秋季温室番茄环境因子变化规律研究—基于无线传感网络

环境因子是制约蔬菜产量与品质的关键因素。为了精准指导温室番茄生产管理、探索环境因子变化对其影响,利用无线传感网络(Wireless Sensor Network,WSN)采集了连栋温室番茄在不同生育期、高度、位置下环境因子数据。数据分析发现:不同发育期温湿度变化范围不同,光照强度减弱,光照时间减少,二氧化碳浓度变化延迟;白天,冠层的温度、光照强度比其他高度的大,湿度比其他高度的低,中间层与根部接近,夜间3个高度环境因子相近;不同位置温度由南向北、湿度由北向南呈高到低之势,光照强度和二氧化碳浓度最大差值分别为6 562.5 lux及9 3.7 6×1 0-6。测试结果表明:WSN可为番茄连栋温室环境调控提供参考和决策支持。     

基于LSTM的温室番茄蒸腾量预测模型研究

作物蒸腾量是指导作物灌溉关键参数之一,实时获取作物蒸腾量,实现按需灌溉是节约用水的有效途径。然而,温室内小气候效应显著,作物蒸腾与环境因子间关系较为复杂,且各环境因子之间相互关联并呈非线性变化。本文以番茄作为研究对象,使用称量法测量作物实时蒸腾量,通过布设传感器实时获取温室小气候数据,包括空气温度(Air temperature, AT)、相对湿度(Relative humidity, RH)、光照强度(Light intensity, LI)作为模型的小气候环境输入,冠层相对叶面积指数(Relative leaf area index,RLAI)作为模型的作物生长输入,在此基础上,提出了基于长短期记忆网络(Long short term memory, LSTM)的番茄蒸腾量预测模型。利用该模型对番茄蒸腾量进行预测,并与非线性自回归(Nonlinear autoregressive with exogeneous inputs, NARX)神经网络、Elman神经网络、循环神经网络(Recurrent neural network, RNN)模型进行了对比。试验结果表明,LSTM预测模型决定系数(Determination coefficient, R2)与平均绝对误差(Mean absolute error, MAE)分别为0.9925和4.53g,与NARX神经网络、Elman神经网络、RNN方法进行对比,其决定系数分别提高了8.97%、1.18%和0.82%,其平均绝对误差分别降低了8.16、6.23、0.52g。本研究所提的预测模型具有较高的预测精度及泛化性能,研究成果可为温室作物需水规律及需水量研究提供参考。     

蛋鸡设施养殖环境质量评价预测模型构建方法及性能测试

蛋鸡设施养殖环境质量对蛋鸡的健康生长和生产性能的提升至关重要。蛋鸡养殖环境是多环境因子相互影响制约的复杂非线性系统，凭借单一的养殖环境参数难以对环境质量做出准确有效的评价。针对上述问题，本研究综合蛋鸡设施养殖环境的温度、湿度、光照强度、氨气浓度等多个环境影响因子，在布谷鸟搜索算法优化神经网络（CS-BP）预测模型的基础上，构建了改进的CS-BP的蛋鸡设施养殖环境质量评价预测模型。将构建的改进CS-BP预测模型与BP神经网络、遗传算法优化BP神经网络（GA-BP）、粒子群算法优化BP神经网络（PSO-BP）3种深度学习方法进行性能参数分析比对，结果表明：改进CS-BP评价预测模型的平均绝对误差（MAE）、平均相对误差（MAPE）和决定系数（R²）分别为0.0865、0.0159和0.8569，其各项指标性能均优于上述3种对比模型，该模型具有较强的模型泛化能力和较高的预测精度。对改进CS-BP的蛋鸡设施养殖环境质量评价模型进行测试，其分类准确率达0.9333以上。本研究构建的模型可以为蛋鸡设施养殖环境质量提供更加全面有效的科学评价，对实现蛋鸡生产环境的最优控制，促进蛋鸡生产性能的提升具有重要意义。     

基于模糊神经网络的温室温湿度智能控制系统研究

针对温室非线性、时变性、延时性、多变量耦合等问题,对温度、湿度、光照强度和CO2浓度等环境因子进行分析,把模糊推理运用到温室环境控制系统,利用专家经验和知识行为转化为相应的模糊控制规则;结合神经网络控制理论,以温度和湿度作为主要控制变量设计模糊神经网络控制系统。仿真结果表明,该系统响应速度快,抗干扰能力强,对温室环境中温湿度有较好的控制效果,可为智能温室自动控制系统设计提供一定参考。     

