Intelligent greenhouse irrigation control via multilayer perceptron neural network climate prediction integrated with fuzzy logic control
Jamel Riahi · Hamza Nasri · Abdelkader Mami 等 5 人
提出MLP-ANN预测温室微气候并驱动自适应模糊控制器，实现预测性智能灌溉。
MLP神经网络预测温湿度与土壤水分，结合自适应模糊逻辑控制流量。
预测R²达0.999，模糊控制器动态调节0-18 LPH流量，显著节水节能。
可探索多作物多环境迁移学习与边缘部署，降低预测模型算力需求。
提出MLP-ANN与自适应模糊控制融合的温室预测性灌溉框架，R²达0.999，方法新颖且数据可靠，对精准农业节水节能有实质参考价值。
传统灌溉方法依赖室内传感器反馈，无法预判微气候的快速波动，常导致过度灌溉或水分胁迫。此外，灌溉过程中使用的传统控制器缺乏动态调节流速的能力，造成水资源利用效率低下和能源浪费。智能温室灌溉管理（IGIM）仍是实现可持续、高产温室农业的关键挑战。对于番茄等作物而言，精准灌溉管理尤为重要，因为灌溉时机和水量直接影响产量和能耗。为解决这些挑战，本文提出了一种将多层感知器人工神经网络（MLP-ANN）与自适应模糊逻辑控制器（AFLC）相集成的混合智能系统。MLP-ANN预测温度、湿度和土壤湿度等关键室内变量，R²值达到0.999，均方根误差分别为0.266 °C、0.254%和0.808%。这些预测结果直接输入AFLC，后者采用自适应规则库实时动态调节灌溉流速（0–18 LPH），显著提高水资源利用效率并减少浪费，从而在灌溉过程中节约能耗。本工作的关键创新在于将MLP预测的微气候变量直接集成到自适应模糊规则的前件中，使控制器能够在气候变化影响作物状况之前进行预判和响应。与传统反应式或静态规则系统不同，所提出的MLP-AFLC框架在预测与执行之间建立了闭环耦合，实现了基于预测而非基于阈值的灌溉决策。通过将预测智能与自适应控制相结合，所提出的MLP-AFLC框架为温室管理提供了一种稳健、自主且可持续的解决方案，推动了高度动态环境下的精准农业发展。