陸麗瓊 朱德蘭 李柱 韓煜琪

摘要：為使溫室環(huán)境管理由人工經(jīng)驗(yàn)管理變?yōu)樽詣?dòng)化管理，選取溫室番茄產(chǎn)量在同地區(qū)較高的溫室作為研究對(duì)象，實(shí)時(shí)監(jiān)測溫室內(nèi)溫度、濕度和卷膜開閉狀況以及室外氣象數(shù)據(jù)，建立室外氣象數(shù)據(jù)、室內(nèi)溫濕度及卷膜開閉之間的關(guān)系。將室外氣象數(shù)據(jù)作為輸入，室內(nèi)溫濕度及卷膜開閉度作為輸出，利用Cat Boost（Categorical Boosting，Cat Boost）算法分別構(gòu)建溫、濕度預(yù)測模型和卷膜決策模型，并與隨機(jī)森林算法（Random Forest，RF） 和極端梯度提升算法（Extreme Gradient Boosting，XG Boost）的預(yù)測結(jié)果進(jìn)行對(duì)比分析。最后基于決策模型設(shè)計(jì)搭建卷膜控制系統(tǒng)，并于典型晴天、陰天和雨天進(jìn)行試驗(yàn)驗(yàn)證。結(jié)果表明：基于Cat Boost的日光溫室內(nèi)環(huán)境（室內(nèi)溫度和室內(nèi)相對(duì)濕度）預(yù)測值與實(shí)測值的均方根誤差分別為0.91℃和4.73%，有更好的模擬效果、精度更高，其卷膜決策模型準(zhǔn)確率達(dá)到92.1%；基于Cat Boost的卷膜決策模型設(shè)計(jì)搭建的卷膜控制系統(tǒng)可以準(zhǔn)確預(yù)測卷膜狀態(tài)的變化，并進(jìn)行精準(zhǔn)控制，具有較強(qiáng)的實(shí)踐價(jià)值和推廣意義。

關(guān)鍵詞：溫室番茄；Cat Boost；內(nèi)環(huán)境預(yù)測；卷膜決策模型；卷膜控制系統(tǒng)

中圖分類號(hào)：S626.5; TP274+.2

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553 （2024） 06-0082-09

收稿日期：2022年11月24日

修回日期：2023年4月19日

*基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2021YFE0103000）；國家自然科學(xué)基金項(xiàng)目（52009111）;陜西省重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2020ZDLNY01—01）

第一作者：陸麗瓊，女，1996年生，南寧人，碩士研究生；研究方向?yàn)樗使喔葲Q策。E-mail： 702073529@qq.com

通訊作者：朱德蘭，女，1969年生，青海人，教授，博導(dǎo)；研究方向?yàn)樵O(shè)施水肥與環(huán)境調(diào)控技術(shù)。E-mail： dlzhu@126.com

Study on the control decision of film rolling in solar greenhouse for automatic control

Lu Liqiong^{1， 2}， Zhu Delan^{1， 2}， Li Zhu^{1， 2}， Han Yuqi^{1， 2}

（1. College of Water Resources and Architectural Engineering， Northwest A ＆ F University， Yangling， 712100， China;

2. Key Laboratory of Agricultural Soil and Water Engineering in Arid and Semiarid Areas， Ministry of Education，

Northeast A ＆ F University， Yangling， 712100， China）

Abstract： In order to change the greenhouse environmental management from manual experience management to automatic management， the greenhouse with higher tomato yield in the same region was selected as the research object， and the temperature， humidity， roll film opening and closing status in the greenhouse and outdoor meteorological data were monitored in real time， the relationship between outdoor meteorological data， indoor temperature and humidity， and roll film opening and closing of the greenhouse was established. With outdoor meteorological data as input， indoor temperature and humidity and roll film opening and closing degree as output， the Cat Boost algorithm was used to build temperature and humidity prediction models and roll film decision-making models respectively， and the prediction results were compared and analyzed with those of Random Forest （RF） and Extreme Gradient Boosting （XG Boost） algorithms. Finally， the film rolling control system was designed and built based on the decision model， and tested on typical sunny， cloudy and rainy days. The results showed that the root mean square error of the predicted value and the measured value of the indoor environment （indoor temperature and indoor relative humidity） of the solar greenhouse based on Cat Boost was 0.91℃ and 4.73%， respectively， which had better simulation effect and high accuracy， and the accuracy of the film rolling decision model reached 92.1%. The roll film control system based on Cat Boosts roll film decision model can accurately predict the change of roll film state and conduct accurate control， which has strong practical value and promotion significance.

