面向自动控制的日光温室卷膜控制决策方法研究

陆丽琼 朱德兰 李柱 韩煜琪

摘要：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。

关键词：温室番茄；Cat Boost；内环境预测；卷膜决策模型；卷膜控制系统

中图分类号：S626.5; TP274+.2

文献标识码：A

文章编号：2095-5553 （2024） 06-0082-09

收稿日期：2022年11月24日

修回日期：2023年4月19日

*基金项目：国家重点研发计划项目（2021YFE0103000）；国家自然科学基金项目（52009111）;陕西省重点研发计划项目（2020ZDLNY01—01）

第一作者：陆丽琼，女，1996年生，南宁人，硕士研究生；研究方向为水肥灌溉决策。E-mail： 702073529@qq.com

通讯作者：朱德兰，女，1969年生，青海人，教授，博导；研究方向为设施水肥与环境调控技术。E-mail： dlzhu@126.com

Study on the control decision of film rolling in solar greenhouse for automatic control

Lu Liqiong^{1， 2}， Zhu Delan^{1， 2}， Li Zhu^{1， 2}， Han Yuqi^{1， 2}

（1. College of Water Resources and Architectural Engineering， Northwest A ＆ F University， Yangling， 712100， China;

2. Key Laboratory of Agricultural Soil and Water Engineering in Arid and Semiarid Areas， Ministry of Education，

Northeast A ＆ F University， Yangling， 712100， China）

Abstract： In order to change the greenhouse environmental management from manual experience management to automatic management， the greenhouse with higher tomato yield in the same region was selected as the research object， and the temperature， humidity， roll film opening and closing status in the greenhouse and outdoor meteorological data were monitored in real time， the relationship between outdoor meteorological data， indoor temperature and humidity， and roll film opening and closing of the greenhouse was established. With outdoor meteorological data as input， indoor temperature and humidity and roll film opening and closing degree as output， the Cat Boost algorithm was used to build temperature and humidity prediction models and roll film decision-making models respectively， and the prediction results were compared and analyzed with those of Random Forest （RF） and Extreme Gradient Boosting （XG Boost） algorithms. Finally， the film rolling control system was designed and built based on the decision model， and tested on typical sunny， cloudy and rainy days. The results showed that the root mean square error of the predicted value and the measured value of the indoor environment （indoor temperature and indoor relative humidity） of the solar greenhouse based on Cat Boost was 0.91℃ and 4.73%， respectively， which had better simulation effect and high accuracy， and the accuracy of the film rolling decision model reached 92.1%. The roll film control system based on Cat Boosts roll film decision model can accurately predict the change of roll film state and conduct accurate control， which has strong practical value and promotion significance.

Keywords： greenhouse tomato; Cat Boost; internal environment simulation; film rolling decision model; roll film control system

0 引言

现代温室正在从人工管理向自动化控制发展，自动化管理能根据作物需要，将环境控制在相对稳定的水平，避免人为因素造成损失，节约人力资源^[1]。温室环境控制的发展经历了3个阶段：定值开关控制阶段、传统自动控制阶段和智能控制阶段。智能控制技术在我国具有广阔的研究和应用前景^{[2， 3]}。Jung等^[4]使用输出反馈神经网络预测和优化方法开发了一种新的通风控制逻辑。涂泓滨等^[5]通过建立调控设备控制时间与温室环境参数间的关系，提出温度控制策略。邢希君等^[6]采用双模糊逻辑控制器对多种环境变量进行调控。徐立鸿等^[7]采用粒子群算法（Particle Swarm Optimization， PSO）分别建立光温耦合净光合速率模型与Venlo型温室夏季降温补光能耗模型。Lin等^[8]提出一种温室气候分级控制策略，设计了预测控制器。

为使温室环境控制更加精准，不少学者对温室小气候展开模拟。近年来，由于深度学习与神经网络能处理多变量间的冗余交叉及时序性特征，在温室环境预测领域内逐渐成为研究热点，国内外许多学者利用深度学习对温室环境因子预测模拟进行了深入研究^[9-12]。程陈等^[13]利用Elman神经网络对日光温室内环境数据进行了模拟。左志宇等^[14]采用时序分析法建立了温度预测模型。Patil等^[15]采用自回归模型（Autoregressive Model，ARM），建立一种外环境气象数据为输入，内环境数据为输出的预测模型。虽然这些模型能够较准确地模拟日光温室内环境的变化趋势，但较少涉及日光温室内环境变化趋势与人工环境控制的关系。

