溫室環境控制方法現狀分析及發展研究

摘要：

溫室通過創造適宜的種植條件有效地提高農業資源利用率，在農業生產中的地位日趨重要。溫室氣候變化是一種多因子高度耦合的非線性過程，易受外部氣候環境干擾，進而影響整個控制系統的穩定性，如何穩定、高效、智能地控制溫室內氣候變量是當前亟待解決的實際問題。通過總結國內外溫室環境控制方法研究現狀，分別從模糊控制、解耦控制、節能控制、神經網絡4個方面著手，闡述現階段主流溫室智能控制方法應用現狀與優缺點，發現當前溫室環境控制因素單一、能源利用效率低、控制模型動態調整能力差等問題；提出未來溫室環境控制應實現系統多變量控制、控制的可持續性和節能性、控制模型優化、農藝與環境控制相結合等建議，以期為溫室農業的健康發展與精細化管理提供參考和指導。

關鍵詞：溫室；環境控制方法；智能控制；農藝；精細化管理

中圖分類號：S625.5

文獻標識碼：A

文章編號：2095-5553 （2024） 04-0058-08

收稿日期：2023年11月25日" 修回日期：2024年2月27日

基金項目：第一師阿拉爾市財政科技計劃項目（2023ZB02）；新疆生產建設兵團科技計劃項目（2023AB005）

第一作者：伏俊偉，男，2000年生，甘肅天水人，碩士研究生；研究方向為南疆特色智能農業裝備。E-mail： 1922675833@qq.com

通訊作者：賀小偉，男，1987年生，山西呂梁人，博士，副教授；研究方向為現代農業裝備設計與智能測控。E-mail： Hexw_work@163.com

Current situation analysis and development research of greenhouse

environmental control methods

Fu Junwei1， 2， He Xiaowei1， 2， Wang Xufeng1， 2， Liu Jinxiu1， 2， Zhu Guansan1， 2， Li Min1， 2

（1. College of Mechanical and Electronic Engineering， Tarim University， Alar， 843300， China; 2. The Key

Laboratory of Modern Agricultural Engineering in Ordinary Higher Education Institutions of Xinjiang Uygur

Autonomous Region， Alar， 843300， China）

Abstract：

Greenhouse is playing an increasingly important role in agricultural production by creating suitable planting conditions to effectively improve the utilization rate of agricultural resources." Greenhouse climate change is a highly coupled nonlinear process with multiple factors， which is easily affected by external climate environment interference， thereby affecting the stability of the entire control system. How to stably， efficiently and intelligently control the climate variables inside the greenhouse is a practical problem that urgently needs to be solved. This article summarizes the current research status of greenhouse environmental control methods at home and abroad， starting from four aspects such as fuzzy control， decoupling control， energy-saving control and neural network， it elaborates on the current application status and advantages and disadvantages of mainstream greenhouse intelligent control methods， and points out the problems of single environmental control factors， low energy utilization efficiency， and poor dynamic adjustment ability of control models. This paper puts forward some suggestions for future greenhouse environmental control， including system multivariable control， sustainability and energy-saving of control， optimization of control models， and integration of agronomy and environmental control，" so as to provide reference and guidance for the healthy development and refined management of greenhouse agriculture.

Keywords：

greenhouse; environmental control methods; intelligent control; agronomy; fine management

0 引言

溫室是一種人工建造的設施，通過精準調控溫度、濕度和光照等要素，以最大程度地促進植物的健康生長，被廣泛應用于種植花卉、蔬菜以及其他作物。溫室栽培是現階段較為理想的農業種植形式，通過控制各環境變量來實現作物生長過程中的精準管理，即根據作物長勢提供精確、適量的水分和營養物質，避免過度灌溉或營養不足的問題，從而優化生長環境以提高產量和品質。

溫室內環境氣候變量對作物的生長發育起著決定性作用，溫室種植可依靠自動控制技術來調節溫室內部環境的穩定。傳統的溫室環境控制主要依賴人工調節，然而這種方式存在精度差、成本高、效率低等問題。為提高溫室農業的生產效益、降低資源消耗，多年來科研人員一直致力于研究溫室環境控制方法，提出多種溫室環境控制技術，建立各種氣候模型，用于溫室內關鍵環境參數的監測與調控；通過優化資源利用（如水、能源、人力等）的方式，最大限度地提高了環境的適宜性。本文旨在系統地介紹當前主流的溫室環境控制技術，深入分析其在提高作物產量、優化質量、節約能源等方面的關鍵作用，同時針對溫室環境控制所面臨的諸多挑戰，如溫度、濕度、光照、CO2濃度等參數的不穩定性，能源利用效率低、控制模型動態調整能力差等問題，提出未來的研究方向和發展趨勢，為溫室農業的健康發展與精細化管理提供更加全面深入的參考和指導。

