基于生物机理的垂直植物工厂水稻幼苗光环境优化的智能预测控制方法

《Information Processing in Agriculture》：Biological mechanism-based intelligent predictive control method for light environment optimization in vertical plant factories for Oryza Sativa seedling

　　

在垂直植物工厂中，针对作物不同发育阶段进行动态光管理至关重要，但传统固定光照方法无法实现这一目标。本研究提出一种称为NMPC-PAR-LSTM的集成控制框架，协同融合三个功能模块：生成生长阶段特异性光合目标的Michaelis-Menten动力学模型、超前20步预测环境变化的LSTM（Long Short-Term Memory）网络，以及融入生理约束的NMPC（Nonlinear Model Predictive Control，非线性模型预测控制）优化器。对比评估表明，NMPC-PAR-LSTM系统的累积跟踪误差为136 μmol·m?2·s?1，较线性MPC（Linear MPC，1610.6 μmol·m?2·s?1）降低91.6%，较LSTM-MPC（1451 μmol·m?2·s?1）降低90.6%，较MPC-PAR-LSTM（248 μmol·m?2·s?1）降低45.2%。该框架还表现出更优的控制稳定性，输入变化率仅为4.2%，而线性MPC为26.0%，LSTM-MPC为88.3%。通过将补光与作物生理需求相匹配，该方法为实现可持续垂直农业提供可行途径。

论文解读——《Information Processing in Agriculture》刊载文章：基于生物机理的垂直植物工厂水稻(Oryza Sativa)幼苗光环境优化的智能预测控制方法(NMPC-PAR-LSTM)

一、研究背景与立项依据

垂直植物工厂（Vertical Plant Factory）通过严格的环境控制实现高密度栽培，其中光环境调控直接影响作物光合作用及最终产量与品质。现有温室光环境调控已从阈值/PID控制逐步发展至模糊逻辑、深度强化学习及模型预测控制（Model Predictive Control, MPC）。然而，针对垂直植物工厂水稻幼苗光环境的研究仍存在三方面局限：（1）现有MPC多采用固定光合参数，忽略植株在不同生育期光合特性（光饱和点LSP与光补偿点LCP）的动态变化；（2）传统MPC为被动响应式控制，无法预知太阳辐射或温度骤变等未来环境扰动，存在控制滞后；（3）非线性MPC（Nonlinear MPC, NMPC）虽能处理温湿光CO₂耦合非线性，但通常将植物生理响应仅作边界条件而非优化目标组成部分，生物信息未被充分利用。为此，研究人员提出NMPC-PAR-LSTM集成框架，将Michaelis-Menten光合动力学模型、LSTM环境预测模块与非线性模型预测优化器耦合，以水稻（Oryza sativa）幼苗为对象，实现基于生理需求的自适应补光控制。

二、主要关键技术方法

研究人员于东北农业大学寒区智慧农业教育部重点实验室智能水稻育苗工厂（Venlo型玻璃温室+6层垂直旋转栽培架，LED红蓝光比2:3，PWM调光，PPFD可达1000 μmol·m^?2·s^?1）开展试验。供试材料为粳稻品种"龙井31号"（Longjing 31），播种密度125 g/盘，分3–6天（I期）、7–17天（II期）、18–30天（III期）三个生育阶段。使用LI-6800便携式光合仪测定净光合速率（A），设置温度梯度24–33℃、CO₂浓度400/700/1000/1300 μmol·mol^?1、PPFD（Photosynthetic Photon Flux Density，光合光子通量密度）0–3000 μmol·m^?2·s^?1，每阶段测800组数据。关键技术方法包括：（1）基于Michaelis-Menten非矩形双曲线模型拟合各生育期光合参数（表观量子效率ψ、最大净光合速率a_max、曲率因子k、暗呼吸速率r_day），计算目标PAR（Photosynthetically Active Radiation，光合有效辐射，此处即PPFD）并提取LSP与LCP作为硬约束；（2）构建双层LSTM网络（256单元+128单元），输入温湿度CO₂内源PPFD及外部太阳辐照度五维特征向量，输出未来20步（20 min）环境扰动预测，按式动态调整NMPC参考轨迹；（3）建立含双曲正切饱和函数f_nl(u)的单输入单输出非线性状态空间模型（A=0.92, B=0.45, C=0.08），设计NMPC代价函数（追踪权重Q=80、控制量权重R=0.2、变化率惩罚S=0.1，预测时域N=10），采用序列二次规划（Sequential Quadratic Programming, SQP）求解，引入LSP上限与LCP下限生理硬约束。对照组设为Linear MPC、LSTM-MPC、MPC-PAR-LSTM，在相同扰动与硬件模型下对比累积跟踪误差（CTE）、RMSE、MAE及控制输入变化率（CICR）。

三、研究结果

3.1. Analysis of photosynthetic response characteristics in Oryza sativa seedling（水稻幼苗光合响应特征分析）

通过LI-6800测定发现净光合速率随PPFD呈典型非矩形双曲线变化，28–30℃及约1000 μmol·m^?2·s^?1PPFD下达峰值（约15 μmol·m^?2·s^?1）；升高CO₂至700–1000 μmol·mol^?1可缓解高温抑制，1300 μmol·mol^?1下强光高温时光合速率波动增大。表明温度、CO₂与光强对C₃作物水稻幼苗光合作用存在显著非线性交互作用，需分生育阶段建模。

