基于传感器的农业温室数据直报系统与智能调控研究

摘要：农业物联网、大数据、人工智能等技术的飞速发展为温室蔬菜生产的数据采集、分析、调控提供了有力支撑。为满足温室环境数据智能直报场景需求，制定了温室环境传感器的部署规范，设计并对比分析了基于LSTM、CNN-LSTM及CNN-LSTM-Attention的 3种温室调控温度预测模型。基于CNN-LSTM-Attention预测模型的性能最好，其MSE、MAE、R2 分别为0.457 0、0.319 5和0.987 3。设计了基于ARIMA的温室传感器数据纠错方法，实现土壤湿度预测数据值与实际测量差异不显著。整合了常见温室果蔬种植作物对环境信息的参数阈值模型，并开发了温室数据直报与智能调控系统移动端，能够指导温室环境传感器的规范部署、温度预测与纠错及常见温室果蔬种植辅助决策。研究结果为温室数据直报场景的数据采集、业务分析、温室调控提供技术手段，有助于智慧温室蔬菜产业高质量发展。

关键词：传感器；数据直报；温室应用场景；温度预测；数据纠错

doi：10.13304/j.nykjdb.2023.0925

中图分类号：S126 文献标志码：A 文章编号：1008‑0864（2024）07‑0093‑10

随着农业向数字化、智慧化发展，对温室数据采集的及时性、可靠性、精准性等提出了更高的要求。温室数据直报系统依靠高性能传感器实时采集温室数据，有助于优化农业生产调控、提高农业生产效益，并为农业生产档案电子化提供便捷的管理服务工具，支撑农产品安全生产溯源和辅助管理部门监管。目前，温室数据直报系统多基于人工填录或依靠物联网设备采集数据，上报数据全面性、效率和质量参差不齐[1]。温室环境是复杂的动态系统，具有多变量、非线性、时变性、干扰性和强耦合性等特点，环境因素相互耦合且容易受到干扰，检测可靠性低、精度差，难以精确控制[2]。传感器作为现代农业生产中必不可少的设备，通过采集农业生产数据并按照一定的方式输出，为后期数据处理与分析做基础，指导农业生产管理。随着农业传感器技术的进步，温室内环境测控由单因子控制发展到了多因子综合测控，利用传感器多信息融合、解耦控制和自适应控制策略等技术，有效支撑了温室环境的数据采集和智能调控，缓解了温室环境测控场景中存在的数据繁杂、稳定性差、精确性不足等问题，在设施农业生产和提质增效中承担着重要作用[3‑4]。开展设施温室环境测控专业传感器集成研究并创建基于传感器的智能化温室数据直报应用场景有助于农业生产决策、监管与溯源，对社会经济发展和科技进步具有重要现实意义，前景广阔。

