基于传感器的农业温室数据直报系统与智能调控研究

S126; 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...

Full description

Saved in:
Bibliographic Details
Published in中国农业科技导报 Vol. 26; no. 7; pp. 93 - 102
Main Authors 熊晓菲, 吴文茜, 霍洪彦, 张馨, 于艳, 安冬, 张同, 吴建伟
Format Journal Article
LanguageChinese
Published 北京派得伟业科技发展有限公司,北京 100097%北京派得伟业科技发展有限公司,北京 100097%北京市农林科学院智能装备技术研究中心,北京 100097%上海垄垦信息科技有限公司,上海 201900%中国农业大学信息与电气工程学院,北京 100193%烟台大学计算机与控制工程学院,山东 烟台 264005 2024
北京市农林科学院信息技术研究中心,北京 100971
Subjects
greenhouse application scenario
sensors
数据纠错
data direct reporting
温室应用场景
temperature prediction
传感器
温度预测
data error correction
数据直报
Online AccessGet full text
ISSN1008-0864
DOI10.13304/j.nykjdb.2023.0925

Cover

More Information
Summary:S126; 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.
ISSN:1008-0864
DOI:10.13304/j.nykjdb.2023.0925