摘要：農(nóng)業(yè)物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等技術的飛速發(fā)展為溫室蔬菜生產(chǎn)的數(shù)據(jù)采集、分析、調(diào)控提供了有力支撐。為滿足溫室環(huán)境數(shù)據(jù)智能直報場景需求，制定了溫室環(huán)境傳感器的部署規(guī)范，設計并對比分析了基于LSTM、CNN-LSTM及CNN-LSTM-Attention的 3種溫室調(diào)控溫度預測模型?；贑NN-LSTM-Attention預測模型的性能最好，其MSE、MAE、R2 分別為0.457 0、0.319 5和0.987 3。設計了基于ARIMA的溫室傳感器數(shù)據(jù)糾錯方法，實現(xiàn)土壤濕度預測數(shù)據(jù)值與實際測量差異不顯著。整合了常見溫室果蔬種植作物對環(huán)境信息的參數(shù)閾值模型，并開發(fā)了溫室數(shù)據(jù)直報與智能調(diào)控系統(tǒng)移動端，能夠指導溫室環(huán)境傳感器的規(guī)范部署、溫度預測與糾錯及常見溫室果蔬種植輔助決策。研究結果為溫室數(shù)據(jù)直報場景的數(shù)據(jù)采集、業(yè)務分析、溫室調(diào)控提供技術手段，有助于智慧溫室蔬菜產(chǎn)業(yè)高質(zhì)量發(fā)展。

關鍵詞：傳感器；數(shù)據(jù)直報；溫室應用場景；溫度預測；數(shù)據(jù)糾錯

doi：10.13304/j.nykjdb.2023.0925

中圖分類號：S126 文獻標志碼：A 文章編號：1008?0864（2024）07?0093?10

隨著農(nóng)業(yè)向數(shù)字化、智慧化發(fā)展，對溫室數(shù)據(jù)采集的及時性、可靠性、精準性等提出了更高的要求。溫室數(shù)據(jù)直報系統(tǒng)依靠高性能傳感器實時采集溫室數(shù)據(jù)，有助于優(yōu)化農(nóng)業(yè)生產(chǎn)調(diào)控、提高農(nóng)業(yè)生產(chǎn)效益，并為農(nóng)業(yè)生產(chǎn)檔案電子化提供便捷的管理服務工具，支撐農(nóng)產(chǎn)品安全生產(chǎn)溯源和輔助管理部門監(jiān)管。目前，溫室數(shù)據(jù)直報系統(tǒng)多基于人工填錄或依靠物聯(lián)網(wǎng)設備采集數(shù)據(jù)，上報數(shù)據(jù)全面性、效率和質(zhì)量參差不齊[1]。溫室環(huán)境是復雜的動態(tài)系統(tǒng)，具有多變量、非線性、時變性、干擾性和強耦合性等特點，環(huán)境因素相互耦合且容易受到干擾，檢測可靠性低、精度差，難以精確控制[2]。傳感器作為現(xiàn)代農(nóng)業(yè)生產(chǎn)中必不可少的設備，通過采集農(nóng)業(yè)生產(chǎn)數(shù)據(jù)并按照一定的方式輸出，為后期數(shù)據(jù)處理與分析做基礎，指導農(nóng)業(yè)生產(chǎn)管理。隨著農(nóng)業(yè)傳感器技術的進步，溫室內(nèi)環(huán)境測控由單因子控制發(fā)展到了多因子綜合測控，利用傳感器多信息融合、解耦控制和自適應控制策略等技術，有效支撐了溫室環(huán)境的數(shù)據(jù)采集和智能調(diào)控，緩解了溫室環(huán)境測控場景中存在的數(shù)據(jù)繁雜、穩(wěn)定性差、精確性不足等問題，在設施農(nóng)業(yè)生產(chǎn)和提質(zhì)增效中承擔著重要作用[3?4]。開展設施溫室環(huán)境測控專業(yè)傳感器集成研究并創(chuàng)建基于傳感器的智能化溫室數(shù)據(jù)直報應用場景有助于農(nóng)業(yè)生產(chǎn)決策、監(jiān)管與溯源，對社會經(jīng)濟發(fā)展和科技進步具有重要現(xiàn)實意義，前景廣闊。