1 模糊控制研究現狀

1.1 模糊控制原理

近年來，模糊控制成為智能控制研究和應用領域的熱點之一。模糊控制是一種非線性智能控制方法，無需建立準確的研究對象模型，而是將人類的知識和經驗進行總結后轉化為計算機語言，以模仿人類思維進行控制。模糊控制的原理是將精確的輸入量通過模糊化轉化為輸入論域上的模糊集合，從而將普通變量轉化為模糊語言變量［1］；模糊推理算法實質為“IF-THEN”的法則形式，是利用經驗或相關知識得到的規則轉化而成，隨后通過解模糊這一過程將模糊推理得到的模糊控制量轉化為清晰量，用于實際控制。

1.2 溫室環境系統中的模糊控制

目前，一些溫室控制方案中仍采用傳統的PID（Proportional Integral Derivative）控制，但對于溫室這類具有強非線性動力學的復雜系統而言，固定的PID參數往往難以確保系統的穩定性和收斂性，無法達到控制需求。因此，為了在復雜的溫室環境中獲得良好的控制性能，PID控制需要與更優的控制方法相結合。Shan［2］針對溫室環境的非線性、時滯和多變量耦合問題，將模糊PID控制應用于溫室環境控制系統，通過專家經驗和知識行為制定相應的模糊控制規則，利用人工神經元的自學習能力和響應速度，彌補了模糊控制存在的問題，解決溫室系統調節時間長、抗干擾能力差的問題，取得良好的控制溫室環境溫濕度的效果，控制原理結構如圖1所示。

盡管模糊PID控制在溫室環境控制中得到廣泛應用，但仍然存在一些不足。首先，規則設計復雜，需要根據具體應用進行調試和優化；其次，參數調優困難，且響應速度較慢，在快速變化的場景中無法及時響應變化；最后，其模糊性會導致控制策略的精確度受到限制，無法滿足高精度控制的需求。總而言之，模糊PID控制在某些控制應用場景下仍然具有一定的局限性，需要針對具體情況選擇適宜的控制算法。

針對模糊PID控制無法滿足高精度控制需求的短板問題，研究者提出模糊控制與專家系統結合的方法：當實際生產中出現需要人類專家做出解釋的復雜問題時，可通過計算機模型來處理，由此得出與專家相同的結論；其中模糊命題的邏輯組合是模糊控制與專家系統兩者結合的前提條件。針對南疆設施農業的現狀，王憲磊等基于多傳感器數據融合技術，將模糊推理算法與專家系統相結合，建立了適用于南疆自然氣候條件下的智能溫室自動化控制模型；該方法利用模糊控制處理溫室這一復雜環境中的不確定性問題，通過專家系統提供準確有效的控制策略，提高了控制決策的透明度。彭輝等提出了一種基于模糊神經網絡的智能控制方法，在考慮室內外環境因素下，構建溫室環境數學模型；通過神經網絡的不斷學習，利用ANFIS（自適應神經模糊系統）修正輸入輸出變量的隸屬度函數和模糊規則，根據溫度和濕度差推理獲得控制輸出；該方法能夠快速精確地跟蹤設定值，并且能夠有效避免多個控制量之間的干擾。相比前面闡述的溫室模糊控制方法，Li等［3］提出了一種優化的遞階模糊控制方法，旨在通過采用分層多模塊模糊控制方法簡化模糊控制器的設計，使其符合實際應用場景；研究的關鍵在于降低模糊規則庫以及與物理模型相關的模糊子系統的復雜度，從而簡化整個系統的設計和構建過程。

2 解耦控制研究現狀

2.1 解耦控制

溫室作物的生長過程涉及多個環境控制要素，除溫度和濕度這兩個最基本的控制對象外，還包括光照、CO2濃度等其他環境參數，且各個參數之間存在著較強的耦合關系；當控制系統調節溫室溫度使其保持在適宜范圍內時，可能會導致濕度或其他參數發生變化從而偏離最佳范圍；因此，要實現良好的控制性能，需要考慮多個變量之間的耦合作用以及環境參數的變化。借助解耦控制策略，將各個參數的變化相互剝離；使每個輸入變量僅受到相應的單一輸出變量的影響，從而避免原始控制策略中不同參數之間的相互干擾，提升控制系統的魯棒性和適應性。

