Data-Driven Greenhouse Climate Regulation in Lettuce Cultivation Using BiLSTM and GRU Predictive Control

ملخص تقني: التحكم التنبؤي في مناخ الصوبات الزراعية القائم على البيانات لزراعة الخس باستخدام BiLSTM وGRU

بيان المشكلة
تعد الإدارة الفعالة للصوبات الزراعية أمراً بالغ الأهمية لإنتاج الغذاء المستدام، ومع ذلك فهي تواجه تحديات اقتصادية وبيئية كبيرة بسبب الطلب العالي على الطاقة لتنظيم المناخ. تعتمد استراتيجيات التحكم التقليدية على نماذج قائمة على العمليات والمبادئ الأولى (مثل المعادلات الديناميكية الحرارية وديناميكا السوائل). وبينما توفر هذه النماذج رؤى ميكانيكية، إلا أنها غالباً ما تكون معقدة للغاية، وتتطلب ضبطاً يدوياً مكثفاً للمعلمات، وتواجه صعوبة في التعامل مع عدم اليقين والديناميكيات غير الخطية المتأصلة في عمليات الصوبات الزراعية الواقعية. ومن ناحب آخر، بينما توفر نهج تعلم الآلة القائمة على البيانات القدرة على التكيف، فإن التطبيقات الحالية في التحكم في الصوبات الزراعية تفتقر غالباً إلى التقييم الصارم لدقة التنبؤ، والمتانة، والجدوى الحسابية للتحكم التنبؤي بالنماذج (MPC) في الوقت الفعلي. وهناك فجوة محددة في المقارنة المنهجية بين البنى المتكررة العميقة، مثل شبكات الذاكرة الطويلة قصيرة المدى (LSTM) والوحدات المتكررة ذات البوابة (GRU)، ضمن إطار عمل MPC تشغيلي لتحديد مدى ملاءمتها لموازنة إنتاجية المحاصيل، وكفاءة الطاقة، والالتزام بالقيود.

المنهجية
تقترح الدراسة إطار عمل جديد للتحكم التنبئي القائم على البيانات يدمج شبكات LSTM وGRU في بنية MPC لزراعة الخس.

• توليد البيانات: نظراً لندرة مجموعات البيانات الواقعية التي تلتقط الاضطرابات الخارجية، ومدخلات التحكم، واستجابات المناخ الداخلي في آن واحد، تم توليد بيانات التدريب عبر المحاكاة. تم التحكم في نموذج ديناميكي موثوق للصوبة الزراعية (نموذج فان هينتن) باستخدام استراتيجية MPC تحت ظروف بيئية متنوعة. تتكون مجموعة البيانات من 701,200 عينة مستمدة من بيانات الطقس لمدة 20 عاماً (2001-2020) من مطار شيفول في هولندا، مع إعادة أخذ العينات بفواصل زمنية قدرها 15 دقيقة.
• بنية النموذج: تم تصميم كل من شبكتي LSTM وGRU ببنية ثنائية الاتجاه تتكون من طبقتين بـ 16 وحدة مخفية لكل اتجاه. تضمن متجه المدخلات 11 ميزة: الاضطرابات الخارجية التاريخية (الإشعاع الشمسي، درجة الحرارة، ثاني أكسيد الكربون، الرطوبة)، ومدخلات التحكم (التدفئة، التهوية، حقن ثاني أكسيد الكربون)، ومخرجات النظام السابقة. تم تدريب النماذج للتنبؤ بالحالة التالية المباشرة (15 دقيقة للأمام) لأربعة متغيرات رئيسية: المادة الجافة للخس، وثاني أكسيد الكربون الداخلي، ودرجة الحرارة الداخلية، والرطوبة الداخلية.
• التدريب والتحقق: تم تدريب النماذج باستخدام محسن Adam على مدار 15 حقبة (epoch). تم تقييم الأداء باستخدام التحقق المتبادل ذي الـ 10 طيات (10-fold cross-validation)، مع تغيير أحجام نافذة المدخلات (6، 12، 18، 24 خطوة زمنية) وأحجام الدفعات (8، 16، 32).
• إطار التحكم: حلت الشبكات العصبية المدربة محل النموذج الفيزيائي داخل حلقة MPC. يعمل المتحكم بطريقة الأفق المتراجع (receding-horizon)، حيث يقوم بتحسين دالة التكلفة التي توازن بين تعظيم إنتاجية المحصول (المادة الجافة) وتقليل استهلاك الطاقة (التدفئة وحقن ثاني أكسيد الكربون). يخضع التحسين لقيود بيولوجية، بما في ذلك حدود درجة الحرارة المتغيرة زمنياً (التي تفرق بين متطلبات النهار والليل) وحدود الرطوبة (الحد الأقصى 85%).