Keywords： greenhouse tomato; Cat Boost; internal environment simulation; film rolling decision model; roll film control system

0 引言

現(xiàn)代溫室正在從人工管理向自動(dòng)化控制發(fā)展，自動(dòng)化管理能根據(jù)作物需要，將環(huán)境控制在相對(duì)穩(wěn)定的水平，避免人為因素造成損失，節(jié)約人力資源^[1]。溫室環(huán)境控制的發(fā)展經(jīng)歷了3個(gè)階段：定值開關(guān)控制階段、傳統(tǒng)自動(dòng)控制階段和智能控制階段。智能控制技術(shù)在我國具有廣闊的研究和應(yīng)用前景^{[2， 3]}。Jung等^[4]使用輸出反饋神經(jīng)網(wǎng)絡(luò)預(yù)測和優(yōu)化方法開發(fā)了一種新的通風(fēng)控制邏輯。涂泓濱等^[5]通過建立調(diào)控設(shè)備控制時(shí)間與溫室環(huán)境參數(shù)間的關(guān)系，提出溫度控制策略。邢希君等^[6]采用雙模糊邏輯控制器對(duì)多種環(huán)境變量進(jìn)行調(diào)控。徐立鴻等^[7]采用粒子群算法（Particle Swarm Optimization， PSO）分別建立光溫耦合凈光合速率模型與Venlo型溫室夏季降溫補(bǔ)光能耗模型。Lin等^[8]提出一種溫室氣候分級(jí)控制策略，設(shè)計(jì)了預(yù)測控制器。

為使溫室環(huán)境控制更加精準(zhǔn)，不少學(xué)者對(duì)溫室小氣候展開模擬。近年來，由于深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)能處理多變量間的冗余交叉及時(shí)序性特征，在溫室環(huán)境預(yù)測領(lǐng)域內(nèi)逐漸成為研究熱點(diǎn)，國內(nèi)外許多學(xué)者利用深度學(xué)習(xí)對(duì)溫室環(huán)境因子預(yù)測模擬進(jìn)行了深入研究^[9-12]。程陳等^[13]利用Elman神經(jīng)網(wǎng)絡(luò)對(duì)日光溫室內(nèi)環(huán)境數(shù)據(jù)進(jìn)行了模擬。左志宇等^[14]采用時(shí)序分析法建立了溫度預(yù)測模型。Patil等^[15]采用自回歸模型（Autoregressive Model，ARM），建立一種外環(huán)境氣象數(shù)據(jù)為輸入，內(nèi)環(huán)境數(shù)據(jù)為輸出的預(yù)測模型。雖然這些模型能夠較準(zhǔn)確地模擬日光溫室內(nèi)環(huán)境的變化趨勢，但較少涉及日光溫室內(nèi)環(huán)境變化趨勢與人工環(huán)境控制的關(guān)系。

選取2021—2022年日光溫室環(huán)境觀測數(shù)據(jù)，利用Cat Boost模型將溫室外氣象數(shù)值作為輸入?yún)?shù)，溫室內(nèi)溫度、相對(duì)濕度、卷膜開度作為輸出值，構(gòu)建溫、濕度預(yù)測模型和卷膜決策模型，設(shè)計(jì)搭建卷膜控制系統(tǒng)，并于晴天與陰天進(jìn)行試驗(yàn)驗(yàn)證，以期為指導(dǎo)溫室番茄栽培環(huán)境調(diào)控和實(shí)現(xiàn)溫室自動(dòng)化控制管理提供理論參考和技術(shù)支撐。

1 材料與方法

1.1 試驗(yàn)設(shè)計(jì)

1.1.1 試驗(yàn)區(qū)篩選

在溫室中，環(huán)境控制水平對(duì)作物長勢和產(chǎn)量起重要作用。為了選取管理較為規(guī)范的溫室，以期構(gòu)建具有實(shí)踐指導(dǎo)意義的卷膜決策模型，前期進(jìn)行走訪調(diào)研，在陜西省咸陽市楊凌示范區(qū)選取3個(gè)番茄種植品種相同、管理水平較高的溫室作為跟蹤對(duì)象。對(duì)溫室內(nèi)番茄生長指標(biāo)進(jìn)行比較，最終篩選出長勢良好、產(chǎn)量較高的溫室作為研究對(duì)象。株高、莖粗、葉面積指數(shù)和產(chǎn)量是反映番茄長勢的重要生長指標(biāo)。在3個(gè)溫室中分別選擇5株番茄，幼苗期和開花坐果期每7d測定一次番茄株高、莖粗、葉面積指數(shù)，求平均值；成熟期，采摘測定的番茄測其產(chǎn)量并取平均值，折合為每公頃產(chǎn)量。

