基于XGBoost的温室环境预测与卷膜决策方法研究_李柱.pdf

节水灌溉Water Saving Irrigation基于XGBoost的温室环境预测与卷膜决策方法研究李柱1，2，朱德兰1，2，陆丽琼1，2，韩煜琪1，2，涂泓滨1，2，刘禹晗1，2，许彤1，2（1.西北农林科技大学水利与建筑工程学院，陕西 杨凌 712100；2.西北农林科技大学 旱区农业水土工程教育部重点实验室，陕西 杨凌 712100）摘 要：为了实现温室大棚环境由人工管理到自动控制，将农民经验管理模式模型化、参数化，对温室大棚环境进行控制，在陕西杨凌选择管理优质的温室作为研究对象，利用机器学习的极端梯度提升算法（extreme gradient boosting，XGBoost）建立室外环境（温度、湿度和不同高度温度）、室内环境（温度、湿度）、控制（卷膜）3者之间的关系，分别对4个不同生育期（新梢生长期、开花坐果期、果实膨大期、着色成熟期）葡萄温室的温、湿度进行模拟，并建立温室环境控制卷膜决策模型，将该模型应用于杨凌地区“锦田农庄”3号葡萄温室，实现了直接通过温室外界环境对温室卷膜进行远程控制。结果表明：与实际情况相比，模型决策准确率为95%，根据结果进行卷膜远程控制，昼间卷膜开启后，温度、湿度变化趋势缓慢，均处于目标区间，说明所建立的卷膜决策模型可以有效调控温室内的温度和湿度，能够减少温室内传感器的使用，具有较强的应用价值和推广意义。关键词：温室；环境模拟；XGBoost模型；卷膜决策；远程控制中图分类号：S223；S625.5+1 文献标识码：A DOI：10.12396/jsgg.2022259李 柱，朱德兰，陆丽琼，等.基 于 XGBoost 的 温 室 环 境 预 测 与 卷 膜 决 策 方 法 研 究J.节水灌溉，2023（3）：67-74.DOI：10.12396/jsgg.2022259.LI Z，ZHU D L，LU L Q，et al.Research on greenhouse environment prediction and film rolling decision method based on XGBoost modelJ.Water Saving Irrigation，2023（3）：67-74.DOI：10.12396/jsgg.2022259.Research on Greenhouse Environment Prediction and Film Rolling Decision Method Based on XGBoost ModelLI Zhu1，2，ZHU De-lan1，2，LU Li-qiong1，2，HAN Yu-qi1，2，TU Hong-bin1，2，LIU Yu-han1，2，XU Tong1，2（1.College of Water Resources and Architectural Engineering，Northwest AF University，Yangling 712100，Shaanxi Province，China；2.Key Laboratory of Agricultural Soil and Water Engineering in Arid and Semiarid Areas，Ministry of Education，Northeast AF University，Yangling 712100，Shaanxi Province，China）Abstract：In order to realize the change of greenhouse environment management mode from manual management to automatic control,this study modeled and parameterized the farmers experience management mode to control the greenhouse environment.In Yangling,Shaanxi Province,a greenhouse with excellent management was selected as the research object,and the machine learning extreme gradient boosting(XGBoost)was used to establish the relationship between outdoor environment(temperature,humidity and temperature at different heights),indoor environment(temperature,humidity)and control(film rolling).The temperature and humidity of four grape greenhouses in different 文章编号：1007-4929（2023）03-0067-08收稿日期：2022-09-26基金项目：国家重点研发计划项目（2021YFE0103000）；陕西省重点研发计划项目（2020ZDLNY01-01）；宁夏回族自治区重点研发计划项目（2022BBF02026）。作者简介：李 柱（1998-），男，硕士研究生，主要从事温室环境调控方面的研究。E-mail：。通讯作者：朱德兰（1969-），女，教授，博士生导师，主要从事节水灌溉与温室水肥及环境调控技术方面的研究。E-mail：。