摘 要：溫室環(huán)境是一種非線性、強耦合性、多干擾性、時滯性的動態(tài)環(huán)境系統(tǒng)，有效的控制模式可以確保溫室內(nèi)部環(huán)境穩(wěn)定，提供最佳的生長條件，從而提高作物的產(chǎn)量和質(zhì)量。目前，對于農(nóng)業(yè)溫室的控制模式提取問題仍缺乏較好的解決方法。為此，研究了一種基于機器學習的溫室控制模式提取方法。通過非均勻采樣方法處理數(shù)據(jù)，使用機器學習分析方法實現(xiàn)溫室控制模式的提?。煌ㄟ^建立溫室的時間-溫度模型，對溫室控制系統(tǒng)進行分析和再設計，驗證了所提方法的可行性及優(yōu)勢。實驗結果表明，所提方法可應用于溫室控制模式的提取，再設計的溫室控制系統(tǒng)是可觀測的、點對點可控的；相較于一般的PID控制和DSS控制模式，該方法具有調(diào)節(jié)時間快、超調(diào)量小、抗干擾能力強的特點。這一研究為現(xiàn)代設施農(nóng)業(yè)溫室的控制提供了一種有效的模式提取方法，對溫室控制的系統(tǒng)化和智能化發(fā)展具有一定的促進作用。

關鍵詞：溫室；控制模式；模式提??；機器學習；非均勻采樣；時間-溫度模型

中圖分類號：TP391.4；S625 文獻標識碼：A 文章編號：2095-1302（2025）05-00-06

0 引 言

國家農(nóng)業(yè)現(xiàn)代化規(guī)劃大力推進設施農(nóng)業(yè)[1]在農(nóng)業(yè)中的戰(zhàn)略結構性調(diào)整，促進科技成果轉化以引領農(nóng)業(yè)發(fā)展，完善農(nóng)業(yè)基礎設施建設，為我國農(nóng)業(yè)長期、穩(wěn)定、高質(zhì)量發(fā)展提供了有力支持[2]。溫室作為現(xiàn)代設施農(nóng)業(yè)的重要組成部分，其環(huán)境具有非線性、強耦合性、多干擾性和時滯性的動態(tài)特點[3]。溫室控制作為設施農(nóng)業(yè)種植與生產(chǎn)過程中的關鍵環(huán)節(jié)，是提高生產(chǎn)效率、保障農(nóng)作物品質(zhì)的重要措施[4]。溫室控制涉及的變化量繁多、波動范圍廣、干擾因素復雜，是農(nóng)業(yè)溫室控制研究的難點和關鍵[5]。近年來，機器學習與農(nóng)業(yè)領域的融合為我國現(xiàn)代化農(nóng)業(yè)帶來了重要發(fā)展機遇，以機器學習為理論基礎的設施農(nóng)業(yè)需求方案也隨之增加[6]。因此，通過機器學習算法對大量農(nóng)業(yè)數(shù)據(jù)進行挖掘與分析，進而生成控制模式的方法也應運而生。

文獻[7]在溫室溫度約束模型預測控制研究中針對溫室溫度控制中模型參數(shù)不確定、系統(tǒng)時滯和調(diào)控設備的物理限制問題，研究了溫室溫度約束模型的預測控制；文獻[8]在溫室環(huán)境參數(shù)模糊專家控制系統(tǒng)的設計中通過對參數(shù)最優(yōu)值的預測設計多階變化率模糊控制器，以實現(xiàn)專家系統(tǒng)控制；文獻[9]從常規(guī)比例微積分控制、模糊控制、人工智能控制、溫室小氣候模型和作物生長模型等5個方面，綜述了溫室環(huán)境控制策略的研究進展，提出了將智能溫室控制與作物生長模型耦合，構建智慧型作物生長模型；文獻[10]指出溫室環(huán)境控制領域的發(fā)展趨勢主要包括：構建考慮擾動因素影響的溫室環(huán)境控制方法，研究基于作物生長和表型評價體系的環(huán)境調(diào)控模型，以及建立多模型融合的“云-邊-端”協(xié)同溫室環(huán)境調(diào)控系統(tǒng)。然而，目前仍缺乏較為有效的方法來解決農(nóng)業(yè)溫室中控制模式的提取問題，缺乏基于機器學習的農(nóng)業(yè)溫室控制模式分析方法，也缺少對機器學習與溫室控制理論的深入研究與實驗。

