsis,且所述预设的各优化目标权重为等权重。
12、在一些可选的实施例中,所述多种光质类型包括单光质类型和复合光质类型,所述单光质类型包括全光谱白光、蓝光、红光和绿光中的至少一种,所述复合光质类型包括白光背景叠加红光补光、以及红光背景叠加白光补光中的至少一种。
13、在一些可选的实施例中,所述复合光质类型中的背景光为对应单光质类型下的最优光合光子通量密度并保持恒定,所述决策变量为补光光合光子通量密度。
14、在一些可选的实施例中,所述svr采用径向基核函数rbf,所述超参数包括正则化参数c、不敏感损失参数
ε以及核函数参数
γ。
15、在一些可选的实施例中,在根据确定的目标光质类型及对应的最优光合光子通量密度控制浮萍培养环境的照明光源之前,还包括:
16、按照最优光合光子通量密度开展验证实验,测定验证实验中的蛋白质产量、可溶性蛋白质含量和光源能耗,并与预测值进行比较,以评估预测模型的可靠性。
17、本发明的实施例还提供了一种计算机设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的浮萍光环境调控方法。
18、本发明的实施例还提供了一种计算机可读存储介质,存储有计算机程序,所述计算机程序由处理器运行时,能够执行上述的浮萍光环境调控方法。
19、本发明所提供的一种浮萍光环境调控方法,至少具有以下有益效果:
20、本发明通过获取浮萍在多种光质与光强条件下的蛋白质产量、可溶性蛋白含量及光源能耗数据,建立光强与各优化目标之间的非线性预测模型,并采用多目标进化算法对产量、品质与能耗进行协同优化以获得pareto最优解集,进而利用多属性决策方法从中筛选出综合优先度最高的光照配置并执行,从而将传统基于经验设定或单因素实验的调控方式转变为数据驱动的多目标协同优化调控,有效解决了单一指标优化难以兼顾产量、品质与能耗之间权衡关系的局限,实现了浮萍光环境从离散经验调控到连续精准配置的系统化跃升,显著提升了人工光环境下浮萍蛋白生产的综合效益。
1.一种浮萍光环境调控方法,其特征在于,所述方法包括:
2.如权利要求1所述的浮萍光环境调控方法,其特征在于,所述构建各优化目标对应的预测模型,具体步骤如下:
3.如权利要求1所述的浮萍光环境调控方法,其特征在于,所述多目标进化算法为带精英保留策略的非支配排序遗传算法。
4.如权利要求1所述的浮萍光环境调控方法,其特征在于,所述多属性决策方法为逼近理想解排序法topsis,且所述预设的各优化目标权重为等权重。
5.如权利要求1所述的浮萍光环境调控方法,其特征在于,所述多种光质类型包括单光质类型和复合光质类型,所述单光质类型包括全光谱白光、蓝光、红光和绿光中的至少一种,所述复合光质类型包括白光背景叠加红光补光、以及红光背景叠加白光补光中的至少一种。
6.如权利要求5所述的浮萍光环境调控方法,其特征在于,所述复合光质类型中的背景光为对应单光质类型下的最优光合光子通量密度并保持恒定,所述决策变量为补光光合光子通量密度。
7.如权利要求2所述的浮萍光环境调控方法,其特征在于,所述svr采用径向基核函数rbf,所述超参数包括正则化参数c、不敏感损失参数ε以及核函数参数γ。
8.如权利要求1所述的浮萍光环境调控方法,其特征在于,在根据确定的目标光质类型及对应的最优光合光子通量密度控制浮萍培养环境的照明光源之前,还包括:
9.一种计算机系统,其特征在于,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至8中任一项所述的浮萍光环境调控方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有计算机程序,所述计算机程序由处理器运行时,能够执行权利要求1至8所限定的任意一项所述的浮萍光环境调控方法。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com