67基于XGBoost的温室环境预测与卷膜决策方法研究 李柱 朱德兰 陆丽琼 等growth periods(new shoot growth period,flowering and fruiting period,fruit expansion period and coloring maturity period)were simulated,and the decision-making model of greenhouse environmental control film rolling was established.Then the model was applied to No.3 grape greenhouse in Jintian Farm,Yangling area,and the remote control of greenhouse film rolling was realized directly through the external environment of the greenhouse.The results show that,compared with the actual situation,the decision-making accuracy of the model is 95%.According to the results,the remote control of film rolling is conducted.After the rolling film is opened in the daytime,the change trend of temperature and humidity is slow,and they are all in the target range.It shows that the established film rolling decision model can effectively control the temperature and humidity in the greenhouse,and reduce the use of sensors,which has strong application value and popularization significance.Key words：greenhouse；environmental simulation；XGBoost model；film rolling decision；remote control0引 言随着现代农业的发展，机器学习被广泛应用于农业信息的研究中1。温室内作物的生长发育和优质高产离不开温室内光、温、湿等小气候条件。根据温室环境，系统分析温室内外气候特征的相关性，建立温室小气候模拟模型对温室内环境调控和作物栽培管理有着重要意义2-4，作物的生长发育和优质高产离不开对温度、湿度等环境因子的合理调控5,6。通过建立温室内环境预测模型可以为制定环境调控方案提供决策依据。目前针对温室环境预测建模主要有两大类：第一种是通过能量守恒和质量守恒原理建立模型7,8，第二种是根据输入输出的试验数据调整模型参数建立试验模型9-11，主要可以分为线性模型和非线性模型。线性模型虽然能够表现出部分环境因子间的相互关系，但是因为温室环境系统是非线性的，所以模型误差较大12,13；非线性模型能够较为准确地对温室温湿度的变化进行模拟，但是因为非线性模型包括多个层次，导致模型中需要确定的参数较多，模型建立较为复杂，其次早期非线性模型很少考虑外界控制设备的影响，不符合现代温室大棚智能控制的要求14,15。随着智能神经网络的发展，神经网络模型现在也被应用于解决农业方面的问题16,17。神经网络模型对于温室的构造没有要求，基于神经网络的自学能力，通过获取和温室内温湿度相关的历史数据即可进行内部关系分析并实现温室温湿度预测，较好地解决了传统模型数据获取困难的问题18,19。人工神经网络的出现使温室温湿度的预测精度得到提升。Linker等20结合了黑箱多层感知神经网络和物理径向基耦合模型模拟和预测了温室内温度；王红君等21、刘淑梅等22、朱春侠等23利用神经网络对北方地区日光温室中的环境因子进行了模拟预测，已经取得了较好的结果，这些研究为温室或大棚作物的生产管理提供了科学依据。然而，当前相关研究多集中于利用神经网络模型对温室环境进行模拟预测，对如何根据环境智能决策控制温室内硬件设备的研究较少，尤其是针对温室卷膜决策控制的研究更少。因此，本研究选取陕西省杨凌区栽培环境优质的温室作为研究对象，通过采集温室外部气象数据，利用XGBoost对温室葡萄不同生育期的相应环境进行模拟预测，进而建立环境控制卷膜决策模型，以期为指导温室葡萄栽培环境调控提供参考。1材料和方法1.1试验设计1.1.1试验区概况试验区位于陕西省杨凌区锦田农庄3号温室大棚（东经10807，北纬3428）内。年平均气温为12.9，日照时数为2 196 h，年平均降水量约为660 mm。供试材料为“夏黑”葡萄（树龄3年），选择长势良好、树形相似无畸形的葡萄树进行试验。温室大棚为南北走向，东西长度为20 m，宽度为7 m，葡萄行宽度为 0.8 m，株距为 0.5 m，灌水方式为滴灌；温室覆盖无滴聚乙烯薄膜，侧面设有通风口，卷膜和通风口的开启根据温室内的小气候而定，室内没有加热设施。1.1.2传感器布设温室内安装的监测仪器为赛通科技R485温湿度传感器，安装位置为温室内正中间（距地面1.5 m高度处)和卷膜开口处。其监测空气温度的精度为0.15、监测相对湿度的精度为1%。进行24 h 连续自动监测，每10 min采集1次数据，自动存储在采集器中。1.1.3监测指标温室内监测指标为温室内温度和湿度，通过传感器采集获得；卷膜控制通过农事管理记录和卷膜处温湿度传感器数据变化获得（为了便于记录，将打开状态记为1，关闭状态记为0）；室外气象资料来源于杨凌气象站，监测数据有室外温度、室外相对湿度、距地面0 cm温度、距地面5 cm温度、距地面10 cm温度、距地面15 cm温度。本研究使用的资料时段为2021年3月10日-2021年8月20日，即葡萄生长的1个完整生育期。为了吻合人工管