面向自動控制的日光溫室卷膜控制決策方法研究

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)驗管理變?yōu)樽詣踊芾?，選取溫室番茄產(chǎn)量在同地區(qū)較高的溫室作為研究對象，實時監(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）算法分別構建溫、濕度預測模型和卷膜決策模型，并與隨機森林算法（Random Forest，RF） 和極端梯度提升算法（Extreme Gradient Boosting，XG Boost）的預測結果進行對比分析。最后基于決策模型設計搭建卷膜控制系統(tǒng)，并于典型晴天、陰天和雨天進行試驗驗證。結果表明：基于Cat Boost的日光溫室內(nèi)環(huán)境（室內(nèi)溫度和室內(nèi)相對濕度）預測值與實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，其卷膜決策模型準確率達到92.1%；基于Cat Boost的卷膜決策模型設計搭建的卷膜控制系統(tǒng)可以準確預測卷膜狀態(tài)的變化，并進行精準控制，具有較強的實踐價值和推廣意義。

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

中圖分類號：S626.5; TP274+.2

文獻標識碼：A

文章編號：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

*基金項目：國家重點研發(fā)計劃項目（2021YFE0103000）；國家自然科學基金項目（52009111）;陜西省重點研發(fā)計劃項目（2020ZDLNY01—01）

第一作者：陸麗瓊，女，1996年生，南寧人，碩士研究生；研究方向為水肥灌溉決策。E-mail： 702073529@qq.com

通訊作者：朱德蘭，女，1969年生，青海人，教授，博導；研究方向為設施水肥與環(huán)境調(diào)控技術。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化控制發(fā)展，自動化管理能根據(jù)作物需要，將環(huán)境控制在相對穩(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個階段：定值開關控制階段、傳統(tǒng)自動控制階段和智能控制階段。智能控制技術在我國具有廣闊的研究和應用前景^{[2， 3]}。Jung等^[4]使用輸出反饋神經(jīng)網(wǎng)絡預測和優(yōu)化方法開發(fā)了一種新的通風控制邏輯。涂泓濱等^[5]通過建立調(diào)控設備控制時間與溫室環(huán)境參數(shù)間的關系，提出溫度控制策略。邢希君等^[6]采用雙模糊邏輯控制器對多種環(huán)境變量進行調(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型溫室夏季降溫補光能耗模型。Lin等^[8]提出一種溫室氣候分級控制策略，設計了預測控制器。

為使溫室環(huán)境控制更加精準，不少學者對溫室小氣候展開模擬。近年來，由于深度學習與神經(jīng)網(wǎng)絡能處理多變量間的冗余交叉及時序性特征，在溫室環(huán)境預測領域內(nèi)逐漸成為研究熱點，國內(nèi)外許多學者利用深度學習對溫室環(huán)境因子預測模擬進行了深入研究^[9-12]。程陳等^[13]利用Elman神經(jīng)網(wǎng)絡對日光溫室內(nèi)環(huán)境數(shù)據(jù)進行了模擬。左志宇等^[14]采用時序分析法建立了溫度預測模型。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)為輸出的預測模型。雖然這些模型能夠較準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、相對濕度、卷膜開度作為輸出值，構建溫、濕度預測模型和卷膜決策模型，設計搭建卷膜控制系統(tǒng)，并于晴天與陰天進行試驗驗證，以期為指導溫室番茄栽培環(huán)境調(diào)控和實現(xiàn)溫室自動化控制管理提供理論參考和技術支撐。

1 材料與方法

1.1 試驗設計

1.1.1 試驗區(qū)篩選

在溫室中，環(huán)境控制水平對作物長勢和產(chǎn)量起重要作用。為了選取管理較為規(guī)范的溫室，以期構建具有實踐指導意義的卷膜決策模型，前期進行走訪調(diào)研，在陜西省咸陽市楊凌示范區(qū)選取3個番茄種植品種相同、管理水平較高的溫室作為跟蹤對象。對溫室內(nèi)番茄生長指標進行比較，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。在3個溫室中分別選擇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個溫室中，2號溫室的番茄長勢最好、產(chǎn)量最高，故選取2號溫室為研究對象。

