基于云的建模技术用于精准调控光照和优化能源效率，以提升植物工厂中水培叶类蔬菜生产系统的性能

《Smart Energy》：Cloud-based modeling for precision light regulation and energy efficiency optimization in hydroponic leafy vegetable production systems in plant factory

本研究针对植物工厂中生菜生长调控与能源效率优化难题，提出基于每日光能利用效率（LUEd）的生长预测模型与NSGA-II多目标优化框架。通过构建融合环境参数与作物生理状态的云平台系统，实现实时数据采集、生长预测与动态优化。实验表明，在30天周期内，优化策略较传统模式降低能耗237-243.2 mol/m2，鲜重误差控制在±6.1g以内，验证了模型在订单驱动与预测驱动场景下的适应性。

　　植物工厂面临双重挑战：既要调控作物生长，又要提高能源效率。本文以生菜为模型作物，开发了一种基于云平台的精准光照调控与能源效率优化框架。该框架主要由两个核心组件构成：基于日光合效率（LUE）的生长预测模型和使用NSGA-II算法的多目标优化模块。这两个模块共同生成可行的光照策略，支持高效能源下的作物培育。该系统部署在云平台，使得能够整合订单调度、市场预测等相关系统，以支持按需生产。此外，可视化界面还支持农业专家解读和调整光照策略。该方法展示了在变化的生产条件下提高资源利用的潜力，并为更广泛的应用提供了可扩展性。

近年来，蔬菜产品的需求呈现出新的特征，包括高频率、小批量、对高质量的期望以及短交付周期，这主要源于生活水平的提高和消费者市场的快速变化。特别是水培叶菜类，如生菜，其需求在食品服务、零售和加工等多个终端场景中保持稳定且多样化。在受控环境中实现生产周期与产出规模的精准匹配，已成为基于订单和市场驱动的农业生产的重点任务。因此，精细管理实践中的一个重要任务是如何根据预期的交付时间表调控叶菜的生长速率和鲜重积累，同时保持产品质量。

为了有效完成这一任务，三个方面尤为重要：一是建立一个响应迅速的数字基础设施，将植物工厂的生产计划与栽培管理连接起来；二是识别关键环境变量，以实现对作物生长和能源使用的精准控制；三是探索适应性强的优化方法，以在动态、需求驱动的生产条件下指导决策。云计算为这些挑战提供了有希望的能力，其集中式数据聚合、跨地点协作和实时信息共享，对于动态调整生产计划以应对不断变化的市场需求至关重要。

在植物工厂中，云平台可以协助利益相关者实施远程监控、多地点统一管理、订单调度和市场预测，从而支持及时交付、减少过量生产并提高整体运营效率。Kachanova和Levonevskiy提出了一个基于云的自动化温室复合体架构，该架构实现了分布式模块间的双向数据传输和环境参数的集中控制。Austria等人开发了一个智能水培温室系统，其中通过ThingSpeak实现的传感器与云的集成增强了移动辅助监控的可靠性和可用性。此外，Cao等人提出了iGrow——一个基于人工智能和云的自主温室平台，在试点番茄研究中实现了产量提高10%和净利润提高92%的显著成果。

基于云的管理和决策平台是推进设施农业发展的有前景方向。本文提出的云平台支持多地点部署，允许远程访问和集中调用模型，从而为不同植物工厂位置的生产单元整合提供了必要的支持。此外，该系统还具备高度的灵活性，可以实时采集和分析环境数据，并生成光照策略，以满足实际生产需求。用户可以通过系统界面监测实时环境参数（如光照强度、温度、湿度和CO?浓度）、作物生长状态预测、鲜重目标跟踪以及当前光照策略的能源消耗。系统还允许用户调整策略的边界条件，分配优化目标的权重，并干预决策过程，从而增强其在不同栽培场景中的适应性。此外，该系统支持本地操作，也支持远程访问，这些特性对于实现大规模、多地点的农业管理至关重要。

在实验设计方面，本文采用了L9正交实验设计，研究光照强度（PPFD）和光周期（光暗周期比例）对水培生菜能源利用效率的影响。实验设置了三个光强水平和三种光周期模式，以探索不同光照组合对生菜生长的影响。通过使用电子秤（精度为0.1克）定期测量生菜的质量，获取了实验数据，为后续的模型构建和光照策略优化提供了基础。实验结果表明，光照强度和光周期的组合显著影响生菜的生长趋势和鲜重积累，从而对光合效率和作物质量产生深远影响。

