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

Resumen Técnico: Regulación Climática de Invernaderos Basada en Datos para el Cultivo de Lechuga mediante Control Predictivo con BiLSTM y GRU

Planteamiento del Problema
La gestión eficiente de los invernaderos es crítica para la producción de alimentos sostenibles, pero enfrenta desafíos económicos y ambientales significativos debido a las altas demandas energéticas para la regulación climática. Las estrategias de control tradicionales dependen de modelos basados en procesos y de primeros principios (por ejemplo, ecuaciones termodinámicas y de dinámica de fluidos). Si bien estos modelos ofrecen perspectivas mecánicas, a menudo son demasiado complejos, requieren una extensa sintonización manual de parámetros y luchan por manejar la incertidumbre y la dinámica no lineal inherente a las operaciones de invernaderos en el mundo real. Por el contrario, aunque los enfoques de aprendizaje automático basados en datos ofrecen adaptabilidad, las aplicaciones existentes en el control de invernaderos suelen carecer de una evaluación rigurosa de su precisión predictiva, robustez y viabilidad computacional para el Control Predictivo basado en Modelo (MPC) en tiempo real. Existe una brecha específica en la comparación sistemática de arquitecturas recurrentes profundas, como las redes de Memoria de Largo Corto Plazo (LSTM) y de Unidades Recurrentes de Compuerta (GRU), dentro de un marco operativo de MPC para determinar su idoneidad para equilibrar el rendimiento del cultivo, la eficiencia energética y el cumplimiento de restricciones.

Metodología
El estudio propone un novedoso marco de control predictivo basado en datos que integra redes neuronales LSTM y GRU en una arquitectura MPC para el cultivo de lechuga.

• Generación de Datos: Debido a la escasez de conjuntos de datos del mundo real que capturen simultáneamente perturbaciones externas, entradas de control y respuestas climáticas internas, los datos de entrenamiento se generaron mediante simulación. Un modelo dinámico de invernadero validado (el modelo de van Henten) fue controlado por una estrategia MPC bajo diversas condiciones ambientales. El conjunto de datos comprende 701,200 muestras derivadas de 20 años de datos meteorológicos (2001–2020) del Aeropuerto de Schiphol, Países Bajos, remuestreados en intervalos de 15 minutos.
• Arquitectura del Modelo: Tanto las redes LSTM como las GRU fueron diseñadas con una estructura bidireccional que consta de dos capas con 16 unidades ocultas por dirección. El vector de entrada incluyó 11 características: perturbaciones externas históricas (radiación solar, temperatura, CO2, humedad), entradas de control (calefacción, ventilación, inyección de CO2) y salidas previas del sistema. Los modelos fueron entrenados para predecir el estado inmediato siguiente (15 minutos adelante) de cuatro variables clave: materia seca de la lechuga, CO2 interior, temperatura interior y humedad interior.
• Entrenamiento y Validación: Los modelos fueron entrenados utilizando el optimizador Adam durante 15 épocas. El rendimiento se evaluó mediante validación cruzada de 10 pliegues (10-fold cross-validation), variando los tamaños de la ventana de entrada (6, 12, 18, 24 pasos de tiempo) y los tamaños de lote (8, 16, 32).
• Marco de Control: Las redes neuronales entrenadas reemplazaron al modelo físico dentro del bucle del MPC. El controlador opera de manera de horizonte de retroceso (receding-horizon), optimizando una función de costo que equilibra la maximización del rendimiento del cultivo (materia seca) contra la minimización del consumo de energía (calefacción e inyección de CO2). La optimización está sujeta a restricciones biológicas, incluyendo límites de temperatura variables en el tiempo (diferenciando los requisitos día/noche) y límites de humedad (máximo 85%).