隨著傳感技術、微型計算機技術的迅速發(fā)展，自動監(jiān)控領域發(fā)生了巨大變化，溫室環(huán)境的數(shù)據(jù)采集、傳輸及自動監(jiān)測控制方面的研究有了明顯的進展。Hodgkinson等[5]監(jiān)測控制了實驗溫室中溫度、濕度、CO2濃度；Mitsulov等[6]介紹了一種可移動電子系統(tǒng)，其可用于研究溫室作物生長和限制光合作用的微氣候因子之間的相互關系。Vasileios等[7]通過光譜技術設計了溫室行走采集機器人，提出了一種三設備機器人系統(tǒng)（three-device robotic system，3DS）解決光譜技術的滯后性。Abhishek等[8]研究了太陽能溫室測控系統(tǒng)，利用傳感器獲取作物環(huán)境數(shù)據(jù)實時分析溫室環(huán)境的非線性和耦合性關系，并對溫室測控系統(tǒng)進行了優(yōu)化，推動了溫室監(jiān)控系統(tǒng)的智能化、人性化和實時化。高翔等[9]提出一種將土壤電阻傳感器和土壤溫度傳感器的數(shù)據(jù)融合的方法，并利用多元線性回歸和BP（back propagation）神經(jīng)網(wǎng)絡建立了土壤濕度的測定模型，提高了土壤濕度的測定精確度。鐘亞飛[10]設計出一種新型二氧化碳傳感器，該傳感器采用SH-300-DH模塊檢測二氧化碳，具有體積小、反應靈敏、檢測精度高等優(yōu)點。葉一舟[11]研究了一種高性能硅基MEMS（micro-electromechanicalsystems，微機電系統(tǒng)）風速風向傳感器，該傳感器基于熱原理設計，應用深反應離子刻蝕技術設計了傳感器的隔熱深槽，以提升整個傳感器對風速風向采集的性能。張馨等[12]在分析農(nóng)田土壤溫度測量特殊需求、常用傳感器結構與特征、敏感元件選型的基礎上，對土壤溫度傳感器進行優(yōu)化設計，將感知區(qū)域縮短為2 cm，提出探頭導管分離可裝配式結構，采用不同長度玻璃鋼塑料管組合裝配方式，其傳感器采用高端的CMOSENS技術，實現(xiàn)了數(shù)字式輸出、免標定、免調(diào)試、免外電路和全方位互換等功能。根據(jù)卡爾曼濾波系統(tǒng)處理不需要大量的數(shù)據(jù)存儲和計算的特性，周艷青等[13]將卡爾曼濾波算法應用于溫室監(jiān)測數(shù)據(jù)融合，并引入改進的分布圖來改進卡爾曼濾波算法，進一步提高測量精度，可以提供準確的溫室環(huán)境參數(shù)；楊帆等[14]針對目前溫室環(huán)境監(jiān)控的需求提出了一種基于D-S證據(jù)理論和農(nóng)業(yè)專家系統(tǒng)相結合的數(shù)據(jù)融合方法，提高了溫室環(huán)境參數(shù)測控的決策準確性，可顯著改善溫室環(huán)境的控制效果。郝子源等[15]基于多源信息和深度學習的多作物葉面積指數(shù)預測模型，在卷積神經(jīng)網(wǎng)絡（convolution neural network，CNN）算法提取圖像深度特征的基礎上加入了LightGBM算法用于結合圖像特征和一維數(shù)據(jù)實現(xiàn)作物LAI的最終預測，用于評價作物長勢。李其操等[16]提出了基于遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡預測模型（GA-BP），對溫室內(nèi)溫度進行預測，用于更精準地管理和控制溫室內(nèi)的溫度。張云鶴等[17]提出了基于LSTM神經(jīng)網(wǎng)絡的溫室能耗預測模型，為溫室能耗精準管控提供了理論依據(jù)。已有研究對監(jiān)測數(shù)據(jù)的處理雖然計算簡單、速度快，但是處理后的數(shù)據(jù)量依然龐大，不易分析和理解，低層次的處理容錯性也比較低，需要充分發(fā)揮深度學習及融合模型的優(yōu)勢，簡化傳統(tǒng)模型構建流程，優(yōu)化溫室生產(chǎn)決策[18?19]；為適應溫室環(huán)境的非線性、大時延、時變、多變量耦合等特征，建立精確的溫室環(huán)境指標，特別是溫濕度指標預測模型，對于響應這些動態(tài)變化和實現(xiàn)有效的控制策略至關重要[20?21]。基于此，本研究通過研究溫室種植環(huán)境信息的感知參數(shù)及傳感器部署、設計溫室調(diào)控溫度預測模型、應用溫室環(huán)境數(shù)據(jù)糾錯算法并開發(fā)溫室數(shù)據(jù)直報與智能調(diào)控系統(tǒng)移動端應用，為智慧溫室信息化建設與數(shù)據(jù)直報提供支持。