2.2 溫室環境系統中的解耦控制

姬鵬飛等［4］提出一種基于自適應PSO（粒子群優化）算法的單神經元PID在線解耦控制方法：針對溫室系統的特點，對溫度、濕度、CO2濃度、光照強度共4個環境變量進行解耦控制；利用單神經元PID控制器解決變量之間的耦合問題，引入自適應PSO算法對神經元網絡的權值參數在線優化；兩種算法結合有效消除變量之間的耦合現象，提高控制器解耦的準確性和響應速度。Azaza等［5］基于所建立的溫室物理模型，設計一種可用來評估溫度和濕度之間耦合參數相關性的分散解耦模糊控制器，該控制器可滿足白天和夜間兩種場景下的控制需求，能夠在溫室需要加熱或通風時實現有效的控制。

由于溫室系統具有高度耦合的非線性這一特點，現有的解耦控制方法難以獲得良好的控制性能。一些研究者通過將非線性模型近似為線性模型實現對溫室環境的控制，特別是基于幾何非線性控制理論的精確反饋線性化（FL）方法。Chen等［6］提出一種基于擾動觀測器和反饋線性化相結合的積分滑模控制器所控制的溫室氣候控制系統，結構如圖2所示，其將第一性原理溫室氣候模型描述為標準仿射非線性系統，并利用反饋線性化控制規律構建了獨立的溫度和濕度積分通道系統；該方法在觀測器的基礎上通過引入積分滑模控制提高了系統的魯棒性，即使存在未知的估計誤差，也能保證良好的跟蹤性能；與采用無擾動觀測器反饋線性化的普通滑模控制方法相比，該控制方法在溫室氣候跟蹤方面效率更高［7］。Gurban等［8］建立一個基于遺傳算法整定PID控制器的溫室氣候解耦控制系統，利用反饋—前饋線性化方法對具有時滯和可測干擾的溫室氣候非線性模型進行解耦；該系統由2個積分器與溫濕度的時滯通道組成，其中每個溫濕度控制回路都包含積分器和時滯過程；采用遺傳算法與擬合的目標成本函數進行PID參數整定，在參數調整方面體現出更優秀的性能。Gurban［9］提出一種基于前饋補償技術的溫室氣候等效模型，該模型用于溫室環境控制中的線性化、解耦以及擾動補償過程；試驗結果表明，基于前饋—反饋線性化和解耦的補償器具有很好的抗干擾性能。Pión等［10］提出一種結合反饋線性化（FL）和標準線性模型預測控制（MPC）兩種不同控制方案的方法，利用觀測器獲得完整的狀態向量，通過分析受約束和實際干擾的溫室非線性模型實現I/O線性化；其優勢在于MPC+FL的混合控制結構為解決非線性控制問題提供了一種通用且計算量較少的方法，且易于進行性能分析和優化。Hoyo等［11］為解決西班牙南部溫室系統溫度調節的問題，根據系統的非線性描述設計了一種具有PI結構的定量反饋理論（QFT）控制器；采用基于反饋線性化技術（FL）和定量反饋理論（QFT）組合的控制方案對溫室內溫度進行調節。

通過上述研究成果的分析可以看出，目前解耦方法已應用在農業領域，但仍存在一些問題：大多數解耦方法是在精確數學模型基礎上實現解耦，然而針對溫室環境難以建立精確的模型且模型不具有通用性，對于不同的溫室環境，其環境模型不同。因此，可針對不同的控制需求進行模型的設計和優化以適應復雜多變的環境氣候，提高解耦方法在溫室環境中的適應性。

3 溫室節能控制研究現狀

3.1 溫室環境控制的能耗問題

溫室環境控制的目的是在最小化生產成本的同時創造一個有利于植物生長的環境。在溫室環境控制的過程中能源消耗是一個不可忽視的問題，尤其是溫度控制這一環節，實際生產應用中的溫室大多采用設置靜態工作點模式進行環境控制，然而這種模式無法根據環境變化進行自動調整，會損耗大量的能量。如果溫室長時間處于高溫環境中，將嚴重影響作物的生長和發育；溫室內的氣候可以通過調節其環境系統進行冷卻，與自然通風等傳統的冷卻方法相比［12］，暖通空調系統性能更好，但當其在夏季高溫條件下進行生產工作時，冷卻這一環節無形中增加了溫室整體的運行成本。為保證生產者的基本生產運營，溫室的高運營成本需要與其全年生產高質量產品的能力相匹配，以實現最佳的經濟效益，因此，實施節能控制策略對提高溫室農業的可持續性和經濟效益至關重要。

