一种结合作物虚拟生长模型的水稻株型定量控制方法

摘要

结合作物虚拟模型的水稻株型定量化设计方法，构建作物虚拟生长模型，并实现植物主要生理过程、形态结构和光环境模型的有效关联和结合，可实现作物植株的可视化虚拟生长；在虚拟作物模型中，通过结构模型建立作物在不同生长期的形态，通过生理模型实现对作物同化物的生产、分配和最终产量的动态预测，通过光环境模型运算作物冠层光辐射量和作物个体有效光合辐射截获量；运用优化算法不断改变作物株型结构，从而得到不同的适应度模拟结果，并能获得基于不同目标的作物最优株型；将不同适应度作为目标的优化结果设置为虚拟模型的形态参数，进行模拟运算并进行横向和纵向比较，验证并确立该作物的最优株型数据。

说明书

技术领域

本发明内容涉及植物虚拟建模，植物生理生态学以及优化算法设计领域，是一种能够实现作物株型自动优化的作物株型控制方法，可运用于作物株型的定量化控制与设计。 

背景技术

传统育种经过长时间的发展，已形成了一整套较为完善的育种理论和技术体系，并在实践中取得了巨大的成就。尤其是80年代以来，现代生物技术的迅猛发展及其与传统育种技术的结合，在分子层面上促进了传统育种的发展。然而，以分子生物学技术为手段辅助传统育种设计优良株型在目前并不现实。因此目前的作物高产育种研究需要研究人员不断进行田间栽培试验来获取经验和数据，并以此为主要手段来确认和评价育成的品种、品系在生产上的价值。因此，作物理想株型的选择和获取需要较长周期的田间试验，尤其是在不确定的培育目标的情况下，导致培育出的株型缺乏针对性，从而增加了育种成本。 

作为数字农业的核心和关键技术之一，虚拟植物生长建模的研究和应用在国内外都受到了广泛的重视。虚拟植物可以在计算机上以三维图形的形式可视化展现植物的形态形成及生长过程，并结合作物生理生态过程，实现作物特定生理过程及器官的生长动态特征的调控和研究，从而对作物的空间结构、主要生产环节的管理方案进行动态调控，为农林业生产服务。 

以虚拟作物为基础的作物株型优化方法，结合了作物功能结构模型与遗传算法优化思想，能够实现优化培育目标的定量控制，确定最优株型特征参数， 从而利用现代计算机技术辅助传统育种手段，实现节约资源、降低成本和提高作物产量的目的。 

发明内容

为了进一步对传统作物育种和现代生物工程结合的育种方法进行辅助，弥补一般作物株型设计流程中实验周期长、针对性差、人工操作繁琐等的不足，本发明提供一种水稻株型定量控制方法，该方法能够自动而快速地对作物的理想株型作出选择，从而实现针对性地对株型进行优化，在育种过程中起到辅助作用。 

本发明解决株型优化与控制的技术问题所采用的技术方案是： 

一种结合作物虚拟生长模型的株型定量控制方法，其特征在于，将虚拟植物模型和计算机优化算法有机整合，并包含以下步骤： 

步骤1，作物模型构建 

1.1首先，进行综合数据采集：实验记录目标作物整个生长期的形态动态，包括从器官到个体以及整个作物群体的几何形态特征性状数据，以及作物模型构建所需的生理数据和环境数据(如光照量等)； 

1.2其次，构建作物生长模型：基于计算机图形学技术，以作物生长原理为规则基础，采用扩展的L系统建模语言XL、Java编程语言以及可进行图形替换的RGG(Relational Growth Grammar)技术，对作物器官形态和生长过程进行模拟，建立作物拓扑结构模型(以水稻为例，即包含茎、叶、穗、籽粒等器官形态建成的结构模型)；在结构模型的基础上，加入作物生理过程的模拟，运用LEAFC3光合作用模型模拟作物通过叶片光合作用产生同化物，根据生长模型结合源库模型模拟同化物的分配，基于beta生长函数及各器官库强度大小、获得的同化物量和所处的生长阶段计算出该器官的生长速率，从而实现整个植株在整个生长 周期的发育动态；进而建立光模型，模拟太阳光源的位置和辐射度变化；虚拟的太阳光在天空中被分为直射光和散射光，包括他们在三维空间中的分布，以及在到达作物冠层后被冠层空间的遮挡等，从而实现叶片光合作用中光通量的大小；最终运用功能-结构建模技术，结合作物结构模型、生理模型和环境模型，以时间为轴线，通过基于扩展L系统建模语言和RGG的语法规则对作物器官的形成和生长做规则化解释，并实现规则之间的迭代、替换，结合虚拟作物的同化物形成与分配，从而在结合生理功能、拓扑结构及光环境条件的基础上实现虚拟作物生长动态可视化，获得指定生育期的作物植株； 

