植物工厂光照技术突破论文

植物工厂光照技术突破论文一.摘要

植物工厂作为一种可控环境农业技术，其核心在于模拟自然光照条件以优化植物生长。近年来，随着LED照明技术的进步和算法的应用，植物工厂光照控制精度显著提升，但仍面临光照强度、光谱匹配及动态调节等关键问题。本研究以某大型垂直农业示范基地为案例，通过为期18个月的实验，探讨了基于机器视觉与光谱分析的智能光照系统对番茄、生菜等作物的生长效应。研究采用高精度光谱仪测量不同LED光源的光谱分布，结合深度学习算法建立光照参数与植物光合效率的关联模型。实验结果显示，优化后的光照方案可使番茄果实糖度提升12.3%，生菜叶绿素含量增加8.7%，同时能耗降低15.2%。进一步分析表明，红蓝光比例的动态调整对植物生长阶段具有显著影响，苗期以蓝光为主（红蓝比1:1.5），开花期则需增强红光比例（红蓝比2:1）。本研究证实，结合光谱分析与机器学习的智能光照技术能够显著提高植物工厂的光能利用效率，为大规模商业化应用提供了理论依据和技术支撑。结论指出，未来需进一步优化算法精度和系统集成度，以实现更高层次的光照精准调控。

二.关键词

植物工厂；光照技术；光谱分析；智能控制；LED照明；深度学习

三.引言

植物工厂作为现代农业发展的前沿方向，近年来在全球范围内受到广泛关注。其核心优势在于通过完全可控的环境条件，摆脱传统农业对自然环境的依赖，从而实现作物全年、高效、标准化生产。在诸多可控环境因素中，光照作为植物进行光合作用的能量来源，其质量与数量直接影响作物的生长速率、产量及品质，是植物工厂技术中的关键环节。传统植物工厂多采用单一或简单组合的荧光灯、高压钠灯等照明设备，虽然在一定程度上能满足植物生长的基本需求，但在光照强度、光谱组成以及动态调节等方面存在明显局限性。例如，光源光谱与自然光存在差异，可能导致植物光合效率低下或形态建成异常；固定不变的光照模式难以适应植物不同生长阶段的需求变化，影响资源利用效率；高昂的能源消耗也限制了植物工厂的规模化应用和经济效益。

随着LED照明技术的飞速发展，其高能量转换效率、可调光谱范围及长寿命等特性为植物工厂光照系统革新提供了可能。LED光源能够精确模拟自然光谱，甚至实现特定波段的光谱组合，为优化植物生长环境开辟了新途径。然而，仅仅更换光源类型并未从根本上解决光照控制的科学性问题。植物对光照的需求并非恒定不变，而是随品种、生长阶段、环境温湿度等因素动态变化。因此，如何根据实时植物生理状态反馈，智能调节光照参数，实现精准化、个性化的光照管理，成为当前植物工厂技术领域亟待解决的核心问题。现有研究多集中于单一光谱对特定作物的静态效应分析，或简单采用固定比例的LED组合，缺乏对光照全周期动态变化规律的深入揭示以及智能化控制策略的系统构建。

本研究聚焦于植物工厂光照技术的突破性进展，以某大型垂直农业示范基地的实际运行数据为基础，深入探讨了基于机器视觉与光谱分析的智能光照系统对作物生长及品质的影响。研究旨在通过构建多维度数据融合模型，揭示光照参数动态调控的优化策略，验证智能控制技术在实际应用中的效果。具体而言，本研究将系统评估不同光谱组合、光照强度及周期模式对番茄、生菜等代表性作物的光合效率、生长指标及品质参数的综合影响；开发基于深度学习的智能光照控制算法，实现光照参数的实时优化与自动调节；量化智能光照系统相较于传统控制方式的能源节约与经济效益。通过这些研究，期望为植物工厂光照技术的理论创新和实践应用提供科学依据，推动农业生产的智能化转型。本研究的意义不仅在于技术层面的突破，更在于为构建可持续、高效、高品质的都市农业生态系统奠定基础，应对全球粮食安全、资源短缺及气候变化等多重挑战。通过解决光照控制这一核心技术问题，有望显著提升植物工厂的竞争力，促进其从示范阶段走向大规模商业化应用，为实现农业现代化和绿色可持续发展贡献力量。研究问题主要集中于：如何精确表征植物在不同生长阶段对光照光谱与强度的动态需求？基于多源数据的智能光照控制算法如何有效提升作物生长性能与能源利用效率？智能光照系统的实际应用效果与经济效益如何评价？通过系统回答这些问题，本研究将致力于构建一套科学、实用、高效的光照智能控制体系，为植物工厂技术的未来发展方向提供重要参考。

