园艺学的系统论框架与精控栽培范式

引论：为何精控栽培必须以系统科学为基础

精控栽培（Precision Cultivation, PC）并不是"更精细地浇水施肥"这种线性思维的延伸，而是把园艺生产视为一个跨尺度、跨介质、强耦合的复杂适应系统（Complex Adaptive System, CAS），并在此基础上进行可量化、可调控的工程化设计。过去三十年中，无论是荷兰设施园艺（Dutch greenhouse horticulture）所代表的大型封闭系统，还是都市农业（urban agriculture）所代表的小型分散系统，都共同面临一个根本性挑战：当系统的输入端与输出端被同时压缩到米级甚至亚米级空间时，传统经验式的"看天吃饭"决策范式已无法支撑稳定的产量与品质预测。本章要解决的核心命题是：精控栽培如何被建模为一个可量化、可调控的复杂适应系统？围绕这一命题，本章将依次完成四项工作——界定精控栽培的概念边界、构建土壤-植物-大气连续体（Soil-Plant-Atmosphere Continuum, SPAC）的多尺度耦合方程组、引入反馈控制论与效率指标体系、并以一个上海阳台叶菜系统作为完整案例进行 12 周生长模拟与基线效率矩阵的量化呈现。

1.1 精控栽培的概念边界与研究对象

精控栽培的概念源自精细农业（Precision Agriculture, PA），但两者在研究对象上存在根本差异。精细农业以田间尺度（field scale）的同质化作物群体为目标，主要处理空间异质性（spatial heterogeneity）下的差异化作业问题；精控栽培则以受控环境或半受控环境下的异质化栽培单元为对象，核心议题是多变量耦合下的状态可控性（state controllability）与过程可重复性（process reproducibility）。因此，精控栽培的研究对象应当被重新定义为：在给定边界条件下，通过对 SPAC 内可测变量的连续感知、模型推演与执行器反馈，使栽培系统的目标输出（生物量、品质、资源消耗）维持在期望区间内的工程化园艺系统。

从工程学的视角看，精控栽培的研究对象具备四个不可省略的边界特征。第一，跨介质耦合：系统跨越固相（基质/土壤）、液相（营养液/土壤水）、气相（冠层/大气）三种介质，任意一种介质内的状态变量变化都会通过传质、传热、信号传导等路径传导到其余两相。第二，时变非线性：植物本身的生长过程是一个典型的非线性时变系统，叶面积指数（Leaf Area Index, LAI）、光合速率（Pn）、蒸腾速率（Tr）随发育阶段（phenological stage）连续变化，传统的稳态假设不再成立。第三，多尺度嵌套：阳台（10⁰ m）、庭院（10¹ m）、设施（10² m）、景观（10³ m）四个尺度上的状态变量并不直接对应，跨尺度传递时必须显式处理重标度（rescaling）问题。第四，人-机-植物三元耦合：栽培者作为决策主体，与传感器、执行器、植物共同构成一个包含判断延迟与认知偏差的反馈回路，这一点在城市园艺中尤为突出。

基于上述边界特征，本书将精控栽培的研究对象明确为：在 SPAC 框架下，对光、温、水、气、肥五个外部驱动变量进行可测、可推、可控的多目标优化园艺系统。这一界定有三个关键后果——首先，单纯依靠经验而不具备可测性的系统不属于本书讨论范围；其次，单纯追求单目标（例如最高产量）而忽略资源效率与劳动生产率的系统也不属于精控栽培；最后，本书中的"精控"并不等价于"高自动化"，缺乏传感与反馈的人工系统同样可以纳入精控框架，只要其决策逻辑可被显式建模为可重复的规则或算法。

1.2 SPAC 连续体的多尺度耦合方程组

SPAC 概念最早由 Philip（1966）提出，原本用于描述田间水分从土壤经植物到大气的连续传输过程。在精控栽培语境下，SPAC 必须被扩展为包含能量、物质、信号三类通量的通用耦合框架。本节给出这一框架的核心方程组，作为后续所有章节的数学基础。

1.2.1 能量通量方程

在冠层尺度上，能量平衡可以写为：

$$R_n = H + \lambda E + G + S_{canopy}$$

其中 $R_n$ 为净辐射（W·m⁻²），$H$ 为显热通量，$\lambda E$ 为潜热通量（$\lambda$ 为汽化潜热，$E$ 为蒸腾速率），$G$ 为基质热通量，$S_{canopy}$ 为冠层热储存项。在受控环境下，$R_n$、$H$、$G$ 三项可以通过遮阳、通风、地暖等手段主动调节，因此能量方程实际上是系统的一个可调约束而非固定边界。精控系统的首要任务之一，是将 $R_n$ 与 $\lambda E$ 的比例维持在作物最优区间，即在保证冠层温度不超出胁迫阈值的前提下最大化蒸腾冷却的利用。