选取2021—2022年日光温室环境观测数据，利用Cat Boost模型将温室外气象数值作为输入参数，温室内温度、相对湿度、卷膜开度作为输出值，构建温、湿度预测模型和卷膜决策模型，设计搭建卷膜控制系统，并于晴天与阴天进行试验验证，以期为指导温室番茄栽培环境调控和实现温室自动化控制管理提供理论参考和技术支撑。

1 材料与方法

1.1 试验设计

1.1.1 试验区筛选

在温室中，环境控制水平对作物长势和产量起重要作用。为了选取管理较为规范的温室，以期构建具有实践指导意义的卷膜决策模型，前期进行走访调研，在陕西省咸阳市杨凌示范区选取3个番茄种植品种相同、管理水平较高的温室作为跟踪对象。对温室内番茄生长指标进行比较，最终筛选出长势良好、产量较高的温室作为研究对象。株高、茎粗、叶面积指数和产量是反映番茄长势的重要生长指标。在3个温室中分别选择5株番茄，幼苗期和开花坐果期每7d测定一次番茄株高、茎粗、叶面积指数，求平均值；成熟期，采摘测定的番茄测其产量并取平均值，折合为每公顷产量。

不同温室内番茄生长指标变化如图1所示，综合比较株高、茎粗、叶面积指数及产量，在3个温室中，2号温室的番茄长势最好、产量最高，故选取2号温室为研究对象。

1.1.2 试验区概况

试验区位于杨凌现代农业创新园（东经108°04′，北纬34°17′，海拔586m），该试验区夏季多雨、冬季干燥，年平均日照为2 196h，年降水量和蒸发量分别为632 mm和1 510 mm，年均气温为12.9 ℃，属温带半湿润季风气候。试验用半拱形日光温室，长度为50 m，宽度为8 m，东西向布局，南面设有通风口，通风口卷膜的开闭根据作物生长适宜的室内小气候而定。

番茄品种为“中杂105”，于2021年8月25日育苗，幼苗番茄出现4～6片真叶时定植，采用沟垄覆膜种植模式，起垄时一管两行布置，株距40 cm，行距40 cm，每行15株。选择长势良好的番茄植株进行观测，灌水方式为滴灌，地面覆盖聚乙烯薄膜。

1.1.3 测定项目与方法

日光温室内安装有自动气象监测系统，该系统监测数据有光照强度、温度和相对湿度，监测仪器为赛通科技R485温湿度光照三合一传感器，安装位置为温室中部，距地面2.5 m高度处。该传感器监测空气温度的精度为±0.5℃、监测相对湿度的精度为±3%。进行24 h连续自动观测，每1 h采集1次数据，所有气象数据自动记录存储在采集器中。

卷膜控制通过农事管理记录和通风口处温湿度传感器数据变化获得，为了方便记录，将打开状态记为1，关闭状态记为0。

室外气象数据来源于室外气象站，监测数据有室外温度、室外相对湿度、风速、光照强度、地面0 cm温度、地面5 cm温度、地面10 cm温度、地面20 cm温度、地面40 cm温度。温室结构及传感器布设如图2所示。

试验的时间为2021年9月27日—2022年1月4日，即秋茬番茄生长的1个完整生育期。

1.2 模型描述

1.2.1 Cat Boost模型

Cat Boost是一种新的梯度增强决策树算法，提出了新的方法解决梯度偏差以及预测偏移问题，能防止模型过拟合，保证所有数据都用于学习，提高了算法的准确性和泛化能力^[16]。其算法模型定义如式（1）所示^[17]。

F（x，w）=∑Tt=0a_th_t（x，w_t）=∑Tt=0f_t（x，w_t）（1）

式中： F（·）——整个决策树的输出；

x——样本的输入；

w——整个决策树的参数；

α_t——第t棵树的权重；

T——树的棵数；

h_t（·）——第t棵决策树的输出；

w_t——第t棵决策树的参数；

f_t（·）——经过加权后第t棵决策树的输出。

Cat Boost算法使用基于对称决策树为基学习器。在每次迭代中，在树的整层上应用相同的分割法则，左右子树完全对称而保持平衡。在对称树中，每个叶子节点的索引可以被编码为长度等于树深度的二进制向量。所有样本的二进制特征值都存储在连续向量中。叶子节点的值存储在大小为2倍树的深度的浮点数向量中^[18]。