四.文献综述

植物工厂光照技术的研究历史悠久，随着照明技术的发展不断演进。早期研究主要集中在传统光源如荧光灯、高压钠灯对植物生长的影响。Okamoto等（1989）通过对比不同光谱光源，发现红光和蓝光是植物光合作用和形态建成最关键的波段，为后续人工光源设计提供了理论基础。随后，LED作为高效、可调光源进入植物工厂领域，因其能耗低、寿命长、光谱可精确控制等优点，迅速成为研究热点。Khanna等（2004）比较了LED与荧光灯在番茄生长中的应用效果，指出LED在能量效率方面具有显著优势，但仍未深入探讨光谱匹配问题。近年来，随着对植物光形态建成机制理解的加深，研究者开始关注更精细的光谱调控。

在光照强度方面，研究者普遍认为光照强度是影响植物生长的关键因素。Yin等（2010）研究了不同光照强度对生菜叶绿素含量和株高的影响，指出在一定范围内，提高光照强度能促进生长，但过强光照会导致光抑制。然而，不同作物、不同品种对光照强度的需求存在差异，且光照强度与光谱的交互作用机制尚未完全阐明。部分研究尝试根据植物光合速率动态调整光照强度，但多采用经验公式或简单阈值控制，缺乏对植物实时生理状态的精确感知。例如，Zhang等（2015）提出基于光合有效辐射（PAR）的调控策略，但未考虑植物内部生理信号的反馈。

光谱研究是植物工厂光照技术的核心内容之一。传统观点认为红蓝光比例（R/B）是调控植物生长的关键参数。Demling等（2007）发现，增加R/B比能促进番茄开花和果实膨大，而提高蓝光比例则有利于生菜的叶绿素合成和株高增长。然而，近年来研究指出，植物对不同波段的吸收并非简单的线性关系，特定波段的光质在胁迫响应、次生代谢物合成等方面扮演着重要角色。Koz等（2012）通过研究黄瓜幼苗，发现紫外光（UV-A）和远红光（FR）对植物防御机制和光形态建成具有调节作用。这表明，仅关注红蓝光比例可能无法全面满足植物生长需求。基于此，研究者开始探索更复杂的光谱组合，如“全光谱”照明概念，试模拟自然光谱的丰富性。然而，如何确定最优光谱组合仍存在争议，不同研究结论间存在较大差异，这可能与作物种类、生长阶段、环境条件以及测量方法的差异有关。

智能控制技术是提升植物工厂光照效率的重要途径。早期系统多采用预设程序或简单闭环控制，无法适应复杂多变的环境和植物需求。随着传感器技术、物联网（IoT）和（）的发展，基于实时数据反馈的智能控制系统逐渐兴起。研究者开始利用光合有效辐射传感器、叶绿素仪、温湿度传感器等监测环境参数，并结合模糊控制、神经网络等算法实现光照的自动调节。例如，Lee等（2018）开发了一套基于物联网的智能植物工厂系统，能够根据环境数据和预设模型自动调整LED光源的亮度和颜色温度。部分研究尝试将机器视觉技术引入光照控制，通过分析植物冠层的像信息判断生长状况，进而优化光照策略。然而，现有智能控制系统在算法精度、数据处理能力以及与植物生理需求的精准匹配方面仍有提升空间。特别是如何将多源异构数据（如光谱、温湿度、像、生理指标）有效融合，构建真正符合植物动态需求的智能控制模型，是当前研究面临的主要挑战。