不同溫室內(nèi)番茄生長指標(biāo)變化如圖1所示，綜合比較株高、莖粗、葉面積指數(shù)及產(chǎn)量，在3個(gè)溫室中，2號(hào)溫室的番茄長勢最好、產(chǎn)量最高，故選取2號(hào)溫室為研究對(duì)象。

1.1.2 試驗(yàn)區(qū)概況

試驗(yàn)區(qū)位于楊凌現(xiàn)代農(nóng)業(yè)創(chuàng)新園（東經(jīng)108°04′，北緯34°17′，海拔586m），該試驗(yàn)區(qū)夏季多雨、冬季干燥，年平均日照為2 196h，年降水量和蒸發(fā)量分別為632 mm和1 510 mm，年均氣溫為12.9 ℃，屬溫帶半濕潤季風(fēng)氣候。試驗(yàn)用半拱形日光溫室，長度為50 m，寬度為8 m，東西向布局，南面設(shè)有通風(fēng)口，通風(fēng)口卷膜的開閉根據(jù)作物生長適宜的室內(nèi)小氣候而定。

番茄品種為“中雜105”，于2021年8月25日育苗，幼苗番茄出現(xiàn)4～6片真葉時(shí)定植，采用溝壟覆膜種植模式，起壟時(shí)一管兩行布置，株距40 cm，行距40 cm，每行15株。選擇長勢良好的番茄植株進(jìn)行觀測，灌水方式為滴灌，地面覆蓋聚乙烯薄膜。

1.1.3 測定項(xiàng)目與方法

日光溫室內(nèi)安裝有自動(dòng)氣象監(jiān)測系統(tǒng)，該系統(tǒng)監(jiān)測數(shù)據(jù)有光照強(qiáng)度、溫度和相對(duì)濕度，監(jiān)測儀器為賽通科技R485溫濕度光照三合一傳感器，安裝位置為溫室中部，距地面2.5 m高度處。該傳感器監(jiān)測空氣溫度的精度為±0.5℃、監(jiān)測相對(duì)濕度的精度為±3%。進(jìn)行24 h連續(xù)自動(dòng)觀測，每1 h采集1次數(shù)據(jù)，所有氣象數(shù)據(jù)自動(dòng)記錄存儲(chǔ)在采集器中。

卷膜控制通過農(nóng)事管理記錄和通風(fēng)口處溫濕度傳感器數(shù)據(jù)變化獲得，為了方便記錄，將打開狀態(tài)記為1，關(guān)閉狀態(tài)記為0。

室外氣象數(shù)據(jù)來源于室外氣象站，監(jiān)測數(shù)據(jù)有室外溫度、室外相對(duì)濕度、風(fēng)速、光照強(qiáng)度、地面0 cm溫度、地面5 cm溫度、地面10 cm溫度、地面20 cm溫度、地面40 cm溫度。溫室結(jié)構(gòu)及傳感器布設(shè)如圖2所示。

試驗(yàn)的時(shí)間為2021年9月27日—2022年1月4日，即秋茬番茄生長的1個(gè)完整生育期。

1.2 模型描述

1.2.1 Cat Boost模型

Cat Boost是一種新的梯度增強(qiáng)決策樹算法，提出了新的方法解決梯度偏差以及預(yù)測偏移問題，能防止模型過擬合，保證所有數(shù)據(jù)都用于學(xué)習(xí)，提高了算法的準(zhǔn)確性和泛化能力^[16]。其算法模型定義如式（1）所示^[17]。

F（x，w）=∑Tt=0a_th_t（x，w_t）=∑Tt=0f_t（x，w_t）（1）

式中： F（·）——整個(gè)決策樹的輸出；

x——樣本的輸入；

w——整個(gè)決策樹的參數(shù)；

α_t——第t棵樹的權(quán)重；

T——樹的棵數(shù)；

h_t（·）——第t棵決策樹的輸出；

w_t——第t棵決策樹的參數(shù)；

f_t（·）——經(jīng)過加權(quán)后第t棵決策樹的輸出。

Cat Boost算法使用基于對(duì)稱決策樹為基學(xué)習(xí)器。在每次迭代中，在樹的整層上應(yīng)用相同的分割法則，左右子樹完全對(duì)稱而保持平衡。在對(duì)稱樹中，每個(gè)葉子節(jié)點(diǎn)的索引可以被編碼為長度等于樹深度的二進(jìn)制向量。所有樣本的二進(jìn)制特征值都存儲(chǔ)在連續(xù)向量中。葉子節(jié)點(diǎn)的值存儲(chǔ)在大小為2倍樹的深度的浮點(diǎn)數(shù)向量中^[18]。

