溫室環(huán)境控制方法現(xiàn)狀分析及發(fā)展研究

摘要：

溫室通過創(chuàng)造適宜的種植條件有效地提高農(nóng)業(yè)資源利用率，在農(nóng)業(yè)生產(chǎn)中的地位日趨重要。溫室氣候變化是一種多因子高度耦合的非線性過程，易受外部氣候環(huán)境干擾，進(jìn)而影響整個控制系統(tǒng)的穩(wěn)定性，如何穩(wěn)定、高效、智能地控制溫室內(nèi)氣候變量是當(dāng)前亟待解決的實際問題。通過總結(jié)國內(nèi)外溫室環(huán)境控制方法研究現(xiàn)狀，分別從模糊控制、解耦控制、節(jié)能控制、神經(jīng)網(wǎng)絡(luò)4個方面著手，闡述現(xiàn)階段主流溫室智能控制方法應(yīng)用現(xiàn)狀與優(yōu)缺點(diǎn)，發(fā)現(xiàn)當(dāng)前溫室環(huán)境控制因素單一、能源利用效率低、控制模型動態(tài)調(diào)整能力差等問題；提出未來溫室環(huán)境控制應(yīng)實現(xiàn)系統(tǒng)多變量控制、控制的可持續(xù)性和節(jié)能性、控制模型優(yōu)化、農(nóng)藝與環(huán)境控制相結(jié)合等建議，以期為溫室農(nóng)業(yè)的健康發(fā)展與精細(xì)化管理提供參考和指導(dǎo)。

關(guān)鍵詞：溫室；環(huán)境控制方法；智能控制；農(nóng)藝；精細(xì)化管理

中圖分類號：S625.5

文獻(xiàn)標(biāo)識碼：A

文章編號：2095-5553 （2024） 04-0058-08

收稿日期：2023年11月25日" 修回日期：2024年2月27日

基金項目：第一師阿拉爾市財政科技計劃項目（2023ZB02）；新疆生產(chǎn)建設(shè)兵團(tuán)科技計劃項目（2023AB005）

第一作者：伏俊偉，男，2000年生，甘肅天水人，碩士研究生；研究方向為南疆特色智能農(nóng)業(yè)裝備。E-mail： 1922675833@qq.com

通訊作者：賀小偉，男，1987年生，山西呂梁人，博士，副教授；研究方向為現(xiàn)代農(nóng)業(yè)裝備設(shè)計與智能測控。E-mail： Hexw_work@163.com

Current situation analysis and development research of greenhouse

environmental control methods

Fu Junwei1， 2， He Xiaowei1， 2， Wang Xufeng1， 2， Liu Jinxiu1， 2， Zhu Guansan1， 2， Li Min1， 2

（1. College of Mechanical and Electronic Engineering， Tarim University， Alar， 843300， China; 2. The Key

Laboratory of Modern Agricultural Engineering in Ordinary Higher Education Institutions of Xinjiang Uygur

Autonomous Region， Alar， 843300， China）

Abstract：

Greenhouse is playing an increasingly important role in agricultural production by creating suitable planting conditions to effectively improve the utilization rate of agricultural resources." Greenhouse climate change is a highly coupled nonlinear process with multiple factors， which is easily affected by external climate environment interference， thereby affecting the stability of the entire control system. How to stably， efficiently and intelligently control the climate variables inside the greenhouse is a practical problem that urgently needs to be solved. This article summarizes the current research status of greenhouse environmental control methods at home and abroad， starting from four aspects such as fuzzy control， decoupling control， energy-saving control and neural network， it elaborates on the current application status and advantages and disadvantages of mainstream greenhouse intelligent control methods， and points out the problems of single environmental control factors， low energy utilization efficiency， and poor dynamic adjustment ability of control models. This paper puts forward some suggestions for future greenhouse environmental control， including system multivariable control， sustainability and energy-saving of control， optimization of control models， and integration of agronomy and environmental control，" so as to provide reference and guidance for the healthy development and refined management of greenhouse agriculture.

Keywords：

greenhouse; environmental control methods; intelligent control; agronomy; fine management

0 引言

溫室是一種人工建造的設(shè)施，通過精準(zhǔn)調(diào)控溫度、濕度和光照等要素，以最大程度地促進(jìn)植物的健康生長，被廣泛應(yīng)用于種植花卉、蔬菜以及其他作物。溫室栽培是現(xiàn)階段較為理想的農(nóng)業(yè)種植形式，通過控制各環(huán)境變量來實現(xiàn)作物生長過程中的精準(zhǔn)管理，即根據(jù)作物長勢提供精確、適量的水分和營養(yǎng)物質(zhì)，避免過度灌溉或營養(yǎng)不足的問題，從而優(yōu)化生長環(huán)境以提高產(chǎn)量和品質(zhì)。

溫室內(nèi)環(huán)境氣候變量對作物的生長發(fā)育起著決定性作用，溫室種植可依靠自動控制技術(shù)來調(diào)節(jié)溫室內(nèi)部環(huán)境的穩(wěn)定。傳統(tǒng)的溫室環(huán)境控制主要依賴人工調(diào)節(jié)，然而這種方式存在精度差、成本高、效率低等問題。為提高溫室農(nóng)業(yè)的生產(chǎn)效益、降低資源消耗，多年來科研人員一直致力于研究溫室環(huán)境控制方法，提出多種溫室環(huán)境控制技術(shù)，建立各種氣候模型，用于溫室內(nèi)關(guān)鍵環(huán)境參數(shù)的監(jiān)測與調(diào)控；通過優(yōu)化資源利用（如水、能源、人力等）的方式，最大限度地提高了環(huán)境的適宜性。本文旨在系統(tǒng)地介紹當(dāng)前主流的溫室環(huán)境控制技術(shù)，深入分析其在提高作物產(chǎn)量、優(yōu)化質(zhì)量、節(jié)約能源等方面的關(guān)鍵作用，同時針對溫室環(huán)境控制所面臨的諸多挑戰(zhàn)，如溫度、濕度、光照、CO2濃度等參數(shù)的不穩(wěn)定性，能源利用效率低、控制模型動態(tài)調(diào)整能力差等問題，提出未來的研究方向和發(fā)展趨勢，為溫室農(nóng)業(yè)的健康發(fā)展與精細(xì)化管理提供更加全面深入的參考和指導(dǎo)。