1 材料與方法

1.1 溫室種植環(huán)境信息的感知與閾值設計

本研究在北京市某日光溫室和連棟溫室部署北京市農(nóng)林科學院自主研發(fā)的多參數(shù)環(huán)境監(jiān)測傳感器，包括空氣溫度、濕度、二氧化碳濃度和光照強度、土壤溫度、土壤濕度等。溫室主要種植番茄、彩椒、茄子、黃瓜、豇豆、菠菜等蔬菜。對傳感器安裝部署規(guī)范進行明確：地面空氣溫度、空氣濕度、二氧化碳濃度、輻射光照等多參數(shù)傳感器每棟日光溫室部署1套、聯(lián)動溫室每2 000 m2部署1套，懸掛安裝于溫室中間位置，高度距地面約1.5～1.8 m，冠層測量高度不超過作物冠層80 cm處；土壤溫濕度傳感器每棟日光溫室部署1套、聯(lián)動溫室每2 000 m2部署1套，采用地埋方式，安裝深度距地表15～30 cm不等，安裝在根系中部位置。通過調(diào)研溫室常見類型的果蔬作物種植技術[22?23]，分析主要溫室作物對環(huán)境因子的需求閾值，為基于傳感器的數(shù)據(jù)直報場景搭建提供支撐，并用以支持溫室通風系統(tǒng)、灌溉系統(tǒng)、光照系統(tǒng)等調(diào)控決策，實現(xiàn)溫室種植環(huán)境的調(diào)節(jié)優(yōu)化。

1.2 溫室調(diào)控溫度預測模型構建

于2022年11月8—13日采集溫度數(shù)據(jù)。該數(shù)據(jù)采集周期為180 s，采用24 h 不間斷采集方式，共累積采集數(shù)據(jù)5 620條數(shù)據(jù)，經(jīng)異常值處理、缺失值處理、歸一化等操作，采用留出法將數(shù)據(jù)集前4 000條數(shù)據(jù)劃分為訓練集，后1 620條數(shù)據(jù)劃分為測試集，構建基于長短時記憶神經(jīng)網(wǎng)絡（longshort-term memory，LSTM）、融合卷積神經(jīng)網(wǎng)絡（CNN）的長短時記憶神經(jīng)網(wǎng)絡（CNN-LSTM）和基于注意力機制的CNN-LSTM網(wǎng)絡共3種溫度預測模型?；谏鲜鲱A測模型，對比分析3種預測模型的性能，以實現(xiàn)溫室溫度的實時預測，為溫室中的控制設備調(diào)控提供決策支持依據(jù)，確保溫度數(shù)值始終維持在農(nóng)作物適宜生長的范圍。模型結構如圖1所示，基于LSTM的溫室溫度預測模型（圖1A）包含2個LSTM結構和1個全連接層（dense），與傳統(tǒng)RNN結構相比，LSTM更加適用于處理和預測時間序列中間隔較長的重要事件，能夠有效地解決長序列問題；基于CNN-LSTM的溫室溫度預測模型網(wǎng)絡（ 圖1B）包含2 個卷積層、1個池化層、2個LSTM和1個dense層，該網(wǎng)絡結構能充分利用CNN與LSTM的優(yōu)勢，提取數(shù)據(jù)的空間和時序特征；基于CNN-LSTM- 注意力（attention）的溫室溫度預測模型（圖1C）包含2個卷積層、1個池化層、2個LSTM、1個自注意力機制模塊和1個全連接層，該網(wǎng)絡結構在 CNN-LSTM基礎上，通過引入注意力機制處理被忽略的短序列特征，提高模型對序列中重要特征的關注度，進而提高預測的準確度。