1.2.2 模型檢驗(yàn)統(tǒng)計(jì)變量

采用均方根誤差RMSE（Root Mean Squared Error）、平均絕對(duì)誤差MAE（Mean Absolute Error）及決定系數(shù)R²（Coefficient of Determination）對(duì)模擬值和實(shí)測值之間的擬合度進(jìn)行統(tǒng)計(jì)分析，以驗(yàn)證模型的精確度，計(jì)算分別見式（2）～式（4）。

RMSE=1n∑ni=1（SIM_i－OBS_i）²（2）

MAE=1n∑ni=1SIM_i－OBS_i（3）

R²=[∑ⁿ_i=1（SIM_i－SIM）（OBS_i－OBS）]²∑ni=1（SIM_i－SIM）²∑ni=1（OBS_i－OBS）²（4）

式中： SIM_i——模擬值；

OBS_i——實(shí)際觀測值；

SIM——模擬平均值；

OBS——實(shí)際觀測平均值；

n——樣本數(shù)。

R²越接近1，表明模型擬合度越好；MAE、RMSE越小，表明模型誤差越小。

2 結(jié)果與分析

2.1 溫室內(nèi)溫度、相對(duì)濕度與卷膜控制關(guān)系

溫室內(nèi)溫度、相對(duì)濕度受溫室環(huán)境控制影響，為了更好地分析溫室內(nèi)溫度、相對(duì)濕度與卷膜控制之間的關(guān)系，以晴天、陰天和雨天為例，探討不同天氣下溫室內(nèi)溫度、相對(duì)濕度與卷膜之間的動(dòng)態(tài)關(guān)系。

選取2021年12月12日為晴天，2021年12月16日為陰天，2021年12月10日為雨天。在晴天、陰天和雨天條件下，溫室內(nèi)溫度、相對(duì)濕度變化與卷膜控制的關(guān)系分別如圖3～圖5所示，溫室內(nèi)外溫度、相對(duì)濕度變化走勢大致相同，溫度和濕度變化趨勢呈顯著負(fù)相關(guān)。

由圖3可知，在典型晴天中，0：00—9：00室內(nèi)溫度在8℃～10℃之間，相對(duì)濕度在90%左右浮動(dòng)，隨著太陽輻射增強(qiáng)，室外溫度逐步上升，光照強(qiáng)度逐漸增大，溫室內(nèi)溫度迅速上升，相對(duì)濕度迅速下降，10：00開啟卷膜，此時(shí)室內(nèi)溫度超過20℃，由于溫室內(nèi)外空氣對(duì)流，溫室內(nèi)溫度、相對(duì)濕度出現(xiàn)波動(dòng)。14：00—17：00，隨著太陽輻射的減少，溫室內(nèi)溫度迅速下降，相對(duì)濕度迅速上升。16：00關(guān)閉卷膜，室內(nèi)溫度下降趨勢放緩。18：00—24：00溫室內(nèi)溫度在10℃～13℃之間，相對(duì)濕度在80%～84%之間。

由圖4可知，在陰天中，由于全天太陽輻射較弱，溫度變化較小，溫度不高。

0：00—8：00溫室內(nèi)溫度在7℃～9℃之間，相對(duì)濕度穩(wěn)定在89%。在8：00，隨著溫室外升溫，溫室內(nèi)溫度也隨之升溫，相對(duì)濕度逐漸下降。午時(shí)溫度不高，故不開啟卷膜，全天溫度變化平緩，于12：00達(dá)到最大值，12：00之后溫度緩慢下降。18：00—24：00，溫室內(nèi)溫度穩(wěn)定在12℃左右，相對(duì)濕度在84%～90%之間。

由圖5可知，在典型雨天中，全天太陽輻射較弱，濕度較高且溫度較低。全天溫室內(nèi)溫度在9℃～12 ℃左右浮動(dòng)，相對(duì)濕度在87%～97%之間。由于室外溫度較低，太陽輻射較弱，為避免溫室內(nèi)溫度因空氣對(duì)流而降低，使溫度維持在作物適宜生長的范圍內(nèi)，卷膜不做開啟控制。

由于冬季溫度較低，開啟卷膜后溫室內(nèi)外空氣對(duì)流，造成溫室內(nèi)溫度下降，故卷膜常在中午溫度較高時(shí)開啟，在全天溫度較低時(shí)保持關(guān)閉狀態(tài)。