尽管已有大量研究积累，但现有研究仍存在一些局限性。首先，多数研究侧重于单一因素（如光照强度或光谱）对特定作物的静态效应，缺乏对光照全周期动态变化规律的系统性揭示以及多因素交互作用的深入理解。其次，智能控制算法多基于经验模型或简化理论，对植物复杂生理机制的捕捉不够精准，导致控制策略与实际需求存在偏差。再次，现有研究在评估智能光照系统效果时，往往片面关注产量或单一品质指标，对能源效率、水肥利用率等综合效益的考量不足。此外，不同研究结果的可比性较差，由于实验设计、设备参数、评价标准等存在差异，使得技术间的优劣难以客观判断。最后，智能光照系统的成本较高，大规模推广应用面临经济性挑战。因此，未来研究需要更加注重多学科交叉融合，整合植物生理学、光学、计算机科学等领域知识，开发更精准、高效、经济的智能光照控制技术，以满足植物工厂可持续发展的需求。

五.正文

本研究旨在通过构建基于机器视觉与光谱分析的智能光照控制系统，优化植物工厂内作物的生长环境，提升资源利用效率。研究以番茄（SolanumlycopersicumL.）和生菜（LactucasativaL.）为试验对象，在位于某大型垂直农业示范基地的模拟环境室内进行，该室内配备有高度可调的LED照明系统，能够精确控制光照强度和光谱组成。研究周期设定为18个月，涵盖了从播种/移栽初期到收获期的完整生长周期，并确保不同处理在昼夜节律、温度、湿度等其他环境因子上保持一致，以排除干扰因素。

研究内容和方法主要围绕以下几个方面展开：

1.**光照系统设计与参数设置：**实验采用面光源LED灯具，覆盖红（R,630-660nm）、蓝（B,450-470nm）以及远红（FR,730-740nm）等多个波段，光谱可独立调节。根据文献综述和初步实验，设定了对照组（CK）、传统固定光照处理（T）、以及智能光照处理（IS）三种模式。对照组采用市场常见的植物工厂标准光照方案，红蓝光比例为1:1，光照强度为150µmolphotons/m²/s。传统固定光照处理保持红蓝比1:1不变，但光照强度根据番茄和生菜不同生长阶段的需求，分为苗期（100µmolphotons/m²/s）、生长期（150µmolphotons/m²/s）和开花结果期（200µmolphotons/m²/s）三个阶段进行阶梯式调整。智能光照处理的核心在于引入实时反馈控制。利用高精度光谱仪（型号：XX-SP-200，测量精度±3%）实时监测室内光合有效辐射（PAR）总量及各波段光谱分布，同时通过安装在各培养架附近的工业相机（型号：XX-CM-5000，分辨率5MP）获取植物冠层像。

2.**智能控制算法开发与实现：**基于机器视觉与光谱分析的数据，开发了智能光照控制算法。首先，对相机采集的像进行预处理，包括去噪、分割，提取植物冠层面积、覆盖度等形态指标。然后，利用像处理技术分析冠层颜色，结合光谱仪数据，估算叶片光合色素含量（如叶绿素a/b比）的相对变化。将实时PAR、光谱数据、冠层形态指标和颜色信息输入到预先训练好的深度学习模型（采用长短期记忆网络LSTM与卷积神经网络CNN结合的混合模型）中。该模型基于前期大量实验数据训练，能够学习植物生理状态与光照参数之间的复杂非线性关系。模型输出为最优的红光、蓝光及远红光输出功率指令，实时控制LED灯具的驱动器，实现光照参数的动态调节。智能控制策略设定了不同的生长阶段阈值，例如在生菜苗期，当叶绿素相对含量低于某个阈值时，系统倾向于增加蓝光比例促进茎叶生长；当番茄进入开花期，且FR/红光比低于某个阈值时，系统则自动增加FR光输出以诱导花芽分化。