1.3最后，建立优化算法模型，并在作物模型中加入优化算法模型，优化算法的一般步骤如下： 

a)确定作物一般株型特征； 

b)编码作物个体； 

c)选取优化算法适应度； 

d)遗传操作的判定与实现； 

步骤2，以水稻为例的遗传算法具体优化 

2.1遗传操作的对象为水稻个体的株型，个体株型是所选株型对象特征因子的组合；在对个体进行编码时，先将个体株型的所有对象特征，即所有基因按次序排成一行，然后对每个基因进行二进制编码； 

在水稻株型优化中，选取不同叶位叶片的叶倾角、株高、最大分蘖数目及分蘖角度作为待优化的水稻株型对象特征，构成水稻株型因子组合；在对个体株型R进行编码时，先将该个体株型中所有株型因子按次序排成一行，记g_i为第i个株型因子； 

2.2假设水稻个体R所含的株型个数为n_g，基因g_i的基因位长度记为则 水稻个体编码的串长L为： 

$L=\underset{i=1}{\overset{n_g}{\Sigma }}{n}_b^i$

记$R=\{g_1,g_2,...,g_{n_g}\},$$g_i=\{b_i^1,b_i^2,...,b_i^{n_b^i}\};$g_i为第i个株型因子，每个株型因子g_i由二进制编码信息位组成，每个信息位均为0或1；为该株型因子第j个信息位的取值；为该株型因子的二进制码的串长，其取值由该株型因子的取值范围[u_i,v_i]和取值精度s共同决定；每个基因的取值范围可根据实验需求进行预设定，并根据其取值范围分别计算基因g_i的基因位长度

需要设置g₀、g₁、g₂和g₃的取值范围，并根据取值范围分别计算四个基因位长度，水稻个体基因位串长度L为g₀、g₁、g₂和g₃的基因位长度之和； 

2.3在进行初始化种群P₀时，为了提高种群的多样性，采用完全随机的方法生成初始化种群中的个体，种群个体数为n_c；设置最大优化代数t_max＝100；对于一个长度为L_R的个体株型二进制码串，个体株型二进制码串上的每一信息位在{0,1}上随机均匀选择，所以种群规模为n_c的种群初始化至少需要L_R×n_c次随机取值；该过程的具体步骤为： 

Step1:从种群中第一个个体开始直到第n_c个个体为止，对于每个个体执行Step2； 

Step2:从所选个体的第1个信息位开始到第L_R个信息位为止，在每一个信息位上执行Step3； 

Step3:在所选信息位上，随机生成一个[0,1]空间内的随机数，并判断该随机数是否小于0.5，若是，则在该信息位上赋值0；否则，在该信息位上赋值1； 

下面给出初始化种群过程INITIALIZE(n_c,L_R)的伪代码： 

2.4在水稻模型中，对处于选定生长期的模拟个体二进制码串进行解码，获得水稻株型特征的参数组合，应用于优化过程水稻群体中各个体的参数设定；水稻个体染色体携带水稻株型特征参数值信息，不同的特征参数可以在虚拟模型中得到不同的个体形态结构；选取水稻冠层光截获量、最终产量分别作为优化过程的适应度值(水稻模型中，个体的形态结构对水稻冠层的光截获量及最终产量有显著影响)，进行优化运算； 

并以适应度值为度量标准，对当前优化种群中的个体进行升序排列； 

2.5若当前优化代数t＝0，选择适应度值最大的个体作为精英个体； 

2.6精英个体和当前种群个体竞争，若当前种群最优个体适应度值不大于精英个体适应度值，则用此精英个体替代当前种群中的最差个体，产生第t+1代水稻种群；否则，用当前种群中的最优个体替代精英个体，同时当前种群为第t+1代水稻种群； 