1 模糊控制研究現(xiàn)狀

1.1 模糊控制原理

近年來，模糊控制成為智能控制研究和應(yīng)用領(lǐng)域的熱點(diǎn)之一。模糊控制是一種非線性智能控制方法，無需建立準(zhǔn)確的研究對象模型，而是將人類的知識和經(jīng)驗進(jìn)行總結(jié)后轉(zhuǎn)化為計算機(jī)語言，以模仿人類思維進(jìn)行控制。模糊控制的原理是將精確的輸入量通過模糊化轉(zhuǎn)化為輸入論域上的模糊集合，從而將普通變量轉(zhuǎn)化為模糊語言變量［1］；模糊推理算法實質(zhì)為“IF-THEN”的法則形式，是利用經(jīng)驗或相關(guān)知識得到的規(guī)則轉(zhuǎn)化而成，隨后通過解模糊這一過程將模糊推理得到的模糊控制量轉(zhuǎn)化為清晰量，用于實際控制。

1.2 溫室環(huán)境系統(tǒng)中的模糊控制

目前，一些溫室控制方案中仍采用傳統(tǒng)的PID（Proportional Integral Derivative）控制，但對于溫室這類具有強(qiáng)非線性動力學(xué)的復(fù)雜系統(tǒng)而言，固定的PID參數(shù)往往難以確保系統(tǒng)的穩(wěn)定性和收斂性，無法達(dá)到控制需求。因此，為了在復(fù)雜的溫室環(huán)境中獲得良好的控制性能，PID控制需要與更優(yōu)的控制方法相結(jié)合。Shan［2］針對溫室環(huán)境的非線性、時滯和多變量耦合問題，將模糊PID控制應(yīng)用于溫室環(huán)境控制系統(tǒng)，通過專家經(jīng)驗和知識行為制定相應(yīng)的模糊控制規(guī)則，利用人工神經(jīng)元的自學(xué)習(xí)能力和響應(yīng)速度，彌補(bǔ)了模糊控制存在的問題，解決溫室系統(tǒng)調(diào)節(jié)時間長、抗干擾能力差的問題，取得良好的控制溫室環(huán)境溫濕度的效果，控制原理結(jié)構(gòu)如圖1所示。

盡管模糊PID控制在溫室環(huán)境控制中得到廣泛應(yīng)用，但仍然存在一些不足。首先，規(guī)則設(shè)計復(fù)雜，需要根據(jù)具體應(yīng)用進(jìn)行調(diào)試和優(yōu)化；其次，參數(shù)調(diào)優(yōu)困難，且響應(yīng)速度較慢，在快速變化的場景中無法及時響應(yīng)變化；最后，其模糊性會導(dǎo)致控制策略的精確度受到限制，無法滿足高精度控制的需求。總而言之，模糊PID控制在某些控制應(yīng)用場景下仍然具有一定的局限性，需要針對具體情況選擇適宜的控制算法。

針對模糊PID控制無法滿足高精度控制需求的短板問題，研究者提出模糊控制與專家系統(tǒng)結(jié)合的方法：當(dāng)實際生產(chǎn)中出現(xiàn)需要人類專家做出解釋的復(fù)雜問題時，可通過計算機(jī)模型來處理，由此得出與專家相同的結(jié)論；其中模糊命題的邏輯組合是模糊控制與專家系統(tǒng)兩者結(jié)合的前提條件。針對南疆設(shè)施農(nóng)業(yè)的現(xiàn)狀，王憲磊等基于多傳感器數(shù)據(jù)融合技術(shù)，將模糊推理算法與專家系統(tǒng)相結(jié)合，建立了適用于南疆自然氣候條件下的智能溫室自動化控制模型；該方法利用模糊控制處理溫室這一復(fù)雜環(huán)境中的不確定性問題，通過專家系統(tǒng)提供準(zhǔn)確有效的控制策略，提高了控制決策的透明度。彭輝等提出了一種基于模糊神經(jīng)網(wǎng)絡(luò)的智能控制方法，在考慮室內(nèi)外環(huán)境因素下，構(gòu)建溫室環(huán)境數(shù)學(xué)模型；通過神經(jīng)網(wǎng)絡(luò)的不斷學(xué)習(xí)，利用ANFIS（自適應(yīng)神經(jīng)模糊系統(tǒng)）修正輸入輸出變量的隸屬度函數(shù)和模糊規(guī)則，根據(jù)溫度和濕度差推理獲得控制輸出；該方法能夠快速精確地跟蹤設(shè)定值，并且能夠有效避免多個控制量之間的干擾。相比前面闡述的溫室模糊控制方法，Li等［3］提出了一種優(yōu)化的遞階模糊控制方法，旨在通過采用分層多模塊模糊控制方法簡化模糊控制器的設(shè)計，使其符合實際應(yīng)用場景；研究的關(guān)鍵在于降低模糊規(guī)則庫以及與物理模型相關(guān)的模糊子系統(tǒng)的復(fù)雜度，從而簡化整個系統(tǒng)的設(shè)計和構(gòu)建過程。

2 解耦控制研究現(xiàn)狀

2.1 解耦控制

溫室作物的生長過程涉及多個環(huán)境控制要素，除溫度和濕度這兩個最基本的控制對象外，還包括光照、CO2濃度等其他環(huán)境參數(shù)，且各個參數(shù)之間存在著較強(qiáng)的耦合關(guān)系；當(dāng)控制系統(tǒng)調(diào)節(jié)溫室溫度使其保持在適宜范圍內(nèi)時，可能會導(dǎo)致濕度或其他參數(shù)發(fā)生變化從而偏離最佳范圍；因此，要實現(xiàn)良好的控制性能，需要考慮多個變量之間的耦合作用以及環(huán)境參數(shù)的變化。借助解耦控制策略，將各個參數(shù)的變化相互剝離；使每個輸入變量僅受到相應(yīng)的單一輸出變量的影響，從而避免原始控制策略中不同參數(shù)之間的相互干擾，提升控制系統(tǒng)的魯棒性和適應(yīng)性。

