集中在温室建模思维导图

U465087923

2024-09-08

浏览量: 80

温室建模

模型集成

参数识别

影响因素，经典算法，参数识别等内容讲解

树图思维导图提供《集中在温室建模》在线思维导图免费制作，点击“编辑”按钮，可对《集中在温室建模》进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：56b01fb62333ba32e312c58259862c8f

思维导图大纲

1.回顾经典算法

机制方法：温室机制方法（GMM），利用生理和物理原理定律对温室中的相关因素进行定量分析，基于能量守恒和质量守恒建立方程，可分为静态模型（也叫稳态模型）和动态模型（往往由微分方程描述，系统的变化规则）。

发展

1963最早提出。但当温室的时间响应与边界条件的时间变化速率相当时，静态模型的有用性会降低

1971为未加热的对称跨度温室构建了一个相对完整的动力学模型。该模型全面描述了温室中的热量和水分传递。

1982一个温室小气候模型，该模型由土壤层、作物层、空气层和覆盖层的平衡方程组成。通过对流交换系数、热通量和室外太阳辐射模拟温室内温度的变化。

2003将温室动力学模型总结为以下一般公式：

近年来，温室动力学模型得到了改进和发展。之前的研究之一，开发了无土介质中黄瓜作物下的温室小气候模型来描述能量和质量传输过程（ Mahesh Chand Singh 等人，2018 年 ).该模型能够预测自然通风下空气、植物、生长介质和塑料覆盖物的温度。

使用动态传热模型，并在创新的温室结构中实验验证了内部环境模型的性能。创新温室可以有效降低温室制冷和供暖的负荷和成本。

为了弥补集总参数无法计算温室温湿度分布（空间特性）的缺陷，一种新的温室模拟方法计算流体动力学（CFD）已被广泛使用。

CFD 软件 Airpak 对温室气候进行建模。首先，通过非结构化网格生成将连续空间划分为多个子空间，整个仿真模型的计算域由有限数量的离散点构成;在此基础上，利用Fluent的非定常计算能力模拟了自然通风和机械通风中室内空间温度和风速场的过程，验证了模型的有效性。最后，通过获得的模型，通过能耗、CO 三个方面，基于多目标优化算法，寻找作物生长的最优气候控制方案2浓度和空气温度。

CFD 研究了温室内辐射和自然对流影响下的动态太阳热负荷和温度场。数值模型的性能结果证明，CFD 方法可以预测一天中几个小时内可变的太阳热负荷和内部温度。这些方法有效地提出了在炎热月份去除阳光和通风的要求。

总结：大量文章将温室结构、材料和热环境成分作为主要研究对象。大多数研究认为作物生理活动对温室的影响较小，并且该模型受到极其严格的假设。GMM 使用了大量的物理变量和参数，这将导致建模相当复杂。

时间序列方法：根据温室系统显著延迟和时间变化缓慢的特点，温室环境因子的时间序列数据具有特定的序列变化趋势和周期性特征。许多研究人员使用 Greenhouse 时间序列模型（GTSM）来探索环境序列数据中的特定规则。

传统的时间序列分析方法通过统计方法分析的自相关函数（ACF）和偏自相关函数（PACF）的规则建立线性序列模型或非线性模型来估计目标因子

线性为ARX，非线性为ARMAX。除了通风期外，ARX 的性能优于 ARMAX。又分别有人对这俩模型进行了优化

深度学习方法：能识别非线性或复杂系统的结构和模式。

循环神经网络（RNN）有一个上下文层，用于保存隐藏层在当前时刻的输出状态，以表示对象的历史特征，因此，与传统神经网络相比，它可以处理序列变化的数据。

通过反向传播（BP）算法修改了 RNN 的权重，并使用 RNN 模型通过多变量时间序列数据预测未来的空气温度和湿度。

通过气候和执行器变量构建了一个 Deep Elman RNN 模型，并说明获得的模型将用于控制任务。

对于长序列预测任务，RNN 在梯度消失或爆炸方面存在问题。

提出了长短期记忆（LSTM）模型，该模型为 RNN 的每个基本组件添加了一个内存结构。很明显，与 RNN 相比，此属性极大地减轻了学习时间依赖性的限制。

指出 LSTM 在非平稳环境和长期滞后环境中表现出更好的预测性能。使用 LSTM 预测作物营养液的未来电导率（EC），并声称 LSTM 可以预测受历史情况积累影响的作物环境。

