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

Sintesi Tecnica: Regolazione del Clima in Serre mediante Dati per la Coltivazione di Lattuga utilizzando il Controllo Predittivo BiLSTM e GRU

Problematica
La gestione efficiente delle serre è fondamentale per una produzione alimentare sostenibile, tuttavia deve affrontare significative sfide economiche e ambientali dovute all'elevato fabbisogno energetico per la regolazione climatica. Le strategie di controllo tradizionali si affidano a modelli basati su processi e primi principi (ad esempio, equazioni termodinamiche e di fluidodinamica). Sebbene questi modelli offrano approfondimenti meccanicistici, sono spesso troppo complessi, richiedono un'estesa calibrazione manuale dei parametri e faticano a gestire l'incertezza e la dinamica non lineare intrinseca alle operazioni reali in serra. Al contrario, sebbene gli approcci di apprendimento automatico basati sui dati offrano adattabilità, le applicazioni esistenti nel controllo delle serre spesso mancano di una valutazione rigorosa della precisione predittiva, della robustezza e della fattibilità computazionale per il Controllo Predittivo (MPC) in tempo reale. Esiste una lacuna specifica nella comparazione sistematica delle architetture ricorrenti profonde, come le reti Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU), all'interno di un framework MPC operativo per determinare la loro idoneità a bilanciare la resa delle colture, l'efficienza energetica e il rispetto dei vincoli.

Metodologia
Lo studio propone un nuovo framework di controllo predittivo basato sui dati che integra le reti neurali LSTM e GRU in un'architettura MPC per la coltivazione di lattuga.

• Generazione dei Dati: A causa della scarsità di dataset reali che catturino simultaneamente disturbi esterni, input di controllo e risposte climatiche interne, i dati di addestramento sono stati generati tramite simulazione. Un modello dinamico di serra validato (il modello van Henten) è stato controllato da una strategia MPC sotto diverse condizioni ambientali. Il dataset comprende 701.200 campioni derivati da 20 anni di dati meteorologici (2001–2020) dell'aeroporto di Schiphol, Paesi Bassi, ricampionati a intervalli di 15 minuti.
• Architettura del Modello: Entrambe le reti LSTM e GRU sono state progettate con una struttura bidirezionale composta da due strati con 16 unità nascoste per direzione. Il vettore di input includeva 11 caratteristiche: disturbi esterni storici (radiazione solare, temperatura, CO2, umidità), input di controllo (riscaldamento, ventilazione, iniezione di CO2) e output passati del sistema. I modelli sono stati addestrati per predire lo stato immediatamente successivo (15 minuti in avanti) di quattro variabili chiave: materia secca della lattuga, CO2 interna, temperatura interna e umidità interna.
• Addestramento e Validazione: I modelli sono stati addestrati utilizzando l'ottimizzatore Adam su 15 epoche. Le prestazioni sono state valutate tramite cross-validazione a 10 pieghe (10-fold cross-validation), variando le dimensioni della finestra di input (6, 12, 18, 24 step temporali) e le dimensioni dei batch (8, 16, 32).
• Framework di Controllo: Le reti neurali addestrate hanno sostituito il modello fisico all'interno del ciclo MPC. Il controllore opera in modalità a orizzonte scorrevole (receding-horizon), ottimizzando una funzione di costo che bilancia la massimizzazione della resa delle colture (materia secca) con la minimizzazione del consumo energetico (riscaldamento e iniezione di CO2). L'ottimizzazione è soggetta a vincoli biologici, inclusi limiti di temperatura variabili nel tempo (differenziando i requisiti di giorno/notte) e limiti di umidità (massimo 85%).

Contributi Chiave

1. Comparazione Sistematica delle RNN nell'MPC: Il documento fornisce un'analisi comparativa rigorosa delle architetture LSTM e GRU specificamente per il controllo climatico in tempo reale delle serre, valutando la precisione predittiva, la robustezza ai disturbi e la fattibilità computazionale.
2. Integrazione di Modelli Data-Driven nell'MPC: Lo studio dimostra l'integrazione riuscita di modelli di deep learning "black-box" in un framework MPC online, sostituendo i modelli tradizionali basati sui primi principi per gestire la dinamica non lineare senza ricalibrazione manuale dei parametri.
3. Quantificazione dei Compromessi: La ricerca quantifica i trade-off tra l'aderenza ai vincoli, le prestazioni economiche e il costo computazionale, offrendo un benchmark dettagliato rispetto a un baseline MPC convenzionale.