2.2 溫室環(huán)境系統(tǒng)中的解耦控制

姬鵬飛等［4］提出一種基于自適應(yīng)PSO（粒子群優(yōu)化）算法的單神經(jīng)元PID在線解耦控制方法：針對溫室系統(tǒng)的特點(diǎn)，對溫度、濕度、CO2濃度、光照強(qiáng)度共4個環(huán)境變量進(jìn)行解耦控制；利用單神經(jīng)元PID控制器解決變量之間的耦合問題，引入自適應(yīng)PSO算法對神經(jīng)元網(wǎng)絡(luò)的權(quán)值參數(shù)在線優(yōu)化；兩種算法結(jié)合有效消除變量之間的耦合現(xiàn)象，提高控制器解耦的準(zhǔn)確性和響應(yīng)速度。Azaza等［5］基于所建立的溫室物理模型，設(shè)計一種可用來評估溫度和濕度之間耦合參數(shù)相關(guān)性的分散解耦模糊控制器，該控制器可滿足白天和夜間兩種場景下的控制需求，能夠在溫室需要加熱或通風(fēng)時實現(xiàn)有效的控制。

由于溫室系統(tǒng)具有高度耦合的非線性這一特點(diǎn)，現(xiàn)有的解耦控制方法難以獲得良好的控制性能。一些研究者通過將非線性模型近似為線性模型實現(xiàn)對溫室環(huán)境的控制，特別是基于幾何非線性控制理論的精確反饋線性化（FL）方法。Chen等［6］提出一種基于擾動觀測器和反饋線性化相結(jié)合的積分滑?？刂破魉刂频臏厥覛夂蚩刂葡到y(tǒng)，結(jié)構(gòu)如圖2所示，其將第一性原理溫室氣候模型描述為標(biāo)準(zhǔn)仿射非線性系統(tǒng)，并利用反饋線性化控制規(guī)律構(gòu)建了獨(dú)立的溫度和濕度積分通道系統(tǒng)；該方法在觀測器的基礎(chǔ)上通過引入積分滑模控制提高了系統(tǒng)的魯棒性，即使存在未知的估計誤差，也能保證良好的跟蹤性能；與采用無擾動觀測器反饋線性化的普通滑?？刂品椒ㄏ啾?，該控制方法在溫室氣候跟蹤方面效率更高［7］。Gurban等［8］建立一個基于遺傳算法整定PID控制器的溫室氣候解耦控制系統(tǒng)，利用反饋—前饋線性化方法對具有時滯和可測干擾的溫室氣候非線性模型進(jìn)行解耦；該系統(tǒng)由2個積分器與溫濕度的時滯通道組成，其中每個溫濕度控制回路都包含積分器和時滯過程；采用遺傳算法與擬合的目標(biāo)成本函數(shù)進(jìn)行PID參數(shù)整定，在參數(shù)調(diào)整方面體現(xiàn)出更優(yōu)秀的性能。Gurban［9］提出一種基于前饋補(bǔ)償技術(shù)的溫室氣候等效模型，該模型用于溫室環(huán)境控制中的線性化、解耦以及擾動補(bǔ)償過程；試驗結(jié)果表明，基于前饋—反饋線性化和解耦的補(bǔ)償器具有很好的抗干擾性能。Pión等［10］提出一種結(jié)合反饋線性化（FL）和標(biāo)準(zhǔn)線性模型預(yù)測控制（MPC）兩種不同控制方案的方法，利用觀測器獲得完整的狀態(tài)向量，通過分析受約束和實際干擾的溫室非線性模型實現(xiàn)I/O線性化；其優(yōu)勢在于MPC+FL的混合控制結(jié)構(gòu)為解決非線性控制問題提供了一種通用且計算量較少的方法，且易于進(jìn)行性能分析和優(yōu)化。Hoyo等［11］為解決西班牙南部溫室系統(tǒng)溫度調(diào)節(jié)的問題，根據(jù)系統(tǒng)的非線性描述設(shè)計了一種具有PI結(jié)構(gòu)的定量反饋理論（QFT）控制器；采用基于反饋線性化技術(shù)（FL）和定量反饋理論（QFT）組合的控制方案對溫室內(nèi)溫度進(jìn)行調(diào)節(jié)。

通過上述研究成果的分析可以看出，目前解耦方法已應(yīng)用在農(nóng)業(yè)領(lǐng)域，但仍存在一些問題：大多數(shù)解耦方法是在精確數(shù)學(xué)模型基礎(chǔ)上實現(xiàn)解耦，然而針對溫室環(huán)境難以建立精確的模型且模型不具有通用性，對于不同的溫室環(huán)境，其環(huán)境模型不同。因此，可針對不同的控制需求進(jìn)行模型的設(shè)計和優(yōu)化以適應(yīng)復(fù)雜多變的環(huán)境氣候，提高解耦方法在溫室環(huán)境中的適應(yīng)性。

3 溫室節(jié)能控制研究現(xiàn)狀

3.1 溫室環(huán)境控制的能耗問題

溫室環(huán)境控制的目的是在最小化生產(chǎn)成本的同時創(chuàng)造一個有利于植物生長的環(huán)境。在溫室環(huán)境控制的過程中能源消耗是一個不可忽視的問題，尤其是溫度控制這一環(huán)節(jié)，實際生產(chǎn)應(yīng)用中的溫室大多采用設(shè)置靜態(tài)工作點(diǎn)模式進(jìn)行環(huán)境控制，然而這種模式無法根據(jù)環(huán)境變化進(jìn)行自動調(diào)整，會損耗大量的能量。如果溫室長時間處于高溫環(huán)境中，將嚴(yán)重影響作物的生長和發(fā)育；溫室內(nèi)的氣候可以通過調(diào)節(jié)其環(huán)境系統(tǒng)進(jìn)行冷卻，與自然通風(fēng)等傳統(tǒng)的冷卻方法相比［12］，暖通空調(diào)系統(tǒng)性能更好，但當(dāng)其在夏季高溫條件下進(jìn)行生產(chǎn)工作時，冷卻這一環(huán)節(jié)無形中增加了溫室整體的運(yùn)行成本。為保證生產(chǎn)者的基本生產(chǎn)運(yùn)營，溫室的高運(yùn)營成本需要與其全年生產(chǎn)高質(zhì)量產(chǎn)品的能力相匹配，以實現(xiàn)最佳的經(jīng)濟(jì)效益，因此，實施節(jié)能控制策略對提高溫室農(nóng)業(yè)的可持續(xù)性和經(jīng)濟(jì)效益至關(guān)重要。

