一种基于小样本的设施温室温度预测方法技术

一种基于小样本的设施温室温度预测方法，采集环境因子作为特征，构建数据集，环境因子包括：室内温度、室内空气相对湿度、室内土壤温度、室内光照强度、室外空气温度、室外空气相对湿度及室外土壤温度；基于1D CNN

【技术实现步骤摘要】
一种基于小样本的设施温室温度预测方法


[0001]本专利技术属于农业物联网以及农业服务
，涉及温室技术，特别涉及一种基于小样本的设施温室温度预测方法。

技术介绍

[0002]温度是影响设施温室内农作物产量和品质的重要参数之一，过高或过低均会对农作物生长发育产生危害。研究证明，有效地控制温度对设施农业的增产具有重要意义。目前，设施农业的生产调控大多依靠生产者相关经验，仅通过对数据采集分析，进行调控决策，这种方法会造成反馈控制存在滞后性，影响作物生长。因此，融合多环境因子构建设施温度时序预测模型，是设施温室温度精准高效控制的重要前提。
[0003]研究发现，设施温室温度不仅是具有时变性、非线性、周期性等特征的连续时间序列，还与设施温室内外各种环境因子存在复杂的耦合关系。影响温室内温度的因素包括室内外空气温度、室内外空气相对湿度、室外风速、室外风向、室内外土壤温度、室内外光照强度、室内外CO2浓度及室内外土壤水分等相互独立的时间序列特征以及环境分布特征、通风特征、加湿特征等非时序性特征。因此，为耦合这些影响温室温度的特征信息，充分挖掘这本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本的设施温室温度预测方法，其特征在于，包括：步骤1，采集环境因子作为特征，构建数据集，所述环境因子包括：室内温度、室内空气相对湿度、室内土壤温度、室内光照强度、室外空气温度、室外空气相对湿度及室外土壤温度；步骤2，基于1D CNN
‑
GRU深度神经网络，构建通用的温室温度预测模型；所述1D CNN
‑
GRU深度神经网络由依次的输入层、卷积层、循环层和输出层组成；其中，输入层X
t+j,i
为二维矩阵；X
t,i～
X
t+j,i
表示第t时刻到第t+j时刻输入样本的第i个特征数据；X
t,1
～X
t,i
表示t时刻样本数据共有1～i个特征；卷积层采用一维卷积滤波器提取数据中蕴含的二维特征；循环层选择两层GRU网络，将提取的二维特征构造为时间序列输入第一层GRU网络，第一层GRU网络返回每个时间步输出的完整序列，第二层GRU网络返回每个输入序列的最终输出；所述输出层为全连接层，输出目标时刻的预测值；步骤3，训练所述通用的温室温度预测模型，得到最优预测结果对应的网络参数，获得通用的最优模型；步骤4，根据所述最优模型，基于迁移学习以预训练及微调方式在小样本数据集中调整其网络参数，构建面向不同地点和/或不同气候的设施温室条件下的温室温度预测模型，其中所述小样本数据集中的环境因子类型与步骤1的环境因子一致，但数据量远小于步骤1所构建数据集的数据量。2.根据权利要求1所述基于小样本的设施温室温度预测方法，其特征在于，所述步骤1，数据集中的数据，根据设定的间隔时间T，每日连续采集，且连续时间不少于一个月。3.根据权利要求2所述基于小样本的设施温室温度预测方法，其特征在于，所述步骤2，模型以室内温度、室内空气相对湿度、室内土壤温度、室内光照强度、室外空气温度、室外空气相对湿度及室外土壤温度为输入，时间步长为6，即输入矩阵大小为6
×
7，以T时间后的温度为输出，设定输出步长d，以用于预测T<...

【专利技术属性】
技术研发人员：胡瑾，雷文晔，刘行行，卢有琦，魏子朝，杨永霞，
申请(专利权)人：西北农林科技大学，
类型：发明
国别省市：