DOI: https://doi.org/10.1016/j.compag.2025.110603
تاريخ النشر: 2025-06-15
المؤلف: Jingxin Yu وآخرون
الموضوع الرئيسي: تكنولوجيا البيوت الزجاجية والتحكم في المناخ
نظرة عامة
تقدم هذه الورقة مراجعة شاملة للتقنيات والأساليب المستخدمة في إدارة درجة حرارة البيوت الزجاجية، وهو أمر أساسي لضمان الأمن الغذائي العالمي والممارسات الزراعية المستدامة. تسلط الضوء على ثلاثة مجالات رئيسية: دمج تقنيات الاستشعار المختلفة، وإنترنت الأشياء (IoT)، وتقنيات دمج البيانات متعددة الأنماط التي تعزز إدارة درجة الحرارة؛ الفعالية المقارنة للنماذج التقليدية، المعتمدة على الذكاء الاصطناعي، والهجينة في توقع درجة الحرارة؛ وقابلية تطبيق وقيود طرق التحكم المتنوعة، بما في ذلك المنطق الضبابي، والتحكم التنبؤي النموذجي (MPC)، والتعلم المعزز (RL). تكشف التحليلات أن نماذج التعلم العميق، مثل الشبكات العصبية التلافيفية (CNN)، والشبكات العصبية المتكررة (RNN)، والمحولات، تتفوق على الطرق التقليدية في توقع درجة الحرارة، محققة قيم خطأ الجذر التربيعي (RMSE) تتراوح بين 0.3 و1.3 درجة مئوية وقيم R² تتراوح من 0.96 إلى 0.99.
كما تؤكد المراجعة على نقاط القوة التكميلية لاستراتيجيات التحكم المختلفة: يتفوق المنطق الضبابي في إدارة البيئات المعقدة، بينما يعمل MPC على تحسين كفاءة الطاقة، ويتكيف RL بناءً على البيانات التاريخية والبيانات في الوقت الحقيقي. تؤكد الورقة على الدور الحاسم لإنترنت الأشياء وتقنيات الاستشعار المتقدمة في تسهيل المراقبة البيئية الدقيقة واكتساب البيانات، وهو أمر ضروري لتدريب نماذج الذكاء الاصطناعي بشكل فعال. على الرغم من التقدم الواعد في تطبيقات الذكاء الاصطناعي لإدارة درجة حرارة البيوت الزجاجية، لا تزال هناك تحديات، خاصة فيما يتعلق بمتانة النموذج، وقابلية التفسير، وكفاءة الحوسبة. تشمل اتجاهات البحث المستقبلية تطوير نماذج ذكاء اصطناعي تركز على النباتات، واستكشاف الذكاء الاصطناعي في إدارة الطاقة المستدامة، وإنشاء نماذج التوأم الرقمي لتعزيز التآزر بين الذكاء الاصطناعي وتقنيات البيوت الزجاجية، مما يعزز في النهاية نموذجًا جديدًا للزراعة الذكية والمستدامة.
مقدمة
تسلط المقدمة الضوء على الحاجة الملحة لتعزيز الإنتاجية الزراعية لتلبية التعداد السكاني العالمي المتوقع البالغ 9.7 مليار بحلول عام 2050، مع تقليل التأثيرات البيئية في الوقت نفسه. يتم تقديم البستنة في البيوت الزجاجية كحل قابل للتطبيق، حيث توفر بيئة محكومة تعزز كفاءة الموارد وتحمي المحاصيل من الظروف الضارة. تشير الأبحاث إلى أن زراعة البيوت الزجاجية يمكن أن تقلل بشكل كبير من استخدام المياه بنسبة 50%-90% وتزيد من غلة المحاصيل بمقدار 2.17 مرة مقارنة بالطرق التقليدية في الحقول المفتوحة، مما يعالج التحديات المتعلقة بندرة المياه والتنافس على الأراضي التي تفاقمت بسبب تغير المناخ.