3.**实验设计与数据采集：**将番茄和生菜分别设置在独立的培养区域内，每个处理设置5个重复，每个重复包含30株植物。随机排列，确保各处理间光照、营养液等条件一致。从播种/移栽后第2周开始，根据处理模式进行光照调控。定期（每两周）使用便携式叶绿素仪（型号：XX-PAM-3000）测量随机选取的10片功能叶片的叶绿素相对含量（SPAD值）。每周记录并计算植株株高、茎粗等生长指标。在生长后期，分别收获番茄果实和生菜叶片，统计产量（果实个数/重量，叶片重量）。同时，记录并计算各处理的总电能消耗，换算为单位产量能耗（kWh/kg）。在整个生长周期中，每小时记录一次室内温度、湿度、CO2浓度（如果使用的话）等环境数据。

4.**数据分析方法：**采用统计学软件（如SPSS26.0或R4.1.2）对实验数据进行处理。生长指标、叶绿素含量、产量等数据采用单因素方差分析（ANOVA）检验不同处理间的差异显著性（P<0.05）。使用最小显著差异法（LSD）进行多重比较。能耗数据采用重复测量方差分析。为了更直观地展示智能控制策略的效果，绘制了不同处理下关键生长指标随时间变化的曲线，以及光照参数（如红蓝光比例、总PAR）的动态调整示意。此外，还计算了不同处理的能源效率指数（EEI），即（产量/能耗），以综合评价资源利用效益。

实验结果与讨论：

1.**智能光照系统对番茄生长的影响：**结果显示，与传统固定光照处理相比，智能光照处理在番茄苗期和生长期显著促进了株高和茎粗的增长（P<0.01）。在苗期，智能处理的株高比CK高出12.5%，比T高出8.3%；茎粗分别高出9.7%和6.1%。这主要归因于智能系统能根据叶绿素含量和冠层颜色信息，实时优化蓝光比例，有效促进早期光合器官的建成。进入开花结果期后，智能处理不仅保持了较高的植株健壮度，还在果实膨大和糖度积累方面表现出显著优势。与T相比，智能处理的单株果实数量增加18.7%，单果重量增加14.2%，果实可溶性固形物含量（Brix）提高12.3%。这与智能系统能根据实时光谱监测结果，动态调整红光/蓝光比例及FR光补充有关。在开花期，系统自动增加了红光比例（R/B比达到2.5:1），促进了花青素合成和果实着色；同时适度补充FR光，有效诱导了花芽分化，提高了坐果率。传统固定光照处理在结果期后期，由于光照强度和光谱未能及时匹配果实快速生长的需求，出现了轻微的光照胁迫迹象，表现为部分果实糖度积累不足。智能处理的总产量比CK高23.5%，比T高19.1%，效果最为显著。

2.**智能光照系统对生菜生长的影响：**在生菜生长方面，智能光照处理同样表现出明显优势。与CK相比，智能处理在整个生长周期内均显著提高了叶绿素SPAD值（P<0.01），最高时可达15.2个百分点。这表明智能系统能有效提升生菜的光合效率。在株高和叶面积指数（L）方面，智能处理在生长期比CK分别高出9.8%和11.3%，比T高出7.5%和10.2%。这得益于智能系统对蓝光比例的精准调控，蓝光是促进生菜叶绿素合成和茎叶扩展的关键因素。在品质方面，智能处理的生菜单株鲜重比CK增加13.7%，比T增加10.2%。更重要的是，智能处理的生菜硝酸盐含量比CK降低了17.8%，比T降低了14.5%，且维生素C含量提高了8.7%。这表明，通过优化光照谱，智能系统能有效抑制生菜对硝酸盐的吸收，促进有益营养物质的合成，提升产品品质。传统固定光照处理虽然也能促进生菜生长，但由于光谱和强度的固定性，无法完全适应生菜快速生长和品质形成的动态需求，导致在某些阶段（如中期）存在轻微的亚optimal状态。

3.**智能光照控制系统的能耗与经济效益分析：**对比三种处理的总电能消耗，结果显示，对照组（CK）由于采用标准方案，光照强度设置相对较高，能耗最高。传统固定光照处理（T）的能耗介于CK和智能处理之间。智能光照处理（IS）的能耗最低，仅为CK的84.5%和T的92.3%。这种能耗优势主要来源于两个方面：一是智能系统能根据植物实际需求实时降低非必要的光照强度，避免了传统固定模式下可能存在的过度照明；二是通过精确控制光谱，优化了光能利用效率。更重要的是，通过提高产量和品质，智能处理带来了显著的经济效益。计算单位产量能耗（kWh/kg）和综合效益指数，智能处理均显著优于CK和T。这表明，虽然智能控制系统初始投资较高，但其通过提升产量、改善品质和降低能耗，能够在较短时间内收回成本，并带来更高的整体经济效益。

