日光温室关键环境因子监测系统及温湿度预测方法研究

这是一篇关于日光温室,环境监测,时间序列,预测模型的论文, 主要内容为随着设施农业经济的快速发展,使用物联网和计算机技术参与生产管理的日光温室逐渐增多。通过监测温室内环境数据并预测未来变化趋势来对管理决策过程进行指导,有利于促进农产品品质提升和产量增加。但在温室内环境因子预测方面,目前常用的机器学习模型和简单的深度学习模型难以有效捕捉温室内复杂环境数据之间冗杂和非线性化的关系,也很难提取时间序列数据的长期依赖关系。且温室内环境监测系统在进行环境信息采集过程中常出现的噪声问题会降低模型预测的精度。因此本文在自主搭建的温室关键环境因子监测系统的基础上,充分考虑温室内温湿度特征,提出了两套基于门控循环网络的日光温室内温湿度预测模型。本文围绕温室内关键环境因子监测和温湿度预测任务展开研究,主要的贡献可以概括为以下三点:1.搭建了一套温室内关键环境因子监测系统。根据实际应用需求,设计了终端采集节点,采集终端硬件电路设计包括STM32F103ZET6微控制器模块电路、ESP8266无线传输模块和传感器接口电路;软件设计部分包括采集节点主程序设计、ESP8266无线通信模块程序设计、SD卡FATFS文件系统设计以及各传感器采集程序设计。采集节点可以对温室内温度、湿度、光照强度、二氧化碳浓度、土壤温度和土壤湿度信息进行采集,并将采集信息实时上传到One NET云平台以及备份存储到本地SD卡文件系统内。2.设计了基于门控循环神经网络的温室内温湿度单步预测模型,并针对温室内环境数据采集过程中存在的噪声问题,提出了基于扩展卡尔曼滤波算法的门控循环神经网络单步预测模型(Extended Kalman Filter＿GRU,EKF＿GRU)。首先,模型通过扩展卡尔曼滤波算法对温室数据集进行去噪处理,避免数据失真干扰模型预测效果;其次,门控循环网络学习数据特征,实现单步预测;最后,将设计的EKF＿GRU模型与现有预测模型进行对比。试验结果表明,在选取的三个评价指标的表现上,EKF＿GRU模型均强于现有三个模型。具体表现为:在温度预测方面,EKF＿GRU模型的RMSE值为0.0549℃,是四个模型中最优的,比BP神经网络、CNN网络、GRU网络分别低了4.11℃、0.8241℃和0.3021℃;EKF＿GRU模型预测温度的决定系数R2-score达到了99.99%。在湿度预测方面,EKF＿GRU模型的RMSE值为0.0795%RH,同样低于BP神经网络的4.152%RH、CNN网络的1.069%RH和GRU网络的0.609%RH,决定系数达到了99.98%。以上结果表明,本文提出的单步预测模型有效解决了环境数据噪声对模型预测精度的影响。3.考虑到实际生产中往往更加关注未来一段时间的环境变化趋势即实现多步预测,因此提出了卷积神经网络和门控循环网络融合的组合模型,并考虑到目标变量与因变量的相关性对模型预测精度的影响,提出了基于麻雀算法和皮尔逊相关性分析的卷积门控循环网络多步预测模型(Sparrow Algorithm and Correlation Analysis＿CNN＿GRU,SCA＿CNN＿GRU)。首先,使用皮尔逊相关性分析对数据集进行处理,只保留与目标变量相关性高的环境因子组成新数据集;其次,使用卷积神经网络的卷积层提取局部特征;然后利用门控循环网络捕获时间序列数据的时间依赖关系;再使用全连接层进行特征融合;最后,使用麻雀搜索算法对不同步长的最优超参数组合进行搜索。针对不同的预测步长进行试验,结合预测精度与实际生产情况综合考虑选择预测步长k=30。为了验证模型的性能优势,分别建立CNN网络多步预测模型和GRU网络多步预测模型,三种模型设置同样的预测步长进行模型性能对比试验,同时为了验证相关性分析建立数据集的必要性和优势,分别使用第四章数据集A和经相关性分析处理的数据集B进行试验,经过试验发现,SCA＿CNN＿GRU模型在相同预测步长时,对温室内温度和湿度的预测精度均大幅高于CNN网络,小幅高于GRU网络;三种模型在数据集B中的预测表现均强于数据集A。上述试验结果表明本文提出的多步预测模型实现了多步预测的功能,并在精度上优于其他的现有模型。