1.3 溫室傳感器數(shù)據(jù)糾錯算法設計

選取北京某溫室1臺土壤濕度傳感器2023年8月15日至2023年9月14日的土壤濕度監(jiān)測數(shù)據(jù)（1條·h?1）進行模型預測，其中2023年8月15日至2023 年8 月31 日的數(shù)據(jù)用于模型的訓練，2023年9月1日至2023年9月14日的監(jiān)測數(shù)據(jù)用于預測結果的核驗。利用溫室歷史采集數(shù)據(jù)和差分整合移動平均自回歸（autoregressive integratedmoving average model，ARIMA）模型計算分析，構建果園環(huán)境傳感器數(shù)據(jù)糾錯算法。該算法能夠在硬件環(huán)境傳感器數(shù)據(jù)出現(xiàn)異常數(shù)據(jù)時快速判斷錯誤數(shù)據(jù)并進行有效糾錯處理，提高傳感器采集數(shù)據(jù)精度，保障數(shù)據(jù)的有效性和連續(xù)性[24?25]。溫室傳感器數(shù)據(jù)糾錯算法流程如圖2所示，在數(shù)據(jù)接收端建立數(shù)據(jù)監(jiān)聽進程，監(jiān)聽進程接收到數(shù)據(jù)后，調(diào)用容錯算法來判斷監(jiān)測數(shù)據(jù)是否正常，若監(jiān)測數(shù)據(jù)正常，則數(shù)據(jù)正常存儲；若監(jiān)測數(shù)據(jù)異常，則調(diào)用糾錯算法對監(jiān)測數(shù)據(jù)進行糾正，然后將糾正后的監(jiān)測數(shù)據(jù)及糾正標志位特殊標記后進行存儲。

1.4 溫室數(shù)據(jù)直報與智能調(diào)控系統(tǒng)設計

基于以上研究，針對溫室環(huán)境智能監(jiān)測與管理需求，設計開發(fā)基于農(nóng)業(yè)傳感器的溫室數(shù)據(jù)直報與智能調(diào)控系統(tǒng)（圖3），對溫室內(nèi)氣象、土壤等信息進行實時在線監(jiān)測與上報，并轉(zhuǎn)發(fā)給控制中心，根據(jù)溫室作物生長發(fā)育規(guī)律對溫室環(huán)境進行智能調(diào)控與可視管理。

2 結果與分析

2.1 溫室果蔬種植環(huán)境信息閾值

茄果、瓜菜、豆類、葉菜、水果等常見溫室園藝種植作物對空氣溫度、空氣濕度、光照、二氧化碳、土壤溫度和土壤濕度6項環(huán)境參數(shù)的參考閾值如表1 所示，用于輔助指導溫室環(huán)境調(diào)控決策。

2.2 溫室調(diào)控溫度預測模型分析

分別采用LSTM、CNN-LSTM 及CNN-LSTMAttention網(wǎng)絡結構對溫室溫度進行預測，模型預測值與損失率結果如圖4和5所示。可以看出，LSTM 網(wǎng)絡結構所得預測值與真實值差異最大，獲取的訓練集和測試集損失率也遠高于其他2種網(wǎng)絡結構?；贑NN-LSTM-Attention的網(wǎng)絡結構不僅可以獲得較好的預測結果，其訓練集和測試集均可獲得比較小的損失率。此外，對比分析3 種網(wǎng)絡結構的評價指標結果可以得出，基于CNN-LSTM-Attention 預測模型的性能最好，其MSE、MAE、R2 分別為0.457 0，0.319 5，0.987 3，而LSTM 與CNN-LSTM 分別為0.743 1、0.597 9、0.978 7和0.766 5、0.511 2、0.971 5。

2.3 溫室環(huán)境濕度數(shù)據(jù)糾錯比較分析

通過原始數(shù)據(jù)與預測模型得到的數(shù)據(jù)對比，預測結果與原始數(shù)據(jù)非常接近，2組數(shù)據(jù)吻合程度為98%以上。將數(shù)據(jù)糾錯結果與現(xiàn)場人工實際測量的環(huán)境數(shù)據(jù)值的比較分析發(fā)現(xiàn)，兩者間具有極顯著的相關關系，數(shù)據(jù)預測值與實際測量值比較接近，且2種方法所取得的結果差異不顯著，完全滿足溫室生產(chǎn)用數(shù)據(jù)的需求。以2023年9月10日實驗記錄（圖6）為例進行驗證，基于ARIMA的糾錯方法修正結果較為可靠。

