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

Resumo Técnico: Regulação Climática de Estufas Baseada em Dados para o Cultivo de Alface Utilizando Controle Preditivo por BiLSTM e GRU

Definição do Problema
A gestão eficiente de estufas é crítica para a produção sustentável de alimentos, mas enfrenta desafios econômicos e ambientais significativos devido às altas demandas de energia para a regulação climática. As estratégias de controle tradicionais baseiam-se em modelos de processos baseados em primeiros princípios (por exemplo, equações termodinâmicas e de dinâmica de fluidos). Embora esses modelos ofereçam insights mecanísticos, eles são frequentemente muito complexos, exigem extensa calibração manual de parâmetros e têm dificuldade em lidar com a incerteza e a dinâmica não linear inerentes às operações de estufas no mundo real. Por outro lado, embora as abordagens de aprendizado de máquina baseadas em dados ofereçam adaptabilidade, as aplicações existentes de controle de estufas carecem de uma avaliação rigorosa de sua precisão preditiva, robustez e viabilidade computacional para o Controle Preditivo Baseado em Modelo (MPC) em tempo real. Existe uma lacuna específica na comparação sistemática de arquiteturas recorrentes profundas, como redes de Long Short-Term Memory (LSTM) e Gated Recurrent Unit (GRU), dentro de um framework de MPC operacional para determinar sua adequação ao equilíbrio entre rendimento da cultura, eficiência energética e adesão a restrições.

Metodologia
O estudo propõe um novo framework de controle preditivo baseado em dados, integrando redes neurais LSTM e GRU em uma arquitetura MPC para o cultivo de alface.

• Geração de Dados: Devido à escassez de conjuntos de dados do mundo real que capturem simultaneamente perturbações externas, entradas de controle e respostas climáticas internas, os dados de treinamento foram gerados via simulação. Um modelo dinâmico de estufa validado (o modelo van Henten) foi controlado por uma estratégia MPC sob diversas condições ambientais. O conjunto de dados compreende 701.200 amostras derivadas de 20 anos de dados meteorológicos (2001–2020) do Aeroporto de Schiphol, Holanda, reamostrados em intervalos de 15 minutos.
• Arquitetura do Modelo: Ambas as redes LSTM e GRU foram projetadas com uma estrutura bidirecional consistindo em duas camadas com 16 unidades ocultas por direção. O vetor de entrada incluiu 11 características: perturbações externas históricas (radiação solar, temperatura, CO2, umidade), entradas de controle (aquecimento, ventilação, injeção de CO2) e saídas anteriores do sistema. Os modelos foram treinados para prever o estado imediato seguinte (15 minutos à frente) de quatro variáveis principais: matéria seca da alface, CO2 interno, temperatura interna e umidade interna.
• Treinamento e Validação: Os modelos foram treinados usando o otimizador Adam ao longo de 15 épocas. O desempenho foi avaliado por meio de validação cruzada de 10 dobras (10-fold cross-validation), variando os tamanhos das janelas de entrada (6, 12, 18, 24 passos temporais) e tamanhos de lote (8, 16, 32).
• Framework de Controle: As redes neurais treinadas substituíram o modelo físico dentro do loop do MPC. O controlador opera de maneira de horizonte recorrente (receding-horizon), otimizando uma função de custo que equilibra a maximização do rendimento da cultura (matéria seca) contra a minimização do consumo de energia (aquecimento e injeção de CO2). A otimização está sujeita a restrições biológicas, incluindo limites de temperatura variáveis no tempo (diferenciando requisitos de dia/noite) e limites de umidade (máximo de 85%).

Principais Contribuições

1. Comparação Sistemática de RNNs em MPC: O artigo fornece uma análise comparativa rigorosa de arquiteturas LSTM e GRU especificamente para o controle climático de estufas em tempo real, avaliando sua precisão preditiva, robustez a perturbações e viabilidade computacional.
2. Integração de Modelos Baseados em Dados em MPC: O estudo demonstra a integração bem-sucedida de modelos de aprendizado profundo de caixa-preta em um framework de MPC online, substituindo modelos tradicionais de primeiros princípios para lidar com dinâmicas não lineares sem recalibração manual de parâmetros.
3. Quantificação de Trade-offs: A pesquisa quantifica os compromissos entre adesão a restrições, desempenho econômico e custo computacional, oferecendo um benchmark detalhado contra um baseline convencional de MPC.

Resultos

• Precisão Preditiva: Ambos os modelos LSTM e GRU demonstraram fortes capacidades de generalização. O modelo GRU apresentou consistentemente um Erro Quadrático Médio (MSE) e uma Raiz do Erro Quadrático Médio (RMSE) ligeiramente menores do que o LSTM na maioria das configurações. Por exemplo, a melhor configuração do GRU (janela de tamanho 18, tamanho de lote 8) alcançou um RMSE de 0,13038, comparado a 0,13400 para o LSTM.
• Desempenho de Controle:
  • Regulação de Umidade: Os controladores baseados em dados superaram significativamente o baseline de MPC convencional no controle de umidade. As violações de umidade caíram de 57,77% com o MPC padrão para 15,45% (GRU) e 17,71% (LSTM).
  • Controle de Temperatura: Desvios de temperatura dia-noite foram mantidos abaixo de 2°C para todos os controladores. Enquanto o MPC padrão impunha estritamente as restrições de temperatura, os controladores baseados em RNN permitiram uma relaxação controlada das restrições de temperatura noturna, o que reduziu a demanda de aquecimento sem impactar significativamente o acúmulo de biomassa.
  • Desempenho Econômico: O controlador GRU24 alcançou um Índice de Produtividade Econômica (EPI) de 1,71 Hfℓm⁻², atingindo 91,9% do benchmark do MPC (1,86 Hfℓm⁻²), apesar de maiores violações de restrição. Isso indica que a relaxação moderada das restrições pode gerar resultados econômicos próximos ao ótimo com menores custos de energia.
• Eficiência Computacional: A arquitetura GRU provou ser superior em velocidade computacional. O controlador GRU obteve até 40% menos tempo de computação do que seu equivalente LSTM (por exemplo, 254s vs. 360s para um horizonte de 24 passos), confirmando sua viabilidade para implantação em tempo real em hardware embarcado.

Significância e Alegações
O artigo afirma que a abordagem de controle preditivo impulsionada por GRU oferece uma solução robusta e computacionalmente eficiente para a automação inteligente do clima de estufas. A significância reside em demonstrar que modelos baseados em dados podem efetivamente substituir modelos físicos complexos dentro de um framework de MPC, proporcionando superior adaptabilidade a dinâmicas não lineares e variantes no tempo. Especificamente, o estudo destaca que os controladores baseados em GRU podem reduzir significativamente o consumo de energia (ao relaxar o aquecimento noturno desnecessário) e melhorar a regulação da umidade (um fator crítico para prevenir doenças) mantendo o rendimento da cultura comparável aos métodos tradicionais.

Os autores posicionam este trabalho como um caminho prático para a transição da simulação para a implementação no mundo real. Eles observam que, embora a abordagem seja atualmente validada via simulação, a eficiência computacional do modelo GRU sugere que ele é adequado para implementação em dispositivos de borda industriais de baixa potência. O estudo conclui que o controle baseado em GRU representa uma alternativa altamente promissora ao MPC convencional, equilibrando alta precisão preditiva com a adaptabilidade necessária para a gestão de estufas moderna e sustentável. O trabalho futuro é explicitamente identificado como a implantação do controlador GRU em uma Estufa Solar chinesa operacional para validar esses achados sob perturbações do mundo real.