日光温室关键环境因子监测系统及温湿度预测方法研究

这是一篇关于日光温室,环境监测,时间序列,预测模型的论文, 主要内容为随着设施农业经济的快速发展,使用物联网和计算机技术参与生产管理的日光温室逐渐增多。通过监测温室内环境数据并预测未来变化趋势来对管理决策过程进行指导,有利于促进农产品品质提升和产量增加。但在温室内环境因子预测方面,目前常用的机器学习模型和简单的深度学习模型难以有效捕捉温室内复杂环境数据之间冗杂和非线性化的关系,也很难提取时间序列数据的长期依赖关系。且温室内环境监测系统在进行环境信息采集过程中常出现的噪声问题会降低模型预测的精度。因此本文在自主搭建的温室关键环境因子监测系统的基础上,充分考虑温室内温湿度特征,提出了两套基于门控循环网络的日光温室内温湿度预测模型。本文围绕温室内关键环境因子监测和温湿度预测任务展开研究,主要的贡献可以概括为以下三点:1.搭建了一套温室内关键环境因子监测系统。根据实际应用需求,设计了终端采集节点,采集终端硬件电路设计包括STM32F103ZET6微控制器模块电路、ESP8266无线传输模块和传感器接口电路;软件设计部分包括采集节点主程序设计、ESP8266无线通信模块程序设计、SD卡FATFS文件系统设计以及各传感器采集程序设计。采集节点可以对温室内温度、湿度、光照强度、二氧化碳浓度、土壤温度和土壤湿度信息进行采集,并将采集信息实时上传到One NET云平台以及备份存储到本地SD卡文件系统内。2.设计了基于门控循环神经网络的温室内温湿度单步预测模型,并针对温室内环境数据采集过程中存在的噪声问题,提出了基于扩展卡尔曼滤波算法的门控循环神经网络单步预测模型(Extended Kalman Filter＿GRU,EKF＿GRU)。首先,模型通过扩展卡尔曼滤波算法对温室数据集进行去噪处理,避免数据失真干扰模型预测效果;其次,门控循环网络学习数据特征,实现单步预测;最后,将设计的EKF＿GRU模型与现有预测模型进行对比。试验结果表明,在选取的三个评价指标的表现上,EKF＿GRU模型均强于现有三个模型。具体表现为:在温度预测方面,EKF＿GRU模型的RMSE值为0.0549℃,是四个模型中最优的,比BP神经网络、CNN网络、GRU网络分别低了4.11℃、0.8241℃和0.3021℃;EKF＿GRU模型预测温度的决定系数R2-score达到了99.99%。在湿度预测方面,EKF＿GRU模型的RMSE值为0.0795%RH,同样低于BP神经网络的4.152%RH、CNN网络的1.069%RH和GRU网络的0.609%RH,决定系数达到了99.98%。以上结果表明,本文提出的单步预测模型有效解决了环境数据噪声对模型预测精度的影响。3.考虑到实际生产中往往更加关注未来一段时间的环境变化趋势即实现多步预测,因此提出了卷积神经网络和门控循环网络融合的组合模型,并考虑到目标变量与因变量的相关性对模型预测精度的影响,提出了基于麻雀算法和皮尔逊相关性分析的卷积门控循环网络多步预测模型(Sparrow Algorithm and Correlation Analysis＿CNN＿GRU,SCA＿CNN＿GRU)。首先,使用皮尔逊相关性分析对数据集进行处理,只保留与目标变量相关性高的环境因子组成新数据集;其次,使用卷积神经网络的卷积层提取局部特征;然后利用门控循环网络捕获时间序列数据的时间依赖关系;再使用全连接层进行特征融合;最后,使用麻雀搜索算法对不同步长的最优超参数组合进行搜索。针对不同的预测步长进行试验,结合预测精度与实际生产情况综合考虑选择预测步长k=30。为了验证模型的性能优势,分别建立CNN网络多步预测模型和GRU网络多步预测模型,三种模型设置同样的预测步长进行模型性能对比试验,同时为了验证相关性分析建立数据集的必要性和优势,分别使用第四章数据集A和经相关性分析处理的数据集B进行试验,经过试验发现,SCA＿CNN＿GRU模型在相同预测步长时,对温室内温度和湿度的预测精度均大幅高于CNN网络,小幅高于GRU网络;三种模型在数据集B中的预测表现均强于数据集A。上述试验结果表明本文提出的多步预测模型实现了多步预测的功能,并在精度上优于其他的现有模型。