2.2 模型構(gòu)建

構(gòu)建室內(nèi)溫度、相對(duì)濕度預(yù)測模型和卷膜決策模型，模型通過Python軟件編程實(shí)現(xiàn)，具體流程如圖6所示。

首先對(duì)數(shù)據(jù)集進(jìn)行歸一化預(yù)處理、去除噪點(diǎn)、相關(guān)性分析，得到最終的相關(guān)因子。將全生育期所獲得的2208組數(shù)據(jù)，按8∶2的比例劃分為訓(xùn)練集與測試集，其中訓(xùn)練集有1766組，測試集有442組，晴天天氣的訓(xùn)練集有216組，測試集有144組，陰天天氣的訓(xùn)練集有876組，測試集有228組，雨天天氣的訓(xùn)練集有696組，測試集有48組。

再將相關(guān)系數(shù)大的氣象數(shù)據(jù)作為特征輸入，對(duì)應(yīng)的室內(nèi)溫度、相對(duì)濕度、卷膜狀態(tài)作為輸出，使用網(wǎng)格搜索法進(jìn)行調(diào)參尋優(yōu)，選取樹的個(gè)數(shù)（n， estimators）、樹的深度、學(xué)習(xí)率（learning_rate）進(jìn)行優(yōu)化。

最后將最優(yōu)參數(shù)設(shè)置代入模型，建立預(yù)測模型，將測試集輸入模型，得出溫度、相對(duì)濕度、卷膜狀態(tài)預(yù)測結(jié)果，并計(jì)算測試集的精確度。在卷膜決策模型中，將預(yù)測值在[0，0.5）的數(shù)記為0，預(yù)測值在[0.5，1]的數(shù)記為1。

2.2.1 相關(guān)性分析

溫室番茄全生育期共獲得2208組數(shù)據(jù)，由溫室內(nèi)溫度、相對(duì)濕度和溫室外氣溫、相對(duì)濕度、風(fēng)速、光照強(qiáng)度、地溫0 cm、地溫5 cm、地溫10 cm、地溫20 cm和地溫40 cm組成。

利用SPSS軟件對(duì)上述數(shù)據(jù)集進(jìn)行相關(guān)性分析，通常將Pearson相關(guān)系數(shù)按照0～0.2，0.2～0.4，0.4～0.6，0.6～0.8，0.8～1.0劃分為無相關(guān)、弱相關(guān)、相關(guān)、強(qiáng)相關(guān)和極強(qiáng)相關(guān)5個(gè)區(qū)間^[19]。相關(guān)性分析結(jié)果如表1所示，室內(nèi)溫度與地溫0 cm呈極強(qiáng)相關(guān)，與室外溫度、光照強(qiáng)度呈強(qiáng)相關(guān)；室內(nèi)相對(duì)濕度與光照強(qiáng)度呈極強(qiáng)負(fù)相關(guān)，與室外相對(duì)濕度呈強(qiáng)相關(guān)，與地溫0 cm呈強(qiáng)負(fù)相關(guān)；卷膜狀態(tài)與地溫0 cm、光照強(qiáng)度呈強(qiáng)相關(guān)。最終保留相關(guān)性系數(shù)大于0.2的值。

2.2.2 溫室內(nèi)溫度、相對(duì)濕度預(yù)測模型及卷膜決策模型

以2021年11月1日為例，Cat Boost模型的輸入?yún)?shù)及輸出參數(shù)如表2所示。

為了驗(yàn)證相同輸入?yún)?shù)下模型的性能，說明Cat Boost模型在預(yù)測模型中的精確性，同時(shí)構(gòu)建了基于Cat Boost模型、XG Boost模型和RF模型的日光溫室內(nèi)溫度、相對(duì)濕度預(yù)測模型及卷膜決策模型。在溫室內(nèi)環(huán)境預(yù)測模型中，Cat Boost、RF、XG Boost模型的溫度、相對(duì)濕度測試集預(yù)測值與實(shí)測值的相關(guān)性如圖7所示。由圖7可知，Cat Boost、RF、XG Boost模型在溫度預(yù)測模型中的R²分別為0.957、0.948、0.944，在相對(duì)濕度預(yù)測模型中的R²分別為0.962、0.960、0.947，Cat Boost模型的模擬精度較高。