本文通過非均勻采樣方法處理數(shù)據(jù)，利用機器學習分析方法解決溫室控制模式的提取問題，建立溫室的時間-溫度模型，實現(xiàn)溫室控制系統(tǒng)的分析和再設計。評估通過該方法提取的溫室控制模式在調(diào)節(jié)時間、超調(diào)量和抗干擾能力方面的表現(xiàn)，驗證基于機器學習的溫室控制模式提取方法的可行性及優(yōu)勢。結果表明，本文的研究方法可用于溫室控制模式的提取，這為現(xiàn)代設施農(nóng)業(yè)溫室的控制模式的分析和提取提供了有效方案，對溫室控制系統(tǒng)的系統(tǒng)化和智能化發(fā)展起到一定的促進作用。

1 材料與方法

1.1 實驗材料

通過2019—2022年在西藏自治區(qū)拉薩市、那曲市、日喀則市、山南市等地市的調(diào)研與數(shù)據(jù)收集，本文所用數(shù)據(jù)均來自拉薩市白定縣智昭產(chǎn)業(yè)園的5個型號為T1OR的溫度記錄儀記錄的共71 450組溫度數(shù)據(jù)。

1.2 實驗方法

本文致力于研究一種基于機器學習的溫室控制模式提取方法。通過對采集到的溫室溫度數(shù)據(jù)進行非均勻采樣處理，使用機器學習分析方法，實現(xiàn)對溫室控制模式的提取。建立溫室的時間-溫度模型，通過對溫室控制系統(tǒng)的分析和再設計，驗證該方法的可行性及優(yōu)勢。

1.3 數(shù)據(jù)處理

本文采用非均勻采樣方法實現(xiàn)數(shù)據(jù)處理。非均勻采樣[11]是指在采樣過程中，面對采樣點之間不固定的間隔，根據(jù)某種規(guī)則或條件來確定采樣點的方法。在進行數(shù)據(jù)處理時，非均勻采樣用于在數(shù)據(jù)集中選擇具有特定屬性或特征的樣本，以加速數(shù)據(jù)分析或挖掘過程[12]。通過智能地選擇采樣點，可以更準確地表示數(shù)據(jù)的分布和特征，從而提高分析的效率和準確性[13]。

本文所采用的非均勻采樣方法是利用梯度與偏導數(shù)實現(xiàn)的。首先將原始序列劃分成多個等間隔的區(qū)間，然后觀察每個間隔內(nèi)序列的變化情況。若變化較小，則采樣點較少；若變化較大，則采樣點較多。

根據(jù)圖1所示流程，在計算數(shù)據(jù)序列的導數(shù)和梯度之后，將導數(shù)值和梯度值重新組合成離散的導數(shù)序列和梯度序列。如果這兩個序列的長度與數(shù)據(jù)序列相同，可以利用它們反映數(shù)據(jù)序列的特征，并進行非均勻采樣。

1.4 機器學習

機器學習是人工智能的一個重要分支，專注于探索如何使計算機系統(tǒng)通過分析數(shù)據(jù)來學習和自我改進[14]。這一領域的目標是通過學習提升計算機性能，達到自動化決策和精準預測的目的。機器學習涵蓋了一系列核心步驟，包括對數(shù)據(jù)的預處理、模型的結構設定與細節(jié)調(diào)整、模型的訓練與優(yōu)化，以及對模型性能的評估[15]。在機器學習應用的過程中，往往需要多次迭代來精細調(diào)整參數(shù)和特征選擇，這一過程是為了構建一個高度準確和有效的模型[16]。

在處理時參模型控制場景時，無論是采用回歸分析、神經(jīng)網(wǎng)絡、支持向量機（SVM）、決策樹等機器學習技術中的哪一種，本質(zhì)上都是在尋找一個能夠準確映射時間和參數(shù)間關系的函數(shù)模型[17]。這些方法從不同角度出發(fā)，無論是通過擬合尋求近似的最優(yōu)函數(shù)，還是借助神經(jīng)網(wǎng)絡建立復雜的函數(shù)關聯(lián)，或者通過決策樹和SVM揭示非線性的函數(shù)結構，均可以有效分析并應用于溫室時間-溫度模型控制任務。

1.4.1 機器學習擬合

機器學習前數(shù)據(jù)分布情況如圖2所示。

由于采集間隔的原因，數(shù)據(jù)以24條不規(guī)則分割線的形式呈現(xiàn)，同時計時器誤差導致每個數(shù)據(jù)點存在一定的抖動。在對原始序列進行非均勻采樣處理之前，使用了4種不同的機器學習方法進行擬合，擬合結果如圖3所示。

