پیش‌بینی پارامترهای محیطی گلخانه با استفاده از الگوریتم یادگیری عمیق

ایجاد شرایط مناسب به جهت رشد گیاه در گلخانه نیازمند صرف کردن منابع و هزینه‌های عملیاتی است. به‌منظور مدیریت صحیح و صرفه‌جویی در مصرف منابع و هزینه‌ها در گلخانه، کنترل شرایط محیطی بایستی به شکل کارآمد و اثربخشی صورت بپذیرد. روش مبتنی بر مدل دینامیکی با توجه به قدمت و برخورداری از ماهیت ریاضی پیوسته مورد توجه محققان در حوزه کنترل شرایط محیطی گلخانه بوده است. در این تحقیق، یک سامانه پیش‌بینی شرایط محیطی برای گلخانه شیشه‌ای با استفاده از یادگیری عمیق طراحی شد. روش توسعه داده شده در مهیا کردن شرایط دقیق در تولید محصول گوجه‌فرنگی در گلخانه شیشه‌ای انجام شد. مدل توسعه داده شده مبتنی بر یادگیری عمیق پیش‌بینی دما، رطوبت نسبی و غلظت دی‌اکسید کربن داخل گلخانه را بر اساس ورودی‌های سرعت باد، دمای مجازی آسمان، میزان تابش فعال فتوسنتزی، تابش تجمعی، دما، رطوبت نسبی و غلظت دی‌اکسید کربن بیرون با ضریب تبیین 81/0، 61/0 و 85/0 انجام داد. شبکه عصبی عمیق به دلیل استفاده از داده‌های عملیاتی گلخانه تحت کنترل کارشناسان خبره دارای عملکرد مناسب بود و نسبت به مدل‌های دینامیکی مزایای امکان به‌کارگیری بدون نیاز به مدل قبلی، تصمیم‌گیری پیوسته و بلندمدت برای شرایط محیطی بر اساس نیازهای گیاه، پایداری ذاتی بالا، سازگاری بالا و پیچیدگی کم در آموزش بلادرنگ را مهیا می‌کند. بر این اساس روش‌های دقیق مبتنی بر هوش مصنوعی می‌توانند به انتخاب بهترین راهکار در راستای حل مسئله کنترل بهینه گلخانه برای افزایش عملکرد و کاهش هزینه بیانجامد.

predicting greenhouse microclimatic parameters using a deep learning algorithm

providing proper conditions for plant growth in the greenhouse requires precise management of resources concerning operating costs. consequently, an automatic and efficient greenhouse weather control system is needed for accurate management and cost reduction. traditionally, dynamic models have been valuable tools for controlling the greenhouse climate. in this research, the design of a system for predicting the environmental conditions of the greenhouse was studied using deep learning. the developed method was implemented to ensure precise conditions for the production of tomato crops in a glass greenhouse. the deep learning-based model successfully predicted the greenhouse temperature, relative humidity, and carbon dioxide concentration using inputs such as wind speed, the virtual sky temperature, cumulative outside global radiation, outside photosynthetically active radiation, outside temperature, outside relative humidity, and outside carbon dioxide concentration, with coefficients of determination of 0.81, 0.61, and 0.85, respectively. the performance of the deep neural network was significant due to the utilization of precise data controlled by expert operators. compared to dynamic modelling, the advantages of the suggested framework include high stability, adaptability for use without the need for a previous model, the ability to make unlimited decisions, and low complexity in real-time training. therefore, smart artificial intelligence methods can lead to finding the best solution for optimal greenhouse control, enhancing performance, and reducing costs while addressing other limitations.