3.2 溫室環境系統中的節能控制

鑒于傳統靜態溫度設定點無法根據實際情況進行動態優化調節溫室內溫度而造成的熱能消耗問題，袁洪波等［13］提出基于溫度積分算法的溫室環境控制方法，根據作物種類和生長階段確定期望平均溫度值，將全天24 h均分為長度更短的若干時間片，然后利用溫度積分原理對每一時間片的溫度調節點進行計算，根據得到的溫度調節點結合當前實際溫度進行環境控制；該方法實現了對溫室環境的調節且具有明顯的節能效果。Maher等［14］提出一種基于模糊控制與光伏發電結合的控制方法，利用模糊控制器來管理溫室的室內氣候，通過執行器實現通風、加熱等目的；此外，使用直接轉矩控制的感應電機來減少傳統電網的使用，利用光伏發電系統來驅動變速通風系統；這種基于光伏發電與模糊控制相結合的新方法在節能和降低溫室作物生產成本方面具有顯著的優勢。Van等［15］提出一種節能控制方法，技術人員通過定義溫度、濕度、CO2濃度以及可用CO2的閾值來最小化溫室加熱和冷卻時所需的總能量；該方法通過研究溫室的加熱、冷卻、自然通風和工業CO2注入等因素，對現有的溫室氣候模型進行擴展，考慮了溫室氣候控制時的多個環境因素，填補了以往研究在綜合考慮溫室氣候控制方面的空白；種植者在權衡預期產量和成本之后，可根據最小能量輸入規則來定義變量的范圍界限。

在溫室環境控制過程中，若傳感器直接暴露于陽光下，將導致傳感器和控制器之間的連接劣化、噪聲產生以及測量值不完整等，從而影響溫室氣候控制系統。基于這類問題，Hameed等［16］利用擴展Kalamn濾波器（EKF）和無中心Kalman濾波器（UKF）估計的系統狀態來代替有噪聲的被測系統狀態來降低測量噪聲；該方法提供了一種組合控制信號方案，通過最小化能源消耗將所需的設定點維持在可接受的范圍內，成功地降低了測量噪聲，提高溫室氣候控制的能效。Qian等［17］利用半封閉溫室觀察垂直溫度梯度對番茄生長發育的影響，在設置有或無垂直溫度梯度的半密閉溫室中種植番茄；通過半封閉溫室收集夏季多余的太陽能，并將其儲存在含水層中，以在冬季用于溫室加熱，從而有效減少能源消耗。Mahmood等［18］提出一種基于數據驅動的模型預測控制方法（MPC），用于半密閉溫室的環境控制，利用溫室歷史數據對多層感知器模型進行訓練，以太陽輻射、室外溫度差以及風機轉速等參數作為輸入來預測溫度；該模型預測控制系統能夠在半封閉的干旱環境中保持定值溫度，所開發的模型預測控制框架可以通過調整多層感知器模型來適應新數據中的參數，從而減少溫度控制過程中的能量損耗。Sagheer等［19］建立一個基于云計算的多層物聯網平臺，該平臺用于溫室黃瓜無土栽培的種植研究，其通過連接溫室內的所有傳感器、控制器和執行器，以提供遠程通信來監視、控制和管理溫室；該方法在提高黃瓜產量和品質的同時解決以往溫室中用水效率低的問題，降低電能消耗，實現真正意義上的溫室節能。

4 神經網絡控制研究現狀

4.1 神經網絡控制

各神經網絡特點對比如表1所示。

神經網絡控制是一種基于模仿生物神經系統工作原理的人工智能技術，在早期發展階段主要由美國學者推動并應用；其由大量相互連接的簡單處理單元（神經元）組成，這些神經元能夠接收輸入信號、進行復雜的信息處理，并產生相應的輸出結果［20］。神經網絡的工作過程大致分為2個階段：第一階段，神經元通過自學習不斷調整各計算節點之間的連接權值，同時保持各節點的狀態穩定不變；第二階段，各計算節點間的連接權值不作變化，對各節點的輸出進行計算，從而達到預期的穩定狀態［21］。由于神經網絡控制自身算法容易陷入局部極小值，且收斂速度慢、執行速度較低，需要與PID控制、模糊控制等方法結合應用［22］。

4.2 溫室環境系統中的神經網絡控制

神經網絡具有自學習和自適應識別等特征，因此廣泛應用于溫室環境的建模、預測和控制等方面。現階段溫室溫濕度預測模型大多是通過微分方程或傳統神經網絡算法來進行處理和預測，然而此類模型在控制和精度方面仍存在挑戰。

夏爽等［23］為提高溫室溫度模型預測的準確率，提出一種基于PSO-RBF神經網絡的溫室溫度預測模型，為解決梯度下降法在優化RBF神經網絡參數時收斂速度慢的問題，引入粒子群算法進行優化，基于實測數據建立樣本對溫室溫度進行預測；試驗結果表明，相比使用梯度下降法優化的RBF神經網絡模型，該樣本建立的模型展現出更好的預測效果。然而，該方法存在局限性，其僅依賴于當前溫室數據對室內溫度進行預測，隨著數據量、粒子群規模和迭代次數的增加，模型易陷入局部最優解［24］。