通過觀察可知，圖3（c）的擬合結果最佳，故使用回歸擬合方法作為非均勻采樣處理的對象，數(shù)據(jù)處理結果如圖4所示。

由圖4可知：采樣點數(shù)在曲線平滑的位置較少，而在曲線陡峭的位置較多，這符合非均勻采樣理論。然后，根據(jù)非均勻采樣的密度結果，對原始序列進行重新采樣，并將重采樣的擬合結果與采樣前進行對比，如圖5所示。

通過對比圖5中的兩條曲線可以看出，即使重采樣的數(shù)據(jù)量減少，重擬合的結果仍然可以接近采樣前的擬合效果。

1.4.2 機器學習分析

通過上述分析得到描述溫度變化的曲線。由于采集到的數(shù)據(jù)既不具有自然的溫度變化特征，也沒有經(jīng)過控制以保持在某個閾值范圍內(nèi)，因此這條曲線被歸類為傳遞溫變曲線。該非自然時間-溫度關系的模型采用了三階多項式回歸方程，反映了24 h內(nèi)溫度T與時間t的非自然變化規(guī)律（保留六位小數(shù)）：

1.5 時間-溫度模型

1.5.1 溫室時參模型

時參模型，又稱時間-參數(shù)模型，將時間納入獨立維度，其他參數(shù)作為變量維度，以刻畫數(shù)據(jù)變化模式[18]。在控制學中，時參模型通過結合時間和其他參數(shù)，建立控制系統(tǒng)的動態(tài)模型以進行系統(tǒng)分析和設計。

在溫室環(huán)境控制中，溫度和濕度是整個控制系統(tǒng)中最重要的因素[19]。溫室內(nèi)的溫度和濕度不僅隨外部環(huán)境變化，還可以通過內(nèi)部調(diào)控設備（如天窗、加熱器、除濕器、補光燈等）進行調(diào)節(jié)。在溫室中，溫度和濕度均可視為一階滯后系統(tǒng)的參數(shù)，其數(shù)學模型結構相似，只是參數(shù)不同。為了簡化模型維度以便處理，本文選擇建立溫室時間-溫度模型進行研究。

1.5.2 溫室控制模式

控制模式[20]是指針對特定系統(tǒng)或設備的操作模式，用于控制和調(diào)節(jié)其功能和行為。在溫室環(huán)境中，當出現(xiàn)特定參數(shù)及其變化趨勢或特定閾值組合時，會有一套或多套與之對應的動態(tài)控制參數(shù)。這些參數(shù)組合用于應對控制決策，進而形成溫室的控制模式。

提取溫室控制模式是指從溫室環(huán)境數(shù)據(jù)中分析出溫室控制系統(tǒng)的工作模式[21]。通過對溫室內(nèi)溫度、濕度、光照等數(shù)據(jù)的觀測和分析，可以識別出溫室內(nèi)的控制模式，包括自動控制、手動控制、定時控制等。這樣可以幫助溫室管理員更好地了解溫室的運行狀況，提高溫室的生產(chǎn)效率和節(jié)能降耗水平。

1.5.3 建立時間-溫度模型

通過上述非均勻采樣和機器學習分析可知，需要先建立日光溫室的時間-溫度模型。對式（4）中通過機器學習所得的溫室熱交換規(guī)律求導得到其回歸微分方程為：

該微分方程描述了一個簡單的熱學模型。其中，表示溫度的變化率；為自然溫變；T表示傳遞溫變；f表示溫度的外部輸入；q表示溫度的熱傳導系數(shù)，它是與物體或系統(tǒng)材料本身的性質(zhì)有關且隨溫度變化的量，所以也會影響溫度的變化。式（7）所述的微分方程是通過機器學習分析方法得到的，也是日光溫室的時間-溫度模型，滿足了現(xiàn)代控制理論對控制系統(tǒng)分析的基本要求。

2 結果與分析

2.1 分析與再設計溫室控制系統(tǒng)

2.1.1 時間-溫度模型控制系統(tǒng)轉換經(jīng)典控制系統(tǒng)

2.1.2 驗證溫室控制系統(tǒng)