在溫度預(yù)測模型中，三種模型的預(yù)測值與室內(nèi)溫度實(shí)測值變化趨勢大致相同，Cat Boost模型的預(yù)測值在峰值和谷值與實(shí)測值相差最小，RF模型的效果次之，XG Boost模型相差最大，XG Boost無法很好地模擬局部溫度變化。在相對(duì)濕度預(yù)測模型中，三種模型的預(yù)測值與室內(nèi)相對(duì)濕度實(shí)測值變化趨勢總體相同，但是峰谷值預(yù)測效果一般。Cat Boost模型的預(yù)測效果最好，RF與XG Boost模型無法很好地模擬局部相對(duì)濕度的變化。3種模型的檢驗(yàn)結(jié)果如表3所示。

由表3可知，溫度與相對(duì)濕度預(yù)測模型中，Cat Boost模型的MAE與RMSE均比XG Boost模型和RF模型小，Cat Boost模型的R²均比XG Boost模型和RF模型高，表明Cat Boost模型的擬合精度優(yōu)于其他兩種模型。卷膜決策模型中，Cat Boost模型的準(zhǔn)確率最高，達(dá)到92.1%，RMSE和MAE均較低，分別為0.25和0.11。因此，基于Cat Boost模型的卷膜決策模型準(zhǔn)確率較高，可用于構(gòu)建卷膜控制系統(tǒng)。

2.3 模型應(yīng)用

1） 卷膜控制系統(tǒng)?；贑at Boost卷膜決策模型構(gòu)建卷膜自動(dòng)控制系統(tǒng)，該系統(tǒng)由數(shù)據(jù)決策模塊、人工控制模塊與現(xiàn)場控制模塊3部分組成，總體框架如圖8所示。數(shù)據(jù)決策模塊由室外氣象站、Sukon云端、卷膜決策模型組成，以卷膜決策模型為核心。人工控制模塊由本地端和遠(yuǎn)程端組成，可通過手機(jī)端、遠(yuǎn)程客戶端和本地端觸摸屏（型號(hào)為MT6103iP）進(jìn)行手動(dòng)控制?，F(xiàn)場控制模塊由PLC控制器（型號(hào)為LK3U-64）發(fā)出控制指令，電機(jī)根據(jù)指令開啟或關(guān)閉卷膜。

在卷膜決策模型中，通過室外氣象站采集室外氣象數(shù)據(jù)，上傳至Sukon云端，由Python讀取云端數(shù)據(jù)。經(jīng)數(shù)據(jù)處理后輸入Cat Boost卷膜決策模型，得到卷膜控制決策，輸出的預(yù)測值大于等于0.5時(shí)，卷膜決策結(jié)果為開啟；預(yù)測值小于0.5時(shí)，卷膜決策結(jié)果為關(guān)閉。具體控制流程如圖9所示。

2） 控制決策驗(yàn)證。為驗(yàn)證模型實(shí)際應(yīng)用效果，于2022年1月9—17日進(jìn)行卷膜控制驗(yàn)證，分別選取晴天、陰天和雨天進(jìn)行試驗(yàn)，控制結(jié)果如圖10～圖12所示。由圖10～圖12可知，溫室內(nèi)溫度、相對(duì)濕度預(yù)測值與實(shí)測值變化趨勢接近，卷膜決策與實(shí)際情況一致，說明卷膜決策模型有較好的模擬效果，符合實(shí)際卷膜控制情況。

由圖10可知，在晴天條件下，卷膜在11：00開啟，此時(shí)溫度為25.6 ℃，相對(duì)濕度為36.0%。卷膜開啟的5 h中，溫度在30 ℃左右浮動(dòng)，濕度在21%～36%之間。16：00關(guān)閉卷膜，室內(nèi)溫度為19.5 ℃，開始緩慢下降，相對(duì)濕度為34.5%，呈上升趨勢。

由圖11可知，卷膜在12：00開啟，此時(shí)室內(nèi)溫度為20.6 ℃，相對(duì)濕度為65.3%。卷膜開啟的1 h中，由于溫室內(nèi)外空氣對(duì)流，溫度出現(xiàn)小幅度下降，相對(duì)濕度在65%～73%之間。13：00關(guān)閉卷膜，由于此時(shí)太陽輻射較強(qiáng)，室內(nèi)溫度出現(xiàn)小幅度上升，相對(duì)濕度無明顯變化。

由圖12可知，在雨天條件下，光照強(qiáng)度較低，在15：00時(shí)達(dá)到峰值，全天溫度較低，溫度在5℃～9.8℃間浮動(dòng)，相對(duì)濕度較高，在73.4%～95.8%間浮動(dòng)，由于溫度較低，為保證室內(nèi)溫度，卷膜全天不開啟。