1.2.2 模型检验统计变量

采用均方根误差RMSE（Root Mean Squared Error）、平均绝对误差MAE（Mean Absolute Error）及决定系数R²（Coefficient of Determination）对模拟值和实测值之间的拟合度进行统计分析，以验证模型的精确度，计算分别见式（2）～式（4）。

RMSE=1n∑ni=1（SIM_i－OBS_i）²（2）

MAE=1n∑ni=1SIM_i－OBS_i（3）

R²=[∑ⁿ_i=1（SIM_i－SIM）（OBS_i－OBS）]²∑ni=1（SIM_i－SIM）²∑ni=1（OBS_i－OBS）²（4）

式中： SIM_i——模拟值；

OBS_i——实际观测值；

SIM——模拟平均值；

OBS——实际观测平均值；

n——样本数。

R²越接近1，表明模型拟合度越好；MAE、RMSE越小，表明模型误差越小。

2 结果与分析

2.1 温室内温度、相对湿度与卷膜控制关系

温室内温度、相对湿度受温室环境控制影响，为了更好地分析温室内温度、相对湿度与卷膜控制之间的关系，以晴天、阴天和雨天为例，探讨不同天气下温室内温度、相对湿度与卷膜之间的动态关系。

选取2021年12月12日为晴天，2021年12月16日为阴天，2021年12月10日为雨天。在晴天、阴天和雨天条件下，温室内温度、相对湿度变化与卷膜控制的关系分别如图3～图5所示，温室内外温度、相对湿度变化走势大致相同，温度和湿度变化趋势呈显著负相关。

由图3可知，在典型晴天中，0：00—9：00室内温度在8℃～10℃之间，相对湿度在90%左右浮动，随着太阳辐射增强，室外温度逐步上升，光照强度逐渐增大，温室内温度迅速上升，相对湿度迅速下降，10：00开启卷膜，此时室内温度超过20℃，由于温室内外空气对流，温室内温度、相对湿度出现波动。14：00—17：00，随着太阳辐射的减少，温室内温度迅速下降，相对湿度迅速上升。16：00关闭卷膜，室内温度下降趋势放缓。18：00—24：00温室内温度在10℃～13℃之间，相对湿度在80%～84%之间。

由图4可知，在阴天中，由于全天太阳辐射较弱，温度变化较小，温度不高。

0：00—8：00温室内温度在7℃～9℃之间，相对湿度稳定在89%。在8：00，随着温室外升温，温室内温度也随之升温，相对湿度逐渐下降。午时温度不高，故不开启卷膜，全天温度变化平缓，于12：00达到最大值，12：00之后温度缓慢下降。18：00—24：00，温室内温度稳定在12℃左右，相对湿度在84%～90%之间。

由图5可知，在典型雨天中，全天太阳辐射较弱，湿度较高且温度较低。全天温室内温度在9℃～12 ℃左右浮动，相对湿度在87%～97%之间。由于室外温度较低，太阳辐射较弱，为避免温室内温度因空气对流而降低，使温度维持在作物适宜生长的范围内，卷膜不做开启控制。

由于冬季温度较低，开启卷膜后温室内外空气对流，造成温室内温度下降，故卷膜常在中午温度较高时开启，在全天温度较低时保持关闭状态。

2.2 模型构建

构建室内温度、相对湿度预测模型和卷膜决策模型，模型通过Python软件编程实现，具体流程如图6所示。

首先对数据集进行归一化预处理、去除噪点、相关性分析，得到最终的相关因子。将全生育期所获得的2208组数据，按8∶2的比例划分为训练集与测试集，其中训练集有1766组，测试集有442组，晴天天气的训练集有216组，测试集有144组，阴天天气的训练集有876组，测试集有228组，雨天天气的训练集有696组，测试集有48组。

再将相关系数大的气象数据作为特征输入，对应的室内温度、相对湿度、卷膜状态作为输出，使用网格搜索法进行调参寻优，选取树的个数（n， estimators）、树的深度、学习率（learning_rate）进行优化。

最后将最优参数设置代入模型，建立预测模型，将测试集输入模型，得出温度、相对湿度、卷膜状态预测结果，并计算测试集的精确度。在卷膜决策模型中，将预测值在[0，0.5）的数记为0，预测值在[0.5，1]的数记为1。