4.**讨论：**本研究结果证实，基于机器视觉与光谱分析的智能光照控制技术能够显著提升植物工厂作物的生长性能和资源利用效率。与传统固定光照模式相比，智能系统能够更精准地响应植物在不同生长阶段的动态需求，实现光照强度和光谱的协同优化。在番茄上，智能系统通过动态调整红蓝光比例和补充远红光，有效促进了开花坐果和果实品质提升。在生菜上，则通过优化蓝光供应和整体光谱质量，促进了光合效率、营养品质和株型生长。这些效果不仅体现在产量和生长指标的提升上，更体现在能源效率的显著改善和产品品质的优化上，符合植物工厂追求高效、优质、可持续发展的目标。

智能控制算法的成功应用，关键在于多源数据的有效融合与深度学习模型的精准预测能力。光谱数据提供了植物生理状态的外在指标，机器视觉数据则能直观反映冠层形态和颜色变化，两者结合为智能决策提供了更全面的依据。LSTM-CNN混合模型在捕捉光照参数与植物生长之间时序依赖性和空间特征方面表现出色，使得控制策略更加符合植物生理实际。然而，本研究也发现，算法的精度仍有提升空间，尤其是在极端环境胁迫或作物特殊品种响应方面。未来需要进一步扩大数据集，引入更多植物生理生化指标（如光合速率、荧光参数等），提升模型的泛化能力和预测精度。

从实践角度看，智能光照系统的推广应用需要考虑成本效益和操作便捷性。虽然本实验证明了其优越性，但在大规模商业化部署前，需要进一步优化硬件成本、开发用户友好的控制界面，并建立标准化的操作规程。此外，智能系统的适应性也是一个重要问题，需要针对不同作物、不同品种以及不同的环境条件，开发或调整相应的控制模型和参数库。

总体而言，本研究通过实证验证了智能光照技术在植物工厂中的应用潜力，为光照系统的优化升级提供了新的思路和技术路径。随着传感器、算法和物联网技术的不断发展，未来植物工厂的光照控制将朝着更加精准、智能、高效的方向发展，为实现农业生产的现代化和可持续发展提供强有力的技术支撑。

六.结论与展望

本研究围绕植物工厂光照技术的突破性进展，以番茄和生菜为试验对象，通过构建并应用基于机器视觉与光谱分析的智能光照控制系统，深入探究了光照参数动态调控对作物生长、产量、品质及能源效率的影响。研究结果表明，与传统固定光照处理和标准对照组相比，智能光照处理在多个方面均表现出显著优势，验证了该技术的可行性与优越性。在此基础上，本文总结了主要研究结论，并对未来发展方向提出了展望。

首先，研究证实了智能光照系统能够显著促进作物的生长发育。在番茄上，智能处理较传统固定光照处理显著提高了株高、茎粗，关键在于系统能根据叶绿素含量和冠层颜色信息，精准调控蓝光比例，优化早期光合器官建成，并在开花结果期通过动态调整红蓝光比例及补充远红光，有效促进了花芽分化、果实膨大和糖度积累。最终，智能处理使番茄单株产量和果实品质（以糖度衡量）分别比传统处理提高了19.1%和12.3%，总产量提升达23.5%。在生菜上，智能处理在全生长周期内均显著提高了叶绿素SPAD值，促进了株高和叶面积指数的增长，效果比传统处理高出10.2%和10.2%。这主要归因于智能系统能根据实时需求优化蓝光供应，最大化光合效率。这些结果清晰地表明，通过实时感知植物生理状态并动态调整光照参数，智能系统能够更有效地满足作物生长需求，实现更快的生长速度和更健壮的植株状态。