Jung 等人（2020）分别比较了与人工神经网络（ANN）、NARX 和 LSTM 在温度、湿度、在温室。结果表明，LSTM 不仅具有最高的总体准确性，而且随着预测时间的增加，准确性降低的影响最小。

避免高温或低温对农作物的不利影响，阿里和哈桑内（2019）和 Ángel 等人（2019）通过 LSTM 模型提前预测温室内是否会出现极端温度。

机器学习方法

人工神经网络方法：人工神经网络（ANN）是一种用于模拟人脑神经系统的仿生智能信息处理方法。它具有强大的综合信息处理能力，可以处理不规则和非线性的多参数数据。而其处理小样本的能力较弱，收敛速度慢，容易陷入局部最优。

提高神经网络的泛化性能和训练速度，他和马（2010）通过主成分分析（PCA）从影响室内湿度的 8 个环境因素中提取 4 个主要因素，并将其用于反向传播神经网络（BPNN）的输入。结果发现基于 PCA 的 BPNN 明显优于逐步回归模型。

支持向量机方法：基于最小结构风险原则的支持向量机（SVM）可以处理到小样本的数据集中。通过应用非线性核函数，可以将输入样本空间映射到高维线性特征空间。因此，SVM 可以进行高度非线性的分类和回归。

成功地将 LSSVM 用于温室的自然通风的风向预报。对于他们的测试，预测精度在 10 分钟内令人满意，优于 ANN 模型。有人提到，与风速相比，风向预测是困难的。

这些方法从来不具备详细的几何建模能力。模型是根据数据构建的。因此，它们不能应用于概念模型，并且在缺乏数据的情况下无法建立。由于温室系统是随时间变化的，在实践中很难调整，只能对短期的未来时间范围提供合理的预测。

2.参数识别：越来越多的研究人员将数据驱动的方法应用于 GMM 的优化中，这不仅降低了模型构建的复杂性，也体现了对温室系统机理的理解。系统参数识别（SPI）是一种典型的代表性技术。在结构简单的温室的机构建模中，模型各部分的参数值往往是通过经验、手册或参考资料获得的。然而，对于复杂的温室系统，研究人员可能没有充分认识到模型参数的具体价值，只确定了不确定参数（UPs）的设置范围。对于这种情况，可以使用 SPI 来辅助 GMM 的建立，GMM 会得到一个符合真实系统规律的等效模型。

参数识别技术：系统识别有三个要素：数据、模型集群和标准。其中，数据是识别的基础;Criteria 被视为优化目标;而且，模型集群是搜索模型的范围。识别的本质是从一组模型集群中选择一个模型，并根据特定的标准使其更好地拟合实际系统过程的动态特性。

SPI 是系统识别的一个子集，它是根据输入和输出数据确定模型的 UPs 的过程。它可以很好地用于 GMM。参数识别的方法有很多种，其中，启发式算法具有明显的优势，例如收敛速度快、全局搜索性能好。

温室模型的抽象表示：1）环境变量，也称为干扰变量，包括气候和作物行为 2）执行器变量被视为受控设备的执行状态，例如加热、冷却和雾化;3）机理参数包含温室材料参数、结构信息和传热系数。它可以分为时变参数和非时变参数。SPI 可以解决那些无法通过经验确定的机制参数。