由卷膜決策模型驗(yàn)證試驗(yàn)可知，冬季溫度較低，選擇在室內(nèi)溫度較高的中午時(shí)段開啟卷膜，在太陽輻射開始減少時(shí)關(guān)閉卷膜，以減緩室內(nèi)溫度下降的速度。由于夜間溫度較低，卷膜始終保持關(guān)閉狀態(tài)。

3 結(jié)論

本研究利用2021—2022年日光溫室內(nèi)氣象環(huán)境數(shù)據(jù)，建立基于Cat Boost算法的日光溫室溫度、相對(duì)濕度預(yù)測模型與卷膜決策模型，與XG Boost和RF模型的模擬效果進(jìn)行對(duì)比分析，并基于決策模型設(shè)計(jì)搭建卷膜控制系統(tǒng)，于晴天、陰天與雨天進(jìn)行試驗(yàn)驗(yàn)證。

1） 基于Cat Boost算法的日光溫室環(huán)境（溫度、相對(duì)濕度）模擬效果最優(yōu)，其模擬值與實(shí)測值的均方根誤差分別為0.91℃、4.73%，平均絕對(duì)誤差分別為0.61 ℃、3.73%，決定系數(shù)分別為0.957、0.962。

2） 與RF算法、XG Boost算法相比，Cat Boost算法有更好的模擬效果，精度更高，基于Cat Boost的日光溫室卷膜決策模型的準(zhǔn)確率高達(dá)92.1%。

3） 基于卷膜決策模型的卷膜控制系統(tǒng)可以準(zhǔn)確預(yù)測卷膜狀態(tài)的變化，并及時(shí)進(jìn)行控制。在驗(yàn)證試驗(yàn)中，溫室卷膜控制系統(tǒng)的控制效果好，能夠精準(zhǔn)控制卷膜開閉。

參 考 文 獻(xiàn)

[1]劉明瑋. 基于神經(jīng)網(wǎng)絡(luò)和NSGAⅡ的溫室多目標(biāo)優(yōu)化控制研究[D]. 哈爾濱： 東北農(nóng)業(yè)大學(xué)， 2020.

Liu Mingwei. Research on multi-objective optimization for environmental control of a greenhouse based on Neural Network and NSGAⅡ[D]. Harbin： Northeast Agricultural University， 2020.

[2]徐振峰. 溫室溫濕度建模與多目標(biāo)相容切換控制方法研究[D]. 南京： 東南大學(xué)， 2018.

Xu Zhenfeng. Research on modeling of temperature and humidity in greenhouse and multi-objective compatible switching control method [D]. Nanjing： Southeast University， 2018.

[3]皇甫姍姍， 朱節(jié)中， 楊再強(qiáng)， 等. 中國溫室環(huán)境控制研究進(jìn)展[J]. 中國農(nóng)學(xué)通報(bào)， 2021， 37（27）： 125-131.

Huang Fu Shanshan， Zhu Jiezhong， Yang Zaiqiang， et al. The environmental control of greenhouse in China： Research progress [J]. Chinese Agricultural Science Bulletin， 2021， 37（27）： 125-131.

[4]Jung D H， Kim H J， Kim J Y， et al. Model predictive control via output feedback neural network for improved multi-window greenhouse ventilation control [J]. Sensors （Basel， Switzerland）， 2020， 20（6）： 1756.

[5]涂泓濱， 朱德蘭， 劉孟陽， 等. 基于熱量平衡方程的溫室冬季溫度控制策略[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（10）： 200-207.

Tu Hongbin， Zhu Delan， Liu Mengyang， et al. Winter temperature control strategy of greenhouse based on heat balance equation [J]. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（10）： 200- 207.

[6]邢希君， 宋建成， 吝伶艷. 基于雙模糊控制器的溫室智能控制系統(tǒng)設(shè)計(jì)[J]. 北方園藝， 2018（18）： 62-68.

Xing Xijun， Song Jiancheng， Shao Lingyan. Design of greenhouse intelligent control system based on dual fuzzy controller [J]. Northern Horticulture， 2018 （18）： 62-68.

[7]徐立鴻， 徐赫， 蔚瑞華. 溫室藍(lán)莓光溫協(xié)調(diào)優(yōu)化模型與控制策略研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（1）： 360-369.

Xu Lihong， Xu He， Wei Ruihua， et al. Optimal model of blueberry greenhouse light and temperature coordination [J]. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（1）： 360-369.

[8]Lin D， Zhang L， Xia X. Hierarchical model predictive control of Venlo-type greenhouse climate for improving energy efficiency and reducing operating cost [J]. Journal of Cleaner Production， 2020， 264： 121513.

