CC BY
0
Реализация моделей нейронных сетей для прогнозирования показателей
в умной теплице
В.А. Черепенин, С.П. Воробьев, В.Р. Серкезюк
Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова, Новочеркасск
Аннотация: Данная статья исследует внедрение и реализацию моделей нейронных сетей в сфере сельского хозяйства, с акцентом на их использование в умных теплицах. Умные теплицы представляют собой инновационные системы контроля микроклимата и других факторов, влияющих на рост растений. С использованием нейронных сетей, обученных на данных о влажности почвы, температуре, освещенности и других параметрах, возможно прогнозирование будущих показателей с высокой точностью. В статье рассматриваются этапы сбора и подготовки данных, процесс обучения нейронных сетей, а также практическая реализация данного подхода. Результаты исследования подчеркивают перспективы внедрения нейронных сетей в аграрном секторе и их важную роль в оптимизации процессов роста растений и увеличении производительности сельскохозяйственных предприятий.
Ключевые слова: нейронная сеть, прогнозирование показателей, умная теплица, искусственный интеллект, моделирование данных, микроклимат.
В эпоху растущей цифровизации и стремительного развития технологий сельского хозяйства, концепция умной теплицы становится всё более актуальной и перспективной. Умные теплицы объединяют в себе передовые агротехнологии и информационные системы, позволяя фермерам и садоводам повысить уровень контроля над окружающей средой и, следовательно, урожайность своих культур.
Ключевым элементом умных теплиц являются нейронные сети, позволяющие анализировать и прогнозировать показатели, такие как температура, влажность, освещение, и другие факторы, в реальном времени. В этой статье мы погрузимся в мир реализации моделей нейронных сетей в умных теплицах и рассмотрим, как эти технологии революционизируют сельское хозяйство, повышая эффективность производства и снижая его негативное воздействие на окружающую среду [1].
Почвы играют решающую роль в сельском хозяйстве и экологии, поскольку они обеспечивают основу для роста растений и важны для баланса
экосистем. Эффективное управление почвенными ресурсами является критически важным для увеличения урожайности и устойчивости сельского хозяйства, а также для предотвращения эрозии почв и других экологических проблем [2]. Однако почвенные свойства и их состояние могут значительно различаться в зависимости от местоположения и времени.
Для более точного и эффективного управления почвами фермеры, агроинженеры и ученые внедряют современные технологии и аналитические методы, включая моделирование данных [3]. В частности, создание и использование моделей для прогнозирования показателей почвы становится все более распространенным и важным аспектом сельского хозяйства и экологии.
Для реализации и обучения модели необходимо подготовить набор данных. Рассмотрим каждый из параметров данных:
• дата: дата и время замера;
• влажность почвы: влажность почвы на момент замера;
• температура почвы: температура почвы на момент замера;
• влажность воздуха: влажность воздуха на момент замера;
• температура воздуха: температура воздуха на момент замера;
• уровень засоленности почвы: отношение диэлектрической проницаемости и объемной электропроводности на момент замера;
• дата последнего полива: дата и время последнего полива;
• количество воды: количество использованной воды на метр квадратный.
В результате, набор данных содержит восемь характеристик, содержит данные за одну неделю, с шагом в 30 минут. Для обучения модели, данные будут разделены на три части: 70% - обучающие данные, 20% - проверочные данные, 10% - тестовые данные. После подготовки набор данных помещается
в файл в формате CSV. После обучения модель будет способна предсказывать несколько из параметров, в нашем случае будущая влажность и температура почвы. Схема входных и выходных параметров итоговой модели представлена на рис.1.
Рис. 1. - Схема входных и выходных параметров модели
Пользователи могут просматривать актуальные данные по каждой теплице, в том числе визуализированные в виде графиков. Экранная форма с графиками показателей микроклимата представлена на рис. 2. Значения, отмеченные желтым цветом - получены с помощью модели прогнозирования.
Возможность отслеживания показателей микроклимата, таких как температура, влажность, освещенность и других факторов окружающей среды, играет важную роль во многих сферах человеческой деятельности [4].
Это особенно важно в контексте сельского хозяйства, животноводства, исследований, производства, а также в повседневной жизни.
Дата начала: * Дата конца: *
Теплица Интервал
Теплица 3 у Минуты ^
Максимальная температура внутри
25
1143 28 11:43:30 11:4332 11:43:34 11:43:36 11:43:38 11:43:40 11:43:42 11:4344 11:43:46 11:43:49 11:43:50 11:43:52 11:43:54 11:4336 11:43:58 11:44:00 Минимальная гемпературэ внутри 25
Рис. 2. - Экранная форма с показателями микроклимата
Контроль показателей микроклимата имеет целью обеспечить оптимальные условия для процессов и живых организмов. Верное поддержание микроклимата может увеличить урожайность, способствовать комфорту внутри помещений, обеспечивать безопасность в лабораторных условиях и многое другое [5].