单栋塑料温室内多因子综合CFD稳态模拟分析

为分析单栋塑料温室内的综合环境:气流场、温度场、湿度场、CO2浓度场,建立了包括温室内外空间、室内作物和土壤层等的温室环境几何模型。将温室内的湿空气看作水蒸气、CO2和干空气的混合气体,在分析温室中太阳辐射、作物与环境的质热交换,动量及质能传递过程的基础上,对单栋塑料温室内的环境因子进行了稳态模拟。温室内热辐射传递过程采用蒙特卡罗法模拟方法;将室内作物简化为连续固体换热模型,采用剪应力输运模型(SST)表述温室内的空气紊流。结果显示:温室通风对温度、湿度和CO2分布的影响很大,温室内部上风向温度低,湿度小,同时CO2浓度也不高;温室下风向作物冠层的环境未达到优化状态;模型的预测值低于实测值,但变化规律相似,温度、湿度、CO2含量的预测相对误差分别低于8%、6%和7%。     

BP神经网络在日光温室湿度预测中的应用

在对冬季环境下典型北方日光温室环境因子实测数据进行分析的基础上,选择影响温室湿度的环境因子和管理情况作为神经网络的输入量,包括室外温度、室外湿度、室外光照、室内3点温度、室内光照、天窗、侧窗开闭等共10项,以温室内部5个点实测平均湿度为输出量。通过900组数据对构建好的BP神经网络进行训练,选取训练数据外的60组数据作为测试。结果表明,60组输出数据平均相对误差为3.234%,预测效果良好。     

基于基质含水率的作物蒸腾量估算与预测模型研究

作物蒸腾作用是基质水分传输的主要驱动力,建立了基于基质含水率变化量的温室番茄作物蒸腾量估算模型和预测模型,并进行对比分析。使用校准后的EC5基质含水率传感器,记录第1次灌溉后与第2次灌溉前基质实时含水率变化量,使用称量法测量作物实时蒸腾量。通过基质含水率变化量与基质栽培槽体积的多元线性回归运算,建立番茄单株日蒸腾量估算模型;将基质含水率变化量、空气温度、空气湿度和光照强度作为输入,利用GABP神经网络算法,建立番茄单株日蒸腾量预测模型。将试验所得温室作物日蒸腾量估算模型和预测模型分别与温室作物实际日蒸腾量进行线性回归分析,结果表明,基于基质含水率变化量建立的估算模型在苗期、花期的预测精度分别为0. 972 9、0. 979 6,预测模型的预测精度分别为0. 991 5、0. 989 0,两者之间差异不大,但估算模型运算速度远高于预测模型的运算速度,估算模型对于温室灌溉管理具有推广应用价值。     

基于植物电信号的环境因子预测模型

以采集的植物电信号为生理指标,综合分析其时域、频域和时频域中的典型特征值,利用学习速度快、泛化性能好的极限学习机算法,以电信号的多个特征及环境参数作为输入量,建立适合植物生长的环境因子（温度、湿度、光照度）预测模型。结果表明：通过对采集的碧玉叶面电信号进行不同域的分析,得出植物电信号属于低频微弱信号;利用极限学习机(ELM)分别对适合碧玉生长的温度、湿度及光照度3个环境因子建立预测模型,通过与传统的BP神经网络对比,ELM算法下的均方根误差小于0.97,而决定系数大于0.92,训练所需的时间低于0.03s,验证了此方法的可行性,为科学指导温室环境因子调控提供科学依据。     

考虑时空变异特性的温室多环境因子优化策略

本文考虑温室环境的时空变异特性，通过构建温室建筑计算流体力学（CFD）模型，结合带精英策略的非支配遗传算法（NSGA-Ⅱ），建立C++-Fluent联合优化框架，实现温室环境因子的多目标、高效率优化。CFD温室模型在江苏省镇江市的一处温室进行实地验证；迭代优化算法由C++实现并通过超级计算机提高计算效率；优化目标包括作物区域温度场、二氧化碳浓度分布以及控制温室风机能耗。研究结果表明，CFD温度场和速度场与监测点实验值吻合度高，平均相对误差分别为4.9%和7.05%；为获得某场景下作物生长温度场、二氧化碳浓度分布的最优值且维持温室风机的低能耗，温室湿帘入口温度为[296.6K，302K]，风机出口风速为[2.9m/s，5.5m/s]。此时作物区域的温度场、二氧化碳浓度分布及风机能耗均在最优范围，有助于提高作物产量，降低温室能耗；超级计算机Linux系统下开发的优化方案计算效率比个人计算机大幅提高，计算时长缩短约88.09%。本文所提策略充分考虑温室环境的时空变化特性，对温室内多环境因子实现多目标、高效率优化。     

基于RBF神经网络的温室温度调控研究

根据光合作用对温室环境因子的非线性,结合RBF神经网络对非线性的良好辨识能力,研究出一种温度调控技术。结合温室光照、温度变化规律,运用RBF神经网络建立温室生菜光合速率与二者的量化模型,通过生菜的光合作用速率来衡量生菜生长状况,在温室小气候里实现对生菜产量的量化控制。该模型预测精度较高,可作为温室测控系统环境因子调控依据。     