2.2.1 相关性分析

温室番茄全生育期共获得2208组数据，由温室内温度、相对湿度和温室外气温、相对湿度、风速、光照强度、地温0 cm、地温5 cm、地温10 cm、地温20 cm和地温40 cm组成。

利用SPSS软件对上述数据集进行相关性分析，通常将Pearson相关系数按照0～0.2，0.2～0.4，0.4～0.6，0.6～0.8，0.8～1.0划分为无相关、弱相关、相关、强相关和极强相关5个区间^[19]。相关性分析结果如表1所示，室内温度与地温0 cm呈极强相关，与室外温度、光照强度呈强相关；室内相对湿度与光照强度呈极强负相关，与室外相对湿度呈强相关，与地温0 cm呈强负相关；卷膜状态与地温0 cm、光照强度呈强相关。最终保留相关性系数大于0.2的值。

2.2.2 温室内温度、相对湿度预测模型及卷膜决策模型

以2021年11月1日为例，Cat Boost模型的输入参数及输出参数如表2所示。

为了验证相同输入参数下模型的性能，说明Cat Boost模型在预测模型中的精确性，同时构建了基于Cat Boost模型、XG Boost模型和RF模型的日光温室内温度、相对湿度预测模型及卷膜决策模型。在温室内环境预测模型中，Cat Boost、RF、XG Boost模型的温度、相对湿度测试集预测值与实测值的相关性如图7所示。由图7可知，Cat Boost、RF、XG Boost模型在温度预测模型中的R²分别为0.957、0.948、0.944，在相对湿度预测模型中的R²分别为0.962、0.960、0.947，Cat Boost模型的模拟精度较高。

在温度预测模型中，三种模型的预测值与室内温度实测值变化趋势大致相同，Cat Boost模型的预测值在峰值和谷值与实测值相差最小，RF模型的效果次之，XG Boost模型相差最大，XG Boost无法很好地模拟局部温度变化。在相对湿度预测模型中，三种模型的预测值与室内相对湿度实测值变化趋势总体相同，但是峰谷值预测效果一般。Cat Boost模型的预测效果最好，RF与XG Boost模型无法很好地模拟局部相对湿度的变化。3种模型的检验结果如表3所示。

由表3可知，温度与相对湿度预测模型中，Cat Boost模型的MAE与RMSE均比XG Boost模型和RF模型小，Cat Boost模型的R²均比XG Boost模型和RF模型高，表明Cat Boost模型的拟合精度优于其他两种模型。卷膜决策模型中，Cat Boost模型的准确率最高，达到92.1%，RMSE和MAE均较低，分别为0.25和0.11。因此，基于Cat Boost模型的卷膜决策模型准确率较高，可用于构建卷膜控制系统。

2.3 模型应用

1） 卷膜控制系统。基于Cat Boost卷膜决策模型构建卷膜自动控制系统，该系统由数据决策模块、人工控制模块与现场控制模块3部分组成，总体框架如图8所示。数据决策模块由室外气象站、Sukon云端、卷膜决策模型组成，以卷膜决策模型为核心。人工控制模块由本地端和远程端组成，可通过手机端、远程客户端和本地端触摸屏（型号为MT6103iP）进行手动控制。现场控制模块由PLC控制器（型号为LK3U-64）发出控制指令，电机根据指令开启或关闭卷膜。

在卷膜决策模型中，通过室外气象站采集室外气象数据，上传至Sukon云端，由Python读取云端数据。经数据处理后输入Cat Boost卷膜决策模型，得到卷膜控制决策，输出的预测值大于等于0.5时，卷膜决策结果为开启；预测值小于0.5时，卷膜决策结果为关闭。具体控制流程如图9所示。

2） 控制决策验证。为验证模型实际应用效果，于2022年1月9—17日进行卷膜控制验证，分别选取晴天、阴天和雨天进行试验，控制结果如图10～图12所示。由图10～图12可知，温室内温度、相对湿度预测值与实测值变化趋势接近，卷膜决策与实际情况一致，说明卷膜决策模型有较好的模拟效果，符合实际卷膜控制情况。

由图10可知，在晴天条件下，卷膜在11：00开启，此时温度为25.6 ℃，相对湿度为36.0%。卷膜开启的5 h中，温度在30 ℃左右浮动，湿度在21%～36%之间。16：00关闭卷膜，室内温度为19.5 ℃，开始缓慢下降，相对湿度为34.5%，呈上升趋势。