本文构建了基于日光合效率（LUE）的生菜生长预测模型，该模型结合了实验数据和环境因素分析，旨在提高光合效率，从而实现精准调控。此外，还引入了NSGA-II多目标优化算法，以最小化鲜重偏差和能源消耗，生成Pareto最优解集。这些解集对应于可执行的光照策略，标注了其相关的能源成本和预测的鲜重，使用户能够做出有依据的权衡。系统支持按日或用户定义的周期进行滚动预测和策略更新，用户可以根据实际生产需求自定义目标权重、生长周期等参数，从而提高模型推荐策略的实用性和适应性。

在模型构建过程中，本文采用了多项式回归（PR）、随机森林回归（RFR）和高斯过程回归（GPR）三种方法，以评估LUE预测模型的性能。PR通过引入高阶输入变量的变换，将线性回归扩展到非线性特征空间，从而捕捉变量间的非线性关系。RFR基于Bagging策略，通过构建多个回归树并平均其输出，提高了模型的鲁棒性和泛化能力。GPR是一种非参数贝叶斯方法，不仅能够进行点预测，还能为每个预测提供不确定性估计。在实验中，采用了常数核和径向基函数（RBF）核的组合，以增强模型的适应性。最终，基于对预测准确性和模型稳定性的综合考虑，本文选择了RFR模型作为LUE预测的工具，为后续的光照策略优化提供了支持。

在模型验证方面，LUE预测模型被整合到生长模型中，以验证生菜生长预测模型的有效性。模型的预测性能通过比较预测值与九个实验组的实际生长数据进行评估。结果表明，预测曲线在所有实验组中总体上与观测趋势一致，但某些实验组在快速生长期的预测误差较大。为了提高预测精度，本文引入了每10天测量的鲜重数据作为校准输入。校准后的预测曲线在所有实验组中表现出更好的拟合性能，从而更接近实际测量值。实验组4在未校准前的最大预测误差为6.28克，而在校准后误差进一步降低。实验组9在未校准前的最大预测误差为14.58克，校准后降低至4.77克，这表明模型在整合周期测量数据后具有显著的准确性和稳定性提升。

在光照调控和能源效率优化方面，本文构建了基于NSGA-II的多目标优化模型。NSGA-II是一种多目标进化算法，能够在满足多种目标的同时，寻找最优解集。通过设置合适的终止条件，如进化代数和种群规模，本文优化了光照策略，使其能够有效减少能源消耗并确保作物达到目标鲜重。实验结果表明，当目标鲜重为90克、初始鲜重为8.1克、生长周期为30天时，策略1（订单驱动模式）将总能源输入减少了236.8mol/m2，而策略2（预测驱动模式）进一步减少了243.2mol/m2。相应地，光合效率（LUE）提高了1.53和1.54倍，分别优于基准策略。同时，两种策略的最终预测鲜重偏差均在可接受的生产公差范围内，分别为±6.1克和±7.3克。

此外，本文设计了三种代表性的模拟实验场景，以验证光照策略推荐模型在不同生产需求下的适应性和应用潜力。系统测试了模型对关键变量（如目标鲜重、初始鲜重和种植周期）变化的响应能力。实验结果表明，模型能够灵活适应生产需求的变化，从而在满足生产目标的同时，实现能源的高效利用。例如，在实验2中，初始鲜重与实验1的第15天平均值一致，但生产目标与实验1的第30天预测值相符，但在仅10天的周期内完成。模型自动从预测驱动模式切换为订单驱动模式，以适应时间限制。在实验3中，初始鲜重为实验1的第20天平均值，生产目标则从90克提升至100克，模型灵活优化了光照策略，确保了较高的LUE，同时避免了过度使用能源。

综上所述，本文提出的模型在植物工厂中实现了精准光照调控和能源效率优化，为“按需生产”提供了理论支持和技术手段，同时为构建智能、数据驱动的农业管理系统提供了新的视角。虽然当前模型在实验条件下表现良好，但在实际应用中仍需进一步优化，以适应复杂的环境变化和作物生长差异。未来研究可以扩展模型的适用范围，使其在更广泛的设施农业场景中发挥作用，从而推动农业向高效、智能和可持续方向发展。