Для осуществления и обучения модели требуется подготовить набор данных. Давайте анализировать каждый из параметров данных поочередно:
• дата: дата и время замера;
• максимальная температура внутри: максимальная температура за время замера внутри теплицы;
• средняя температура внутри: средняя температура за время замера внутри теплицы;
• минимальная температура внутри: минимальная температура за время замера внутри теплицы;
• максимальная влажность внутри: максимальная влажность за время замера внутри теплицы;
• средняя влажность внутри: средняя влажность за время замера внутри теплицы;
• минимальная влажность внутри: минимальная влажность за время замера внутри теплицы;
• максимальная температура снаружи: максимальная температура за время замера снаружи теплицы;
• средняя температура снаружи: средняя температура за время замера снаружи теплицы;
• минимальная температура снаружи: минимальная температура за время замера снаружи теплицы;
• максимальная влажность снаружи: максимальная влажность за время замера снаружи теплицы;
• средняя влажность снаружи: средняя влажность за время замера снаружи теплицы;
• минимальная влажность снаружи: минимальная влажность за время замера снаружи теплицы;
• уровень освещения: уровень освещения в теплице;
• дата последнего полива: дата и время последнего полива;
• количество воды: количество использованной воды на метр квадратный.
В итоге, в наборе данных содержится шестнадцать характеристик, охватывающих информацию за одну неделю с интервалом в 30 минут. Процедура подготовки данных аналогична описанной ранее модели. После завершения обучения, модель будет способна прогнозировать несколько параметров, конкретно в нашем случае - предсказание будущей средней влажности и температуры внутри теплицы. Структура входных и выходных данных для конечной модели представлена на рис.3.
4.
Рис. 3. - Схема входных и выходных параметров модели Экранная форма с графиками показателей почвы представлена на рис.
Рис. 4. - Экранная форма с показателями почвы Значения, отмеченные желтым цветом - получены с помощью модели прогнозирования, описанной ранее. На данных формах пользователь может
выбрать дату начала и дату конца выборки, а также интервал, который он хочет исследовать.
Для реализации модели будет использована рекуррентная нейронная сеть [6-8]. Рекуррентная нейронная сеть (далее RNN) — это тип нейронной сети, хорошо подходящий для данных временных рядов. RNN обрабатывают временной ряд шаг за шагом, сохраняя внутреннее состояние от шага к шагу.
Модели реализованы с применением нейронных сетей, с помощью библиотеки TensorFlow. TensorFlow — открытая программная библиотека для машинного обучения, разработанная компанией Google для решения задач построения и тренировки нейронной сети [9].
Вызов реализованных моделей происходит из PHP-скрипта при помощи встроенной функции «shell_exec». Модель возвращает в PHP-скрипт предсказанное значение, таким образом, по завершению его работы посредством чтения вывода CLI-интерфейса попадает предсказанное значение [10].
В заключение, реализация моделей нейронных сетей для прогнозирования показателей в умной теплице представляет собой перспективный и эффективный подход к оптимизации процессов в сельском хозяйстве и контроле за условиями выращивания растений. Нейронные сети, обученные на основе предоставленных данных о микроклимате, влажности почвы и других факторах, могут предсказать будущие показатели с высокой точностью. Это позволяет сельскохозяйственным предприятиям принимать более информированные решения, увеличивать урожаи и оптимизировать использование ресурсов, таких как вода и энергия.
При этом важно подчеркнуть, что успешная реализация таких моделей требует не только качественных данных, но и компетентной настройки нейронных сетей и постоянного мониторинга их работы. С ростом доступности сенсоров и систем сбора данных, а также с развитием методов
глубокого обучения, перспективы использования нейронных сетей в аграрном секторе обещают быть все более важными.
Таким образом, реализация моделей нейронных сетей в умных теплицах является важным шагом в сторону более устойчивого и эффективного сельского хозяйства. При правильной настройке и использовании этих технологий можно достичь оптимизации роста растений, сокращения затрат и повышения общей производительности.
Литература
1. Сергеев Д.А. Энтропийные параметры структурных параметров систем. // Наука, техника и образование. 2016. № 3. URL: lor.my-ivanovo.ru/images/PDF/2016/21/NTO-3-21 .pdf.
2. Jones Z., Taft K., Sidhu S. The state of food security and nutrition in the world. Building climate resilience for food security and nutrition. Rome: Food and Agriculture Organization; 2018. URL: fao.org/publications/home/fao-flagship-publications/the-state-of-food-security-and-nutrition-in-the-world/2022/en.
3. Al-Doghman F., Chaczko Z., Ajayan A.R., Klempous R. A review on Fog Computing Technology // Conference Proceedings of 2016 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2016 (Budapest, Hungary, October, 9-12, 2017). Institute of Electrical and Electronics. URL: researchgate.net/publication/313586966_A_review_on_Fog_Computing_technolo
gy.