由图11可知，卷膜在12：00开启，此时室内温度为20.6 ℃，相对湿度为65.3%。卷膜开启的1 h中，由于温室内外空气对流，温度出现小幅度下降，相对湿度在65%～73%之间。13：00关闭卷膜，由于此时太阳辐射较强，室内温度出现小幅度上升，相对湿度无明显变化。

由图12可知，在雨天条件下，光照强度较低，在15：00时达到峰值，全天温度较低，温度在5℃～9.8℃间浮动，相对湿度较高，在73.4%～95.8%间浮动，由于温度较低，为保证室内温度，卷膜全天不开启。

由卷膜决策模型验证试验可知，冬季温度较低，选择在室内温度较高的中午时段开启卷膜，在太阳辐射开始减少时关闭卷膜，以减缓室内温度下降的速度。由于夜间温度较低，卷膜始终保持关闭状态。

3 结论

本研究利用2021—2022年日光温室内气象环境数据，建立基于Cat Boost算法的日光温室温度、相对湿度预测模型与卷膜决策模型，与XG Boost和RF模型的模拟效果进行对比分析，并基于决策模型设计搭建卷膜控制系统，于晴天、阴天与雨天进行试验验证。

1） 基于Cat Boost算法的日光温室环境（温度、相对湿度）模拟效果最优，其模拟值与实测值的均方根误差分别为0.91℃、4.73%，平均绝对误差分别为0.61 ℃、3.73%，决定系数分别为0.957、0.962。

2） 与RF算法、XG Boost算法相比，Cat Boost算法有更好的模拟效果，精度更高，基于Cat Boost的日光温室卷膜决策模型的准确率高达92.1%。

3） 基于卷膜决策模型的卷膜控制系统可以准确预测卷膜状态的变化，并及时进行控制。在验证试验中，温室卷膜控制系统的控制效果好，能够精准控制卷膜开闭。

参 考 文 献

[1]刘明玮. 基于神经网络和NSGAⅡ的温室多目标优化控制研究[D]. 哈尔滨： 东北农业大学， 2020.

Liu Mingwei. Research on multi-objective optimization for environmental control of a greenhouse based on Neural Network and NSGAⅡ[D]. Harbin： Northeast Agricultural University， 2020.

[2]徐振峰. 温室温湿度建模与多目标相容切换控制方法研究[D]. 南京： 东南大学， 2018.

Xu Zhenfeng. Research on modeling of temperature and humidity in greenhouse and multi-objective compatible switching control method [D]. Nanjing： Southeast University， 2018.

[3]皇甫姗姗， 朱节中， 杨再强， 等. 中国温室环境控制研究进展[J]. 中国农学通报， 2021， 37（27）： 125-131.

Huang Fu Shanshan， Zhu Jiezhong， Yang Zaiqiang， et al. The environmental control of greenhouse in China： Research progress [J]. Chinese Agricultural Science Bulletin， 2021， 37（27）： 125-131.

[4]Jung D H， Kim H J， Kim J Y， et al. Model predictive control via output feedback neural network for improved multi-window greenhouse ventilation control [J]. Sensors （Basel， Switzerland）， 2020， 20（6）： 1756.

[5]涂泓滨， 朱德兰， 刘孟阳， 等. 基于热量平衡方程的温室冬季温度控制策略[J]. 农业工程学报， 2022， 38（10）： 200-207.

Tu Hongbin， Zhu Delan， Liu Mengyang， et al. Winter temperature control strategy of greenhouse based on heat balance equation [J]. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（10）： 200- 207.

[6]邢希君， 宋建成， 吝伶艳. 基于双模糊控制器的温室智能控制系统设计[J]. 北方园艺， 2018（18）： 62-68.

Xing Xijun， Song Jiancheng， Shao Lingyan. Design of greenhouse intelligent control system based on dual fuzzy controller [J]. Northern Horticulture， 2018 （18）： 62-68.

[7]徐立鸿， 徐赫， 蔚瑞华. 温室蓝莓光温协调优化模型与控制策略研究[J]. 农业机械学报， 2022， 53（1）： 360-369.

Xu Lihong， Xu He， Wei Ruihua， et al. Optimal model of blueberry greenhouse light and temperature coordination [J]. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（1）： 360-369.