張永芳等［25］采用一種基于麻雀搜索算法（SSA）和徑向基網絡的預測方法，以日光溫室外溫濕度及其他相關影響因子為輸入，溫室內溫度和濕度為輸出，建立了基于SSA-RBF的日光溫室溫濕度預測模型；該模型的預測精度較高、實用性強，應用于溫濕度預測的同時對指導日光溫室溫濕度控制有一定的參考價值。

Jung等［26］提出一種基于輸出反饋神經網絡（OFNN）預測進行通風控制的優化方法，所開發的預測模型成功地預測了溫室內的溫度變化，并應用于改善通風控制；與傳統的通風控制系統相比，改進了控制性能；通過現場試驗，證明輸出反饋神經網絡在溫室通風控制中的優越性。

神經網絡在環境控制領域具有廣泛的應用，不僅應用于溫室環境系統的預測，還應用在環境控制的其他方面：針對溫室溫度控制系統所存在的大慣性、非線性等問題。蔣鼎國［22］提出一種基于改進型BP神經網絡PID控制器的溫室溫度控制技術，基于該控制方法的控制器可以更好地控制溫室環境溫度，從而提高作物的產量；該方法對BP神經網絡進行改進，將改進的BP神經網絡與傳統PID控制技術結合，解決了傳統PID控制在溫室溫度控制中參數整定困難和控制效果不理想的問題；試驗結果表明，該方案能夠快速且穩定地追蹤環境設置值，具有很好的控制效果；但其仍然存在訓練過程慢、易陷入局部最優解、處理非線性問題能力差等缺點。

申超群等［27］提出一種具有高自適應能力的徑向基神經網絡（RBF）PID控制策略，該方法采用3層神經網絡模型，在RBF神經網絡PID控制過程中，利用神經網絡RBF在線識別梯度信息，并根據該梯度信息對PID控制器中的3個參數進行在線調整；試驗結果表明，徑向基函數神經網絡在逼近能力、分析能力以及學習速率上均優于BP神經網絡。

彭輝等提出一種基于模糊神經網絡的智能控制方案，在考慮室內外環境因素下構建溫室環境數學模型，利用自適應模糊神經推理系統（ANFIS）根據溫度和濕度差推理獲得控制輸出。模糊神經網絡的特點在于其處理模糊輸入和輸出的能力，這使得其結果的精確性相對較低；因此，需要進一步研究更精確、可靠的控制算法，以提升其準確性。

Belhaj等［28］基于Elman神經網絡構建的深層多層感知器（MLP）神經網絡作為神經控制器，用于近似模擬系統的逆動力學；將這一理論與深度Elman神經模型進行級聯，用于控制溫室內部氣候；該方法的優勢在于能夠提供準確且有效的溫室建模和控制結果；然而，溫室控制往往需要實時性，Elman網絡的訓練和預測時間較長，難以滿足實時控制的需求，還需進一步整合其他控制算法進行優化來提高控制效果和實時性，以提高溫室環境的調控精度。

5 存在問題及發展趨勢

基于目前溫室環境控制的研究現狀，本文介紹了現階段主流的4種控制方法，并分析其在溫室環境控制中存在的優勢和不足以及主要適用范圍，如表2所示。對于溫室環境控制技術的發展來說，仍然存在著許多新的挑戰和機遇；針對目前研究所發現的問題，討論今后溫室環境控制技術的發展方向：通過對智能控制算法、溫室能耗優化以及農藝與環境控制的深度融合，未來的溫室環境控制技術有望實現更精確、高效和可持續的生產模式。

5.1 存在問題

5.1.1 環境控制因素單一

現階段，許多溫室環境控制方法僅僅考慮了單一環境因素或僅涵蓋了少數相關的影響因子；然而，這種控制方式在溫室這一復雜環境系統中并不適用：首先，溫室內環境是一個復雜的系統，受多個環境因素的綜合影響，溫度、濕度、光照、CO2濃度等都相互作用，共同影響著植物的生長和發育，只關注其中一個或幾個環境因素，無法完全滿足植物的需求，可能導致作物生長速率下降、產量不穩定等；其次，單一因素的控制方法忽略了不同環境因素之間的耦合關系，這種局部優化的控制方式會導致整體環境失衡，無法最大程度地促進作物的健康生長；另外，不同作物對環境因素的需求也各不相同，即使是相同的溫室環境，不同作物對溫度、濕度、光照等因素的偏好也會有所差異。由此可知，單一因素的控制方法無法充分考慮到作物的個體差異和特殊需求，難以實現個性化和精準化的控制。

