以機器學習技術建置溫室智慧噴霧系統

Abstract

溫室耕種最主要的優勢係藉由建築特性及環控策略，以維持內部環境穩定，達到產量最佳化，然而其相較於傳統露地栽培亦會消耗更多資源，因此須以水-能源-糧食鏈結(Water-Energy-Food Nexus)之管理為出發點，對不同環控策略進行量化與效益分析，方能妥善利用資源。為此，本研究先以質量守恆與能量守恆兩個公式，建置一套能推估下一小時溫室內溫度與相對濕度的物理模式，用以模擬噴霧後溫室內之環境，並以彰化縣伸港鄉溫室內物聯網設備收集之歷史監測資料，驗證物理模式的準確度與可靠度。其驗證流程為在N=0時(N代表單位為一小時之時距間隔)，以第一筆資料中的溫室內溫度與相對濕度，當作模式ｔ時刻溫室內溫度與相對濕度的初始值，再引入t+N時刻之溫室外溫度、溫室外相對濕度、溫室外日照量、風速與風向，推估t+N+1時刻的溫室內溫度與相對濕度，最後將此t+N+1的溫室內溫度與相對溼度，引入物理模式做為推進至下一時刻(N=N+1)的溫室內溫度與相對溼度起始值，重複此步驟直至觀測資料全數跑完。分析結果顯示了，物理模式在推估下一小時溫室內溫度與相對濕度的決定係數值為0.79及0.80，均方根誤差值則為1.89℃及8.17%，這代表物理模式在推估溫室內溫度與相對溼度的變化上，具有良好的精確度與可靠度。 接著建置一套能預測下一小時溫室內溫度與相對濕度的類神經網路(ANN)預測模式，並以同一批監測資料驗證模式的準確度與可靠度。其驗證流程為在N=0時，以t+N時刻的溫室外溫度、溫室內溫度、溫室外相對濕度、溫室內相對濕度、溫室外日照量以及風速等六項因子作為輸入因子，引入倒傳遞類神經網路預測t+N+1時刻的溫室內溫度與相對溼度，完成之後推進至下一時刻(N=N+1)，重複此步驟直至觀測資料全數跑完。分析結果顯示了，ANN預測模式在預測下一小時溫室內溫度與相對濕度的決定係數值R2可達0.82及0.88，均方根誤差值RMSE則為1.55℃及4.19%，這顯示了預測模式在預測溫室內溫度與相對溼度的變化上，具有良好的的精確度與可靠度，且表現優於物理模式。而因本研究因屬研發性質，尚無各時刻之噴霧量、噴霧後溫室內溫度與相對溼度的實際監測資料，導致預測模式無法直接計算出各時刻所需噴霧量，以及噴霧後溫室內溫度與相對溼度，故需將預測模式與物理模式結合，先以預測模式得出下一小時溫室內溫度與相對溼度的預測值後，再以物理模式計算出能將預測值改變至適合植物生長環境所需的噴霧量，以及噴霧後的溫室內溫度與相對溼度。最後一步才會是探討智慧噴霧系統與傳統噴霧方式的噴霧效果，以及噴霧前後的資源消耗差異。 本研究以彰化縣伸港鄉占地面積1560平方公尺的強固型開頂溫室，時間範圍為2019年5月20日00:00至2019年7月20日23:00共1488筆之溫室歷史監測資料，模擬溫室內種植番茄時所需之噴霧方式。根據研究結果顯示，傳統噴霧方式與智慧噴霧系統皆對溫室有良好的環控能力，惟傳統噴霧方式需消耗129478公斤的水及90度電，而智慧噴霧系統則只需42962公斤的水及29.8度電，省水率及省電率均高達66.8%; 此一結果顯示本研究所發展的智慧噴霧系統，有助於溫室內環境的自動控制且能省水及省電，具有極大的應用效益，同時亦補強了大多數溫室環境自動控制的相關研究，對於資源消耗著墨過少的問題。