随着传感技术、微型计算机技术的迅速发展，自动监控领域发生了巨大变化，温室环境的数据采集、传输及自动监测控制方面的研究有了明显的进展。Hodgkinson等[5]监测控制了实验温室中温度、湿度、CO2浓度；Mitsulov等[6]介绍了一种可移动电子系统，其可用于研究温室作物生长和限制光合作用的微气候因子之间的相互关系。Vasileios等[7]通过光谱技术设计了温室行走采集机器人，提出了一种三设备机器人系统（three-device robotic system，3DS）解决光谱技术的滞后性。Abhishek等[8]研究了太阳能温室测控系统，利用传感器获取作物环境数据实时分析温室环境的非线性和耦合性关系，并对温室测控系统进行了优化，推动了温室监控系统的智能化、人性化和实时化。高翔等[9]提出一种将土壤电阻传感器和土壤温度传感器的数据融合的方法，并利用多元线性回归和BP（back propagation）神经网络建立了土壤湿度的测定模型，提高了土壤湿度的测定精确度。钟亚飞[10]设计出一种新型二氧化碳传感器，该传感器采用SH-300-DH模块检测二氧化碳，具有体积小、反应灵敏、检测精度高等优点。叶一舟[11]研究了一种高性能硅基MEMS（micro-electromechanicalsystems，微机电系统）风速风向传感器，该传感器基于热原理设计，应用深反应离子刻蚀技术设计了传感器的隔热深槽，以提升整个传感器对风速风向采集的性能。张馨等[12]在分析农田土壤温度测量特殊需求、常用传感器结构与特征、敏感元件选型的基础上，对土壤温度传感器进行优化设计，将感知区域缩短为2 cm，提出探头导管分离可装配式结构，采用不同长度玻璃钢塑料管组合装配方式，其传感器采用高端的CMOSENS技术，实现了数字式输出、免标定、免调试、免外电路和全方位互换等功能。根据卡尔曼滤波系统处理不需要大量的数据存储和计算的特性，周艳青等[13]将卡尔曼滤波算法应用于温室监测数据融合，并引入改进的分布图来改进卡尔曼滤波算法，进一步提高测量精度，可以提供准确的温室环境参数；杨帆等[14]针对目前温室环境监控的需求提出了一种基于D-S证据理论和农业专家系统相结合的数据融合方法，提高了温室环境参数测控的决策准确性，可显著改善温室环境的控制效果。郝子源等[15]基于多源信息和深度学习的多作物叶面积指数预测模型，在卷积神经网络（convolution neural network，CNN）算法提取图像深度特征的基础上加入了LightGBM算法用于结合图像特征和一维数据实现作物LAI的最终预测，用于评价作物长势。李其操等[16]提出了基于遗传算法优化的BP神经网络预测模型（GA-BP），对温室内温度进行预测，用于更精准地管理和控制温室内的温度。张云鹤等[17]提出了基于LSTM神经网络的温室能耗预测模型，为温室能耗精准管控提供了理论依据。已有研究对监测数据的处理虽然计算简单、速度快，但是处理后的数据量依然庞大，不易分析和理解，低层次的处理容错性也比较低，需要充分发挥深度学习及融合模型的优势，简化传统模型构建流程，优化温室生产决策[18‑19]；为适应温室环境的非线性、大时延、时变、多变量耦合等特征，建立精确的温室环境指标，特别是温湿度指标预测模型，对于响应这些动态变化和实现有效的控制策略至关重要[20‑21]。基于此，本研究通过研究温室种植环境信息的感知参数及传感器部署、设计温室调控温度预测模型、应用温室环境数据纠错算法并开发温室数据直报与智能调控系统移动端应用，为智慧温室信息化建设与数据直报提供支持。

1 材料与方法

1.1 温室种植环境信息的感知与阈值设计

本研究在北京市某日光温室和连栋温室部署北京市农林科学院自主研发的多参数环境监测传感器，包括空气温度、湿度、二氧化碳浓度和光照强度、土壤温度、土壤湿度等。温室主要种植番茄、彩椒、茄子、黄瓜、豇豆、菠菜等蔬菜。对传感器安装部署规范进行明确：地面空气温度、空气湿度、二氧化碳浓度、辐射光照等多参数传感器每栋日光温室部署1套、联动温室每2 000 m2部署1套，悬挂安装于温室中间位置，高度距地面约1.5～1.8 m，冠层测量高度不超过作物冠层80 cm处；土壤温湿度传感器每栋日光温室部署1套、联动温室每2 000 m2部署1套，采用地埋方式，安装深度距地表15～30 cm不等，安装在根系中部位置。通过调研温室常见类型的果蔬作物种植技术[22‑23]，分析主要温室作物对环境因子的需求阈值，为基于传感器的数据直报场景搭建提供支撑，并用以支持温室通风系统、灌溉系统、光照系统等调控决策，实现温室种植环境的调节优化。