2.7若当前优化代数大于最大优化代数，转到2.12； 

2.8采用轮盘赌方法从第t代水稻个体中选择出适当个体进行遗传操作： 

Step1:对于第n代个体株型种群个体R_j∈P，计算其适应度值为f(R_j)； 

Step2:对于个体R_j，计算该个体的适应度值在群体适应度值总和中所占的比例作为其选择概率p_s(R_j)为： 

$p_s\left(R_j\right)=\frac{f\left(R_j\right)}{\underset{i=1}{\overset{n_c}{\Sigma }}f\left(R_i\right)},j=\mathrm{1,2},...,n_c$

Step3:对于个体R_j，计算该个体及其之前个体的选择概率之和作为该个体的累积概率p_a(R_j)为： 

$p_a\left(R_j\right)=\frac{\underset{i=1}{\overset{j}{\Sigma }}f\left(R_j\right)}{\underset{i=1}{\overset{n_c}{\Sigma }}f\left(R_i\right)},j=\mathrm{1,2},...,n_c$

Step4:在0到1范围内随机产生一个概率值。从群体中第一个个体开始，将随机概率与群体中个体的累积概率进行顺序比较，选择出个体累积概率小于或等于该随机概率的最后一个个体； 

2.9采用相异位交叉策略，根据两个父个体基因位值相异的位数决定是否发生交叉操作，一般分为以下三个步骤： 

Step1:计算两个父个体株型上信息位值相异的位数m； 

Step2:从父个体株型上相异信息位中随机选择m/2个位置； 

Step3:从所选择位置中的第一个位置开始，在0到1范围内产生一个随机概率，判断该随机概率是否大于交叉概率p_c，若是，进行父个体株型上该位置信息位的互换；否则，循环此过程直到第m/2个位置完成。最终得到新的一对个体株型； 

下面给出交叉操作CROSS(Chrosome c1,Chrosome c2)的伪代码： 

2.10采用分层变异策略，将变异操作划分为两个层次(个体层和信息位层)：首先，进行个体层变异发生概率判断，从种群中选择出需要发生变异的个体；其次，在所选个体上进行信息位层变异发生概率判断，从个体中选择出需要发生变异的基因位，在基因位上进行变异操作；设置个体发生变异概率p_m，分别计算水稻个体层变异概率和水稻信息位层变异概率

Step1:计算出个体层上个体株型发生变异的概率为： 

$p_m^1=1-\underset{i=1}{\overset{n_g}{\Pi }}{(1-p_m)}^{n_b^i}$

Step2:计算出基因位层上信息位发生变异的概率为： 

$p_m^2=\frac{\underset{i=1}{\overset{n_g}{\Sigma }}{n}_b^i\times p_m}{1-\underset{i=1}{\overset{n_g}{\Pi }}{(1-p_m)}^{n_b^i}}$

Step3:从种群中的第一个个体开始，在0到1范围内产生一个随机概率，判断该随机概率是否小于等于个体株型变异概率若是，转入Step4；否则，循环此过程环此过程直到最后一个个体； 

Step4:从该株型因子中的第一个信息位开始，在0到1范围内产生一个随机概率，判断该随机概率是否小于等于信息位变异概率若是，在此信息位上进行变异操作，即将0替换为1或将1替换为0；否则，循环此过程环此过程直到该株型因子的最后一个信息位； 

下面给出变异操作Mutation(Chrosome[]c,int nc,int ng,int)的伪代码： 

2.11通过遗传操作得到临时种群，转到2.4； 

2.12输出当前种群中最优个体的染色体，获取该个体的水稻株型特征参数； 

步骤3，最优株型的比较和验证 

在以光截获量、籽粒数目和最终产量分别作为适应度的优化过程中，选取了三个不同的生长期(拔节期、灌浆期和成熟期)的虚拟个体作为初始种群；首先，将其优化结果分别进行纵向对比，得出基于生长期的水稻株型特征株型参数组合；其次，在构建的水稻虚拟生长模型中运用该参数组合，在其生长过程实现可视化模拟的基础上，对最终产量进行预测；同时，结合水稻模型中的同化物生产及分配算法，将前述参数组合、预测的最终产量和以产量为适应度值的优化结果进行横向对比；最终得出包含生长时间及空间维度的水稻株型优化结果，从而实现最优株型的定量控制。 