参数识别的应用：2010) 优化了 UPs 和自然通风的价值。GMM 的 SPI 技术可以总结如下：首先，研究定义了 UP 的搜索空间，并通过优化算法更新了该空间内 UP 的值。

3.结构和工艺优化：由于温室系统中MIMO强耦合、惯量大、非线性等特点，原来的机器学习方法存在局部优化、收敛慢等缺点。许多研究人员使用启发式算法来优化 GBM 的结构和学习过程，即 GTSM 或 GMLM，以克服原始机器学习的缺点，进一步提高模型的准确性和泛化性能。结构优化（SO），即模型选择，主要使用优化算法来选择神经网络的隐藏层节点或 SVM 的超参数，从而提高了 GBM 参数设置的随机性和盲性。

SVM 优化：过 PSO 算法选择了 3 种不同核函数 SVM 模型的超参数。结果表明，PSO算法可以有效提高模型的泛化能力，且决定系数为 0.99。Jian et al. （2018）分别通过网格搜索法和 PSO 算法优化了 SVM 模型的超参数进行光合速率预测，发现 PSO 的准确性高于网格搜索。通过 IPSO-SVM 模型预测番茄 3 个生育阶段的光合作用，决定系数（）与经典 PSO 优化的 SVM 模型相比，分别增加了 0.07、0.09 和 0.08（参见表 5 ).然后，借助这个模型，CO2研究了番茄光合作用的富集。

ANN 和时间序列模型的优化：使用 PSO 算法搜索神经网络的最优权重和偏置参数。结果表明，PSO-ANN 的收敛速度非常快，与标准神经网络算法相比，表现出优异的学习效率和泛化能力。

尽管启发式算法具有出色的全局搜索能力，但它并没有充分利用神经网络的结构特性。采用融合启发式和 BP 算法的两阶段方法对网络进行训练。该方法如图 8 ：首先，使用启发式算法找到初始权重和阈值;然后，应用 BP 算法进一步训练网络。启发式算法的全局搜索能力和 BP 算法的局部搜索能力得到了丰富的利用。

通过添加惯性冲量和自适应学习率，设计了改进的 BP （IBP）算法。GA-IBP 神经网络预测温度与实测温度的 RMSE 为 0.8 °C，相对湿度 RMSE 为 1.1%。 Guo et al. （2019）平衡了基于 PSO 算法惯性权重的非线性处理算法的全局搜索和局部搜索能力。看自图 9 ，非线性 PSO-BP 网络具有最小的相对误差。因此，该模型可以及时控制作物不同生育期对空气湿度的需求

4.多模型集成：通过组合具有明显多样性的多个模型来解决单一温室模型的缺点，融合这些模型的优势以获得更好的结果。

集成建模：以提高热能耗模型的性能为目的， Jovanović et al. （2015）使用两阶段设计过程集成三种不同的网络架构（前馈反向传播神经网络（FFNN）、RBFNN、自适应神经模糊干扰系统（ANFIS））：研究人员首先生成了通常彼此独立训练的单个网络。然后，通过三种不同的组合方法（简单、平均和加权）对这些网络进行整合，并在表 8 研究发现，集成模型可以有效地整合单个神经网络的优势。

Esen 等人（2015）集成神经网络（隐藏 13 个神经元）、SVM（RBF 内核）和 k 最近邻（KNN）（k 值为 3）来对 BSGSHP 系统进行建模。通过三重交叉验证将集成模型的结果与单个神经网络进行比较，集成模型在，在 RMS 上减少 0.1306，在 COV 上减少 5.2147。上述集成模型的结构可以抽象为图 10 .