基于SSA-LSTM的日光温室环境预测模型研究

构建日光温室环境预测模型,准确预测温室环境变化有助于精准调控作物生长环境,促进果蔬生长。而温室小气候环境数据多参数并存、耦合关系复杂,且具有时序性和非线性,难以建立准确的预测模型。针对以上问题,提出一种基于麻雀搜索算法(SSA)优化的长短期记忆网络(LSTM)温室环境预测模型,实现了温室环境数据的精准预测。实验结果表明,采用SSA自动进行参数选优的方式,解决了LSTM模型参数手动选择的难题,大幅缩短模型训练时间,且最优的网络参数能够发挥模型的最佳性能。对日光温室内空气温湿度、土壤温湿度、CO₂浓度和光照强度6种环境参数进行预测,SSA-LSTM平均拟合指数高达97.6%,相比BP、门控循环单元(GRU)、LSTM,其预测拟合指数分别提升8.1、4.1、4.3个百分点,预测精度明显提升。     

节能优化北方日光温室多样化智能控制系统设计

智能温室可促进现代农业发展,实现农作物的优质优产,带来较大的经济效益。针对我国西北地区的气候条件,研究设计了一套日光温室多样化环境智能调控系统。该系统将一年中温室调控按照最优节能分为6个阶段,应用现代检测技术实现对不同工作模式下的温室环境温度、环境湿度、土壤湿度、CO₂浓度、光照度参数进行采集;运用可编程控制技术实现对各参数的数据处理及对卷膜、湿帘风机等执行机构的动作控制;运用组态王监控软件实现温室环境参数的监控和手动控制。运行结果表明,该调控系统运行稳定,基本满足控制要求。      

基于BP-NN的温室膜下滴灌茄子蒸腾速率预测模型

通过田间试验,对温室膜下滴灌茄子冠层叶片蒸腾速率的变化规律进行了深入研究。通过分析温室内地面温度、相对湿度、植株冠层温度、气压、水面蒸发、太阳辐射等6个环境参数与茄子蒸腾速率的综合影响关系,确定了网络拓扑结构为6-9-1。并应用MATLAB软件,选择Levenberg-Marquardt(L-M)优化算法,建立了基于Back Propagation(BP)神经网络的温室膜下滴灌茄子蒸腾速率预测模型。经模型验证得出,BP神经网络模型预测值与蒸腾速率实测值间拟合效果较好,平均相对误差为0.029 8,达到预测精度要求。该研究成果对温室膜下滴灌作物需水规律及需水量研究具有较好的参考价值。     

物联网温室环境调控系统

针对温室环境远程调控过程中自动控制参数无法修改或缺少远程手动控制模式的问题，设计了温室环境远程测控系统。系统可分为温室现场测控层、服务器层和用户应用层。现场测控层基于无线传感器网络获取温室内外环境信息，并配备了网络摄像头实时监测；服务器层以ARM为硬件平台，采用Linux C语言完成无线通信模块软件设计和服务器的设计；用户应用层基于Web和Andorid技术，构建提供温室内外即时环境信息查询和自动控制方法选择、控制目标调整、在线视频查看温室内部情况等功能远程终端。试验结果表明，本系统自动测控周期最短为5s，数据传输误码率和丢包率较低，能够满足实时、可靠监测的需求，视频图像流畅清晰，操作简单，界面友好，提高了温室环境测控系统的适用性。     

蔬菜温室智能控制系统设计

为有效完成蔬菜温室内温湿度的实时检测,设计了以单片机Arduino为控制核心的蔬菜温室智能控制系统,使用温湿度传感器DHT11实现对温室内温湿度的采集。该控制系统可以根据检测结果通过神经网络对温室环境进行调节,从而实现对蔬菜温室环境自动化控制,优化蔬菜生长环境。      

基于模糊神经网络的智能温室环境控制方案

针对农业温室环境的精确建模和控制问题,提出了一种基于模糊神经网络的智能控制方案。首先,在考虑室内外环境因素下,构建一个有效的温室环境数学模型,获得通风量、喷雾量和加热量的微分表达式;然后,利用一种自适应模糊神经推理系统(ANFIS),以温度和湿度差作为输入,通过神经网络自学习和模糊推理获得控制输出;最后,通过遗传算法优化控制器的输出比例因子,提高控制响应速度和稳定性。实验结果表明:该方案能够快速且稳定地追踪环境设置值,具有很好的控制效果。     

基于RF-GRU的温室番茄结果前期蒸腾量预测方法

针对温室番茄无法按需灌溉问题,提出了随机森林(Random forest,RF)结合门控循环单元(Gated recurrent unit,GRU)神经网络的温室番茄结果前期蒸腾量预测方法,并开发了一套基于番茄蒸腾量的智慧灌溉系统.基于物联网实时获取数据,采用RF算法对影响温室番茄蒸腾量的变量进行特征重要性排序,选取作...