تم تحديد التحكم في درجة الحرارة كعامل حاسم يؤثر على نمو المحاصيل والعمليات الفسيولوجية، مع وجود نطاقات درجة حرارة محددة مطلوبة للأداء الأمثل لمختلف المحاصيل. على سبيل المثال، تزدهر الطماطم عند درجات حرارة نهارية تتراوح بين 21-29.5 درجة مئوية ودرجات حرارة ليلية تتراوح بين 18.5-21 درجة مئوية، بينما تفضل الخس درجات حرارة نهارية تتراوح بين 22-26 درجة مئوية ودرجات حرارة ليلية تتراوح بين 15-20 درجة مئوية. يمكن أن تؤدي الانحرافات عن هذه النطاقات إلى تقليل النمو وزيادة القابلية للإصابة بالآفات. كما تؤكد المقدمة على أهمية التحكم الدقيق في درجة الحرارة ليس فقط لزيادة الغلة والجودة ولكن أيضًا لتقليل استهلاك الطاقة، حيث يمكن أن تمثل أنظمة التدفئة والتبريد 50%-80% من إجمالي استخدام الطاقة في البيوت الزجاجية. يتم تسليط الضوء على استراتيجيات متقدمة، مثل التحكم التنبؤي النموذجي (MPC) ودمج أنظمة الطاقة المتجددة، كوسائل فعالة لتعزيز كفاءة الطاقة مع الحفاظ على ظروف النمو المثلى. لقد دمج تطور التحكم في درجة حرارة البيوت الزجاجية بشكل متزايد الذكاء الاصطناعي (AI)، حيث انتقل من الطرق اليدوية إلى الأنظمة المدفوعة بالذكاء الاصطناعي، التي لديها القدرة على تحسين إدارة البيوت الزجاجية بشكل أكبر.
طرق
تناقش هذه القسم من ورقة البحث الطرق التقليدية والمعتمدة على الذكاء الاصطناعي لتوقع والتحكم في درجات حرارة البيوت الزجاجية. تشمل الأساليب التقليدية النماذج الميكانيكية، مثل نماذج توازن الطاقة والديناميكا الهوائية الحسابية (CFD)، التي تستند إلى المبادئ الفيزيائية ويمكنها محاكاة الظواهر المعقدة لنقل الحرارة والكتلة. لا توفر هذه النماذج رؤى حول ديناميات البيوت الزجاجية فحسب، بل تولد أيضًا بيانات اصطناعية لتدريب نماذج الذكاء الاصطناعي، مع دمج القيود الفيزيائية والمعرفة الميدانية (Hu and You, 2024; Bournet and Rojano, 2022; De Melo et al., 2022). في المقابل، ظهرت تقنيات الذكاء الاصطناعي، وخاصة الشبكات العصبية الاصطناعية (ANNs)، ونماذج التعلم العميق (DL)، والنماذج الهجينة، كأدوات قوية لنمذجة التعقيدات غير الخطية للميكروكلومات في البيوت الزجاجية، مستفيدة من البيانات المستمدة من أجهزة استشعار إنترنت الأشياء والاستشعار عن بعد لتعزيز دقة التوقع وتحسين استراتيجيات التحكم في درجة الحرارة في الوقت الحقيقي (Iddio et al., 2020; Moon et al., 2018).
كما يستعرض القسم طرق التحكم المختلفة، بما في ذلك الأنظمة اليدوية والميكانيكية التقليدية، بالإضافة إلى الاستراتيجيات الهجينة التي تجمع بين كلا النهجين. بينما يسمح التحكم اليدوي بالمرونة، إلا أنه يتطلب الكثير من العمل وعرضة للأخطاء، بينما تقدم الأنظمة الميكانيكية الأتمتة ولكن يمكن أن تؤدي إلى تقلبات كبيرة في درجة الحرارة وهدر للطاقة (Azaza et al., 2016; Huang, 2023). تحاول الأنظمة الهجينة تحقيق توازن بين هذه التبادلات ولكنها تتطلب إعدادات معقدة واستثمارات أولية كبيرة. تسلط الورقة الضوء على قيود الطرق التقليدية من حيث الدقة والقدرة على التكيف، داعية إلى مزيد من البحث في تقنيات التحكم المتقدمة المدفوعة بالذكاء الاصطناعي التي يمكن أن تعزز غلة المحاصيل وكفاءة الموارد في بيئات البيوت الزجاجية (Gholamzadehmir et al., 2020; Ajagekar and You, 2022a).
مناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على الأهمية المتعددة الأبعاد للتقدم في إدارة البيوت الزجاجية، وخاصة من خلال دمج الذكاء الاصطناعي (AI) والتقنيات المعتمدة على البيانات. تشير النتائج الرئيسية إلى أن تحسين نمو النباتات من خلال تعزيز عملية التمثيل الضوئي والتنفس يمكن أن يحسن بشكل كبير من الغلة والجودة مع التخفيف من الاضطرابات الفسيولوجية (Ali et al., 2021; Körner et al., 2009). تتأثر كفاءة الطاقة في البيوت الزجاجية بشكل ملحوظ، حيث يمكن أن يقلل الذكاء الاصطناعي من استهلاك الطاقة بنسبة تصل إلى 30% (Zhang et al., 2020; Ahamed et al., 2019). علاوة على ذلك، فإن اعتماد البيوت الزجاجية الذكية المدفوعة بالذكاء الاصطناعي من المتوقع أن يقلل من البصمة الكربونية وتكاليف التشغيل، مما يعزز الممارسات الزراعية المستدامة (Balafoutis et al., 2017).
يبرز تطور تكنولوجيا البيوت الزجاجية من الأتمتة الأساسية إلى تطبيقات الذكاء الاصطناعي المتطورة تحولًا في النموذج نحو الزراعة الدقيقة. لقد عزز إدخال تقنيات التعلم الآلي، بما في ذلك آلات الدعم الشعاعي (SVM) والشبكات العصبية الاصطناعية (ANN)، النمذجة التنبؤية وتحسين الموارد (Araújo et al., 2023). ومع ذلك، لا تزال هناك تحديات، مثل الحاجة إلى بيانات عالية الجودة، وقابلية تفسير النموذج، والتكامل مع الأنظمة الحالية (Guo et al., 2021; Guzman et al., 2023). سيكون من الضروري معالجة هذه التحديات من خلال البحث بين التخصصات وتطوير نماذج الذكاء الاصطناعي القابلة للتفسير لتحقيق الإمكانات الكاملة للذكاء الاصطناعي في التحكم في درجة حرارة البيوت الزجاجية، مما يسهم في النهاية في إنتاج غذاء مستدام في ظل تغير المناخ وندرة الموارد (Ullah et al., 2022; Rizwan et al., 2023).
DOI: https://doi.org/10.1016/j.compag.2025.110603
Publication Date: 2025-06-15
Author(s): Jingxin Yu et al.
Primary Topic: Greenhouse Technology and Climate Control
Overview
This paper provides a comprehensive review of the technologies and methodologies employed in greenhouse temperature management, which is essential for ensuring global food security and sustainable agricultural practices. It highlights three main areas: the integration of various sensing techniques, the Internet of Things (IoT), and multimodal data fusion technologies that enhance temperature management; the comparative effectiveness of traditional, AI-based, and hybrid models for temperature prediction; and the applicability and limitations of diverse control methods, including fuzzy logic, model predictive control (MPC), and reinforcement learning (RL). The analysis reveals that deep learning models, such as Convolutional Neural Networks (CNN), Recurrent Neural Networks (RNN), and Transformers, outperform traditional methods in temperature prediction, achieving root mean square error (RMSE) values between 0.3 and 1.3°C and R² values from 0.96 to 0.99.
The review also emphasizes the complementary strengths of various control strategies: fuzzy logic excels in managing complex environments, MPC optimizes energy efficiency, and RL adapts based on historical and real-time data. The paper underscores the critical role of IoT and advanced sensor technologies in facilitating precise environmental monitoring and data acquisition, which are crucial for effective AI model training. Despite the promising advancements in AI applications for greenhouse temperature management, challenges remain, particularly regarding model robustness, interpretability, and computational efficiency. Future research directions include the development of plant-centric AI models, exploration of AI in sustainable energy management, and the creation of digital twin models to enhance the synergy between AI and greenhouse technologies, ultimately fostering a new paradigm for intelligent and sustainable agriculture.