3.2. Comparative analysis of photosynthetic rate modeling methods（光合速率建模方法对比分析）

对比对数线性回归、非线性回归（Michaelis-Menten）、二次、三次、幂函数及S型曲线六种模型，Michaelis-Menten非线性回归拟合优度R²=0.958、RMSE=0.992，能清晰表征光限制相、光饱和相及潜在光抑制相且参数具明确生理意义，优于其余模型（三次模型R²=0.964但存过拟合风险，对数线性R²仅0.490）。分三期拟合得：I期 a_max=11.24±0.82 μmol CO₂·m^?2·s^?1，ψ=0.030±0.009，LSP=609.27 μmol·m^?2·s^?1，LCP=52.38 μmol·m^?2·s^?1；II期 LSP=536.42，LCP=62.01；III期 a_max=13.88±0.60，ψ=0.053±0.011，LSP=524.14，LCP=95.68。LSP随苗龄下降14%（609→524 μmol·m^?2·s^?1），LCP上升83%（52→96 μmol·m^?2·s^?1），有效光合窗口收窄，证实需按生育期动态调整补光目标与约束。

3.3. Control method performance verification and comparison（控制方法性能验证与比较）

八小时仿真含生物驱动PAR轨迹（晨渐升至450、午间降至260防光抑制、午后恢复350、傍晚渐降）及多层干扰（高斯白噪40 dB SNR、过程噪σ=5 μmol·m^?2·s^?1、热耦合、随机0.5–1.5 s延时）。NMPC-PAR-LSTM累积跟踪误差CTE=136.0 μmol·m^?2·s^?1，较Linear MPC（1610.6）降91.6%，较LSTM-MPC（1451.2）降90.6%，较MPC-PAR-LSTM（248.2）降45.2%；输入变化率仅4.2%（Linear MPC 26.0%，LSTM-MPC 88.3%）。Monte Carlo 50次显示平均RMSE=19.04 μmol·m^?2·s^?1（95%CI[18.21,19.87]），上午调整期RMSE=30.59、下午稳态RMSE=0.64，证明鲁棒性。LSTM预测步长敏感性分析表明N=20步（20 min）时在控制平稳性（4.96%）与计算耗时（0.69 s）间取得最优平衡，所有配置SQP求解均<60 s采样周期。

3.4. Simulation analysis of light environment regulation（光环境调控仿真分析）

Michaelis-Menten模型生成符合昼夜节律的目标PAR轨迹（早升—午降—午后恢复—晚降），NMPC控制器使实际PAR维持在调整后目标±5%内（平均跟踪误差12.4 μmol·m^?2·s^?1RMSE），LSTM预测使午后自然光下降150 μmol·m^?2·s^?1时被LED增量补偿维持设定。PWM占空比变化<9.2%，相邻步平均变化率0.0841%，96%过渡<0.1%，明显缓于开关控制，延长LED寿命。优化轨迹日均PPFD=291.25 μmol·m^?2·s^?1，较恒定400 μmol·m^?2·s^?1减少总光子需求27.2%，单层日节电约4.03 kWh。

四、讨论与结论总结

讨论指出Michaelis-Menten拟合R²>0.94可捕捉光限制—饱和—抑制三阶段；分生育期LSP递减与LCP递增量化了动态生理边界，为阶段特异性补光提供依据；LSTM预报精度使NMPC由被动响应转为主动前馈调节。NMPC中引入tanh饱和函数描述LED与光合的非线性 diminishing return效应，LSP与LCP分别作为自然梯度衰减上限与碳平衡硬下限，替代外加抗积分饱和环节。框架核心算法（NMPC优化、状态空间、tanh饱和、PWM生成）物种无关，移植他种C₃作物只需重测Michaelis-Menten参数与LSP/LCP并重训LSTM；局限含当前仅仿真验证、单品种、未耦合温湿CO₂多变量及Michaelis-Menten在极强光下局限，未来拟开展硬件在环验证、多层光干扰补偿及FvCB（Farquhar–von Caemmerer–Berry）模型对比。

结论（翻译自Conclusion部分）： 所提NMPC-PAR-LSTM框架证明将生物机理建模与预测控制融合可显著提升垂直植物工厂光管理性能——较线性MPC累积跟踪误差降低91.6%、控制输入变化率限制于4.2%、总光子需求削减27.2%（相当于每层每日节省4.03 kWh）。其核心创新在于通过三个明确定义接口协同耦合Michaelis-Menten模型（将生育期变化的光合参数——LSP从609降至524 μmol·m^?2·s^?1——转化为自适应控制目标）、LSTM网络（超前20 min预见环境扰动）及NMPC优化器（将生理约束直接嵌入目标函数），把静态设值调节转变为以植物为中心的动态优化。生物边界充当天然稳定器（平均控制信号变化率仅0.0841%）。该架构模板核心算法组件物种无关，经标准化光响应标定后可推广至其他C₃作物。后续将扩展至多作物部署与在线参数自适应、工业工况下半实物（Hardware-in-the-Loop）验证及自校正光合参数估计的强化学习拓展，推动基于生物信息的预测控制在可持续农业中更广泛应用。