Contribuciones Clave

1. Comparación Sistemática de RNN en MPC: El artículo proporciona un análisis comparativo riguroso de las arquitecturas LSTM y GRU específicamente para el control climático de invernaderos en tiempo real, evaluando su precisión predictiva, robustez ante perturbaciones y viabilidad computacional.
2. Integración de Modelos Basados en Datos en MPC: El estudio demuestra la integración exitosa de modelos de aprendizaje profundo de caja negra en un marco de MPC en línea, reemplazando los modelos tradicionales de primeros principios para manejar la dinámica no lineal sin la necesidad de recalibración manual de parámetros.
3. Cuantificación de Compensaciones (Trade-offs): La investigación cuantifica las compensaciones entre el cumplimiento de restricciones, el rendimiento económico y el costo computacional, ofreciendo una comparativa detallada frente a un baseline convencional de MPC.

Resultados

• Precisión Predictiva: Ambos modelos, LSTM y GRU, demostraron fuertes capacidades de generalización. El modelo GRU alcanzó consistentemente un Error Cuadrático Medio (MSE) y una Raíz del Error Cuadrático Medio (RMSE) ligeramente menores en comparación con el LSTM en la mayoría de las configuraciones. Por ejemplo, la mejor configuración de GRU (ventana de tamaño 18, tamaño de lote 8) logró un RMSE de 0.13038, frente al 0.13400 del LSTM.
• Desempeño del Control:
  • Regulación de la Humedad: Los controladores basados en datos superaron significativamente al baseline de MPC convencional en el control de la humedad. Las violaciones de humedad cayeron de un 54.77% con el MPC estándar a un 15.45% (GRU) y 17.71% (LSTM).
  • Control de Temperatura: Las desviaciones de temperatura día-noche se mantuvieron por debajo de 2°C para todos los controladores. Mientras que el MPC estándar imponía estrictamente las restricciones de temperatura, los controladores basados en RNN permitieron una relajación controlada de las restricciones de temperatura nocturna, lo que redujo la demanda de calefacción sin impactar significativamente la acumulación de biomasa.
  • Desempeño Económico: El controlador GRU24 logró un Índice de Productividad Económica (EPI) de 1.71 Hfℓm⁻², alcanzando el 91.9% del benchmark de MPC (1.86 Hfℓm⁻²), a pesar de tener mayores violaciones de restricciones. Esto indica que una relajación moderada de las restricciones puede generar resultados económicos cercanos al óptimo con menores costos de energía.
• Eficiencia Computacional: La arquitectura GRU demostró ser superior en velocidad de cómputo. El controlador GRU logró hasta un 40% menos de tiempo de computación que su contraparte LSTM (por ejemplo, 254s frente a 360s para un horizonte de 24 pasos), confirmando su viabilidad para el despliegue en hardware embebido.

Significancia y Reivindicaciones
El artículo afirma que el enfoque de control predictivo impulsado por GRU ofrece una solución robusta y computacionalmente eficiente para la automatización climática inteligente de invernaderos. La significancia radica en demostrar que los modelos basados en datos pueden reemplazar eficazmente los modelos físicos complejos dentro de un marco de MPC, proporcionando una mayor adaptabilidad a la dinámica no lineal y variante en el tiempo. Específicamente, el estudio destaca que los controladores basados en GRU pueden reducir significativamente el consumo de energía (al relajar la calefacción nocturna innecesaria) y mejorar la regulación de la humedad (un factor crítico para prevenir enfermedades) manteniendo un rendimiento de cultivo comparable a los métodos tradicionales.

Los autores posicionan este trabajo como una vía práctica para la transición desde la simulación hacia el despliegue en el mundo real. Señalan que, si bien el enfoque se valida actualmente mediante simulación, la eficiencia computacional del modelo GRU sugiere que es adecuado para su implementación en dispositivos de borde (edge devices) industriales de baja potencia. El estudio concluye que el control basado en GRU representa una alternativa altamente prometedora para el MPC convencional, equilibrando una alta precisión predictiva con la adaptabilidad requerida para la gestión de invernaderos moderna y sostenible. El trabajo futuro se identifica explícitamente como el despliegue del controlador GRU en un invernadero solar chino operativo para validar estos hallazgos bajo perturbaciones del mundo real.