4. Alexandratos N, Bruinsma J. World agriculture towards 2030/2050: the 2012 revision. Rome: Food and Agriculture Organization; 2012. URL: fao. org/3/ap 106e/ap 106e.pdf.
5. Bren d'Amour C, Reitsma F, Baiocchi G, Barthel S, Guneralp B, Erb K-H. Future urban land expansion and implications for global croplands.
Proceedings of the National Academy of Sciences. 2016;114(34). URL: pubmed.ncbi.nlm.nih.gov/28028219/
6. Воробьев С.П., Горобец В.В. Исследование модели транзакционной системы с репликацией фрагментов базы данных, построенной по принципам облачной среды // Инженерный вестник Дона. - 2012. - № 4. - URL: ivdon.ru/ru/magazine/archive/n4p1y2012/1149
7. Bychkova SM, Zhidkova EA, Andreeva OO. Innovative controlling technologies. Food Processing: Techniques and Technology. 2019;49(3). URL: fptt.ru/en/issues/1988/2581/?ysclid=lpqx6ilrmk307796095
8. Brito M.S.D., Hoque S., Magedanz T., Steink R., Willner A., Nehls D., Keils O., Schreiner F. A Service Orchestration Architecture for Fog enabled Infrastructures // 2017 2nd International Conference on Fog and Mobile Edge Computing, FMEC 2017 (Valencia, Spain, May, 8-11, 2017). Institute of Electrical and Electronics Engineers Inc., 2017 Р. 127-132. URL: researchgate.net/publication/317639602_A_service_orchestration_architecture_for _Fog-enabled_infrastructures.
9. Михайлов В.К., Скоба А.Н., Бадашев В.В., Шахов Д.В., Реков А.В., Можаев А.Л. Имитационные модели функционирования распределенных систем обработки информации и их программная реализация // Инженерный вестник Дона. - 2021. - №8. URL: ivdon.ru/ru/magazine/archive/n8y2021/7172
10. Bonomi F., Milito R., Zhu J. and Addepalli S. Fog Computing and Its Role in the Internet of Things // Proceedings of the 1st ACM Mobile Cloud Computing Workshop, MCC'12 (Helsinki, Finland, August). URL: researchgate.net/publication/235409978_Fog_Computing_and_its_Role_in_the_In ternet_of_Things.
References
1. Sergeyev D.A. Nauka, tekhnika i obrazovaniye. 2016. №3. URL: lor.my-ivanovo.ru/images/PDF/2016/21/NTO-3-21 .pdf
2. Jones Z., Taft K., Sidhu S. Rome: Food and Agriculture Organization; 2018. URL: fao.org/publications/home/fao-flagship-publications/the-state-of-food-security-and-nutrition-in-the-world/2022/en
3. Al-Doghman F., Chaczko Z., Ajayan A.R., Klempous R. Conference Proceedings of 2016 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2016 (Budapest, Hungary, October, 9-12, 2017). Institute of Electrical and Electronics. URL: researchgate.net/publication/313586966_A_review_on_Fog_Computing_technolo
gy
4. Alexandratos N, Bruinsma J. Rome: Food and Agriculture Organization; 2012. URL: fao.org/3/ap106e/ap106e.pdf
5. Bren d'Amour C, Reitsma F, Baiocchi G, Barthel S, Güneralp B, Erb K-H. Proceedings of the National Academy of Sciences. 2016; 114. URL: pubmed.ncbi.nlm.nih.gov/28028219/
6. Vorobyov S.P., Gorobets V.V. Inzhenernyj vestnik Dona. 2012. № 4. URL: ivdon.ru/ru/magazine/archive/n4p 1y2012/1149
7. Bychkova SM, Zhidkova EA, Andreeva OO. Food Processing: Techniques and Technology. 2019; 49. URL: fptt.ru/en/issues/1988/2581/?ysclid=lpqx6ilrmk307796095
8. Brito M.S.D., Hoque S., Magedanz T., Steink R., Willner A., Nehls D., Keils O., Schreiner F.A. Institute of Electrical and Electronics Engineers Inc., 2017 URL:
researchgate.net/publication/317639602_A_service_orchestration_architecture_for _Fog-enabled_infrastructures
9. Mikhailov V.K., Skoba A.N., Badashev V.V., Shakhov D.V., Rekov A.V., Mozhaev A.L. Inzhenernyj vestnik Dona. 2021. №8. URL: ivdon.ru/ru/magazine/archive/n8y2021/7172
10. Bonomi F., Milito R., Zhu J. and Addepalli S. Proceedings of the 1st ACM Mobile Cloud Computing Workshop, MCC'12 (Helsinki, Finland, August). URL: researchgate.net/publication/235409978_Fog_Computing_and_its_Role_in_the_In ternet_of_Things
Дата поступления: 25.11.2023 Дата публикации: 3.01.2024