1.1.2 試驗區(qū)概況

試驗區(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 ℃，屬溫帶半濕潤季風氣候。試驗用半拱形日光溫室，長度為50 m，寬度為8 m，東西向布局，南面設有通風口，通風口卷膜的開閉根據(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片真葉時定植，采用溝壟覆膜種植模式，起壟時一管兩行布置，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 測定項目與方法

日光溫室內(nèi)安裝有自動氣象監(jiān)測系統(tǒng)，該系統(tǒng)監(jiān)測數(shù)據(jù)有光照強度、溫度和相對濕度，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)測相對濕度的精度為±3%。進行24 h連續(xù)自動觀測，每1 h采集1次數(shù)據(jù)，所有氣象數(shù)據(jù)自動記錄存儲在采集器中。

卷膜控制通過農(nóng)事管理記錄和通風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、室外相對濕度、風速、光照強度、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。溫室結構及傳感器布設如圖2所示。

試驗的時間為2021年9月27日—2022年1月4日，即秋茬番茄生長的1個完整生育期。

1.2 模型描述

1.2.1 Cat Boost模型

Cat Boost是一種新的梯度增強決策樹算法，提出了新的方法解決梯度偏差以及預測偏移問題，能防止模型過擬合，保證所有數(shù)據(jù)都用于學習，提高了算法的準確性和泛化能力^[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（·）——整個決策樹的輸出；

x——樣本的輸入；

w——整個決策樹的參數(shù)；

α_t——第t棵樹的權重；

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)過加權后第t棵決策樹的輸出。

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

1.2.2 模型檢驗統(tǒng)計變量

采用均方根誤差RMSE（Root Mean Squared Error）、平均絕對誤差MAE（Mean Absolute Error）及決定系數(shù)R²（Coefficient of Determination）對模擬值和實測值之間的擬合度進行統(tǒng)計分析，以驗證模型的精確度，計算分別見式（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——實際觀測值；

SIM——模擬平均值；

OBS——實際觀測平均值；

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 結果與分析

2.1 溫室內(nèi)溫度、相對濕度與卷膜控制關系

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

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、相對濕度變化與卷膜控制的關系分別如圖3～圖5所示，溫室內(nèi)外溫度、相對濕度變化走勢大致相同，溫度和濕度變化趨勢呈顯著負相關。

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，相對濕度在90%左右浮動，隨著太陽輻射增強，室外溫度逐步上升，光照強度逐漸增大，溫室內(nèi)溫度迅速上升，相對濕度迅速下降，10：00開啟卷膜，此時室內(nèi)溫度超過20℃，由于溫室內(nèi)外空氣對流，溫室內(nèi)溫度、相對濕度出現(xiàn)波動。14：00—17：00，隨著太陽輻射的減少，溫室內(nèi)溫度迅速下降，相對濕度迅速上升。16：00關閉卷膜，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，相對濕度逐漸下降。午時溫度不高，故不開啟卷膜，全天溫度變化平緩，于12：00達到最大值，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，相對濕度在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)外空氣對流，造成溫室內(nèi)溫度下降，故卷膜常在中午溫度較高時開啟，在全天溫度較低時保持關閉狀態(tài)。

2.2 模型構建

構建室內(nèi)溫度、相對濕度預測模型和卷膜決策模型，模型通過Python軟件編程實現(xiàn)，具體流程如圖6所示。

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

再將相關系數(shù)大的氣象數(shù)據(jù)作為特征輸入，對應的室內(nèi)溫度、相對濕度、卷膜狀態(tài)作為輸出，使用網(wǎng)格搜索法進行調(diào)參尋優(yōu)，選取樹的個數(shù)（n， estimators）、樹的深度、學習率（learning_rate）進行優(yōu)化。