[9]孟力力， 楊其長， Gerard. EA. Bot， 等. 日光溫室熱環(huán)境模擬模型的構(gòu)建[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2009， 25（1）： 164-170.

Meng Lili， Yang Qichang， Gerard. EA. Bot， et al. Visual simulation model for thermal environment in Chinese solar greenhouse [J]. Transactions of the Chinese Society of Agricultural Engineering， 2009， 25（1）： 164-170.

[10]陳昕， 唐湘璐， 李想， 等. 二次聚類與神經(jīng)網(wǎng)絡(luò)結(jié)合的日光溫室溫度二步預(yù)測方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2017， 48（S1）： 353-358.

Chen Xin， Tang Xianglu， Li Xiang， et al. Two-steps prediction method of temperature in solar greenhouse based on twice cluster analysis and Neural Network [J]. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（S1）： 353-358.

[11]陳英義， 程倩倩， 方曉敏， 等. 主成分分析和長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)預(yù)測水產(chǎn)養(yǎng)殖水體溶解氧[J].農(nóng)業(yè)工程學(xué)報(bào)， 2018， 34（17）： 183-191.

Chen Yingyi， Cheng Qianqian， Fang Xiaomin， et al. Principal component analysis and long short-term memory neural network for predicting dissolved oxygen in water for aquaculture [J].Transactions of the Chinese Society of Agricultural Engineering， 2018，34（17）： 183-191.

[12]楊亮， 劉春紅， 郭昱辰， 等. 基于EMD-LSTM的豬舍氨氣濃度預(yù)測研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2019， 50（S1）： 353-360.

Yang Liang， Liu Chunhong， Guo Yuchen， et al. Prediction of ammonia concentration in fattening piggery based on EMD-LSTM [J]. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（S1）： 353-360.

[13]程陳， 馮利平， 董朝陽， 等. 利用Elman神經(jīng)網(wǎng)絡(luò)的華北棚型日光溫室室內(nèi)環(huán)境要素模擬[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（13）： 200-208.

Cheng Chen， Feng Liping， Dong Chaoyang， et al. Simulation of inside environmental factors in solar greenhouses using Elman neural network in North China [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（13）： 200-208.

[14]左志宇， 毛罕平， 張曉東， 等. 基于時(shí)序分析法的溫室溫度預(yù)測模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2010， 41（11）： 173-177， 182.

Zuo Yuzhi， Mao Hanping， Zhang Xiaodong， et al.Recast model of greenhouse temperature based on time series method [J]. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（11）： 173-177.

[15]Patil S L， Tantau H J， Salokhe V M. Modelling of tropical greenhouse temperature by auto regressive and neural network models [J]. Biosystems Engineering， 2008（3）： 99.

[16]李莉， 陳浩哲， 趙奇慧， 等. 基于CS-CatBoost的溫室番茄水分脅迫預(yù)測模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2021， 52（S1）： 427-433.

Li Li， Chen Haozhe， Zhao Qihui， et al. Crop water stress index prediction model of greenhouse tomato based on CS-CatBoost [J]. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（S1）： 427-433.

[17]顧崇寅， 徐瀟源， 王夢圓， 等. 基于CatBoost算法的光伏陣列故障診斷方法[J]. 電力系統(tǒng)自動(dòng)化， 2023， 47（2）： 105-114.

Gu Chongyin， Xu Xiaoyuan， Wang Mengyuan， et al. Photovoltaic array fault diagnosis method based on CatBoost algorithm [J]. Power System Automation， 2023， 47（2）： 105-114.

[18]王玉靜， 王詩達(dá)， 康守強(qiáng)， 等. 基于改進(jìn)深度森林的滾動(dòng)軸承剩余壽命預(yù)測方法[J]. 中國電機(jī)工程學(xué)報(bào)， 2020， 40（15）： 5032-5043.

Wang Yujing， Wang Shida， Kang Shouqiang， et al. Prediction method of remaining useful life of rolling bearings based on improved forest [J]. Proceedings of the CSEE， 2020， 40（15）： 5032-5043.

[19]吳蒙， 彭慧萍， 范紹佳， 等. 珠江三角洲區(qū)域空氣質(zhì)量的時(shí)空變化特征[J]. 環(huán)境科學(xué)與技術(shù)， 2015， 38（2）： 77-82.

Wu Meng， Peng Huiping， Fan Shaojia， et al. Temporal and spatial variation characteristics of regional air quality in the Pearl River Delta [J]. Environmental Science and Technology， 2015， 38（2）： 77-82.