1.2.2 物质通量方程

水分通量沿 SPAC 的传输可以表达为水势梯度的线性函数：

$$q_w = -K(\Psi) \frac{d\Psi}{dz}$$

其中 $q_w$ 为水流通量密度（kg·m⁻²·s⁻¹），$K(\Psi)$ 为水力导度（hydraulic conductivity），$\Psi$ 为水势（MPa），$z$ 为沿 SPAC 的路径坐标。在精控栽培中，$K(\Psi)$ 的取值通常在 10⁻⁸ – 10⁻⁵ kg·m⁻²·s⁻¹·MPa⁻¹ 区间，取决于基质类型、根系密度与水通道蛋白活性。值得注意的是，植物对水势差的响应是非线性的，当叶水势 $\Psi_{leaf}$ 低于 −1.5 MPa 时，气孔导度（stomatal conductance, $g_s$）会急剧下降，从而同时抑制光合与蒸腾，这一阈值在精控系统中应作为水分亏缺的关键报警线。

养分通量则需要耦合对流-扩散-吸附三过程：

$$J_{ion} = -D_e \frac{\partial C}{\partial z} + v C - \rho_b \frac{\partial S}{\partial t}$$

其中 $J_{ion}$ 为离子通量（mmol·m⁻²·s⁻¹），$D_e$ 为有效扩散系数，$C$ 为液相浓度，$v$ 为对流速度，$\rho_b$ 为基质容重，$S$ 为吸附态浓度。该方程在精控栽培中的特殊意义在于：当基质含水量下降到一定阈值时，$v$ 趋近于零，养分传输从对流主导退化为扩散主导，效率下降可达一个数量级。这一现象解释了为什么在基质培中，频繁小量灌溉（high-frequency low-volume irrigation）的氮素利用效率显著高于每日一次的大量灌溉。

1.2.3 状态变量与输入参数的层级划分

为后续控制论分析奠定基础，将 SPAC 系统的状态变量分为三层：

| 层级 | 代表状态变量 | 时空尺度 | 典型传感器 | |------|-------------|---------|-----------| | 边界层 | $T_{air}$, $RH$, $C_a$, $R_n$ | 秒 – 分钟 / 米 | 温湿度计、CO₂ 传感器、光合有效辐射计 | | 冠层 | $T_{leaf}$, $g_s$, $Pn$, $LAI$ | 分钟 – 小时 / 分米 | 红外测温、便携式光合仪、图像 LAI 估计 | | 基质/根区 | $\theta$, $EC$, $pH$, $DO$ | 小时 – 天 / 厘米 | TDR 水分计、电导电极、pH 电极、溶解氧探头 |

输入参数则可分为可控输入（灌溉量、营养液 EC、光照强度、通风量）与不可控输入（外界气温、太阳辐射、降雨）两类。精控系统的本质，就是在不可控输入扰动下，通过调节可控输入使状态变量维持在期望轨迹上。

1.3 层次涌现理论与园艺系统的边界设定

精控栽培面临的尺度跨度极大，从单叶（10⁻² m）到景观（10³ m）跨越了五个数量级。在这一尺度跨度下，简单的"自下而上叠加"或"自上而下分解"都无法正确描述系统行为。本节引入层次涌现理论（Hierarchical Emergence Theory）作为尺度跃迁的分析工具。

层次涌现理论的核心命题是：高层级行为不能被低层级行为简单加和预测，但高层级行为又受低层级规律的严格约束。在 SPAC 系统中，这一命题具体表现为：单叶光合速率的提升并不自动带来冠层总光合的等比例提升——当 LAI 超过 3 以后，冠层下部的叶片由于光截获不足，其光合速率可能低于补偿点，反而成为"汇"而非"源"。这一现象在精控栽培中具有直接的工程意义：在高密度栽培系统中，盲目增加植株数量并不一定提高系统总产出，必须通过株型调控（如叶菜的打叶、果菜的整枝）来优化 LAI 的垂直分布。

园艺系统的边界设定是层次涌现理论的工程化应用。系统的边界由三组规则决定——物理边界（容器壁、温室围护结构、土壤剖面）、功能边界（光合有效截获面、根系吸收面）、信息边界（传感器的感知范围、控制器的决策范围）。三组边界通常并不重合，例如一个阳台栽培箱的物理边界是箱体外壁，但其功能边界受冠层扩展范围影响，而信息边界则取决于传感器的部署位置与数量。精控系统设计的第一项工作，就是显式标注这三组边界并分析其耦合关系。

