基于XGBoost的温室环境预测与卷膜决策方法研究

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。

面向自动控制的日光温室卷膜控制决策方法研究

为使温室环境管理由人工经验管理变为自动化管理,选取温室番茄产量在同地区较高的温室作为研究对象,实时监测温室内温度、湿度和卷膜开闭状况以及室外气象数据,建立室外气象数据、室内温湿度及卷膜开闭之间的关系。将室外气象数据作为输入,室内温湿度及卷膜开闭度作为输出,利用Cat Boost(Categorical Boosting,Cat Boost)算法分别构建温、湿度预测模型和卷膜决策模型,并与随机森林算法(Random Forest,RF)和极端梯度提升算法(Extreme Gradient Boosting,XG Boost)的预测结果进行对比分析。最后基于决策模型设计搭建卷膜控制系统,并于典型晴天、阴天和雨天进行试验验证。结果表明:基于Cat Boost的日光温室内环境(室内温度和室内相对湿度)预测值与实测值的均方根误差分别为0.91℃和4.73%,有更好的模拟效果、精度更高,其卷膜决策模型准确率达到92.1%;基于Cat Boost的卷膜决策模型设计搭建的卷膜控制系统可以准确预测卷膜状态的变化,并进行精准控制,具有较强的实践价值和推广意义。