[8]Lin D， Zhang L， Xia X. Hierarchical model predictive control of Venlo-type greenhouse climate for improving energy efficiency and reducing operating cost [J]. Journal of Cleaner Production， 2020， 264： 121513.

[9]孟力力， 杨其长， Gerard. EA. Bot， 等. 日光温室热环境模拟模型的构建[J]. 农业工程学报， 2009， 25（1）： 164-170.

Meng Lili， Yang Qichang， Gerard. EA. Bot， et al. Visual simulation model for thermal environment in Chinese solar greenhouse [J]. Transactions of the Chinese Society of Agricultural Engineering， 2009， 25（1）： 164-170.

[10]陈昕， 唐湘璐， 李想， 等. 二次聚类与神经网络结合的日光温室温度二步预测方法[J]. 农业机械学报， 2017， 48（S1）： 353-358.

Chen Xin， Tang Xianglu， Li Xiang， et al. Two-steps prediction method of temperature in solar greenhouse based on twice cluster analysis and Neural Network [J]. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（S1）： 353-358.

[11]陈英义， 程倩倩， 方晓敏， 等. 主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧[J].农业工程学报， 2018， 34（17）： 183-191.

Chen Yingyi， Cheng Qianqian， Fang Xiaomin， et al. Principal component analysis and long short-term memory neural network for predicting dissolved oxygen in water for aquaculture [J].Transactions of the Chinese Society of Agricultural Engineering， 2018，34（17）： 183-191.

[12]杨亮， 刘春红， 郭昱辰， 等. 基于EMD-LSTM的猪舍氨气浓度预测研究[J]. 农业机械学报， 2019， 50（S1）： 353-360.

Yang Liang， Liu Chunhong， Guo Yuchen， et al. Prediction of ammonia concentration in fattening piggery based on EMD-LSTM [J]. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（S1）： 353-360.

[13]程陈， 冯利平， 董朝阳， 等. 利用Elman神经网络的华北棚型日光温室室内环境要素模拟[J]. 农业工程学报， 2021， 37（13）： 200-208.

Cheng Chen， Feng Liping， Dong Chaoyang， et al. Simulation of inside environmental factors in solar greenhouses using Elman neural network in North China [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（13）： 200-208.

[14]左志宇， 毛罕平， 张晓东， 等. 基于时序分析法的温室温度预测模型[J]. 农业机械学报， 2010， 41（11）： 173-177， 182.

Zuo Yuzhi， Mao Hanping， Zhang Xiaodong， et al.Recast model of greenhouse temperature based on time series method [J]. Transactions of the Chinese Society for Agricultural Machinery， 2010， 41（11）： 173-177.

[15]Patil S L， Tantau H J， Salokhe V M. Modelling of tropical greenhouse temperature by auto regressive and neural network models [J]. Biosystems Engineering， 2008（3）： 99.

[16]李莉， 陈浩哲， 赵奇慧， 等. 基于CS-CatBoost的温室番茄水分胁迫预测模型[J]. 农业机械学报， 2021， 52（S1）： 427-433.

Li Li， Chen Haozhe， Zhao Qihui， et al. Crop water stress index prediction model of greenhouse tomato based on CS-CatBoost [J]. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（S1）： 427-433.

[17]顾崇寅， 徐潇源， 王梦圆， 等. 基于CatBoost算法的光伏阵列故障诊断方法[J]. 电力系统自动化， 2023， 47（2）： 105-114.

Gu Chongyin， Xu Xiaoyuan， Wang Mengyuan， et al. Photovoltaic array fault diagnosis method based on CatBoost algorithm [J]. Power System Automation， 2023， 47（2）： 105-114.

[18]王玉静， 王诗达， 康守强， 等. 基于改进深度森林的滚动轴承剩余寿命预测方法[J]. 中国电机工程学报， 2020， 40（15）： 5032-5043.

Wang Yujing， Wang Shida， Kang Shouqiang， et al. Prediction method of remaining useful life of rolling bearings based on improved forest [J]. Proceedings of the CSEE， 2020， 40（15）： 5032-5043.

[19]吴蒙， 彭慧萍， 范绍佳， 等. 珠江三角洲区域空气质量的时空变化特征[J]. 环境科学与技术， 2015， 38（2）： 77-82.

Wu Meng， Peng Huiping， Fan Shaojia， et al. Temporal and spatial variation characteristics of regional air quality in the Pearl River Delta [J]. Environmental Science and Technology， 2015， 38（2）： 77-82.