1.2 温室调控温度预测模型构建

于2022年11月8—13日采集温度数据。该数据采集周期为180 s，采用24 h 不间断采集方式，共累积采集数据5 620条数据，经异常值处理、缺失值处理、归一化等操作，采用留出法将数据集前4 000条数据划分为训练集，后1 620条数据划分为测试集，构建基于长短时记忆神经网络（longshort-term memory，LSTM）、融合卷积神经网络（CNN）的长短时记忆神经网络（CNN-LSTM）和基于注意力机制的CNN-LSTM网络共3种温度预测模型。基于上述预测模型，对比分析3种预测模型的性能，以实现温室温度的实时预测，为温室中的控制设备调控提供决策支持依据，确保温度数值始终维持在农作物适宜生长的范围。模型结构如图1所示，基于LSTM的温室温度预测模型（图1A）包含2个LSTM结构和1个全连接层（dense），与传统RNN结构相比，LSTM更加适用于处理和预测时间序列中间隔较长的重要事件，能够有效地解决长序列问题；基于CNN-LSTM的温室温度预测模型网络（ 图1B）包含2 个卷积层、1个池化层、2个LSTM和1个dense层，该网络结构能充分利用CNN与LSTM的优势，提取数据的空间和时序特征；基于CNN-LSTM- 注意力（attention）的温室温度预测模型（图1C）包含2个卷积层、1个池化层、2个LSTM、1个自注意力机制模块和1个全连接层，该网络结构在 CNN-LSTM基础上，通过引入注意力机制处理被忽略的短序列特征，提高模型对序列中重要特征的关注度，进而提高预测的准确度。

1.3 温室传感器数据纠错算法设计

选取北京某温室1台土壤湿度传感器2023年8月15日至2023年9月14日的土壤湿度监测数据（1条·h−1）进行模型预测，其中2023年8月15日至2023 年8 月31 日的数据用于模型的训练，2023年9月1日至2023年9月14日的监测数据用于预测结果的核验。利用温室历史采集数据和差分整合移动平均自回归（autoregressive integratedmoving average model，ARIMA）模型计算分析，构建果园环境传感器数据纠错算法。该算法能够在硬件环境传感器数据出现异常数据时快速判断错误数据并进行有效纠错处理，提高传感器采集数据精度，保障数据的有效性和连续性[24‑25]。温室传感器数据纠错算法流程如图2所示，在数据接收端建立数据监听进程，监听进程接收到数据后，调用容错算法来判断监测数据是否正常，若监测数据正常，则数据正常存储；若监测数据异常，则调用纠错算法对监测数据进行纠正，然后将纠正后的监测数据及纠正标志位特殊标记后进行存储。

1.4 温室数据直报与智能调控系统设计

基于以上研究，针对温室环境智能监测与管理需求，设计开发基于农业传感器的温室数据直报与智能调控系统（图3），对温室内气象、土壤等信息进行实时在线监测与上报，并转发给控制中心，根据温室作物生长发育规律对温室环境进行智能调控与可视管理。

2 结果与分析

2.1 温室果蔬种植环境信息阈值

茄果、瓜菜、豆类、叶菜、水果等常见温室园艺种植作物对空气温度、空气湿度、光照、二氧化碳、土壤温度和土壤湿度6项环境参数的参考阈值如表1 所示，用于辅助指导温室环境调控决策。

2.2 温室调控温度预测模型分析

分别采用LSTM、CNN-LSTM 及CNN-LSTMAttention网络结构对温室温度进行预测，模型预测值与损失率结果如图4和5所示。可以看出，LSTM 网络结构所得预测值与真实值差异最大，获取的训练集和测试集损失率也远高于其他2种网络结构。基于CNN-LSTM-Attention的网络结构不仅可以获得较好的预测结果，其训练集和测试集均可获得比较小的损失率。此外，对比分析3 种网络结构的评价指标结果可以得出，基于CNN-LSTM-Attention 预测模型的性能最好，其MSE、MAE、R2 分别为0.457 0，0.319 5，0.987 3，而LSTM 与CNN-LSTM 分别为0.743 1、0.597 9、0.978 7和0.766 5、0.511 2、0.971 5。