5.1.2 能源利用效率低

目前溫室環境控制方法雖然能確保農作物穩定生長，但其在能源利用效率方面仍有待改進：首先，溫室種植作物生長過程中需要大量的溫控設備來維持適宜的溫度，會消耗大量的能源資源；其次，溫室農業需要使用人工照明系統滿足作物的光照需求，同樣需要大量的能源支持；此外，目前大部分溫室仍依賴燃氣和電力等傳統能源，而未充分利用可再生能源，這種依賴模式導致對有限傳統能源資源的過度消耗。由此可知，目前溫室環境控制中對不可再生能源的利用效率偏低，且未發揮可再生能源在溫室農業中的利用潛力。

5.1.3 控制模型動態調整能力差

溫室環境控制模型在動態調整能力方面還存在不足：首先，傳統的溫室環境控制模型通常基于靜態的參數設置或預設的規則，但這種靜態模型無法實時響應溫室內的實際情況和變化需求，一旦外界的溫度、濕度、光照等環境因素發生變化，控制模型往往無法及時調整，導致溫室內的環境無法達到最佳狀態；其次，作物生長過程中的不同階段對環境的需求是動態變化的，而傳統的溫室環境控制方法難以實時調整模型以適應作物不同生長階段的需求變化，且外界環境條件的變化也會對溫室環境產生影響，如天氣變化、季節轉變以及突發事件等因素都可能會影響溫室內氣候參數。由此可知，傳統的控制方法模型通常不具備識別和適應這些外界變化的能力，無法及時調整和優化控制策略，這使得溫室內的環境無法有效應對外界變化，從而影響作物的生長品質及產量。

5.2 發展趨勢

5.2.1 溫室環境系統多變量控制

現代農業中的溫室系統是一種低能耗、高產量的生產方式，保持適宜的溫度是溫室環境控制的一個主要問題，因為這影響到植物的未來發育和產量［29］；溫室作物生長受CO2濃度、光合有效輻射和溫度的影響較大，后兩者直接影響白天條件下的光合作用。目前溫室系統的控制研究主要針對溫室中溫度這單一變量的控制，往往忽略了控制溫度改變的同時也會引起濕度等其他環境變量的變化：溫室中的作物光合作用速率間接影響濕度含量，即當葉片氣孔打開捕獲CO2時，植物通過蒸騰過程釋放水蒸氣，增加溫室內的濕度［30］。因此，僅考慮溫度這單一變量的控制，無法滿足變量之間的協調控制，需要結合濕度之間的耦合關系進行綜合控制。

綜上所述，在溫度和濕度的控制研究中，一定程度上考慮了系統的多變量性和耦合性；在實際應用中，CO2濃度和光照強度等其他環境因素也是溫室系統中至關重要的環境變量；只有綜合調節和控制這些關鍵因素，才能獲得較好的控制效果。

5.2.2 環境控制的可持續性和節能性

溫室系統環境控制的可持續性和節能性是當今農業領域至關重要的議題。在不斷增長的全球人口和糧食需求的背景下，溫室系統成為滿足生產需求的關鍵工具。然而，這些系統需要大量的能源和資源來維持溫度、濕度和光照等環境條件，因此必須尋求可持續和節能的解決方案。

可持續性是指溫室系統的長期穩定性和資源利用效率。傳統的溫室系統常常依賴于大量的化石燃料和化學肥料，這不僅對環境造成了負擔，還增加了生產成本；通過采用可再生能源、循環利用廢棄物和使用有機肥料等方法，可以降低對資源的依賴，減少對環境的影響。節能性是指在溫室系統運行過程中減少能源消耗的能力。溫室系統通常需要維持特定的溫度、濕度和光照條件，而這些操作往往需要消耗大量的電力和燃氣；通過采用先進的節能技術，如高效的絕緣材料、智能化自動控制系統和能源回收裝置，可以有效降低能源消耗，提高系統的能效。

5.2.3 溫室環境控制模型的優化

溫室環境控制系統大多是基于溫室作物生長和小氣候環境模型，而現階段大多數學者所研發的模型主要是從研究的角度出發，并沒有充分考慮作物在不同生長發育階段中的參數特性。由于不同溫室環境具有各自的特點，因此模型類型也存在差異，缺乏通用性。盡管目前涌現了許多與溫室控制算法相關的研究，但在實際應用方面取得成功的案例相對較少；因此，要實現良好的溫室環境控制效果，必須構建以滿足控制需求為基礎的模型結構，只有通過針對控制需求進行模型設計和優化，才能真正實現溫室環境的有效控制與管理。