所述步骤1中，基于作物株型结构的形态－生理－环境的相互关联，能够通过数值改变作物株型结构，进而实现对目标适应度值的模拟。 

所述步骤2中，将作物株型设计问题转化为数值优化问题，在计算机优化方法内改变作物株型结构特征值，并将其在虚拟模型中实现可视化模拟，以模拟植株的不同输出为目标进行数值比较。 

所述步骤2中，运用相应的方法对优化群体进行特征相关的遗传操作：用轮盘赌方法进行选择操作；用相异位交叉策略实现交叉操作；用分层变异策略实现变异操作，从而增加优化群体的多态性。 

本发明的有益效果 

本发明运用功能与结构建模技术构建作物虚拟生长模型，并将改进后的遗传算法作为优化算法引入到作物株型优化问题中，在虚拟作物模拟生长过程时，通过优化算法改变作物株型特征值，搜索其中最优的作物株型(最高的冠层光截获量、同化物池通量及最终产量)，并进行模拟验证。 

应用本发明所描述的结合作物生长模型的株型定量控制方法，可以应用于水稻等常见作物株型的定量化设计与控制，从而实现的作物株型的自动优化。优化后获取的作物特征形态，可以为作物株型育种提供有针对性的定量化培育目标，为作物育种提供辅助和参考，最终提高作物育种和生产管理效率。 

附图说明

图1本发明的水稻植株生长发育算法流程图 

图2本发明的作物虚拟生长模型的各个模块及株型优化方法模块关系图 

图3本发明应用于水稻株型优化的流程图 

图4本发明的水稻株型优化过程中优化对象的个体编码串示意图 

具体实施方式

以水稻为例，本发明构建水稻虚拟生长模型，运用改进的遗传算法实现水稻的株型优化。结合附图，本方法实现株型优化的具体实施方式如下： 

一种结合作物虚拟生长模型的株型定量控制方法，其特征在于，将虚拟植物模型和计算机优化算法有机整合，并包含以下步骤： 

步骤1，作物模型构建 

1.1首先，进行综合数据采集：实验记录目标作物整个生长期的形态动态，包括从器官到个体以及整个作物群体的几何形态特征性状数据，以及作物模型构建所需的生理数据和环境数据(如光照量等)； 

1.2其次，构建作物生长模型：基于计算机图形学技术，以作物生长原理为规则基础，采用扩展的L系统建模语言XL、Java编程语言以及可进行图形替换的RGG(Relational Growth Grammar)技术，对作物器官形态和生长过程进行模拟，建立作物拓扑结构模型(以水稻为例，即包含茎、叶、穗、籽粒等器官形态建成的结构模型)；在结构模型的基础上，加入作物生理过程的模拟，运用LEAFC3光合作用模型模拟作物通过叶片光合作用产生同化物，根据生长模型结合源库模型模拟同化物的分配，基于beta生长函数及各器官库强度大小、获得的同化物量和所处的生长阶段计算出该器官的生长速率，从而实现整个植株在整个生长周期的发育动态；进而建立光模型，模拟太阳光源的位置和辐射度变化；虚拟的太阳光在天空中被分为直射光和散射光，包括他们在三维空间中的分布，以及在到达作物冠层后被冠层空间的遮挡等，从而实现叶片光合作用中光通量的大小；最终运用功能-结构建模技术，结合作物结构模型、生理模型和环境模型，以时间为轴线，通过基于扩展L系统建模语言和RGG的语法规则对作物器官的形成和生长做规则化解释，并实现规则之间的迭代、替换，结合虚拟作物的同化 物形成与分配，从而在结合生理功能、拓扑结构及光环境条件的基础上实现虚拟作物生长动态可视化，获得指定生育期的作物植株； 