与先验知识的整合

对于温室系统，机器学习模型过于依赖数据，而忽视了先验知识的关键作用。当天气条件或控制策略发生变化时，模型将得到可怕的预测结果。也就是说，单个块盒模型具有糟糕的外推属性。为了更好地利用先验知识， Linker 和 Seginer （2004）提出了两种解决方案：第一种策略直接整合了 GMM 和 GBM;对于第二种策略，GBM 使用站点数据和使用 GMM 生成的合成数据进行训练。根

讨论

73% 的文献将温度和湿度视为研究对象。原因是温度和湿度是温室气候中最关键的参数，直接影响农作物的产量。同时，它们也是温室一系列环境因素中的主要能源消耗变量。由于温室系统存在时间延迟，54% 的采样时间间隔汇总文献以分钟计，既避免了大量数据昂贵的计算成本，又反映了温室系统的变化趋势。

资源利用效率（如水、土壤和能源）和作物生产力不断提高，有利于受控环境农业和农业生态的发展。

关于建模，动力学和神经网络被研究人员青睐为主流建模方法，分别有 27% 和 28% 的文献使用这些技术。

启发式优化算法因其出色的全局搜索能力和收敛速度，被广泛应用于 GMM 的参数识别和 GBM 的优化。在讨论的文献中，分别有 22% 和 15% 的文章使用了 PSO 和 EA 策略。

从 2018 年到 2020 年的最新研究，深度学习技术（即 RNN/LSTM）越来越多地应用于农业温室建模，并且已被证明其拟合复杂系统和挖掘时空关系的能力优于传统的机器学习方法。与此同时，启发式算法在模型优化中的应用从未减少。

GMM 中存在大量不确定的参数。为了更好地确定这些参数，使用了系统参数识别。基于动力学模型抽象的状态空间模型的不同组成部分，生成了求解和改进参数识别的不同视角：1）根据温室系统与执行器组件之间没有自然耦合关系的事实，将不确定参数拆解以逐步识别，降低了识别的复杂性;2）在参数辨识中应用多目标优化来解决温室系统的多输出特性;3）为了降低高维参数空间的识别速度，指出灵敏度分析可以降低不确定参数的维度;4）提出了在线识别方法来解决温室系统的时变和滞后问题。

尽管 GBM 对于复杂系统具有出色的准确性，但它对数据的依赖性太强，无法轻松调整。GMM 具有良好的解释能力和灵活性，但复杂系统建模并不容易。由于不同模型的应用有其自身的优缺点，因此很难确定哪种建模方法最好。在讨论的文献中提出了多模型集成的思想，它集成了不同的架构 GBM，可以进一步提高模型的准确性。通过将 GMM 和 GBM 融合到集成模型中，即先验知识被整合到 GBM 中，可以有效地增强模型的外推特性。

总结

大多数文献将温度和湿度作为建模的主要目标，直接影响作物生产，有助于设计低能耗控制策略。

现有的温室建模技术类型分为机制法、时间序列法和机器学习法。这种分类方法基于模型所依赖的结构和原理。特别是，动态和神经网络被更多地采用，近年来深度学习在温室时间序列预测任务中的应用有所增加。

根据问题导向，将模型的改进和优化方法总结为：1）针对机构模型参数不确定性困境的系统参数辨识，2）针对模型随机超参数选择、收敛缓慢、局部最优困境的结构与过程优化;3）针对单一模型泛化和外推特性差、精度低的困境的多模型集成。

对于大多数关于温室建模的研究，作物的作用没有得到强调，模型的假设相对苛刻。53% 的摘要文献将农作物作为温室系统的组成部分，24% 的文献在建模中考虑了农作物的影响。然而，在大规模生产和垂直温室的现代应用中，作物的蒸腾作用和光合作用将对温室系统产生重大影响。此外，特定的温室系统，例如温室鱼菜共生系统，无法得到很好的推广。

影响因素根据思维导图模板大纲

作物行为：光合作用速率、蒸腾速率、呼吸速率、叶面积指数、作物干物质和果实

外部气候因素：外部空气温度、湿度、太阳辐射、风速和co2浓度

内部气候因素：室内空气温度、湿度、土壤温度、光照和co2浓度

- 物联网系统设计与实施思维导图