Risultati

• Precisione Predittiva: Entrambi i modelli LSTM e GRU hanno dimostrato forti capacità di generalizzazione. Il modello GRU ha costantemente ottenuto un Errore Quadratico Medio (MSE) e un Errore Quadratico Medio (RMSE) leggermente inferiori rispetto a LSTM nella maggior parte delle configurazioni. Ad esempio, la migliore configurazione GRU (dimensione finestra 18, batch size 8) ha raggiunto un RMSE di 0,13038, rispetto allo 0,13400 per l'LSTM.
• Prestazioni del Controllo:
  • Regolazione dell'Umidità: I controllori basati sui dati hanno superato significativamente il baseline MPC convenzionale nel controllo dell'umidità. Le violazioni dell'umidità sono scese dal 54,77% con l'MPC standard al 15,45% (GRU) e al 17,71% (LSTM).
  • Controllo della Temperatura: Le deviazioni di temperatura giorno-notte sono state mantenute al di sotto dei 2°C per tutti i controllori. Mentre l'MPC standard applicava rigorosamente i vincoli di temperatura, i controllori basati su RNN hanno permesso una rilassazione controllata dei vincoli di temperatura notturna, il che ha ridotto la domanda di riscaldamento senza impattare significativamente l'accumulo di biomassa.
  • Prestazioni Economiche: Il controllore GRU24 ha raggiunto un Indice di Produttività Economica (EPI) di 1,71 Hfℓm⁻², raggiungendo il 91,9% del benchmark MPC (1,86 Hfℓm⁻²), nonostante le maggiori violazioni dei vincoli. Ciò indica che un moderato rilassamento dei vincoli può generare risultati economici quasi ottimali con costi energetici inferiori.
• Efficienza Computazionale: L'architettura GRU si è dimostrata superiore in termini di velocità di calcolo. Il controllore GRU ha ottenuto tempi di calcolo fino al 40% inferiori rispetto al suo equivalente LSTM (ad esempio, 254s rispetto a 360s per un orizzonte di 24 step), confermando la sua fattibilità per l'implementazione in tempo reale su hardware embedded.

Significatività e Rivendicazioni
Il documento afferma che l'approccio di controllo predittivo guidato da GRU offre una soluzione robusta ed efficiente dal punto di vista computazionale per l'automazione intelligente del clima nelle serre. La significatività risiede nel dimostrare che i modelli basati sui dati possono sostituire efficacemente i complessi modelli fisici all'interno di un framework MPC, fornendo una superiore adattabilità alle dinamiche non lineari e variabili nel tempo. Nello specifico, lo studio evidenzia come i controllori basati su GRU possano ridurre significativamente il consumo energetico (attraverso il rilassamento del riscaldamento notturno non necessario) e migliorare la regolazione dell'umidità (un fattore critico per la prevenzione delle malattie), mantenendo al contempo una resa delle colture paragonabile ai metodi tradizionali.

Gli autori posizionano questo lavoro come un percorso pratico per la transizione dalla simulazione al dispiegamento nel mondo reale. Notano che, sebbene l'approccio sia attualmente validato tramite simulazione, l'efficienza computazionale del modello GRU suggerisce che sia adatto all'implementazione su dispositivi edge industriali a bassa potenza. Lo studio conclude che il controllo basato su GRU rappresenta un'alternativa altamente promettente all'MPC convenzionale, bilanciando un'elevata precisione predittiva con l'adattabilità necessaria per la moderna e sostenibile gestione delle serre. Il lavoro futuro identifica esplicitamente l'implementazione del controllore GRU in una Serra Solare cinese per validare questi risultati sotto disturbi del mondo reale.