温室移动机器人视觉导航方法研究

这是一篇关于农业机器人,日光温室,视觉SLAM,路径规划,自主导航的论文, 主要内容为近年来,随着日光温室种植技术的发展,越来越多的农民利用温室技术种植蔬菜水果等经济作物来提高自己的收入。现如今农村劳动力极大减少,自动化作业的需求极为迫切,因此农用载具作为农业生产的重要机械装备,对农业生产效率和质量起着至关重要的作用,实现温室的无人化管理和作业已经成为现代温室发展的必然趋势。本文针对这一现状,设计一款温室移动机器人代替人工作业,实现自主导航与建图的功能。温室移动机器人能够实现自主导航的功能的核心问题是在于建图与定位。本文提出了基于VSLAM的建图与导航关键技术的研究,目的在于提高温室移动机器人的自主作业的精度和鲁棒性。本文主要工作及结果如下:(1)为了解决温室移动机器人的视觉建图与导航问题,采用哪种视觉建图方法极为重要。以往的单目相机无法获取图像的深度信息,双目相机是通过左右眼的距离来获取传感器的深度信息,而深度相机相对于前两者而言是采用物理方法主动获取图像的深度,且建图的算法开销也要小于双目相机建图。针对温室内的光照严重,普通的深度相机无法满足在该环境下的使用,因此选用Intel Real Sense D435深度相机,该款相机可以在光照充足的室外条件下使用。考虑到温室内的复杂地势环境,机器人还要有一定的越野能力,本文采用四轮驱动作为机器人的底盘。同时为了满足视觉建图与导航算法的庞大开销,因此选用Jetson nano作为机器人的控制系统。(2)为了提高温室移动机器人的建图精度,本文提出了VSLAM算法。传统的ORBSLAM3算法无法用于机器人的实际导航以及缺少机器人在特定场景下用于路径规划的八叉树地图。本文所提出的VSLAM算法基于ORB-SLAM3框架,利用深度相机所获取的深度信息,在原有的三大线程上添加稠密建图线程,利用相机成像原理计算出关键帧点云的三维坐标。然后对点云地图拼接时造成的点云数量冗余问题,又提出了双层点云滤波处理,并经过稠密建图回环检测进一步更新关键帧点云位姿,最后将构建出的精准点云地图实时转化为八叉树地图。实验表明结果,稠密点云地图的点云数量减少了12%,地图读取时间提高了4%,绝对轨迹误差和相对位姿均方根误差均有20%左右的降低。(3)最后分别对全局路径规划和局部路径规划进行了研究。基于MATLAB软件平台对比A*算法和Dijkstra算法进行仿真验证并分析路径搜索效率。之后对局部路径规划算法的TEB算法和DWA算法进行仿真,选出一种适合于温室环境下的算法。结合全局路径规划算法和局部路径规划算法,使温室移动机器人能够在全局路径最优的前提下,规避地图中出现的障碍物,最终实现了基于A*全局路径规划算法和DWA局部路径规划算法的组合方案。