5.2.4 農藝與環境控制

隨著溫控技術的不斷完善，溫室環境控制將更加注重農藝與環境控制的深度融合，這將使溫室成為一個高度智能化的生產空間：利用智能控制系統對設施內的環境條件進行監控和調節，包括溫度、濕度、CO2濃度等，以創造最適宜植物生長的生態環境；同時，基于大數據分析和機器學習算法，生產者可以根據植物的生長階段、品種特性和市場需求，精確調整環境參數。此外，溫室內的水肥一體化系統，通過實時監測植物的生理參數（光合速率、蒸騰速率、土壤濕度等），結合氣象數據和水質監測，可以根據植物的需求準確供應所需的水分和營養物質，實現精準施肥；通過精確供給水分，最大程度地提高養分利用效率，避免了傳統農業中水分的浪費，大大提高了水資源的利用效率。總而言之，未來溫室環境控制將實現農藝與環境控制的深度融合，通過智能化的技術手段提升農業生產的效率和質量。

6 結語

溫室環境控制方法在現代農業生產中的重要性不可低估，未來溫室環境控制將通過智能化、多技術融合，提高農作物生長效益和能源利用效率；通過應用人工智能和大數據等智能化控制技術，溫室系統能夠實現對環境參數的智能感知、分析和控制；同時，結合傳統控制技術和環境系統多變量控制技術形成綜合的控制策略，實現溫室環境的穩定控制；此外，溫室節能控制技術和農藝水肥與環境控制技術的融合，也是未來的發展方向，以實現溫室的節能、低碳和可持續發展。綜合運用這些技術和方法，未來溫室將逐步向著高產、高效、環保、節能的方向穩步發展，促成溫室農業生產綠色、健康、可持續。

參 考 文 獻

［1］ 趙建軍. 變頻跟蹤調速帶式輸送機PLC模糊控制系統設計［J］. 中國礦業， 2020， 29（3）： 100-104.

Zhao Jianjun. Design of PLC fuzzy control system for frequency tracking speed regulating belt conveyor ［J］. China Mining Magazine， 2020， 29（3）： 100-104.

［2］ Shan X M. Research on control system of greenhouse temperature and humidity based on Fuzzy PID ［J］. Applied Mechanics and Materials， 2014， 687： 3395-3398.

［3］ Li Q， Zhang D， Ji J， et al. Modeling of natural ventilation using a hierarchical fuzzy control system for a new energy-saving solar greenhouse ［J］. Applied Engineering in Agriculture， 2018， 34（6）： 953-962.

［4］ 姬鵬飛， 付婭琦， 楊北方. 基于單神經元PID的溫室系統多變量解耦控制研究［J］. 中國農機化學報， 2020， 41（8）： 143-147.

Ji Pengfei， Fu Yaqi， Yang Beifang. Research on decoupling control of multi-variable greenhouse system based on single neuron PID ［J］. Journal of Chinese Agricultural Mechanization， 2020， 41（8）： 143-147.

［5］ Azaza M， Echaieb K， Tadeo F， et al. Fuzzy decoupling control of greenhouse climate ［J］. Arabian Journal for Science and Engineering， 2015， 40： 2805-2812.

［6］ Chen L， Du S， Xu D， et al. Sliding mode control based on disturbance observer for greenhouse climate systems ［J］.Mathematical Problems in Engineering， 2018， 2018.

［7］ 何南思. 溫室大棚環境參數控制［D］. 沈陽： 沈陽工業大學， 2014.

He Nansi. Environmental parameters control for greenhouse ［D］. Shenyang： Shenyang University of Technology， 2014.

［8］ Gurban E H， Dragomir T L， Andreescu G D. Greenhouse climate control enhancement by using genetic algorithms ［J］. Journal of Control Engineering and Applied Informatics， 2014， 16（3）： 35-45.

［9］ Gurban E H， Andreescu G D. Comparison study of PID controller tuning for greenhouse climate with feedback-feedforward linearization and decoupling ［C］. 2012 16th International Conference on System Theory， Control and Computing （icstcc）. IEEE， 2012： 1-6.

［10］ Pión S， Camacho E F， Kuchen B， et al. Constrained predictive control of a greenhouse ［J］. Computers and Electronics in Agriculture， 2005， 49（3）： 317-329.

［11］ Hoyo A， Moreno J C， Guzmán J L， et al. Robust QFT-based feedback linearization controller of the greenhouse diurnal temperature using natural ventilation ［J］. IEEE Access， 2019， 7： 64148-64161.

［12］ 塔娜， 馬文娟， 張海鑫. 日光溫室在自然通風狀態下內拱膜對室內溫度的影響［J］. 內蒙古農業大學學報（自然科學版）， 2016， 37（3）： 88-92.

Ta Na， Ma Wenjuan， Zhang Haixin. Effect of internal film on temperature field in solar greenhouse with natural ventilation ［J］. Journal of Inner Mongolia Agricultural University （Natural Science Edition）， 2016， 37（3）： 88-92.