2.3 温室环境湿度数据纠错比较分析

通过原始数据与预测模型得到的数据对比，预测结果与原始数据非常接近，2组数据吻合程度为98%以上。将数据纠错结果与现场人工实际测量的环境数据值的比较分析发现，两者间具有极显著的相关关系，数据预测值与实际测量值比较接近，且2种方法所取得的结果差异不显著，完全满足温室生产用数据的需求。以2023年9月10日实验记录（图6）为例进行验证，基于ARIMA的纠错方法修正结果较为可靠。

2.4 软件应用

基于温室测控传感器部署集成温室果蔬种植环境信息阈值参考模型、温室调控温度预测模型、温室环境监测传感器数据纠错算法，研究开发温室数据直报与智能调控系统小程序，便于远程操作，实现温室物联网数据采集、数据直报、智能调控、预警服务等功能（图7）。小程序系统功能主要分为首页、监测、控制、作业、我的共5个功能模块：首页模块对温室监控实时数据和统计数据进行汇总分析；监测模块展示温室传感器环境采集数据实时动态与历史数据，集成温室果蔬种植环境信息阈值参考模型进行预警；控制模块实现温室环境调控装置与水肥灌溉装置的远程控制；作业模块提供农事信息直报功能；我的模块进行用户信息维护、模型参数设置与系统维护设置。

3 讨论

目前，基于农业物联网的温室数据测控技术在实际生产应用中取得了一定成效，但是在数据采集的精准性、便捷性、集成性，数据传输与预测的稳定性、准确性、有效性，以及调控决策的科学性、及时性、智能性等方面还需进一步研究优化。基于传感器的农业温室数据直报与智能调控应用场景搭建面临以下需求和趋势：①相对于仪器分析方法，传感器具有体积小、成本低、易操作等特点，农业传感器研究正朝向体积小、精度高、稳定性强的方向发展，农业生产应用中对传感器的要求更加严格苛刻，需要有效提高农业数据采集技术性能水平，使数据采集更准确、稳定、可验证，为管理决策提供更可靠的依据；②农业环境动态多变、农作物生长影响因素众多且互作关系复杂，将分散无序的信息转化生成生产知识或管理决策任重道远[26]，需要将农作物品种、栽培技术与信息化技术有机融合，辅助更明智的调控决策，为温室测控闭环提供强力支撑；③我国温室传感器在精度、适用性、稳定性、场景化应用方面尚有不足，亟需进一步提升传感器与数据融合智能化水平，并形成有效的数据直报应用模式，在日光温室、连栋温室等不同应用场景下广泛试点与推广应用，提高设施农业生产者信息决策能力，增强农业生产科学管理水平，推动现代农业转型升级。

本研究基于温室多参数、高性能测控传感器采集温室环境实时数据，结合温室作物环境需求模型，设计温度调控预测模型与数据纠错算法，大大提高了温室环境数据采集上报的及时性与准确性。数据预测与纠错算法已分别在空气温度预测和土壤湿度纠错方面验证应用，对数据的利用延伸到直报系统与移动端测控管理，并在北京市10 个以上设施温室开展试点示范，具有良好的数据积累条件与技术推广前景。下一步，将进一步优化空气及土壤温湿度、二氧化碳含量、光照等多个温室环境关键参数的数据预测与纠错算法，熟化温室果蔬作物种植环境智能化调控模型，集成开发面向设施温室不同应用场景的软件服务工具，促进设施温室智能化水平提升。

参考文献

［1］ 陆利明，陈建，陈燕，等.关于浦东新区农业生产信息直报系统的应用与分析[J].上海农业科技，2023，（1）：39-42.

［2］ 束仁冬，孟令启，李进，等.基于模糊解耦控制的玻璃温室大棚的环境监控[J].江汉大学学报（自然科学版）， 2021， 49 （6）：87-96.

SHU R D， MENG L Q， LI J， et al .. Environment monitoring ofglass greenhouse based on fuzzy decoupling control [J]. J.Jianghan Univ. （Nat. Sci.） ， 2021， 49 （6）： 87-96.