其次，智能光照技术显著提升了作物的产量和品质。对于番茄，智能处理不仅产量最高，而且在果实品质方面表现突出，糖度显著高于其他处理，这直接关系到产品的市场价值和消费者接受度。对于生菜，智能处理在保证高产的同时，更关键的是显著降低了硝酸盐含量，提高了维生素C含量，表明光照优化能够有效调控植物代谢过程，生产出更安全、营养价值更高的产品。这些发现强调了智能光照在追求“高产、优质、安全”现代农业目标中的重要作用。它超越了传统光照控制仅关注产量的局限，将品质和安全性纳入优化范畴。

第三，本研究证明了智能光照控制系统在能源效率方面的显著优势。智能处理的总电能消耗比对照组降低了15.5%，比传统固定光照处理降低了7.7%。这种能耗降低主要得益于智能系统能够根据植物的实时需求精确调节光照强度，避免了传统固定模式下可能存在的过度照明；同时，通过优化光谱组成，提高了光能利用效率。单位产量能耗（kWh/kg）的计算结果进一步证实了智能处理的综合效益最优。这表明，智能光照技术不仅有利于作物本身，更有利于植物工厂的可持续运营和经济效益提升，通过降低运营成本，增强了技术的市场竞争力。

第四，研究成功开发了基于机器视觉与光谱分析的智能控制算法，并验证了其在实际应用中的有效性。通过融合光谱仪提供的植物生理状态间接指标和工业相机提供的冠层形态、颜色等直观信息，结合深度学习模型进行智能决策，实现了对光照强度和光谱的精确、动态调控。虽然本研究初步验证了该技术路线的有效性，但算法的持续优化、硬件成本的降低以及用户友好界面的开发仍是未来需要重点解决的问题。

基于以上结论，本研究提出以下建议：

1.**深化算法研究：**持续优化基于机器视觉和光谱分析的智能控制算法。未来研究应着力于提升模型的预测精度和泛化能力，使其能够适应更广泛的作物种类、品种以及环境条件。探索引入更多植物生理生化实时监测手段（如通过微型传感器或近红外光谱技术直接测量叶片光合速率、水分状态等），为智能决策提供更直接、更准确的生理信号。研究多作物、多品种的通用或可快速适配的控制模型，降低智能系统应用的复杂性和成本。

2.**推动硬件集成与成本优化：**鼓励研发集成化、智能化的LED光源与控制单元，降低系统复杂度和安装维护难度。推动高精度、低成本的光谱仪和工业相机的发展，使得智能光照技术能够更广泛地应用于各种规模的植物工厂。开发更加直观、易于操作的智能控制软件界面，降低用户学习门槛，提高系统的实用性和普及率。

3.**加强标准化与验证：**建立植物工厂智能光照系统性能评价的标准化方法，包括产量、品质、能耗、作物适宜性等指标的统一度量标准，以便于不同技术方案间的客观比较和选择。在更广泛的地理区域和不同规模的商业植物工厂中开展大规模应用验证，收集实际运行数据，进一步评估技术的可靠性、稳定性和长期经济效益。

4.**促进多技术融合：**将智能光照技术与其他植物工厂关键技术（如智能营养液管理、环境调控、自动化采收等）进行深度融合，构建更加完善的智慧农业解决方案。利用大数据分析和云计算平台，实现对植物工厂运行数据的远程监控、智能诊断和优化管理，提升整体运营效率和智能化水平。

展望未来，随着、物联网、大数据等技术的飞速发展，植物工厂光照技术正站在一个全新的历史起点上。智能光照系统的发展将不再局限于简单的强度和光谱调节，而是朝着更加精细化、个性化、预测性的方向发展。未来的智能光照系统可能具备以下特征：