Introduction
The introduction highlights the urgent need to enhance agricultural productivity to meet the projected global population of 9.7 billion by 2050, while simultaneously minimizing environmental impacts. Greenhouse horticulture is presented as a viable solution, offering a controlled environment that optimizes resource efficiency and protects crops from adverse conditions. Research indicates that greenhouse cultivation can significantly reduce water usage by 50%-90% and increase crop yields by 2.17 times compared to traditional open-field methods, addressing challenges related to water scarcity and land competition exacerbated by climate change.
Temperature control is identified as a critical factor influencing crop growth and physiological processes, with specific temperature ranges required for optimal performance of various crops. For instance, tomatoes thrive at daytime temperatures of 21-29.5 °C and nighttime temperatures of 18.5-21 °C, while lettuce prefers daytime temperatures of 22-26 °C and nighttime temperatures of 15-20 °C. Deviations from these ranges can lead to reduced growth and increased susceptibility to pests. The introduction also emphasizes the importance of precise temperature control not only for maximizing yield and quality but also for reducing energy consumption, as heating and cooling systems can account for 50%-80% of total energy use in greenhouses. Advanced strategies, such as model predictive control (MPC) and the integration of renewable energy systems, are highlighted as effective means to enhance energy efficiency while maintaining optimal growing conditions. The evolution of greenhouse temperature control has increasingly incorporated artificial intelligence (AI), transitioning from manual methods to AI-driven systems, which have the potential to further optimize greenhouse management.
Methods
This section of the research paper discusses traditional and AI-based methods for predicting and controlling greenhouse temperatures. Traditional approaches include mechanistic models, such as energy balance and computational fluid dynamics (CFD) models, which are grounded in physical principles and can simulate complex heat and mass transfer phenomena. These models not only provide insights into greenhouse dynamics but also generate synthetic data for training AI models, integrating physical constraints and domain knowledge (Hu and You, 2024; Bournet and Rojano, 2022; De Melo et al., 2022). In contrast, AI techniques, particularly artificial neural networks (ANNs), deep learning (DL) models, and hybrid models, have emerged as powerful tools for modeling the nonlinear complexities of greenhouse microclimates, leveraging data from IoT sensors and remote sensing to enhance prediction accuracy and optimize temperature control strategies in real-time (Iddio et al., 2020; Moon et al., 2018).
The section also examines various control methods, including traditional manual and mechanical systems, as well as hybrid strategies that combine both approaches. While manual control allows for flexibility, it is labor-intensive and prone to errors, whereas mechanical systems offer automation but can lead to significant temperature fluctuations and energy waste (Azaza et al., 2016; Huang, 2023). Hybrid systems attempt to balance these trade-offs but require complex setups and substantial initial investments. The paper highlights the limitations of traditional methods in terms of accuracy and adaptability, advocating for further research into advanced AI-driven control techniques that can enhance crop yield and resource efficiency in greenhouse environments (Gholamzadehmir et al., 2020; Ajagekar and You, 2022a).
Discussion
The discussion section of the research paper highlights the multifaceted significance of advancements in greenhouse management, particularly through the integration of artificial intelligence (AI) and data-driven technologies. Key findings indicate that optimizing plant growth through enhanced photosynthesis and respiration can significantly improve yield and quality while mitigating physiological disorders (Ali et al., 2021; Körner et al., 2009). The energy efficiency of greenhouses is notably impacted, with AI potentially reducing energy consumption by up to 30% (Zhang et al., 2020; Ahamed et al., 2019). Furthermore, the adoption of AI-driven smart greenhouses is poised to lower carbon footprints and operational costs, promoting sustainable agricultural practices (Balafoutis et al., 2017).
The evolution of greenhouse technology from basic automation to sophisticated AI applications underscores a paradigm shift towards precision agriculture. The introduction of machine learning techniques, including support vector machines (SVM) and artificial neural networks (ANN), has enhanced predictive modeling and resource optimization (Araújo et al., 2023). However, challenges remain, such as the need for high-quality data, model interpretability, and integration with existing systems (Guo et al., 2021; Guzman et al., 2023). Addressing these challenges through interdisciplinary research and the development of explainable AI models will be crucial for realizing the full potential of AI in greenhouse temperature control, ultimately contributing to sustainable food production amidst climate change and resource scarcity (Ullah et al., 2022; Rizwan et al., 2023).