在控制工程中，設計穩(wěn)定的控制系統(tǒng)時，通常會使用留數(shù)法來求解拉普拉斯變換后系統(tǒng)函數(shù)的零點和極點，并進一步判斷它們是否收斂。另外一種方法是通過求解微分方程的特征值和特征向量來確定極點或共軛極點在復平面中的位置。而在現(xiàn)代控制理論中，還研究了狀態(tài)矩陣的特征值，定義了Lyapunov函數(shù)，并通過求解Lie導數(shù)來判斷Lyapunov的穩(wěn)定性。

圖6的相圖呈現(xiàn)向內(nèi)螺旋，圖7的時間序列圖收斂，根據(jù)式（17）可知其特征值具有非正實部，符合Lyapunov穩(wěn)定性。因此，根據(jù)式（17）的特征值、圖6的相圖和圖7的時間序列圖、式（21）的正定性判斷可知，該方法是穩(wěn)定的。使用MATLAB計算系統(tǒng)的可控性和可觀測性，并根據(jù)式（18）繪制相圖。計算得到可控性矩陣C的秩為2，等于方陣的階數(shù)，該矩陣滿秩，證明理論上該系統(tǒng)是可觀測的，且是點對點可控的。

2.2 提取的控制模式效果評價

基于式（7）和式（16）的時間-溫度時參模型日光溫室控制系統(tǒng)（以下簡稱“溫室控制系統(tǒng)”），已知該系統(tǒng)是可控的且可觀測的，現(xiàn)在使用SimuLink設計基于機器學習分析方法提取到的控制模式，以及PID控制器和DSS控制器，對溫室控制系統(tǒng)進行仿真實驗，并進行對比。

根據(jù)式（16），使用MATLAB將溫室控制系統(tǒng)進行離散化，在SimuLink中組裝三種采樣頻率相同的溫室控制系統(tǒng)，其中f=20，q=1。根據(jù)式（16）設計溫室控制系統(tǒng)控制器，利用離散化結果設計DSS控制器，并使用SimuLink中默認的PID控制器，如圖8所示。

為了比較幾種控制器的效果，根據(jù)圖8的設計，在SimuLink中進行仿真對比實驗。完成仿真實驗后，查看仿真結果以評估不同控制器的效果。根據(jù)式（11）中定義的調(diào)節(jié)時間，利用SimuLink的數(shù)據(jù)提示功能在圖中標定出5%調(diào)節(jié)時間的坐標，如圖9所示。

根據(jù)式（12）所述的最大超調(diào)量，使用SimuLink的峰值查找器功能確定最大超調(diào)量，如圖10所示。其中Now為基于機器學習分析方法提取到的控制模式。

根據(jù)圖9和圖10，可以得到各種控制器的最大超調(diào)量和調(diào)節(jié)時間（5%）的對比結果，見表1。

由表1可知，本文設計的溫室控制系統(tǒng)控制器的最大超調(diào)量和調(diào)節(jié)時間均優(yōu)于默認的PID和DSS控制器。根據(jù)圖9的仿真結果可知，PID控制器的波動較大；DSS控制器的波動大且調(diào)節(jié)速度慢；本文控制器的調(diào)節(jié)速度最快，回彈量相對PID和DSS較小。綜合以上結果可知，基于機器學習分析方法提取的控制模式可以較好地完成溫室的控制任務，滿足溫室控制系統(tǒng)對控制器的要求。

3 結 語

本文提出了一種基于機器學習的溫室控制模式提取方法，采用了一種非均勻采樣方法處理數(shù)據(jù)，通過機器學習分析方法，成功實現(xiàn)了對溫室控制模式的提取，并建立了溫室的時間-溫度模型?；谠撃Ｐ?，進行了溫室控制模式的分析對比實驗。本文以拉薩市白定縣智昭產(chǎn)業(yè)園的T1OR型號溫度記錄儀記錄的71 450組溫度數(shù)據(jù)作為實驗數(shù)據(jù)集，驗證了該方法的可行性。最后，通過仿真實驗對比了機器學習分析所得控制器與經(jīng)典控制器。實驗結果顯示，基于機器學習分析提取的控制模式相比于傳統(tǒng)的PID控制器和DSS控制器，具有調(diào)節(jié)時間快、超調(diào)量小、抗干擾能力強的特點。本文提出的研究方法可應用于溫室控制模式的提取，為現(xiàn)代設施農(nóng)業(yè)溫室的控制提供了一種模式提取方法，具有較好的實際應用價值。

本文為簡化模型維度以便處理，選擇建立了溫室的時間-溫度模型，未來研究可以嘗試建立更多維度的溫室模型，以進一步驗證該方法的可行性與效率。隨著溫室控制模式提取方法的不斷完善，后續(xù)研究可以嘗試優(yōu)化提取后的溫室控制模式，以便更好地滿足溫室控制的需求。

注：本文通訊作者為嚴李強。

參考文獻

[1]趙華.設施農(nóng)業(yè)溫室大棚智能控制技術的發(fā)展研究[J].農(nóng)產(chǎn)品加工，2024（4）：90-92.