1.3最后，建立优化算法模型，并在作物模型中加入优化算法模型，优化算法的一般步骤如下： 

a)确定作物一般株型特征； 

b)编码作物个体； 

c)选取优化算法适应度； 

d)遗传操作的判定与实现； 

步骤2，以水稻为例的遗传算法具体优化 

2.1遗传操作的对象为水稻个体的株型，个体株型是所选株型对象特征因子的组合；在对个体进行编码时，先将个体株型的所有对象特征，即所有基因按次序排成一行，然后对每个基因进行二进制编码； 

在水稻株型优化中，选取不同叶位叶片的叶倾角、株高、最大分蘖数目及分蘖角度作为待优化的水稻株型对象特征，构成水稻株型因子组合；在对个体株型R进行编码时，先将该个体株型中所有株型因子按次序排成一行，记g_i为第i个株型因子； 

2.2假设水稻个体R所含的株型个数为n_g，基因g_i的基因位长度记为则水稻个体编码的串长L为： 

$L=\underset{i=1}{\overset{n_g}{\Sigma }}{n}_b^i$

记$R=\{g_1,g_2,...,g_{n_g}\},$$g_i=\{b_i^1,b_i^2,...,b_i^{n_b^i}\};$g_i为第i个株型因子，每个株型因子g_i由二进制编码信息位组成，每个信息位均为0或1；为该株型因子第j个信息位的取值；为该株型因子的二进制码的串长，其取值由该株型因子的取值范围[u_i,v_i]和取值精度s共同决定；每个基因的取值范围可根据实验需求进行预设 定，并根据其取值范围分别计算基因g_i的基因位长度

需要设置g₀、g₁、g₂和g₃的取值范围，并根据取值范围分别计算四个基因位长度，水稻个体基因位串长度L为g₀、g₁、g₂和g₃的基因位长度之和； 

2.3在进行初始化种群P₀时，为了提高种群的多样性，采用完全随机的方法生成初始化种群中的个体，种群个体数为n_c；设置最大优化代数t_max＝100；对于一个长度为L_R的个体株型二进制码串，个体株型二进制码串上的每一信息位在{0,1}上随机均匀选择，所以种群规模为n_c的种群初始化至少需要L_R×n_c次随机取值；该过程的具体步骤为： 

Step1:从种群中第一个个体开始直到第n_c个个体为止，对于每个个体执行Step2； 

Step2:从所选个体的第1个信息位开始到第L_R个信息位为止，在每一个信息位上执行Step3； 

Step3:在所选信息位上，随机生成一个[0,1]空间内的随机数，并判断该随机数是否小于0.5，若是，则在该信息位上赋值0；否则，在该信息位上赋值1； 

下面给出初始化种群过程INITIALIZE(n_c,L_R)的伪代码： 

2.4在水稻模型中，对处于选定生长期的模拟个体二进制码串进行解码，获 得水稻株型特征的参数组合，应用于优化过程水稻群体中各个体的参数设定；水稻个体染色体携带水稻株型特征参数值信息，不同的特征参数可以在虚拟模型中得到不同的个体形态结构；选取水稻冠层光截获量、最终产量分别作为优化过程的适应度值(水稻模型中，个体的形态结构对水稻冠层的光截获量及最终产量有显著影响)，进行优化运算； 

并以适应度值为度量标准，对当前优化种群中的个体进行升序排列； 

2.5若当前优化代数t＝0，选择适应度值最大的个体作为精英个体； 

2.6精英个体和当前种群个体竞争，若当前种群最优个体适应度值不大于精英个体适应度值，则用此精英个体替代当前种群中的最差个体，产生第t+1代水稻种群；否则，用当前种群中的最优个体替代精英个体，同时当前种群为第t+1代水稻种群； 

2.7若当前优化代数大于最大优化代数，转到2.12； 

2.8采用轮盘赌方法从第t代水稻个体中选择出适当个体进行遗传操作： 

Step1:对于第n代个体株型种群个体R_j∈P，计算其适应度值为f(R_j)； 

Step2:对于个体R_j，计算该个体的适应度值在群体适应度值总和中所占的比例作为其选择概率p_s(R_j)为： 

$p_s\left(R_j\right)=\frac{f\left(R_j\right)}{\underset{i=1}{\overset{n_c}{\Sigma }}f\left(R_i\right)},j=\mathrm{1,2},...,n_c$