［3］ 宋坤，李雨婷，张钰颖，等.基于改进多传感器数据融合算法的温室环境检测研究[J]. 现代电子技术， 2023， 46（20）：178-182.

SONG K， LI Y T， ZHANG Y Y， et al .. Research on greenhouseenvironment detection based on improved multi-sensor datafusion algorithm [J]. Mod. Electron. Tech.， 2023， 46（20）：178-182.

［4］ 许德立，皇甫森森，李澍源.基于多数据融合+BP神经网络的农业温室大棚环境监控系统的研究[J].湖北农业科学，2023，62（1）：167-171，176.

XU D L， HUANGFU S S， LI S Y. Research on environmentmonitoring system of agricultural greenhouse based on Multidatafusion+BP neural network [J]. Hubei Agric. Sci.， 2023，62（1）：167-171，176.

［5］ HODGKINSON J， SAFFELL J， LUFF J ， et al .. Gas sensors Ⅰ.the basic technologies and applications [J]. Nanotechnol.Perceptions， 2009， 5（1）： 71-82.

［6］ MITSULOV N， TSONEY T. Multichannel measuring system forprofile monitoring of CO2 concentration in cultivationequipment [J]. Int. Agrophys.， 2002， 16（3）： 203-208.

［7］ VASILEIOS T， DIONYSIOS B， KYRIAKOS-NIKOS P， et al ..Development of an integrated IoT-based greenhouse controlthree-device robotic system [J]. Agronomy， 2021， 11（2）： 405-405. 10.3390/agronomy11020405.

［8］ ABHISHEK K， VIKRANT S， SAURABH K， et al .. IoT enabledsystem to monitor and control greenhouse [J]. Mater. TodayProc.， 2022， 49（8）： 3137-3141.

［9］ 高翔，刘鹏，卢潭城，等.一种土壤湿度测定方法在Zig Bee无线传感器网络中的应用[J]. 传感器与微系统，2015，34（1）：151-153.

GAO X， LIU P， LU T C， et al .. Application of a method of soilmoisture measurement in Zig Bee WSNs [J]. TransducerMicrosyst. Technol.， 2015，34（1）：151-153.

［10］ 钟亚飞.基于单片机的温室二氧化碳测控系统的设计[D].青岛：山东科技大学， 2011.

ZHONG Y F. Design of carbon dioxide measurement andcontrol system based on the SCM in the greenhouse [D].Qingdao： Shandong University of Science and Technology，2011.

［11］ 叶一舟.高性能硅基MEMS热式风速传感器的研究[D].南京：东南大学，2019.

YE Y Z. Investigation on the high-performance silicon-basedmems thermal wind sensors [D]. Nanjing： Southeast University，2019.

［12］ 张馨，郭瑞，李文龙，等.可装配式土壤温度传感器设计与试验[J].农业工程学报，2015，31（S1）：205-211.

ZHANG X， GUO R， LI W L， et al .. Design and experiment ofassembled soil temperature sensor [J]. Trans. Chin. Soc. Agric.Eng.， 2015，31（S1）：205-211.

［13］ 周艳青，薛河儒，姜新华，等.基于改进的卡尔曼滤波算法的气象数据融合[J].计算机系统应用，2018，27（4）：184-189.

ZHOU Y Q， XUE H R， JIANG X H， et al .. Meteorological datafusion based on proposed kalman filter method [J]. Comput.Syst. Appl.， 2018，27（4）：184-189.

［14］ 杨帆，孟翔飞，孙建红.数据融合技术在温室环境监控系统中的应用[J].农机化研究，2012，34（4）：177-180.

YANG F， MENG X F， SUN J H. Applying of data fusiontechnology in greenhouse environment monitoring and controlsystem [J]. J. Agric. Mech. Res.， 2012，34（4）：177-180.