3.2 溫室環(huán)境系統(tǒng)中的節(jié)能控制

鑒于傳統(tǒng)靜態(tài)溫度設(shè)定點(diǎn)無法根據(jù)實際情況進(jìn)行動態(tài)優(yōu)化調(diào)節(jié)溫室內(nèi)溫度而造成的熱能消耗問題，袁洪波等［13］提出基于溫度積分算法的溫室環(huán)境控制方法，根據(jù)作物種類和生長階段確定期望平均溫度值，將全天24 h均分為長度更短的若干時間片，然后利用溫度積分原理對每一時間片的溫度調(diào)節(jié)點(diǎn)進(jìn)行計算，根據(jù)得到的溫度調(diào)節(jié)點(diǎn)結(jié)合當(dāng)前實際溫度進(jìn)行環(huán)境控制；該方法實現(xiàn)了對溫室環(huán)境的調(diào)節(jié)且具有明顯的節(jié)能效果。Maher等［14］提出一種基于模糊控制與光伏發(fā)電結(jié)合的控制方法，利用模糊控制器來管理溫室的室內(nèi)氣候，通過執(zhí)行器實現(xiàn)通風(fēng)、加熱等目的；此外，使用直接轉(zhuǎn)矩控制的感應(yīng)電機(jī)來減少傳統(tǒng)電網(wǎng)的使用，利用光伏發(fā)電系統(tǒng)來驅(qū)動變速通風(fēng)系統(tǒng)；這種基于光伏發(fā)電與模糊控制相結(jié)合的新方法在節(jié)能和降低溫室作物生產(chǎn)成本方面具有顯著的優(yōu)勢。Van等［15］提出一種節(jié)能控制方法，技術(shù)人員通過定義溫度、濕度、CO2濃度以及可用CO2的閾值來最小化溫室加熱和冷卻時所需的總能量；該方法通過研究溫室的加熱、冷卻、自然通風(fēng)和工業(yè)CO2注入等因素，對現(xiàn)有的溫室氣候模型進(jìn)行擴(kuò)展，考慮了溫室氣候控制時的多個環(huán)境因素，填補(bǔ)了以往研究在綜合考慮溫室氣候控制方面的空白；種植者在權(quán)衡預(yù)期產(chǎn)量和成本之后，可根據(jù)最小能量輸入規(guī)則來定義變量的范圍界限。

在溫室環(huán)境控制過程中，若傳感器直接暴露于陽光下，將導(dǎo)致傳感器和控制器之間的連接劣化、噪聲產(chǎn)生以及測量值不完整等，從而影響溫室氣候控制系統(tǒng)?；谶@類問題，Hameed等［16］利用擴(kuò)展Kalamn濾波器（EKF）和無中心Kalman濾波器（UKF）估計的系統(tǒng)狀態(tài)來代替有噪聲的被測系統(tǒng)狀態(tài)來降低測量噪聲；該方法提供了一種組合控制信號方案，通過最小化能源消耗將所需的設(shè)定點(diǎn)維持在可接受的范圍內(nèi)，成功地降低了測量噪聲，提高溫室氣候控制的能效。Qian等［17］利用半封閉溫室觀察垂直溫度梯度對番茄生長發(fā)育的影響，在設(shè)置有或無垂直溫度梯度的半密閉溫室中種植番茄；通過半封閉溫室收集夏季多余的太陽能，并將其儲存在含水層中，以在冬季用于溫室加熱，從而有效減少能源消耗。Mahmood等［18］提出一種基于數(shù)據(jù)驅(qū)動的模型預(yù)測控制方法（MPC），用于半密閉溫室的環(huán)境控制，利用溫室歷史數(shù)據(jù)對多層感知器模型進(jìn)行訓(xùn)練，以太陽輻射、室外溫度差以及風(fēng)機(jī)轉(zhuǎn)速等參數(shù)作為輸入來預(yù)測溫度；該模型預(yù)測控制系統(tǒng)能夠在半封閉的干旱環(huán)境中保持定值溫度，所開發(fā)的模型預(yù)測控制框架可以通過調(diào)整多層感知器模型來適應(yīng)新數(shù)據(jù)中的參數(shù)，從而減少溫度控制過程中的能量損耗。Sagheer等［19］建立一個基于云計算的多層物聯(lián)網(wǎng)平臺，該平臺用于溫室黃瓜無土栽培的種植研究，其通過連接溫室內(nèi)的所有傳感器、控制器和執(zhí)行器，以提供遠(yuǎn)程通信來監(jiān)視、控制和管理溫室；該方法在提高黃瓜產(chǎn)量和品質(zhì)的同時解決以往溫室中用水效率低的問題，降低電能消耗，實現(xiàn)真正意義上的溫室節(jié)能。

4 神經(jīng)網(wǎng)絡(luò)控制研究現(xiàn)狀

4.1 神經(jīng)網(wǎng)絡(luò)控制

各神經(jīng)網(wǎng)絡(luò)特點(diǎn)對比如表1所示。

神經(jīng)網(wǎng)絡(luò)控制是一種基于模仿生物神經(jīng)系統(tǒng)工作原理的人工智能技術(shù)，在早期發(fā)展階段主要由美國學(xué)者推動并應(yīng)用；其由大量相互連接的簡單處理單元（神經(jīng)元）組成，這些神經(jīng)元能夠接收輸入信號、進(jìn)行復(fù)雜的信息處理，并產(chǎn)生相應(yīng)的輸出結(jié)果［20］。神經(jīng)網(wǎng)絡(luò)的工作過程大致分為2個階段：第一階段，神經(jīng)元通過自學(xué)習(xí)不斷調(diào)整各計算節(jié)點(diǎn)之間的連接權(quán)值，同時保持各節(jié)點(diǎn)的狀態(tài)穩(wěn)定不變；第二階段，各計算節(jié)點(diǎn)間的連接權(quán)值不作變化，對各節(jié)點(diǎn)的輸出進(jìn)行計算，從而達(dá)到預(yù)期的穩(wěn)定狀態(tài)［21］。由于神經(jīng)網(wǎng)絡(luò)控制自身算法容易陷入局部極小值，且收斂速度慢、執(zhí)行速度較低，需要與PID控制、模糊控制等方法結(jié)合應(yīng)用［22］。

4.2 溫室環(huán)境系統(tǒng)中的神經(jīng)網(wǎng)絡(luò)控制

神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)識別等特征，因此廣泛應(yīng)用于溫室環(huán)境的建模、預(yù)測和控制等方面?，F(xiàn)階段溫室溫濕度預(yù)測模型大多是通過微分方程或傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法來進(jìn)行處理和預(yù)測，然而此類模型在控制和精度方面仍存在挑戰(zhàn)。

