论文部分内容阅读
植物在外界环境作用下会做出不同的反应,即可塑性。植物的可塑性表现在能够改变自身的结构和功能,以适应环境的变化。此外,农学上开展了作物“理想株型”的研究,以株型改良为目标,希望作物具有高产、抗倒伏等优良性状。通过计算机模拟植物的生理生态过程以及与环境的交互作用,来理解可塑性生长行为的内在机理,同时也为株型设计提供量化参考依据,具有十分重要的意义。 在此背景下,植物功能结构模型应运而生。它将农学、植物学、林学、计算机图形学、数学、计算机应用等多学科、多平台交叉融合,目的是使得人们能够理解自然、解释现象、发现规律、预测产量,因此近些年来逐渐成为了人们探索植物的新手段。本文的目标是通过基于植物功能结构模型的虚拟植物生长平台,开展以真实植物为参考的计算实验。从而在模型化认知或刻画植物生长规律的同时,实现省时、省力、节省资源等计算实验的优点。本论文基于植物功能结构模型GreenLab,针对植物生长中两个重要的外界环境因素“力学”和“光照”开展研究,分别开发了力学计算模块、光分布模块。在此基础上,从光对光合产量和芽的生长两方面影响来考虑,模拟植物在光环境下的生长行为。另外,从优化模型内在参数的角度来计算植物的适宜形态结构,以达到适应环境或最大化产量的目的。本文的问题以及主要贡献如下: 1)植物的生物力学模型与功能结构模型的结合。植物在生长过程中受到各种内部和外部压力的作用,如细胞之间的作用力、重力、外界的风力或其它的机械刺激等,模拟这些压力对植物结构的影响对于研究植物的形态具有重要意义。目前,树木枝条的形态模拟主要采用的是从计算机图形学角度考虑,大多没有和植物生长过程联系起来。而对于作物的力学分析,大多是分析某一结构下的应力和应变关系,没有与植物动态的结构变化结合起来。因此本文针对具有不同材料属性和结构的树木和作物,一方面将基于植物生理的生物力学模型与功能结构模型相结合,模拟在树木连续动态的生长过程中,枝条在力的作用下的形变过程;另一方面,结合有限元分析模型和文献中的田间实验数据,分析比较不同品种、不同结构的水稻的受力情况。将有限元分析模型与功能结构模型相结合,通过调整模型参数得到不同表型的植株结构,分析了结构与倒伏之间的关系,开展计算实验。 2)基于精确冠层光分布和器官光合模型的树木可塑性生长模拟。植物在光环境下的生长模拟一直是研究的热点。有些研究的对象主要是作物,而对于结构较为复杂、器官数量较多的树木,目前的研究主要集中在计算机图形学和农学两个领域。前者关注的重点在于树木在光环境下的自然形态,对光照模型往往做简化处理,并且将植物看作一个“黑箱”,不考虑在光环境下植物内在的生理过程,即重“结构”轻“功能”。后者主要研究植被中的光辐射传输,往往将植物冠层考虑成均匀的介质或者是简化植物形态结构,不能反映植物在光环境下的形态变化,即重“功能”轻“结构”。另外,光可以影响植物内部生物量以及在外部直接光刺激下改变植物芽的萌发,从这两方面考虑的研究较少。再者,在估算个体器官上的光强时,成年树木叶片的尺寸相对于整个场景而言往往很小,出于对算法稳定性的考虑,要么采用投入巨量的采样光线的蒙特卡洛方法,要么采用辐射度方法。因此算法的效率也是一个需要考虑的问题。 针对上面存在的问题,本研究采用改进的Photon Mapping算法,精细模拟了树木冠层的光分布。该方法具有算法稳定性和算法精度高的优点,而且能从实际冠层结构考虑,得到器官水平的冠层内的光强分布,为精确评估冠层结构和冠层光辐射之间的关系打下了一个良好的基础;此外,结合叶片的光合作用模型,汇总得到了整株树木的光合产量。相比较于传统的Beer-Law方法,两者的结果一致。但是本方法是基于物理和生物化学的模型,更具有机理性;再者,相比较于其它方法,本方法从内外两方面模拟了植物在光环境下的可塑性生长现象,结果逼真,构成得到了植物—光双重反馈系统。 3)优化问题研究。本研究中的优化问题从两方面考虑。一方面,植物对于自然环境的改变展现出自适应的能力,表现出一定的智能行为。本文基于这种优化行为的假设,从植物自身优化的角度出发,模拟了树木在外界风力作用下的生物量、树高、叶面积等生理和形态的变化,即“Thigmomorphogenesis”现象(中文译为“触形反应”)。另一方面,为了给理想株型设计提供量化的依据,从人为优化设计株型的角度出发,针对抗倒伏作物的理想株型问题,以水稻为研究对象,提出了一种基于模型开展计算实验的研究方法,研究抗倒伏约束下水稻稻杆的高度、产量的优化问题。 4)多模型的融合。将植物功能结构模型、树木的生物力学计算模型、作物的有限元分析模型、风力模型、精确冠层光分布模型、器官光合产量模型、植物生长参数优化模块集成到一个系统中。可以模拟植物在重力和风力作用下、在不同光照环境中逼真的结构形态以及复杂的生长行为。目前虚拟植物的研究由于计算效率方面的约束,多数无法实现多因素的动态考察模型。我们在实现模型融合的同时,利用了GPU的高性能计算能力,对模型的部分模块进行了改进,计算效率比原有系统提高了约170倍。