2.4 軟件應用

基于溫室測控傳感器部署集成溫室果蔬種植環(huán)境信息閾值參考模型、溫室調(diào)控溫度預測模型、溫室環(huán)境監(jiān)測傳感器數(shù)據(jù)糾錯算法，研究開發(fā)溫室數(shù)據(jù)直報與智能調(diào)控系統(tǒng)小程序，便于遠程操作，實現(xiàn)溫室物聯(lián)網(wǎng)數(shù)據(jù)采集、數(shù)據(jù)直報、智能調(diào)控、預警服務等功能（圖7）。小程序系統(tǒng)功能主要分為首頁、監(jiān)測、控制、作業(yè)、我的共5個功能模塊：首頁模塊對溫室監(jiān)控實時數(shù)據(jù)和統(tǒng)計數(shù)據(jù)進行匯總分析；監(jiān)測模塊展示溫室傳感器環(huán)境采集數(shù)據(jù)實時動態(tài)與歷史數(shù)據(jù)，集成溫室果蔬種植環(huán)境信息閾值參考模型進行預警；控制模塊實現(xiàn)溫室環(huán)境調(diào)控裝置與水肥灌溉裝置的遠程控制；作業(yè)模塊提供農(nóng)事信息直報功能；我的模塊進行用戶信息維護、模型參數(shù)設置與系統(tǒng)維護設置。

3 討論

目前，基于農(nóng)業(yè)物聯(lián)網(wǎng)的溫室數(shù)據(jù)測控技術在實際生產(chǎn)應用中取得了一定成效，但是在數(shù)據(jù)采集的精準性、便捷性、集成性，數(shù)據(jù)傳輸與預測的穩(wěn)定性、準確性、有效性，以及調(diào)控決策的科學性、及時性、智能性等方面還需進一步研究優(yōu)化?；趥鞲衅鞯霓r(nóng)業(yè)溫室數(shù)據(jù)直報與智能調(diào)控應用場景搭建面臨以下需求和趨勢：①相對于儀器分析方法，傳感器具有體積小、成本低、易操作等特點，農(nóng)業(yè)傳感器研究正朝向體積小、精度高、穩(wěn)定性強的方向發(fā)展，農(nóng)業(yè)生產(chǎn)應用中對傳感器的要求更加嚴格苛刻，需要有效提高農(nóng)業(yè)數(shù)據(jù)采集技術性能水平，使數(shù)據(jù)采集更準確、穩(wěn)定、可驗證，為管理決策提供更可靠的依據(jù)；②農(nóng)業(yè)環(huán)境動態(tài)多變、農(nóng)作物生長影響因素眾多且互作關系復雜，將分散無序的信息轉(zhuǎn)化生成生產(chǎn)知識或管理決策任重道遠[26]，需要將農(nóng)作物品種、栽培技術與信息化技術有機融合，輔助更明智的調(diào)控決策，為溫室測控閉環(huán)提供強力支撐；③我國溫室傳感器在精度、適用性、穩(wěn)定性、場景化應用方面尚有不足，亟需進一步提升傳感器與數(shù)據(jù)融合智能化水平，并形成有效的數(shù)據(jù)直報應用模式，在日光溫室、連棟溫室等不同應用場景下廣泛試點與推廣應用，提高設施農(nóng)業(yè)生產(chǎn)者信息決策能力，增強農(nóng)業(yè)生產(chǎn)科學管理水平，推動現(xiàn)代農(nóng)業(yè)轉(zhuǎn)型升級。

本研究基于溫室多參數(shù)、高性能測控傳感器采集溫室環(huán)境實時數(shù)據(jù)，結合溫室作物環(huán)境需求模型，設計溫度調(diào)控預測模型與數(shù)據(jù)糾錯算法，大大提高了溫室環(huán)境數(shù)據(jù)采集上報的及時性與準確性。數(shù)據(jù)預測與糾錯算法已分別在空氣溫度預測和土壤濕度糾錯方面驗證應用，對數(shù)據(jù)的利用延伸到直報系統(tǒng)與移動端測控管理，并在北京市10 個以上設施溫室開展試點示范，具有良好的數(shù)據(jù)積累條件與技術推廣前景。下一步，將進一步優(yōu)化空氣及土壤溫濕度、二氧化碳含量、光照等多個溫室環(huán)境關鍵參數(shù)的數(shù)據(jù)預測與糾錯算法，熟化溫室果蔬作物種植環(huán)境智能化調(diào)控模型，集成開發(fā)面向設施溫室不同應用場景的軟件服務工具，促進設施溫室智能化水平提升。

參考文獻

［1］ 陸利明，陳建，陳燕，等.關于浦東新區(qū)農(nóng)業(yè)生產(chǎn)信息直報系統(tǒng)的應用與分析[J].上海農(nóng)業(yè)科技，2023，（1）：39-42.