日光温室水肥精准灌施装备及技术研究

这是一篇关于日光温室,水肥精准灌施,灌溉施肥机,水分运移,CFD流体仿真的论文, 主要内容为灌溉施肥技术将节水灌溉和施肥进行有机结合,是一项农业新型节水技术,节水省肥效果明显,环保优质特点突出,是实现农业可持续发展的重要技术措施。日光温室在我国农业生产中扮演着重要角色,因其基本不受外界环境因素影响,对于保障粮食安全和稳定发挥着重要作用。但由于日光温室独特的建造结构和环境条件,适合在其内部使用且性能优良的精准灌溉施肥机械装备非常缺乏,迫切需要一款结构轻简、性能稳定、农户可操作且成本低廉的精准灌溉施肥机。从设施农业生产需求出发,为减少资源浪费,提高灌溉施肥的效率和质量,进行了日光温室水肥精准灌施装备及技术研究。主要研究内容和成果如下:(1)在原有土壤条件下,进行了单点源滴灌试验。采用二因素方差分析、幂函数拟合等方法研究不同滴头流量和灌水时间下湿润体特征的变化情况,并提出了湿润体体积计算的新方法,与另外两种方法进行相对误差对比分析。结果表明,不同滴头流量下,水平、垂直最大湿润距离、地表面积以及体积均与灌水时间呈现良好幂函数关系,R2均大于0.93。在0.05水平上,4 L·h-1流量的水平最大湿润距离显著大于1、2L·h-1流量,2、4 L·h-1流量的垂直最大湿润距离显著大于1 L·h-1流量。等效法、旋转法、椭球公式法平均相对误差分别为13.20%、56.61%、21.02%,最大相对误差分别为-46.27%、136.46%、79.71%,等效法相对误差最小,计算结果更准确。研究结果可为灌溉施肥一体化设备的流量和作业时间设计提供理论参考。(2)基于日光温室对灌溉施肥设备的性能要求,确定总体设计方案及整机工作原理。对灌溉施肥机的关键部件进行设计,就水泵性能曲线和机组工作点确定进行理论计算,结合农艺灌溉制度进行了水泵选型设计;通过对文丘里吸肥器工作原理的分析和水力学计算,结合作物生育期需肥情况,灌施机设计选用DN25对称型文丘里,并将吸肥系统设计为与单机灌溉系统相并联的结构,利用电磁阀启闭直接实现对文丘里的控制,结构排布精简且控制响应快捷;对机内进水主管进行了参数确定,机内进水主管管径设计为50 mm,高度设计为750 mm;对肥液制备装置、管路布局和整机外壳进行了机械设计和三维建模。电气控制系统设计为由太阳能板向整机系统供电,全机部件均使用24V安全电压,通过控制电磁阀的启闭时间控制灌溉施肥作业时间,实现定量精准施肥。基于以上设计,研发出了兼具单独灌溉模式和灌溉施肥耦合模式的灌溉施肥机。(3)基于CFD对灌溉施肥机关键系统进行数值模拟。利用Ansys软件中的fluent模块对吸混肥系统进行耦合建模,研究不同进口压力下,吸混肥系统内部压力场、速度流场和湍流动能场的分布规律及其系统参数变化情况。整个吸混肥系统中,文丘里施肥器收缩段为高压力分布区域,经过喉管段压力骤然下降,系统内部最大、最小压力均随入口压力的增大而增大;各压力下,速度场分布基本呈条状,速度较高的流场基本分布在吸肥系统管路的上半部分,进口压力大小基本不影响速度的分布情况。系统湍流动能分布场基本呈长水滴状,入口压力为0.02-0.14 MPa时,高湍流动能场分布区域集中分布在系统中上部,压力为0.2 MPa时,高动能分布区域在喉管处分布较少,出现向后续管路移动的趋势。系统参数变化情况表明,入口压力增大时,喉管中心压力、系统最高、最低压力和出口水相质量流量均呈现增大趋势,但出口肥相质量流量无明显变化规律。(4)根据整机设计方案和作业模式,对系统所需硬件进行选型、加工和组装,对控制系统进行了程序设计和电路连接。完成了两代样机的研制安装,对第二代样机进行了技术试验研究,结果表明,系统平均进水速度为10.32 L·min-1,肥液量越多,吸肥系统所需要的吸取时间越长,肥液吸取速率随肥液量的增多逐渐降低,吸肥系统平均吸肥速率为1.43 L·min-1,精准灌溉施肥机可满足定时进水和定量吸肥要求,可以实现精准灌溉施肥的技术目标。进行灌溉施肥机在微喷带系统的应用试验研究,包括微喷带水量分布特性试验和微喷带出肥性能试验。水量分布特性试验表明,10 m微喷带内,中部6m位置处微喷孔的水量分布均匀系数最高,灌水均匀度最好,其次是8、4、10、2m;相同压力下,多孔出流量随着距微喷带首部距离增加而减少,即出流量与微喷带长度呈负相关变化关系;同一微喷孔径下,单孔出流量随距微喷带首部距离的增加而逐渐减小,不同孔径下单孔出流量随距首部距离的变化情况满足对数函数变化规律。出肥性能试验表明,不同种类肥料出肥口浓度均呈现先增加后逐渐下降的状态,且嘧菌酯恶霉灵药肥浓度明显大于磷酸二氢钾和含腐殖质配方的有机肥,不同肥料种类出流孔肥液浓度存在显著差异;母液浓度变化时,出肥口浓度均呈现先增大后逐渐下降的变化趋势,灌溉施肥机与单根10m微喷带系统配套使用时,母液浓度和微喷孔出肥口浓度之比基本为6.70:1。各试验结果可为日光温室灌溉施肥一体化微喷灌系统的应用提供理论和数据支撑。