夏爽等［23］為提高溫室溫度模型預(yù)測的準(zhǔn)確率，提出一種基于PSO-RBF神經(jīng)網(wǎng)絡(luò)的溫室溫度預(yù)測模型，為解決梯度下降法在優(yōu)化RBF神經(jīng)網(wǎng)絡(luò)參數(shù)時收斂速度慢的問題，引入粒子群算法進(jìn)行優(yōu)化，基于實測數(shù)據(jù)建立樣本對溫室溫度進(jìn)行預(yù)測；試驗結(jié)果表明，相比使用梯度下降法優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)模型，該樣本建立的模型展現(xiàn)出更好的預(yù)測效果。然而，該方法存在局限性，其僅依賴于當(dāng)前溫室數(shù)據(jù)對室內(nèi)溫度進(jìn)行預(yù)測，隨著數(shù)據(jù)量、粒子群規(guī)模和迭代次數(shù)的增加，模型易陷入局部最優(yōu)解［24］。

張永芳等［25］采用一種基于麻雀搜索算法（SSA）和徑向基網(wǎng)絡(luò)的預(yù)測方法，以日光溫室外溫濕度及其他相關(guān)影響因子為輸入，溫室內(nèi)溫度和濕度為輸出，建立了基于SSA-RBF的日光溫室溫濕度預(yù)測模型；該模型的預(yù)測精度較高、實用性強(qiáng)，應(yīng)用于溫濕度預(yù)測的同時對指導(dǎo)日光溫室溫濕度控制有一定的參考價值。

Jung等［26］提出一種基于輸出反饋神經(jīng)網(wǎng)絡(luò)（OFNN）預(yù)測進(jìn)行通風(fēng)控制的優(yōu)化方法，所開發(fā)的預(yù)測模型成功地預(yù)測了溫室內(nèi)的溫度變化，并應(yīng)用于改善通風(fēng)控制；與傳統(tǒng)的通風(fēng)控制系統(tǒng)相比，改進(jìn)了控制性能；通過現(xiàn)場試驗，證明輸出反饋神經(jīng)網(wǎng)絡(luò)在溫室通風(fēng)控制中的優(yōu)越性。

神經(jīng)網(wǎng)絡(luò)在環(huán)境控制領(lǐng)域具有廣泛的應(yīng)用，不僅應(yīng)用于溫室環(huán)境系統(tǒng)的預(yù)測，還應(yīng)用在環(huán)境控制的其他方面：針對溫室溫度控制系統(tǒng)所存在的大慣性、非線性等問題。蔣鼎國［22］提出一種基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)PID控制器的溫室溫度控制技術(shù)，基于該控制方法的控制器可以更好地控制溫室環(huán)境溫度，從而提高作物的產(chǎn)量；該方法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，將改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)PID控制技術(shù)結(jié)合，解決了傳統(tǒng)PID控制在溫室溫度控制中參數(shù)整定困難和控制效果不理想的問題；試驗結(jié)果表明，該方案能夠快速且穩(wěn)定地追蹤環(huán)境設(shè)置值，具有很好的控制效果；但其仍然存在訓(xùn)練過程慢、易陷入局部最優(yōu)解、處理非線性問題能力差等缺點(diǎn)。

申超群等［27］提出一種具有高自適應(yīng)能力的徑向基神經(jīng)網(wǎng)絡(luò)（RBF）PID控制策略，該方法采用3層神經(jīng)網(wǎng)絡(luò)模型，在RBF神經(jīng)網(wǎng)絡(luò)PID控制過程中，利用神經(jīng)網(wǎng)絡(luò)RBF在線識別梯度信息，并根據(jù)該梯度信息對PID控制器中的3個參數(shù)進(jìn)行在線調(diào)整；試驗結(jié)果表明，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)在逼近能力、分析能力以及學(xué)習(xí)速率上均優(yōu)于BP神經(jīng)網(wǎng)絡(luò)。

彭輝等提出一種基于模糊神經(jīng)網(wǎng)絡(luò)的智能控制方案，在考慮室內(nèi)外環(huán)境因素下構(gòu)建溫室環(huán)境數(shù)學(xué)模型，利用自適應(yīng)模糊神經(jīng)推理系統(tǒng)（ANFIS）根據(jù)溫度和濕度差推理獲得控制輸出。模糊神經(jīng)網(wǎng)絡(luò)的特點(diǎn)在于其處理模糊輸入和輸出的能力，這使得其結(jié)果的精確性相對較低；因此，需要進(jìn)一步研究更精確、可靠的控制算法，以提升其準(zhǔn)確性。

Belhaj等［28］基于Elman神經(jīng)網(wǎng)絡(luò)構(gòu)建的深層多層感知器（MLP）神經(jīng)網(wǎng)絡(luò)作為神經(jīng)控制器，用于近似模擬系統(tǒng)的逆動力學(xué)；將這一理論與深度Elman神經(jīng)模型進(jìn)行級聯(lián)，用于控制溫室內(nèi)部氣候；該方法的優(yōu)勢在于能夠提供準(zhǔn)確且有效的溫室建模和控制結(jié)果；然而，溫室控制往往需要實時性，Elman網(wǎng)絡(luò)的訓(xùn)練和預(yù)測時間較長，難以滿足實時控制的需求，還需進(jìn)一步整合其他控制算法進(jìn)行優(yōu)化來提高控制效果和實時性，以提高溫室環(huán)境的調(diào)控精度。

5 存在問題及發(fā)展趨勢

基于目前溫室環(huán)境控制的研究現(xiàn)狀，本文介紹了現(xiàn)階段主流的4種控制方法，并分析其在溫室環(huán)境控制中存在的優(yōu)勢和不足以及主要適用范圍，如表2所示。對于溫室環(huán)境控制技術(shù)的發(fā)展來說，仍然存在著許多新的挑戰(zhàn)和機(jī)遇；針對目前研究所發(fā)現(xiàn)的問題，討論今后溫室環(huán)境控制技術(shù)的發(fā)展方向：通過對智能控制算法、溫室能耗優(yōu)化以及農(nóng)藝與環(huán)境控制的深度融合，未來的溫室環(huán)境控制技術(shù)有望實現(xiàn)更精確、高效和可持續(xù)的生產(chǎn)模式。