在四个目标尺度上，状态变量的代表项存在显著差异：

• **阳台尺度（10⁰ m）**：核心状态变量为 $\theta$、$EC$、$T_{leaf}$，反馈周期为分钟级；
• **庭院尺度（10¹ m）**：核心状态变量扩展为 $T_{air}$、$RH$、$LAI$，反馈周期上升至小时级；
• **设施尺度（10² m）**：核心状态变量进一步包含 $C_a$、$R_n$、$S_{canopy}$，反馈周期为小时至日级；
• **景观尺度（10³ m）**：核心状态变量转向群落结构、土壤碳库、生物多样性指数，反馈周期为周至年级。

尺度跃迁时，并不是低层级的所有状态变量都消失，而是其角色从控制对象转变为控制参数。例如，在阳台尺度上 $T_{leaf}$ 是被控对象，在庭院尺度上 $T_{leaf}$ 成为 $T_{air}$ 调控的参考输入，在景观尺度上 $T_{air}$ 本身成为气候模型的输出参数。这种角色转换是尺度跃迁分析的关键，1.6 节将专门讨论状态重标度问题。

1.4 反馈控制论在栽培回路中的应用

精控栽培系统的核心是反馈控制（feedback control）。本节将栽培回路与工程控制论中的 PID 控制器（Proportional-Integral-Derivative Controller）建立类比，为后续章节的算法设计提供共同语言。

一个典型的栽培反馈回路包含四个环节：传感器（sensor）→ 控制器（controller）→ 执行器（actuator）→ 植物-环境对象（plant-environment object, PEO）→ 传感器。其中 PEO 扮演了被控对象（controlled plant）的角色，其状态由 SPAC 方程组描述。控制器根据传感器读数与设定值（setpoint）之间的偏差 $e(t) = y_{sp} - y(t)$ 计算控制信号 $u(t)$，驱动执行器完成调节动作。

PID 控制的离散形式为：

$$u(t_k) = K_p e(t_k) + K_i \sum_{j=0}^{k} e(t_j) \Delta t + K_d \frac{e(t_k) - e(t_{k-1})}{\Delta t}$$

其中 $K_p$ 为比例增益，$K_i$ 为积分增益，$K_d$ 为微分增益，$\Delta t$ 为控制周期。在精控栽培中，这三项增益具有明确的物理对应：$K_p$ 对应对当前偏差的即时响应（例如发现基质含水量低于阈值后立即加大灌溉量），$K_i$ 对应对累积偏差的修正（例如 EC 在一周内的累积漂移），$K_d$ 对应对变化趋势的预测（例如根据蒸腾速率上升斜率提前加大通风以防止冠层过热）。

在精控栽培实践中，PID 控制器需要根据对象的动态特性进行调参。一个常用的调参起点是 Ziegler-Nichols 阶跃响应法：对系统施加阶跃扰动（例如突然加大灌溉量），记录被控变量的响应曲线，由曲线的滞后时间 $L$ 与上升时间 $T$ 估算 $K_p = 0.9T/L$、$K_i = L/0.3$、$K_d = 0.3L$。但由于植物生长是一个时变系统，PID 参数应随发育阶段动态更新——在育苗期（高 LAI 增长率、高 Pn），可调高 $K_p$ 与 $K_d$ 以获得快速响应；在成熟期（LAI 稳定、Pn 平台），应增大 $K_i$ 比重以消除稳态误差。

需要强调的是，并非所有栽培变量都适合用 PID 控制。基质含水量、EC、pH 等响应速度快的变量适合 PID；而生物量、品质等响应速度慢、滞后大的变量更适合采用模型预测控制（Model Predictive Control, MPC）或自适应控制（adaptive control）。本书第 6 章将专门讨论 MPC 在精控栽培中的实现路径。

1.5 关键效率指标的定义与计算

为了使不同尺度、不同类型的精控栽培系统具有可比性，必须建立统一的效率指标体系。本节定义四个核心指标——光能利用率、氮素利用效率、水分利用效率、劳动生产率——作为全书的量化基线。

1.5.1 光能利用率 LUE

光能利用率（Light Use Efficiency, LUE）定义为地上部干物质中的化学能累积与光合有效辐射（Photosynthetically Active Radiation, PAR）截获量之比：

$$\text{LUE} = \frac{Y_{dry} \cdot H_c}{\sum_{t} \text{PAR}_{int}(t) \cdot \Delta t}$$