［15］ 郝子源，杨玮，李浩，等.基于多源信息和深度学习的多作物叶面积指数预测模型研究[J]. 光谱学与光谱分析，2023，43（12）：3862-3870.

HAO Z Y， YANG W， LI H， et al .. Study on prediction modelsfor leaf area index of multiple crops based on multi-sourceinformation and deep learning [J]. Spectrosc. Spect. Anal.，2023，43（12）：3862-3870.

［16］ 李其操，董自健.基于GA-BP神经网络的温室温度预测研究[J].智能计算机与应用， 2023，13（9）：168-171.。

LI Q C， DONG Z J. Greenhouse temperature prediction basedon GA-BP neural network [J]. Intell. Comput. Appl.， 2023，13（9）：168-171.

［17］ 张云鹤，林森，沈剑波，等.基于LSTM的连栋温室能耗预测模型[J].天津农业科学，2023，29（6）：74-79.

ZHANG Y H， LIN S， SHEN J B， et al .. Prediction model ofenergy consumption of multi-span greenhouse based onLSTM neural network [J]. Tianjin Agric. Sci.， 2023， 29（6）：74-79.

［18］ 石征锦，王博伦，谢峰，等.一种面向无线传感器网络的多数据融合模型设计[J].沈阳理工大学学报，2021，40（3）：35-40.

SHI Z J， WANG B L， XIE F， et al .. Design of A multi-datafusion model for wireless sensor network [J]. J. ShenyangLigong Univ.， 2021，40（3）：35-40.

［19］ 李双斌，王平，吕志华，等.基于Jetson Nano深度学习的新型农业系统[J].南方农机，2022，53（20）：13-15.

LI S B， WANG P， LYU Z H， et al .. A new agricultural systembased on Jetson Nano deep learning [J] China South Agric.Mach.， 2022，53（20）：13-15.

［20］ 黄天艺，吴华瑞，朱华吉.基于多模态数据驱动的黄瓜温室湿度预测方法[J].电子测量技术，2023，46（16）：97-104.

HUANG T Y， WU H R， ZHU H J. Research on humidityprediction method of cucumber greenhouse based onmultimode data driving [J]. Electron. Meas. Technol.， 2023，46（16）：97-104.

［21］ 杨承磊，兰玉彬，王庆雨，等.神经网络在温室小气候预测中的应用[J].中国农机化学报，2023，44（5）：89-99.

YANG C L， LAN Y B， WANG Q Y， et al .. Application ofneural network in greenhouse microclimate prediction [J]. J.Chin. Agric. Mech.， 2023， 44（5）： 89-99.

［22］ 丁力行，邓玉艳.设施农业人工环境[M].北京：中国建筑工业出版社，2017：20-56.

［23］ 李天来. 设施蔬菜栽培学[M]. 北京：中国农业出版社，2011： 44.

［24］ 史少寒，周晓彦，李大鹏.基于ARIMA算法特征补齐的语音情感识别[J].电子器件， 2023， 46（5）： 1333-1338.

SHI S H， ZHOU X Y， LI D P. Speech emotion recognitionbased on feature complement by ARIMA [J].Chin. J. Electron.Devices， 2023， 46（5）： 1333-1338.

［25］ 张涛，张健，祁欣月，等.交通缺失数据插补方法研究综述[J].现代交通与冶金材料，2023，3（4）：69-81.

ZHANF T， ZHANG J， QI X Y， et al .. A review of interpolationmethods for missing traffic data [J]. Mod. Trans. Metall. Mater.，2023，3（4）：69-81.

［26］ 赵春江. 农业知识智能服务技术综述[J]. 智慧农业，2023，5（2）：126-148.

ZHAO C J. Agricultural knowledge intelligent servicetechnology： a review [J]. Smart Agric.， 2023，5（2）：126-148.

基金项目：上海市科技兴农项目（沪农科推字2022第3-2号）；北京市农林科学院项目（JJP2023-04，PT2023-30）；北京市科技计划项目（Z221100005822014）。