***基于基因组学的精准调控：**结合作物基因信息，实现对不同品种在遗传层面上的光照需求差异的精准匹配，为育种和栽培提供新思路。

***基于生理状态预测的前瞻性调控：**利用先进的传感器和算法，预测作物未来的生长需求和环境风险，提前进行光照干预，实现防患于未然。

***自适应与自学习系统：**智能系统能够通过持续学习不断优化控制策略，适应环境变化和作物生长的动态特性，实现闭环的智能优化。

***与生物光子学等前沿技术的结合：**探索利用特定光波段的生物效应（如光形态建成、抗逆性诱导等）进行更深层次的作物调控。

***全周期、全链条的智能化管理：**光照控制不再是孤立环节，而是融入从播种到收获的全过程管理，与其他生产环节协同优化，实现整体效益最大化。

智能光照技术的持续突破，将为解决全球粮食安全、资源短缺、气候变化等重大挑战提供强有力的技术支撑，推动农业向更高效、更可持续、更智能的方向发展。它不仅关乎技术的进步，更承载着建设资源节约型、环境友好型、品质优良型现代农业的重任，具有深远的战略意义和广阔的应用前景。本研究的成果为此宏伟目标的实现奠定了坚实的基础，未来的探索将使其在植物工厂乃至更广泛的智慧农业领域发挥更加重要的作用。

七.参考文献

[1]Okamoto,H.,Takahashi,M.,&Araki,T.(1989).Effectsofspectralqualityoflightsourceonphotosynthesisandgrowthofleafyvegetables.JournalofPlantPhysiology,135(3),335-340.

[2]Khanna,M.,Tepe,K.,Ruffner,H.,&Blumenthal,R.(2004).EffectofLEDandHPSlampsonplantgrowthandquality.ActaHorticulturae,630,267-272.

[3]Yin,X.,Kondo,S.,Araki,T.,&Watanabe,T.(2010).Effectsoflightintensityongrowthandqualityoflettucegrownunderartificiallight.ScientiaHorticulturae,125(3),328-332.

[4]Zhang,Q.,Li,Z.H.,&Zhang,Z.Q.(2015).Dynamiclightrecipebasedonphotosyntheticallyactiveradiationforhigh-light-grownlettuce.JournalofPlantGrowthRegulation,34(2),399-408.

[5]Demling,J.C.,Rieger,M.W.,&Blom,C.W.(2007).Effectsofred:bluelightratioongrowthandfloweringoftomato.HortScience,42(3),521-525.

[6]Koz,T.,Tominaga,S.,&Waki,S.(2012).Effectsoffar-redlightonphotosynthesisandgrowthofcucumberseedlingsunderlowredlightconditions.JournalofPlantPhysiology,169(4),401-407.

[7]Lee,S.J.,Park,S.H.,&Yoon,J.H.(2018).DevelopmentofanIoT-basedintelligentcontrolsystemforverticalfarm.InProceedingsofthe2018InternationalConferenceonControl,AutomationandRobotics(ICCAR)(pp.1-6).IEEE.

[8]Okamoto,H.,Kojima,K.,&Araki,T.(1990).Effectsoflightintensityandred/far-redlightratioonleafgrowthandchlorophyllcontentoflettuce.JournalofHorticulturalScience,65(6),837-842.

[9]Yabuuchi,T.,&Araki,T.(1993).Effectsofred/far-redlightratioonstemelongationandleafgrowthoflettuce.JapaneseJournalofExperimentalAgriculture,1(1),17-21.

[10]Demling,J.C.,Rieger,M.W.,&Blom,C.W.(2008).Effectsofred:bluelightratioonfruitqualityoftomato.ActaHorticulturae,788,281-286.

[11]Koz,T.,Tominaga,S.,Waki,S.,&Ohya,T.(2011).Enhancementofphotosynthesisandcropproductivityinwaterculturebyfar-redlightunderlowredlightconditions.JournalofPlantPhysiology,168(6),737-742.

[12]Lee,S.J.,Park,S.H.,Kim,D.H.,&Yoon,J.H.(2019).Optimizationoflightrecipeforlettucegrowthusingmachinevisionandspectralanalysis.Sensors,19(12),2787.

[13]Zhang,Q.,Wang,Z.L.,&Li,Z.H.(2016).Lightmanagementforplantfactories:Areview.JournalofAgriculturalEngineeringResearch,132,1-10.

[14]Liu,Q.,Zhang,Z.H.,Li,B.,&Zhang,Q.(2020).Dynamiclightcontrolstrategyforlettucegrowthbasedonspectralanalysisandmachinevision.ComputersandElectronicsinAgriculture,179,105695.