المساهمات الرئيسية

1. المقارنة المنهجية للشبكات العصبية المتكررة (RNNs) في MPC: تقدم الورقة تحليلاً مقارناً صارماً لبنيات LSTM وGRU خصيصاً للتحكم في مناخ الصوبات الزراعية في الوقت الفعلي، مع تقييم دقة التنبؤ، والمتانة تجاه الاضطرابات، والجدوى الحسابية.
2. دمج النماذج القائمة على البيانات في MPC: تظهر الدراسة النجاح في دمج نماذج "الصندوق الأسود" للتعلم العميق في إطار عمل MPC عبر الإنترنت، مما يستبدل النماذج التقليدية القائمة على المبادئ الأولى للتعامل مع الديناميكيات غير الخطية دون الحاجة لإعادة معايرة المعلمات يدوياً.
3. تحديد المقايضات كمياً: يحدد البحث المقايضات بين الالتزام بالقيود، والأداء الاقتصادي، والتكلفة الحسابية، مما يوفر معياراً تفصيلياً مقابل خط أساس MPC التقليدي.

النتائج

• دقة التنبؤ: أظهر كل من نموذجي LSTM وGRU قدرات تعميم قوية. حقق نموذج GRU باستمرار متوسط خطأ تربيعي (MSE) وجذر متوسط مربع الخطأ (RMSE) أقل قليلاً مقارنة بـ LSTM في معظم التكوينات. على سبيل المثال، حقق أفضل تكوين لـ GRU (نافذة حجم 18، حجم دفعة 8) قيمة RMSE بلغت 0.13038، مقارنة بـ 0.13400 لـ LSTM.
• أداء التحكم:
  • تنظيم الرطوبة: تفوقت المتحكمات القائمة على البيانات بشكل كبير على خط أساس MPC التقليدي في التحكم في الرطوبة. انخفضت انتهاكات الرطوبة من 54.77% مع MPC القياسي إلى 15.45% (GRU) و17.71% (LSTM).
  • التحكم في درجة الحرارة: تم الحفاظ على انحرافات درجة حرارة الليل والنهار دون 2 درجة مئوية لجميع المتحكمات. وبينما فرض MPC القياسي قيود درجة الحرارة بصرامة، سمحت متحكمات RNN بتخفيف مدروس لقيود درجة حرارة الليل، مما قلل من طلب التدفئة دون التأثير بشكل كبير على تراكم الكتلة الحيوية.
  • الأداء الاقتصادي: حقق المتحكم GRU24 مؤشر إنتاجية اقتصادية (EPI) قدره 1.71 Hfℓm⁻²، ليصل إلى 91.9% من معيار MPC (1.86 Hfℓm⁻²)، رغم ارتفاع انتهاكات القيود. يشير هذا إلى أن التخفيف المعتدل للقيود يمكن أن يحقق نتائج اقتصادية قريبة من المثالية مع تكاليف طاقة أقل.
• الكفاءة الحسابية: أثبتت بنية GRU تفوقها في السرعة الحسابية. حقق متحكم GRU وقتاً حسابياً أقل بنسبة تصل إلى 40% من نظيره LSTM (على سبيل المثال، 254 ثانية مقابل 360 ثانية لأفق 24 خطوة)، مما يؤكد جدواه للنشر في الوقت الفعلي على الأجهزة المدمجة.

الأهمية والادعاءات
تدعي الورقة أن نهج التحكم التنبئي المدفوع بـ GRU يوفر حلاً قوياً وفعالاً حسابياً لأتمتة مناخ الصوبات الزراعية الذكية. تكمن الأهمية في إثبات أن النماذج القائمة على البيانات يمكن أن تحل محل النماذج الفيزيائية المعقدة داخل إطار عمل MPC، مما يوفر قدرة فائقة على التكيف مع الديناميكيات غير الخطية والمتغيرة زمنياً. وتحديداً، تسلط الدراسة الضوء على أن المتحكمات القائمة على GRU يمكنها تقليل استهلاك الطاقة بشكل كبير (عبر تخفيف التدفئة الليلية غير الضرورية) وتحسين تنظيم الرطوبة (وهو عامل حاسم لمنع الأمراض) مع الحفاظ على إنتاجية المحاصيل بمستويات مقاربة للطرق التقليدية.

يضع المؤلفون هذا العمل كمسار عملي للانتقال من المحاكاة إلى النشر في العالم الحقيقي. ويشيرون إلى أنه بينما يتم التحقق من هذا النهج حالياً عبر المحاكاة، فإن الكفاءة الحسابية لنموذج GRU تجعله مناسباً للتنفيذ على أجهزة الحافة الصناعية (industrial edge devices) منخفضة الطاقة. وتخلص الدراسة إلى أن التحكم القائم على GRU يمثل بديلاً واعداً للغاية لـ MPC التقليدي، حيث يوازن بين دقة التنبؤ العالية والقدرة على التكيف المطلوبة للإدارة المستدامة والحديثة للصوبات الزراعية. وقد تم تحديد العمل المستقبلي صراحةً في نشر متحكم GRU في صوبة زراعية شمسية صينية تشغيلية للتحقق من هذه النتائج تحت تأثير الاضطرابات الواقعية.