5.1 存在問題

5.1.1 環(huán)境控制因素單一

現(xiàn)階段，許多溫室環(huán)境控制方法僅僅考慮了單一環(huán)境因素或僅涵蓋了少數(shù)相關(guān)的影響因子；然而，這種控制方式在溫室這一復(fù)雜環(huán)境系統(tǒng)中并不適用：首先，溫室內(nèi)環(huán)境是一個復(fù)雜的系統(tǒng)，受多個環(huán)境因素的綜合影響，溫度、濕度、光照、CO2濃度等都相互作用，共同影響著植物的生長和發(fā)育，只關(guān)注其中一個或幾個環(huán)境因素，無法完全滿足植物的需求，可能導(dǎo)致作物生長速率下降、產(chǎn)量不穩(wěn)定等；其次，單一因素的控制方法忽略了不同環(huán)境因素之間的耦合關(guān)系，這種局部優(yōu)化的控制方式會導(dǎo)致整體環(huán)境失衡，無法最大程度地促進(jìn)作物的健康生長；另外，不同作物對環(huán)境因素的需求也各不相同，即使是相同的溫室環(huán)境，不同作物對溫度、濕度、光照等因素的偏好也會有所差異。由此可知，單一因素的控制方法無法充分考慮到作物的個體差異和特殊需求，難以實現(xiàn)個性化和精準(zhǔn)化的控制。

5.1.2 能源利用效率低

目前溫室環(huán)境控制方法雖然能確保農(nóng)作物穩(wěn)定生長，但其在能源利用效率方面仍有待改進(jìn)：首先，溫室種植作物生長過程中需要大量的溫控設(shè)備來維持適宜的溫度，會消耗大量的能源資源；其次，溫室農(nóng)業(yè)需要使用人工照明系統(tǒng)滿足作物的光照需求，同樣需要大量的能源支持；此外，目前大部分溫室仍依賴燃?xì)夂碗娏Φ葌鹘y(tǒng)能源，而未充分利用可再生能源，這種依賴模式導(dǎo)致對有限傳統(tǒng)能源資源的過度消耗。由此可知，目前溫室環(huán)境控制中對不可再生能源的利用效率偏低，且未發(fā)揮可再生能源在溫室農(nóng)業(yè)中的利用潛力。

5.1.3 控制模型動態(tài)調(diào)整能力差

溫室環(huán)境控制模型在動態(tài)調(diào)整能力方面還存在不足：首先，傳統(tǒng)的溫室環(huán)境控制模型通常基于靜態(tài)的參數(shù)設(shè)置或預(yù)設(shè)的規(guī)則，但這種靜態(tài)模型無法實時響應(yīng)溫室內(nèi)的實際情況和變化需求，一旦外界的溫度、濕度、光照等環(huán)境因素發(fā)生變化，控制模型往往無法及時調(diào)整，導(dǎo)致溫室內(nèi)的環(huán)境無法達(dá)到最佳狀態(tài)；其次，作物生長過程中的不同階段對環(huán)境的需求是動態(tài)變化的，而傳統(tǒng)的溫室環(huán)境控制方法難以實時調(diào)整模型以適應(yīng)作物不同生長階段的需求變化，且外界環(huán)境條件的變化也會對溫室環(huán)境產(chǎn)生影響，如天氣變化、季節(jié)轉(zhuǎn)變以及突發(fā)事件等因素都可能會影響溫室內(nèi)氣候參數(shù)。由此可知，傳統(tǒng)的控制方法模型通常不具備識別和適應(yīng)這些外界變化的能力，無法及時調(diào)整和優(yōu)化控制策略，這使得溫室內(nèi)的環(huán)境無法有效應(yīng)對外界變化，從而影響作物的生長品質(zhì)及產(chǎn)量。

5.2 發(fā)展趨勢

5.2.1 溫室環(huán)境系統(tǒng)多變量控制

現(xiàn)代農(nóng)業(yè)中的溫室系統(tǒng)是一種低能耗、高產(chǎn)量的生產(chǎn)方式，保持適宜的溫度是溫室環(huán)境控制的一個主要問題，因為這影響到植物的未來發(fā)育和產(chǎn)量［29］；溫室作物生長受CO2濃度、光合有效輻射和溫度的影響較大，后兩者直接影響白天條件下的光合作用。目前溫室系統(tǒng)的控制研究主要針對溫室中溫度這單一變量的控制，往往忽略了控制溫度改變的同時也會引起濕度等其他環(huán)境變量的變化：溫室中的作物光合作用速率間接影響濕度含量，即當(dāng)葉片氣孔打開捕獲CO2時，植物通過蒸騰過程釋放水蒸氣，增加溫室內(nèi)的濕度［30］。因此，僅考慮溫度這單一變量的控制，無法滿足變量之間的協(xié)調(diào)控制，需要結(jié)合濕度之間的耦合關(guān)系進(jìn)行綜合控制。

綜上所述，在溫度和濕度的控制研究中，一定程度上考慮了系統(tǒng)的多變量性和耦合性；在實際應(yīng)用中，CO2濃度和光照強(qiáng)度等其他環(huán)境因素也是溫室系統(tǒng)中至關(guān)重要的環(huán)境變量；只有綜合調(diào)節(jié)和控制這些關(guān)鍵因素，才能獲得較好的控制效果。

5.2.2 環(huán)境控制的可持續(xù)性和節(jié)能性

溫室系統(tǒng)環(huán)境控制的可持續(xù)性和節(jié)能性是當(dāng)今農(nóng)業(yè)領(lǐng)域至關(guān)重要的議題。在不斷增長的全球人口和糧食需求的背景下，溫室系統(tǒng)成為滿足生產(chǎn)需求的關(guān)鍵工具。然而，這些系統(tǒng)需要大量的能源和資源來維持溫度、濕度和光照等環(huán)境條件，因此必須尋求可持續(xù)和節(jié)能的解決方案。

可持續(xù)性是指溫室系統(tǒng)的長期穩(wěn)定性和資源利用效率。傳統(tǒng)的溫室系統(tǒng)常常依賴于大量的化石燃料和化學(xué)肥料，這不僅對環(huán)境造成了負(fù)擔(dān)，還增加了生產(chǎn)成本；通過采用可再生能源、循環(huán)利用廢棄物和使用有機(jī)肥料等方法，可以降低對資源的依賴，減少對環(huán)境的影響。節(jié)能性是指在溫室系統(tǒng)運(yùn)行過程中減少能源消耗的能力。溫室系統(tǒng)通常需要維持特定的溫度、濕度和光照條件，而這些操作往往需要消耗大量的電力和燃?xì)?；通過采用先進(jìn)的節(jié)能技術(shù)，如高效的絕緣材料、智能化自動控制系統(tǒng)和能源回收裝置，可以有效降低能源消耗，提高系統(tǒng)的能效。