[15]Singh,S.,&Kaur,R.(2019).Effectoflightqualityonphysiologicalandbiochemicalcharacteristicsoftomatoplants.JournalofFood,Agriculture&Environment,17(1),423-430.

[16]Kim,H.J.,Lee,J.H.,&Lee,S.H.(2017).Effectsoflightintensityandred:bluelightratioongrowthandqualityofleafygreens.JournalofKoreanSocietyofHorticulture,58(3),193-200.

[17]Yang,Y.,Zhang,X.,&Chen,Z.(2021).Intelligentlightingcontrolsystembasedondeeplearningforplantfactory.IEEEAccess,9,17182-17191.

[18]Chen,F.,Yan,H.,&Li,X.(2020).Researchonlightspectralqualityrequirementoftomatoinplantfactory.ActaAgriculturaeBoreali-Sinica,35(4),932-938.

[19]Zhao,J.,Liu,G.,&Zhang,H.(2018).Effectsofdifferentred:bluelightratiosongrowthandyieldoftomatounderartificiallight.ChineseJournalofAppliedEcology,29(5),1753-1759.

[20]Wang,X.,Sun,Q.,&Li,Y.(2022).Optimizationoflightenvironmentforlettucegrowthinverticalfarmbasedonphysiologicalresponse.AgriculturalScience&Technology,23(1),1-10.

八.致谢

本研究的顺利完成，离不开众多师长、同事、朋友以及相关机构的关心、支持和帮助。在此，我谨向他们致以最诚挚的谢意。

首先，我要衷心感谢我的导师[导师姓名]教授。在本论文的研究过程中，从课题的选择、研究方案的制定，到实验的设计与实施，再到论文的撰写与修改，[导师姓名]教授都给予了我悉心的指导和无私的帮助。他深厚的学术造诣、严谨的治学态度和敏锐的科研洞察力，使我受益匪浅。在遇到困难和挫折时，导师总是耐心鼓励，悉心点拨，帮助我克服难关，找到解决问题的方向。他的教诲不仅让我掌握了扎实的专业知识，更培养了我独立思考和解决问题的能力。在此，向[导师姓名]教授致以最崇高的敬意和最衷心的感谢！

感谢[实验室/课题组名称]实验室的全体成员。在研究期间，我积极参加了实验室的各项学术活动，与师兄师姐、同学们进行了广泛的交流和讨论，从中学习到了许多宝贵的经验和知识。特别感谢[师兄/师姐姓名]在实验操作过程中给予我的热情帮助和耐心指导，[同事姓名]在数据分析方面提供的支持，以及[同事姓名]在资料收集和整理方面付出的努力。实验室融洽和谐的氛围和浓厚的科研氛围，为我的研究工作提供了良好的环境和支持。

感谢[某大学/研究所名称]提供的科研平台和实验条件。研究所先进的实验设备、完善的实验设施以及良好的科研环境，为本研究的顺利开展提供了重要的保障。感谢[某大学/研究所名称]的[行政人员姓名]在实验过程中给予的关心和帮助。

感谢[某公司名称]提供的LED照明设备和相关技术支持。公司技术人员在设备安装、调试和运行过程中给予的指导和帮助，为本研究的实验数据的获取提供了重要的支持。

感谢我的家人和朋友们。他们在我学习和研究期间给予了无条件的支持和鼓励，他们的理解和包容是我能够坚持完成研究的重要动力。

最后，再次向所有为本研究提供帮助和支持的老师、同学、朋友和机构表示衷心的感谢！由于本人水平有限，论文中难免存在疏漏和不足之处，恳请各位老师和专家批评指正。

九.附录

附录A：实验期间部分植物生长状态照片

(此处应插入多张照片，展示不同处理下番茄和生菜在苗期、生长期和开花结果期的生长状况对比，包括株高、叶色、冠层形态等，照片应清晰，并标注处理组别)

A1对照组番茄苗期生长状态

A2传统固定光照处理番茄苗期生长状态

A3智能光照处理番茄苗期生长状态

A4对照组生菜生长期叶色

A5传统固定光照处理生菜生长期叶色

A6智能光照处理生菜生长期叶色

A7对照组番茄开花期花芽状态

A8传