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

2.2.1 相關性分析

溫室番茄全生育期共獲得2208組數(shù)據(jù)，由溫室內(nèi)溫度、相對濕度和溫室外氣溫、相對濕度、風速、光照強度、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軟件對上述數(shù)據(jù)集進行相關性分析，通常將Pearson相關系數(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、弱相關、相關、強相關和極強相關5個區(qū)間^[19]。相關性分析結果如表1所示，室內(nèi)溫度與地溫0 cm呈極強相關，與室外溫度、光照強度呈強相關；室內(nèi)相對濕度與光照強度呈極強負相關，與室外相對濕度呈強相關，與地溫0 cm呈強負相關；卷膜狀態(tài)與地溫0 cm、光照強度呈強相關。最終保留相關性系數(shù)大于0.2的值。

2.2.2 溫室內(nèi)溫度、相對濕度預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。

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

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

由表3可知，溫度與相對濕度預測模型中，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模型的準確率最高，達到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確率較高，可用于構建卷膜控制系統(tǒng)。

2.3 模型應用

1） 卷膜控制系統(tǒng)?；贑at Boost卷膜決策模型構建卷膜自動控制系統(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程端組成，可通過手機端、遠程客戶端和本地端觸摸屏（型號為MT6103iP）進行手動控制。現(xiàn)場控制模塊由PLC控制器（型號為LK3U-64）發(fā)出控制指令，電機根據(jù)指令開啟或關閉卷膜。

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，輸出的預測值大于等于0.5時，卷膜決策結果為開啟；預測值小于0.5時，卷膜決策結果為關閉。具體控制流程如圖9所示。

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

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

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

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

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

3 結論

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、相對濕度預測模型與卷膜決策模型，與XG Boost和RF模型的模擬效果進行對比分析，并基于決策模型設計搭建卷膜控制系統(tǒng)，于晴天、陰天與雨天進行試驗驗證。

1） 基于Cat Boost算法的日光溫室環(huán)境（溫度、相對濕度）模擬效果最優(yōu)，其模擬值與實測值的均方根誤差分別為0.91℃、4.73%，平均絕對誤差分別為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確率高達92.1%。

3） 基于卷膜決策模型的卷膜控制系統(tǒng)可以準確預測卷膜狀態(tài)的變化，并及時進行控制。在驗證試驗中，溫室卷膜控制系統(tǒng)的控制效果好，能夠精準控制卷膜開閉。

參 考 文 獻

[1]劉明瑋. 基于神經(jīng)網(wǎng)絡和NSGAⅡ的溫室多目標優(yōu)化控制研究[D]. 哈爾濱： 東北農(nóng)業(yè)大學， 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相容切換控制方法研究[D]. 南京： 東南大學， 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， 等. 中國溫室環(huán)境控制研究進展[J]. 中國農(nóng)學通報， 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)工程學報， 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)設計[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)機械學報， 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)境模擬模型的構建[J]. 農(nóng)業(yè)工程學報， 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)絡結合的日光溫室溫度二步預測方法[J]. 農(nóng)業(yè)機械學報， 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記憶神經(jīng)網(wǎng)絡預測水產(chǎn)養(yǎng)殖水體溶解氧[J].農(nóng)業(yè)工程學報， 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的豬舍氨氣濃度預測研究[J]. 農(nóng)業(yè)機械學報， 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)工程學報， 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. 基于時序分析法的溫室溫度預測模型[J]. 農(nóng)業(yè)機械學報， 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測模型[J]. 農(nóng)業(yè)機械學報， 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， 康守強， 等. 基于改進深度森林的滾動軸承剩余壽命預測方法[J]. 中國電機工程學報， 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)量的時空變化特征[J]. 環(huán)境科學與技術， 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.