基于MQTT的农业物联网管理平台的设计与实现

这是一篇关于MQTT协议,日光温室,农业物联网,番茄作物生长模型,数据可视化的论文, 主要内容为目前,我国农业生产主要还是依靠个人经验来对作物进行种植管理,耕种方式仍然落后于欧美等发达国家。随着农业信息技术的快速发展,我国提出了智慧农业的概念,将物联网技术逐渐应用于农业生产领域,对种植环境进行实时监测,达到农业生产的科学化、自动化和智能化的精细管理,减少人员的管理成本,提高了种植作物的产量和质量。本文在分析农业物联网发展现状的基础上,针对传统通讯协议在农业物联网中开销大、延时高等缺点,采用MQTT协议作为数据通信协议。通过对MQTT通讯模块进行详细设计,保证消息准确到达,提高了服务器的运行性能和数据传输效率。分析环境中影响作物生长的主要影响因素,结合番茄生长理论,建立日光温室环境下的番茄生长周期预测模型。设计了基于MQTT协议的农业物联网管理平台系统,实现了对园区大棚的管理、温室环境参数的实时采集以及对种植作物生长周期预测等功能,对提高农业生产效率和降低农业生产管理成本具有重要意义。具体研究如下:(1)建立日光温室环境下番茄生长周期预测模型。结合番茄生长理论知识与研究经验,将环境中影响作物生长的温度和光照时长作为主要影响因子,对基于生理发育时间的作物生长周期预测模型进行深入研究。通过对采集到的环境数据进行筛选处理,并应用番茄种植数据对生长周期预测模型的预测精度与实用性进行了检验,预测效果良好。(2)对MQTT通讯模块进行详细设计,研究MQTT消息协议中各个标志字段的特殊含义以及消息推送的具体过程。优化消息主题匹配机制,进行主题设计,减少系统网络开销,降低系统延迟和功耗。使用MD5算法对传输数据进行消息加密验证,一定程度的解决了物联网通信中消息安全性低的问题。(3)设计实现基于B/S架构的农业物联网管理平台系统。采用Spring Boot开发框架以及HTML、CSS、JavaScript等技术设计实现农业物联网管理平台系统,对温室大棚内的环境数据进行实时采集,通过基于生理发育时间的番茄生长周期预测模型对番茄作物进行预测,从而满足番茄生长需求。该系统具有园区大棚管理、设备管理、作物管理、实时监测、历史曲线显示和报警显示等功能。通过对多园区多大棚的精细化管理,提高农业生产效益。