其中 $Y_{dry}$ 为单位面积干物质产量（kg·m⁻²），$H_c$ 为干物质热值（typical $H_c = 17 \text{ MJ·kg}^{-1}$），$\text{PAR}_{int}(t)$ 为冠层 PAR 截获量（μmol·m⁻²·s⁻¹ 或 W·m⁻²）。精控叶菜系统的 LUE 基线值约为 0.8%–1.5%，而设施果菜（如番茄）的 LUE 可达 2.5%–3.5%，理论上限约为 5%。LUE 是衡量光能转化为可收获产品效率的核心指标，但需要注意"收获指数（harvest index）"对 LUE 的影响——叶菜几乎全部收获营养器官，LUE 接近真实光合效率；果菜则需要将同化产物分配到果实，收获指数约为 0.5–0.7。

1.5.2 水分利用效率 WUE

水分利用效率（Water Use Efficiency, WUE）有多种定义方式，本书采用作物水平 WUE，即单位耗水量的可食产量：

$$\text{WUE} = \frac{Y_{edible}}{ET_c + I_{loss}}$$

其中 $Y_{edible}$ 为可食部分鲜重（kg），$ET_c$ 为作物蒸散量（mm 或 L），$I_{loss}$ 为灌溉与输送过程中的损失。精控叶菜系统的 WUE 基线约为 8–12 g·L⁻¹，设施果菜可达 15–25 g·L⁻¹，而露地蔬菜仅为 3–6 g·L⁻¹。提升 WUE 的关键不是减少灌溉量，而是提高每一次灌溉的"产出转化效率"——精控系统通过实时匹配作物需水，使无效蒸发与深层渗漏降到最低。

1.5.3 氮素利用效率 NUE

氮素利用效率（Nitrogen Use Efficiency, NUE）有多种分解方式，本书采用三因子分解（NUE = NUpE × NUtE × NHI）：

• **NUpE**（Nitrogen Uptake Efficiency, 吸收效率）= 作物吸收氮量 / 供氮量
• **NUtE**（Nitrogen Utilization Efficiency, 利用效率）= 单位吸收氮的产量
• **NHI**（Nitrogen Harvest Index, 收获指数）= 可食部分氮量 / 总吸收氮量

$$\text{NUE} = \text{NUpE} \times \text{NUtE} \times \text{NHI}$$

NUE 的基线值在精控系统中约为 0.4–0.6（40%–60%），而露地系统通常仅为 0.2–0.35。提升 NUE 的关键在于"按需供氮"——通过实时监测基质 EC 与叶绿素含量（SPAD 值），将供氮量与作物实际需求匹配，避免奢侈吸收（luxury uptake）与淋失。

1.5.4 劳动生产率

劳动生产率（Labor Productivity, LP）定义为可食产量与投入工时之比：

$$\text{LP} = \frac{Y_{edible}}{H_{labor}}$$

其中 $H_{labor}$ 为单位面积或单位产量的工时投入（h）。精控阳台系统的 LP 基线约为 2–4 kg·h⁻¹，设施果菜系统可达 20–40 kg·h⁻¹（高度自动化情况下）。LP 是精控系统经济可行性的决定性指标——即使 LUE、WUE、NUE 均达到最优，若 LP 过低，系统仍无法实现商业可持续性。

四个效率指标在精控栽培中存在耦合与权衡（trade-off）关系：过高的 LUE 可能要求更密植，进而降低 WUE；过高的 NUE 可能要求频繁小量施肥，进而提高 LP 的负担；过高的 LP 可能要求高度自动化，进而推高初期投资。精控系统的优化目标是在多目标 Pareto 前沿上寻找最优点，本书第 11 章将专门讨论多目标优化方法。

1.6 尺度跃迁与状态重标度

尺度跃迁（scale transition）是精控栽培区别于传统园艺的核心难题之一。当系统从阳台尺度跃迁到庭院、设施、景观尺度时，原有的状态变量集合、控制信号集合、反馈周期都会发生变化。本节讨论尺度跃迁时的两类核心操作——状态变量保持与状态重标度。

1.6.1 状态变量保持

状态变量保持指的是哪些低层级变量在高层级仍然作为可测、可控的状态变量存在。一般而言，物理化学性质稳定的变量（如基质 EC、pH、$\theta$）在所有尺度上都保持；生物学性质的变量（如 LAI、Pn）则随尺度变化而变化。例如，在阳台尺度上 $T_{leaf}$ 是核心控制对象，但在景观尺度上，$T_{leaf}$ 难以逐株测量，必须用冠层平均温度 $\bar{T}_{canopy}$ 替代，这本身就是一次重标度操作。

1.6.2 状态重标度

状态重标度（state rescaling）包含三种典型操作：

• **空间平均**：将单点测量值扩展为面平均值，例如用单叶 Pn 与 LAI 估算冠层总光合 $A_c = \sum_i Pn_i \cdot L_i$；
• **时间积分**：将高频瞬时值扩展为日