[2]杜華章，蔣植寶，王義貴.現(xiàn)代化農(nóng)業(yè)科技服務體系建設研究[J].農(nóng)業(yè)系統(tǒng)科學與綜合研究，2002（2）：131-134.

[3]秘立鵬，宋建成，王天水，等.設施農(nóng)業(yè)溫室大棚網(wǎng)絡型自適應控制系統(tǒng)的開發(fā)[J].農(nóng)機化研究，2014，36（7）：124-128.

[4]邢希君，宋建成，吝伶艷，等.設施農(nóng)業(yè)溫室大棚智能控制技術的現(xiàn)狀與展望[J].江蘇農(nóng)業(yè)科學，2017，45（21）：10-15.

[5]宋赫，嚴李強，肖楊，等.基于K-means的時參模型溫室控制模式分析方法研究[J].新型工業(yè)化，2022，12（1）：41-44.

[6]孫博，李靖，王靜.機器學習在植物工廠中的研究現(xiàn)狀與挑戰(zhàn)[J].中國農(nóng)學通報，2023，39（18）：142-150.

[7]周偉，汪小旵.溫室溫度約束模型預測控制研究[J].新疆農(nóng)業(yè)科學，2014，51（6）：1015-1021.

[8]韋玉翡，趙建貴，高安琪，等.溫室環(huán)境參數(shù)模糊專家控制系統(tǒng)的設計[J].江蘇農(nóng)業(yè)科學，2021，49（6）：183-188.

[9]劉奧龍，袁培，何正陽，等.現(xiàn)代農(nóng)業(yè)溫室環(huán)境控制策略研究進展[J].節(jié)水灌溉，2024（3）：10-16.

[10]胡瑾，楊永霞，李遠方，等.溫室環(huán)境控制方法研究現(xiàn)狀分析與展望[J].農(nóng)業(yè)工程學報，2024，40（1）：112-128.

[11]宋佳樂，萬顯榮，張勛，等.基于非均勻采樣的DTMB-A信號模糊函數(shù)抑制方法[J].太赫茲科學與電子信息學報，2023，21（8）：1022-1030.

[12]葉浩，王龍業(yè)，曾曉莉，等.融合非均勻采樣與特征強化的人體不文明行為檢測方法[J].計算機科學與探索，2024，18（12）：3219-3234.

[13]徐煒，薛紅，邵尉.基于K-means算法的非均勻網(wǎng)格化空間采樣分布優(yōu)化[J].電聲技術，2018，42（4）：48-51.

[14]桑東.基于機器學習的水培生菜控制系統(tǒng)研究與設計[D].泰安：山東農(nóng)業(yè)大學，2024.

[15]趙獻立，王志明.機器學習算法在農(nóng)業(yè)機器視覺系統(tǒng)中的應用[J].江蘇農(nóng)業(yè)科學，2020，48（12）：226-231.

[16]劉超敏.基于機器學習的采摘機器人控制系統(tǒng)研究[J].農(nóng)機化研究，2024，46（9）：253-256.

[17]張皓婷，李明，宋佳澤，等.基于機器學習的溫室番茄的環(huán)境調(diào)控綜述[J].農(nóng)業(yè)與技術，2021，41（9）：9-12.

[18]康進，劉曉峰，周毅，等.考慮日內(nèi)溫度變化的夏季溫敏負荷模型及其時變參數(shù)的兩階段辨識方法[J].電力自動化設備，2024，44（6）：210-216.

[19]劉方，栗震霄.我國農(nóng)業(yè)溫室控制系統(tǒng)控制模式的研究[J].農(nóng)機化研究，2008（10）：223-226.

[20]張紫荊. 江漢平原作物種植模式提取及時空分布特征[D].武漢：華中農(nóng)業(yè)大學，2023.

[21]張紫荊，華麗，鄭萱，等.基于GEE平臺與Sentinel-NDVI時序數(shù)據(jù)江漢平原種植模式提取[J].農(nóng)業(yè)工程學報，2022，38（1）：196-202.