哈密市观光型日光温室冬季温光测定及性能分析

这是一篇关于日光温室,水平方向,冬季,温度,湿度,光照强度的论文, 主要内容为【目的】哈密地区冬季寒冷、低空气层稳定,冬季极端最低气温-32℃,大气透明度好,云量遮蔽少,光能资源丰富,适合发展设施农业生产反季节蔬菜。传统的日光温室普遍存在造价高、土地利用率低,空间小和不适合机械化操作等问题,因此为了解决这些问题,新型HM-120-55tw日光温室被开发利用。本试验以哈密市新型HM-120-55tw“大跨度、高后墙、长后坡”砖混观光型日光温室为研究对象,从立冬到立春进行温光性能测定与性能分析,为满足日光温室内喜温蔬菜作物的正常生长发育和获得最大的生产效益以及日光温室设计、建造、环境调控和作物管理提供理论依据。【方法】试验于2017年11月7日(立冬)到2018年2月4日(立春),试验过程中使用精创Elitech RC-4系列温度记录仪、精创Elitech RC-4hc系列温湿度记录仪和希玛AS803数位式照度计对日光温室冬季的温度、湿度、光照强度等性能参数进行自动记录(照度为人工记录),通过自带软件导出数据进行分析。【结果】结果表明:1)观光型日光温室内水平方向上温度,在2017年11月7日至2018年2月4日期间表现为:日光温室内11月平均气温最高,12月平均气温最低。温室内平均气温为18.68℃,夜间平均最低气温在15℃以上,最大温差为30℃。平均气温表现为:晴天大于阴天;日光温室水平气温变化幅度较小,两边山墙温度低,中间温度高;无论晴天还是阴天,室内的温度都随着室外温度的起伏变化而变化,且呈正相关关系;夜间温室内各个区域温度变化较小。2)观光型日光温室内水平方向上湿度在2017年11月7日-2018年2月4日期间平均相对湿度为70.5%,温室内相对湿度普遍偏高,夜间相对湿度变化趋于稳定,阴天室内外相对湿度均高于晴天室内相对湿度。3)观光型日光温室内水平方向上平均光照为14230.71lx,2月份光照最强为19676.94lx,12月份光照最弱为12424.13lx。温室内光照强度分布如下:东山墙<1/4东山墙<2/4东山墙<3/4东山墙;后墙<1/4后墙<2/4后墙<3/4后墙。不同空间透光率大小如下:东山墙<1/4长度处<2/4长度处<3/4长度处;后墙<1/4跨度处<2/4跨度处<3/4跨度出;三面墙体的透光率大小为:后墙<东山墙<西山墙,后墙透光率最小,透光量最少,即表现为“西强东弱,南强北弱”的特点,其最大光照强度在距东墙1/4长度,距后墙3/4跨度处,最小光照强度在距离东墙1/4长度,距离后墙1/4跨度处。4)观光型日光温室内5cm平均地温为19.69℃,最高地温为27.9℃,最低地温为11.3℃;10cm平均地温19.80℃,最高地温25.8℃,最低地温10.7℃;15cm平均地温19.47℃,最高地温23.1℃,最低地温10.7℃。11月份地温最高,12月份地温最低。晴天条件下5cm、10cm土温与室温呈显著相关,15cm土温与室温呈正相关关系。阴天0-15cm土层与室温呈极显著相关,土壤温度随室温的变化而变化。阴天的地温受室温影响最大;晴天的地温除了受室温影响以外,室外光照对它的影响较大。土层深度越深,地温变化幅度越小,与上层土层相比,最高温度越低温度提升越慢。【结论】哈密市新型HM-120-55tw“大跨度、高后墙、长后坡”砖混观光型日光温室,深冬季节平均气温在18.68℃,夜间平均气温在15℃,最低气温为8.6℃,最高气温为36.3℃;光照强度冬季平均光照在14230.71lx,最弱为12424.13lx,平均日照为8个半小时;平均透光率为68.59%,最高能达到90%以上;温室内平均空气湿度为70.5%;5cm土层平均地温为19.69℃,10cm土层平均地温为19.80℃,15cm土层平均地温为19.47℃。日光温室在不加温条件下,温室内的温光性能可以最大限度的满足喜温植物的正常生长发育需要。相较于传统的日光温室具有保温性强、透光性好、现代化水平高、可机械性强、调控性好、运行成本低等特点,因此在哈密市可全面推广应用。