［2］ 束仁冬，孟令啟，李進，等.基于模糊解耦控制的玻璃溫室大棚的環(huán)境監(jiān)控[J].江漢大學學報（自然科學版）， 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，張鈺穎，等.基于改進多傳感器數(shù)據(jù)融合算法的溫室環(huán)境檢測研究[J]. 現(xiàn)代電子技術， 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］ 許德立，皇甫森森，李澍源.基于多數(shù)據(jù)融合+BP神經(jīng)網(wǎng)絡的農(nóng)業(yè)溫室大棚環(huán)境監(jiān)控系統(tǒng)的研究[J].湖北農(nóng)業(yè)科學，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，劉鵬，盧潭城，等.一種土壤濕度測定方法在Zig Bee無線傳感器網(wǎng)絡中的應用[J]. 傳感器與微系統(tǒng)，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］ 鐘亞飛.基于單片機的溫室二氧化碳測控系統(tǒng)的設計[D].青島：山東科技大學， 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］ 葉一舟.高性能硅基MEMS熱式風速傳感器的研究[D].南京：東南大學，2019.

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

［12］ 張馨，郭瑞，李文龍，等.可裝配式土壤溫度傳感器設計與試驗[J].農(nóng)業(yè)工程學報，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］ 周艷青，薛河儒，姜新華，等.基于改進的卡爾曼濾波算法的氣象數(shù)據(jù)融合[J].計算機系統(tǒng)應用，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］ 楊帆，孟翔飛，孫建紅.數(shù)據(jù)融合技術在溫室環(huán)境監(jiān)控系統(tǒng)中的應用[J].農(nóng)機化研究，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，楊瑋，李浩，等.基于多源信息和深度學習的多作物葉面積指數(shù)預測模型研究[J]. 光譜學與光譜分析，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神經(jīng)網(wǎng)絡的溫室溫度預測研究[J].智能計算機與應用， 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］ 張云鶴，林森，沈劍波，等.基于LSTM的連棟溫室能耗預測模型[J].天津農(nóng)業(yè)科學，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］ 石征錦，王博倫，謝峰，等.一種面向無線傳感器網(wǎng)絡的多數(shù)據(jù)融合模型設計[J].沈陽理工大學學報，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］ 李雙斌，王平，呂志華，等.基于Jetson Nano深度學習的新型農(nóng)業(yè)系統(tǒng)[J].南方農(nóng)機，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］ 黃天藝，吳華瑞，朱華吉.基于多模態(tài)數(shù)據(jù)驅(qū)動的黃瓜溫室濕度預測方法[J].電子測量技術，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］ 楊承磊，蘭玉彬，王慶雨，等.神經(jīng)網(wǎng)絡在溫室小氣候預測中的應用[J].中國農(nóng)機化學報，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，鄧玉艷.設施農(nóng)業(yè)人工環(huán)境[M].北京：中國建筑工業(yè)出版社，2017：20-56.

［23］ 李天來. 設施蔬菜栽培學[M]. 北京：中國農(nóng)業(yè)出版社，2011： 44.

［24］ 史少寒，周曉彥，李大鵬.基于ARIMA算法特征補齊的語音情感識別[J].電子器件， 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］ 張濤，張健，祁欣月，等.交通缺失數(shù)據(jù)插補方法研究綜述[J].現(xiàn)代交通與冶金材料，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］ 趙春江. 農(nóng)業(yè)知識智能服務技術綜述[J]. 智慧農(nóng)業(yè)，2023，5（2）：126-148.

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

基金項目：上海市科技興農(nóng)項目（滬農(nóng)科推字2022第3-2號）；北京市農(nóng)林科學院項目（JJP2023-04，PT2023-30）；北京市科技計劃項目（Z221100005822014）。