Sustainable Greenhouse Management: A Comparative Analysis of Recurrent and Graph Neural Networks

要約

太陽光発電（PV）システムを温室に統合すると、土地利用を最適化するだけでなく、食料生産と再生可能エネルギーの生成の二重の利点を可能にすることにより、持続可能な農業慣行を強化します。
ただし、エネルギー生産を最大化しながら最適な作物の成長を確保するには、内部環境条件の正確な予測が重要です。
この研究では、時空間グラフニューラルネットワーク（STGNNS）の新しい用途を温室効果微気候モデリングに紹介し、その性能を従来の再発性ニューラルネットワーク（RNN）と比較します。
RNNSは一時的なパターン認識に優れていますが、環境変数間の方向性の関係を明示的にモデル化することはできません。
STGNNアプローチは、これらの関係を指示されたグラフとして表すことにより、この制限に対処し、モデルが空間依存関係とその方向性の両方をキャプチャできるようにします。
ギリシャのVolosの温室から15分間隔で収集された高周波データを使用して、RNNは冬の条件で例外的な精度を達成するが、夏の冷却システムの動作中に制限を示すことを示します。
STGNNSは現在、パフォーマンスが低いことを示していますが（冬のr^2 = 0.947）、それらのアーキテクチャは、PV生成や作物の成長指標などの追加の変数を統合する可能性が高くなります。

要約(オリジナル)

The integration of photovoltaic (PV) systems into greenhouses not only optimizes land use but also enhances sustainable agricultural practices by enabling dual benefits of food production and renewable energy generation. However, accurate prediction of internal environmental conditions is crucial to ensure optimal crop growth while maximizing energy production. This study introduces a novel application of Spatio-Temporal Graph Neural Networks (STGNNs) to greenhouse microclimate modeling, comparing their performance with traditional Recurrent Neural Networks (RNNs). While RNNs excel at temporal pattern recognition, they cannot explicitly model the directional relationships between environmental variables. Our STGNN approach addresses this limitation by representing these relationships as directed graphs, enabling the model to capture both spatial dependencies and their directionality. Using high-frequency data collected at 15-minute intervals from a greenhouse in Volos, Greece, we demonstrate that RNNs achieve exceptional accuracy in winter conditions (R^2 = 0.985) but show limitations during summer cooling system operation. Though STGNNs currently show lower performance (winter R^2 = 0.947), their architecture offers greater potential for integrating additional variables such as PV generation and crop growth indicators.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google