日光温室关键环境因子监测系统及温湿度预测方法研究

这是一篇关于日光温室,环境监测,时间序列,预测模型的论文, 主要内容为随着设施农业经济的快速发展,使用物联网和计算机技术参与生产管理的日光温室逐渐增多。通过监测温室内环境数据并预测未来变化趋势来对管理决策过程进行指导,有利于促进农产品品质提升和产量增加。但在温室内环境因子预测方面,目前常用的机器学习模型和简单的深度学习模型难以有效捕捉温室内复杂环境数据之间冗杂和非线性化的关系,也很难提取时间序列数据的长期依赖关系。且温室内环境监测系统在进行环境信息采集过程中常出现的噪声问题会降低模型预测的精度。因此本文在自主搭建的温室关键环境因子监测系统的基础上,充分考虑温室内温湿度特征,提出了两套基于门控循环网络的日光温室内温湿度预测模型。本文围绕温室内关键环境因子监测和温湿度预测任务展开研究,主要的贡献可以概括为以下三点:1.搭建了一套温室内关键环境因子监测系统。根据实际应用需求,设计了终端采集节点,采集终端硬件电路设计包括STM32F103ZET6微控制器模块电路、ESP8266无线传输模块和传感器接口电路;软件设计部分包括采集节点主程序设计、ESP8266无线通信模块程序设计、SD卡FATFS文件系统设计以及各传感器采集程序设计。采集节点可以对温室内温度、湿度、光照强度、二氧化碳浓度、土壤温度和土壤湿度信息进行采集,并将采集信息实时上传到One NET云平台以及备份存储到本地SD卡文件系统内。2.设计了基于门控循环神经网络的温室内温湿度单步预测模型,并针对温室内环境数据采集过程中存在的噪声问题,提出了基于扩展卡尔曼滤波算法的门控循环神经网络单步预测模型(Extended Kalman Filter＿GRU,EKF＿GRU)。首先,模型通过扩展卡尔曼滤波算法对温室数据集进行去噪处理,避免数据失真干扰模型预测效果;其次,门控循环网络学习数据特征,实现单步预测;最后,将设计的EKF＿GRU模型与现有预测模型进行对比。试验结果表明,在选取的三个评价指标的表现上,EKF＿GRU模型均强于现有三个模型。具体表现为:在温度预测方面,EKF＿GRU模型的RMSE值为0.0549℃,是四个模型中最优的,比BP神经网络、CNN网络、GRU网络分别低了4.11℃、0.8241℃和0.3021℃;EKF＿GRU模型预测温度的决定系数R2-score达到了99.99%。在湿度预测方面,EKF＿GRU模型的RMSE值为0.0795%RH,同样低于BP神经网络的4.152%RH、CNN网络的1.069%RH和GRU网络的0.609%RH,决定系数达到了99.98%。以上结果表明,本文提出的单步预测模型有效解决了环境数据噪声对模型预测精度的影响。3.考虑到实际生产中往往更加关注未来一段时间的环境变化趋势即实现多步预测,因此提出了卷积神经网络和门控循环网络融合的组合模型,并考虑到目标变量与因变量的相关性对模型预测精度的影响,提出了基于麻雀算法和皮尔逊相关性分析的卷积门控循环网络多步预测模型(Sparrow Algorithm and Correlation Analysis＿CNN＿GRU,SCA＿CNN＿GRU)。首先,使用皮尔逊相关性分析对数据集进行处理,只保留与目标变量相关性高的环境因子组成新数据集;其次,使用卷积神经网络的卷积层提取局部特征;然后利用门控循环网络捕获时间序列数据的时间依赖关系;再使用全连接层进行特征融合;最后,使用麻雀搜索算法对不同步长的最优超参数组合进行搜索。针对不同的预测步长进行试验,结合预测精度与实际生产情况综合考虑选择预测步长k=30。为了验证模型的性能优势,分别建立CNN网络多步预测模型和GRU网络多步预测模型,三种模型设置同样的预测步长进行模型性能对比试验,同时为了验证相关性分析建立数据集的必要性和优势,分别使用第四章数据集A和经相关性分析处理的数据集B进行试验,经过试验发现,SCA＿CNN＿GRU模型在相同预测步长时,对温室内温度和湿度的预测精度均大幅高于CNN网络,小幅高于GRU网络;三种模型在数据集B中的预测表现均强于数据集A。上述试验结果表明本文提出的多步预测模型实现了多步预测的功能,并在精度上优于其他的现有模型。