5.2.3 溫室環(huán)境控制模型的優(yōu)化

溫室環(huán)境控制系統(tǒng)大多是基于溫室作物生長和小氣候環(huán)境模型，而現(xiàn)階段大多數(shù)學(xué)者所研發(fā)的模型主要是從研究的角度出發(fā)，并沒有充分考慮作物在不同生長發(fā)育階段中的參數(shù)特性。由于不同溫室環(huán)境具有各自的特點(diǎn)，因此模型類型也存在差異，缺乏通用性。盡管目前涌現(xiàn)了許多與溫室控制算法相關(guān)的研究，但在實際應(yīng)用方面取得成功的案例相對較少；因此，要實現(xiàn)良好的溫室環(huán)境控制效果，必須構(gòu)建以滿足控制需求為基礎(chǔ)的模型結(jié)構(gòu)，只有通過針對控制需求進(jìn)行模型設(shè)計和優(yōu)化，才能真正實現(xiàn)溫室環(huán)境的有效控制與管理。

5.2.4 農(nóng)藝與環(huán)境控制

隨著溫控技術(shù)的不斷完善，溫室環(huán)境控制將更加注重農(nóng)藝與環(huán)境控制的深度融合，這將使溫室成為一個高度智能化的生產(chǎn)空間：利用智能控制系統(tǒng)對設(shè)施內(nèi)的環(huán)境條件進(jìn)行監(jiān)控和調(diào)節(jié)，包括溫度、濕度、CO2濃度等，以創(chuàng)造最適宜植物生長的生態(tài)環(huán)境；同時，基于大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)算法，生產(chǎn)者可以根據(jù)植物的生長階段、品種特性和市場需求，精確調(diào)整環(huán)境參數(shù)。此外，溫室內(nèi)的水肥一體化系統(tǒng)，通過實時監(jiān)測植物的生理參數(shù)（光合速率、蒸騰速率、土壤濕度等），結(jié)合氣象數(shù)據(jù)和水質(zhì)監(jiān)測，可以根據(jù)植物的需求準(zhǔn)確供應(yīng)所需的水分和營養(yǎng)物質(zhì)，實現(xiàn)精準(zhǔn)施肥；通過精確供給水分，最大程度地提高養(yǎng)分利用效率，避免了傳統(tǒng)農(nóng)業(yè)中水分的浪費(fèi)，大大提高了水資源的利用效率?？偠灾?，未來溫室環(huán)境控制將實現(xiàn)農(nóng)藝與環(huán)境控制的深度融合，通過智能化的技術(shù)手段提升農(nóng)業(yè)生產(chǎn)的效率和質(zhì)量。

6 結(jié)語

溫室環(huán)境控制方法在現(xiàn)代農(nóng)業(yè)生產(chǎn)中的重要性不可低估，未來溫室環(huán)境控制將通過智能化、多技術(shù)融合，提高農(nóng)作物生長效益和能源利用效率；通過應(yīng)用人工智能和大數(shù)據(jù)等智能化控制技術(shù)，溫室系統(tǒng)能夠?qū)崿F(xiàn)對環(huán)境參數(shù)的智能感知、分析和控制；同時，結(jié)合傳統(tǒng)控制技術(shù)和環(huán)境系統(tǒng)多變量控制技術(shù)形成綜合的控制策略，實現(xiàn)溫室環(huán)境的穩(wěn)定控制；此外，溫室節(jié)能控制技術(shù)和農(nóng)藝水肥與環(huán)境控制技術(shù)的融合，也是未來的發(fā)展方向，以實現(xiàn)溫室的節(jié)能、低碳和可持續(xù)發(fā)展。綜合運(yùn)用這些技術(shù)和方法，未來溫室將逐步向著高產(chǎn)、高效、環(huán)保、節(jié)能的方向穩(wěn)步發(fā)展，促成溫室農(nóng)業(yè)生產(chǎn)綠色、健康、可持續(xù)。

參 考 文 獻(xiàn)

［1］ 趙建軍. 變頻跟蹤調(diào)速帶式輸送機(jī)PLC模糊控制系統(tǒng)設(shè)計［J］. 中國礦業(yè)， 2020， 29（3）： 100-104.

Zhao Jianjun. Design of PLC fuzzy control system for frequency tracking speed regulating belt conveyor ［J］. China Mining Magazine， 2020， 29（3）： 100-104.

［2］ Shan X M. Research on control system of greenhouse temperature and humidity based on Fuzzy PID ［J］. Applied Mechanics and Materials， 2014， 687： 3395-3398.

［3］ Li Q， Zhang D， Ji J， et al. Modeling of natural ventilation using a hierarchical fuzzy control system for a new energy-saving solar greenhouse ［J］. Applied Engineering in Agriculture， 2018， 34（6）： 953-962.

［4］ 姬鵬飛， 付婭琦， 楊北方. 基于單神經(jīng)元PID的溫室系統(tǒng)多變量解耦控制研究［J］. 中國農(nóng)機(jī)化學(xué)報， 2020， 41（8）： 143-147.

Ji Pengfei， Fu Yaqi， Yang Beifang. Research on decoupling control of multi-variable greenhouse system based on single neuron PID ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（8）： 143-147.

［5］ Azaza M， Echaieb K， Tadeo F， et al. Fuzzy decoupling control of greenhouse climate ［J］. Arabian Journal for Science and Engineering， 2015， 40： 2805-2812.

［6］ Chen L， Du S， Xu D， et al. Sliding mode control based on disturbance observer for greenhouse climate systems ［J］.Mathematical Problems in Engineering， 2018， 2018.

［7］ 何南思. 溫室大棚環(huán)境參數(shù)控制［D］. 沈陽： 沈陽工業(yè)大學(xué)， 2014.

He Nansi. Environmental parameters control for greenhouse ［D］. Shenyang： Shenyang University of Technology， 2014.