［13］ 袁洪波， 李莉， 王俊衡， 等. 基于溫度積分算法的溫室環境控制方法［J］. 農業工程學報， 2015， 31（11）： 221-227.

Yuan Hongbo， Li Li， Wang Junheng， et al. Control method for greenhouse climate based on temperature integration ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2015， 31（11）： 221-227.

［14］ Maher A， Kamel E， Enrico F， et al. An intelligent system for the climate control and energy savings in agricultural greenhouses ［J］. Energy Efficiency， 2016， 9： 1241-1255.

［15］ Van Beveren P J M， Bontsema J， Van Straten G， et al. Optimal control of greenhouse climate using minimal energy and grower defined bounds ［J］. Applied Energy， 2015， 159： 509-519.

［16］ Hameed I A， Sorensen C G. A more energy efficient controller for the greenhouses climate control system ［J］. Applied Engineering in Agriculture， 2010， 26（3）： 491-498.

［17］ Qian T， Dieleman J A， Elings A， et al. Response of tomato crop growth and development to a vertical temperature gradient in a semi-closed greenhouse ［J］. The Journal of Horticultural Science and Biotechnology， 2015， 90（5）： 578-584.

［18］ Mahmood F， Govindan R， Bermak A， et al. Energy utilization assessment of a semi-closed greenhouse using data-driven model predictive control ［J］. Journal of Cleaner Production， 2021， 324： 129172.

［19］ Sagheer A， Mohammed M， Riad K， et al. A cloud-based IoT platform for precision control of soilless greenhouse cultivation ［J］. Sensors， 2020， 21（1）： 223.

［20］ 彭炫. 基于神經網絡的大棚環境變量解耦控制系統的研究與開發［D］. 新疆： 新疆大學， 2018.

Peng Xuan. Research and design on greenhouse environment decoupling control based on neural network ［D］. Xinjiang： Xinjiang University， 2018.

［21］ 邰成. 智能溫室控制算法的研究與應用［D］. 南京： 南京郵電大學， 2014.

Tai Cheng. The research and applications on the intelligent control algorithm for the greenhouse ［D］. Nanjing： Nanjing University of Posts and Telecommunications， 2014.

［22］ 蔣鼎國. 基于改進型BP神經網絡PID控制器的溫室溫度控制技術［J］. 實驗室研究與探索， 2015， 34（1）： 9-13.

Jiang Dingguo. The temperature control of greenhouse based on novel PID controller ［J］. Research and Exploration in Laboratory， 2015， 34（1）： 9-13.

［23］ 夏爽， 李麗宏. 基于PSO-RBF神經網絡在溫室溫度預測中的應用［J］. 計算機工程與設計， 2017， 38（3）： 744-748.

Xia Shuang， Li Lihong. Application of greenhouse temperature prediction based on PSO-RBF neutral network ［J］. Computer Engineering and Design， 2017， 38（3）： 744-748.

［24］ 紀雪玲， 李明， 李瑋. 一種克服局部最優的收縮因子PSO算法［J］. 計算機工程， 2011， 37（20）： 213-215.

Ji Xueling， Li Ming， Li Wei. Constriction factor particle swarm optimization algorithm with overcoming local optimum ［J］. Computer Engineering， 2011， 37（20）： 213-215.

［25］ 張永芳， 王芳. 基于SSA-RBF網絡的日光溫室溫濕度預測模型研究［J］. 河北農業大學學報， 2021， 44（3）： 115-121.

Zhang Yongfang， Wang Fang. Study on temperature and humidity prediction model of solar greenhouse based on SSA-RBF network ［J］. Journal of Hebei Agricultural University， 2021， 44（3）： 115-121.

［26］ 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， 2020， 20（6）： 1756.

［27］ 申超群， 楊靜. 溫室溫度控制系統的RBF神經網絡PID控制［J］. 控制工程， 2017， 24（2）： 361-364.

Shen Chaoqun， Yang Jing. RBF neural network PID control for greenhouse temperature control system ［J］. Control Engineering of China， 2017， 24（2）： 361-364.

［28］ Belhaj Salah L， Fourati F. A greenhouse modeling and control using deep neural networks ［J］. Applied Artificial Intelligence， 2021， 35（15）： 1905-1929.

［29］ Takahata K， Miura H. Effects of growth period and air temperature on the position of the inflorescence on the stem of tomato plants ［J］. The Horticulture Journal， 2017， 86（1）： 70-77.

［30］ Sagrado J D， Sanchez J A， Rodríguez F， et al. Bayesian networks for greenhouse temperature control ［J］. Journal of Applied Logic， 2016， 17： 25-35.