Step3:对于个体R_j，计算该个体及其之前个体的选择概率之和作为该个体的累积概率p_a(R_j)为： 

$p_a\left(R_j\right)=\frac{\underset{i=1}{\overset{j}{\Sigma }}f\left(R_j\right)}{\underset{i=1}{\overset{n_c}{\Sigma }}f\left(R_i\right)},j=\mathrm{1,2},...,n_c$

Step4:在0到1范围内随机产生一个概率值。从群体中第一个个体开始，将随机概率与群体中个体的累积概率进行顺序比较，选择出个体累积概率小于或等于该随机概率的最后一个个体； 

2.9采用相异位交叉策略，根据两个父个体基因位值相异的位数决定是否发生交叉操作，一般分为以下三个步骤： 

Step1:计算两个父个体株型上信息位值相异的位数m； 

Step2:从父个体株型上相异信息位中随机选择m/2个位置； 

Step3:从所选择位置中的第一个位置开始，在0到1范围内产生一个随机概率，判断该随机概率是否大于交叉概率p_c，若是，进行父个体株型上该位置信息位的互换；否则，循环此过程直到第m/2个位置完成。最终得到新的一对个体株型； 

下面给出交叉操作CROSS(Chrosome c1,Chrosome c2)的伪代码： 

2.10采用分层变异策略，将变异操作划分为两个层次(个体层和信息位层)：首先，进行个体层变异发生概率判断，从种群中选择出需要发生变异的个体；其次，在所选个体上进行信息位层变异发生概率判断，从个体中选择出需要发 生变异的基因位，在基因位上进行变异操作；设置个体发生变异概率p_m，分别计算水稻个体层变异概率和水稻信息位层变异概率

Step1:计算出个体层上个体株型发生变异的概率为： 

$p_m^1=1-\underset{i=1}{\overset{n_g}{\Pi }}{(1-p_m)}^{n_b^i}$

Step2:计算出基因位层上信息位发生变异的概率为： 

$p_m^2=\frac{\underset{i=1}{\overset{n_g}{\Sigma }}{n}_b^i\times p_m}{1-\underset{i=1}{\overset{n_g}{\Pi }}{(1-p_m)}^{n_b^i}}$

Step3:从种群中的第一个个体开始，在0到1范围内产生一个随机概率，判断该随机概率是否小于等于个体株型变异概率若是，转入Step4；否则，循环此过程环此过程直到最后一个个体； 

Step4:从该株型因子中的第一个信息位开始，在0到1范围内产生一个随机概率，判断该随机概率是否小于等于信息位变异概率若是，在此信息位上进行变异操作，即将0替换为1或将1替换为0；否则，循环此过程环此过程直到该株型因子的最后一个信息位； 

下面给出变异操作Mutation(Chrosome[]c,int nc,int ng,int)的伪代码： 

2.11通过遗传操作得到临时种群，转到2.4； 

2.12输出当前种群中最优个体的染色体，获取该个体的水稻株型特征参数； 

步骤3，最优株型的比较和验证 

在以光截获量、籽粒数目和最终产量分别作为适应度的优化过程中，选取了三个不同的生长期(拔节期、灌浆期和成熟期)的虚拟个体作为初始种群；首先，将其优化结果分别进行纵向对比，得出基于生长期的水稻株型特征株型参数组合；其次，在构建的水稻虚拟生长模型中运用该参数组合，在其生长过程实现可视化模拟的基础上，对最终产量进行预测；同时，结合水稻模型中的同化物生产及分配算法，将前述参数组合、预测的最终产量和以产量为适应度值的优化结果进行横向对比；最终得出包含生长时间及空间维度的水稻株型优化结果，从而实现最优株型的定量控制。 

所述步骤1中，基于作物株型结构的形态－生理－环境的相互关联，能够通过数值改变作物株型结构，进而实现对目标适应度值的模拟。 

所述步骤2中，将作物株型设计问题转化为数值优化问题，在计算机优化方法内改变作物株型结构特征值，并将其在虚拟模型中实现可视化模拟，以模拟植株的不同输出为目标进行数值比较。 

所述步骤2中，运用相应的方法对优化群体进行特征相关的遗传操作：用轮盘赌方法进行选择操作；用相异位交叉策略实现交叉操作；用分层变异策略实现变异操作，从而增加优化群体的多态性。