［8］ Gurban E H， Dragomir T L， Andreescu G D. Greenhouse climate control enhancement by using genetic algorithms ［J］. Journal of Control Engineering and Applied Informatics， 2014， 16（3）： 35-45.

［9］ Gurban E H， Andreescu G D. Comparison study of PID controller tuning for greenhouse climate with feedback-feedforward linearization and decoupling ［C］. 2012 16th International Conference on System Theory， Control and Computing （icstcc）. IEEE， 2012： 1-6.

［10］ Pión S， Camacho E F， Kuchen B， et al. Constrained predictive control of a greenhouse ［J］. Computers and Electronics in Agriculture， 2005， 49（3）： 317-329.

［11］ Hoyo A， Moreno J C， Guzmán J L， et al. Robust QFT-based feedback linearization controller of the greenhouse diurnal temperature using natural ventilation ［J］. IEEE Access， 2019， 7： 64148-64161.

［12］ 塔娜， 馬文娟， 張海鑫. 日光溫室在自然通風(fēng)狀態(tài)下內(nèi)拱膜對室內(nèi)溫度的影響［J］. 內(nèi)蒙古農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版）， 2016， 37（3）： 88-92.

Ta Na， Ma Wenjuan， Zhang Haixin. Effect of internal film on temperature field in solar greenhouse with natural ventilation ［J］. Journal of Inner Mongolia Agricultural University （Natural Science Edition）， 2016， 37（3）： 88-92.

［13］ 袁洪波， 李莉， 王俊衡， 等. 基于溫度積分算法的溫室環(huán)境控制方法［J］. 農(nóng)業(yè)工程學(xué)報， 2015， 31（11）： 221-227.

Yuan Hongbo， Li Li， Wang Junheng， et al. Control method for greenhouse climate based on temperature integration ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（11）： 221-227.

［14］ Maher A， Kamel E， Enrico F， et al. An intelligent system for the climate control and energy savings in agricultural greenhouses ［J］. Energy Efficiency， 2016， 9： 1241-1255.

［15］ Van Beveren P J M， Bontsema J， Van Straten G， et al. Optimal control of greenhouse climate using minimal energy and grower defined bounds ［J］. Applied Energy， 2015， 159： 509-519.

［16］ Hameed I A， Sorensen C G. A more energy efficient controller for the greenhouses climate control system ［J］. Applied Engineering in Agriculture， 2010， 26（3）： 491-498.

［17］ Qian T， Dieleman J A， Elings A， et al. Response of tomato crop growth and development to a vertical temperature gradient in a semi-closed greenhouse ［J］. The Journal of Horticultural Science and Biotechnology， 2015， 90（5）： 578-584.

［18］ Mahmood F， Govindan R， Bermak A， et al. Energy utilization assessment of a semi-closed greenhouse using data-driven model predictive control ［J］. Journal of Cleaner Production， 2021， 324： 129172.

［19］ Sagheer A， Mohammed M， Riad K， et al. A cloud-based IoT platform for precision control of soilless greenhouse cultivation ［J］. Sensors， 2020， 21（1）： 223.

［20］ 彭炫. 基于神經(jīng)網(wǎng)絡(luò)的大棚環(huán)境變量解耦控制系統(tǒng)的研究與開發(fā)［D］. 新疆： 新疆大學(xué)， 2018.

Peng Xuan. Research and design on greenhouse environment decoupling control based on neural network ［D］. Xinjiang： Xinjiang University， 2018.

［21］ 邰成. 智能溫室控制算法的研究與應(yīng)用［D］. 南京： 南京郵電大學(xué)， 2014.

Tai Cheng. The research and applications on the intelligent control algorithm for the greenhouse ［D］. Nanjing： Nanjing University of Posts and Telecommunications， 2014.

［22］ 蔣鼎國. 基于改進(jìn)型BP神經(jīng)網(wǎng)絡(luò)PID控制器的溫室溫度控制技術(shù)［J］. 實驗室研究與探索， 2015， 34（1）： 9-13.

Jiang Dingguo. The temperature control of greenhouse based on novel PID controller ［J］. Research and Exploration in Laboratory， 2015， 34（1）： 9-13.

［23］ 夏爽， 李麗宏. 基于PSO-RBF神經(jīng)網(wǎng)絡(luò)在溫室溫度預(yù)測中的應(yīng)用［J］. 計算機(jī)工程與設(shè)計， 2017， 38（3）： 744-748.

Xia Shuang， Li Lihong. Application of greenhouse temperature prediction based on PSO-RBF neutral network ［J］. Computer Engineering and Design， 2017， 38（3）： 744-748.

［24］ 紀(jì)雪玲， 李明， 李瑋. 一種克服局部最優(yōu)的收縮因子PSO算法［J］. 計算機(jī)工程， 2011， 37（20）： 213-215.

Ji Xueling， Li Ming， Li Wei. Constriction factor particle swarm optimization algorithm with overcoming local optimum ［J］. Computer Engineering， 2011， 37（20）： 213-215.

［25］ 張永芳， 王芳. 基于SSA-RBF網(wǎng)絡(luò)的日光溫室溫濕度預(yù)測模型研究［J］. 河北農(nóng)業(yè)大學(xué)學(xué)報， 2021， 44（3）： 115-121.

Zhang Yongfang， Wang Fang. Study on temperature and humidity prediction model of solar greenhouse based on SSA-RBF network ［J］. Journal of Hebei Agricultural University， 2021， 44（3）： 115-121.

［26］ 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， 2020， 20（6）： 1756.

［27］ 申超群， 楊靜. 溫室溫度控制系統(tǒng)的RBF神經(jīng)網(wǎng)絡(luò)PID控制［J］. 控制工程， 2017， 24（2）： 361-364.

Shen Chaoqun， Yang Jing. RBF neural network PID control for greenhouse temperature control system ［J］. Control Engineering of China， 2017， 24（2）： 361-364.

［28］ Belhaj Salah L， Fourati F. A greenhouse modeling and control using deep neural networks ［J］. Applied Artificial Intelligence， 2021， 35（15）： 1905-1929.

［29］ Takahata K， Miura H. Effects of growth period and air temperature on the position of the inflorescence on the stem of tomato plants ［J］. The Horticulture Journal， 2017， 86（1）： 70-77.

［30］ Sagrado J D， Sanchez J A， Rodríguez F， et al. Bayesian networks for greenhouse temperature control ［J］. Journal of Applied Logic， 2016， 17： 25-35.