پیشبینی متغیرهای داخلی یک گلخانه دوطرفه شیشهای با ساختار ویژه با استفاده از مدلهای شبکه عصبی (MLP و RBF)

یکی از مهم‌ترین اقدامات به‌منظور ایجاد محیطی مناسب برای رشد بهینه گیاه گلخانه‌ای، کنترل دقیق متغیرهای داخلی گلخانه به‌منظور بهینه‌سازی میزان تبادلات انرژی بین گلخانه با محیط بیرون است. در این راستا یکی از ایده‌های جدید، هوشمندسازی گلخانه است. اولین قدم در این مسیر، پیش‌بینی تمامی متغیرهای تاثیرگذار یک گلخانه به حساب می‌آید. از این رو در این تحقیق از دو مدل شبکه عصبی (MLP-RBF) برای تخمین چهار متغیر تأثیرگذار (شامل دمای هوا، گیاه، سقف و رطوبت هوای داخل گلخانه) یک گلخانه دوطرفه شیشه‌ای با ساختار ویژه واقع در شهر ملاثانی اهواز استفاده شد. بدین منظور از متغیرهای محیطی بیرونی شامل دما و رطوبت هوای بیرون و همچنین تابش روی سطح افق به‌عنوان فاکتورهای ورودی مدل‌ها، استفاده شد. داده‌برداری توسط حسگرهای مربوطه در گلخانه‌ای به مساحت (12 مترمربع) و حجم هوای (40 مترمکعب) انجام گرفت. نتایج نشان داد که مدل RBF از دقتی حدود 50% بیش‌تر نسبت به مدل MLP برخوردار است. در این تحقیق قابلیت تعمیم‌پذیری هر دو مدل با 80 و 40 درصد از کل داده‌های آموزشی مورد بررسی قرار گرفت. نتایج به‌دست آمده نشان داد که مدل RBF قادر است با مجموعه داده‌های کم‌تر نسبت به مدل MLP، نتایج را بهتر و دقیق‌تر برآورد کند. دقت بالاتر و قابلیت کار با مجموعه داده‌های کم‌تر از مزایای شناخته شده مدل RBF در این تحقیق بود که می‌تواند در هوشمند کردن گلخانه‌های نسل جدید و کنترل آن‌ها مورد استفاده قرار گیرد.