设施种植相较于大田种植，受外部环境的影响较小，可以满足人们日益多元 的食物消费需求。我国设施种植面积广大，但仍以可控程度较低的塑料大棚和日光温室为主。阻碍可控程度较高的玻璃温室和植物工厂大面积推广的原因主要有设施建造成本高、能耗大、智能化水平低等。因此，构建可控植物生长环境的智能化调控方法，实现平衡能源消耗和作物产量目标下环境的自主调控，是解决上述问题、提升我国设施种植水平、构建多元食物供应体系的有效途径。当前，玻璃温室和植物工厂环境的调控方法存在灵活性较差、难以落地的问题。针对玻璃温室和植物工厂这两种典型可控植物生长环境，本文开展了平衡能源消耗和作物产量的智能化环境调控方法研究，主要研究内容如下：

1. 搭建数据驱动的温室气候模型。本文基于深度学习中的MLP（Multi-Layer Perceptron）和 LSTM（Long Short-Term Memory），以玻璃温室为例，搭建了三种数据驱动的温室气候模型MLP、LSTM和Multi-LSTM。针对模拟任务，从时间步长上对Multi-LSTM进行调整，并为室内光强单独搭建了温室光环境模型。温室气候模型采用一个基于知识的虚拟温室产生的数据进行训练。结果表明，改进的温室气候模型在温度、湿度、CO2浓度和光强的模拟上均有所提升，所搭建的模型可以用于后续玻璃温室环境智能化调控方法研究。

2. 构建植物工厂最优环境参数智能设定方法。本文采用GreenLab植物模型表征作物的生长规律，使用深度强化学习中的SAC（Soft Actor Critic）算法，对植物工厂环境中一个种植周期每天最优的光强和温度设定策略进行了求解。在奖励函数设计中考虑了仅以作物产量最大、平衡能源消耗和作物产量这两种目标，并设计了远期奖励和短期奖励两种奖励赋予方式。实验结果表明，相较于根据经验环境参数值设定，根据SAC算法求解的策略进行光强和温度的设定在两种目标下带来了更高的作物产量和净利润。

3. 构建平衡能源消耗和作物产量的玻璃温室气候调控方法。考虑到玻璃温室内部气候受室外气候影响大，本文将改进的温室气候模型与GreenLab模型结合，共同构建了一个温室气候模型与作物模型耦合的环境调控策略求解框架。框架中包含温室气候模型训练模块、温室气候模型、作物模型、能耗计算模块和优化器。作物模型输出作物的生长状态和作物产量。能耗计算模块用于计算温室中执行机构调控带来的能源消耗和能源花费。优化器使用深度强化学习中的SAC算法，在平衡能源消耗和作物产量即以净利润表示的目标下优化玻璃温室中加热管、补光灯、通风口、CO2注入设备和保温层的调控。实验结果表明，本文所构建的方法相较于传统调控提高了作物产量且降低了能源消耗，证明了本文所构建的玻璃温室气候调控方法的有效性。

综上所述，基于深度学习和深度强化学习，本文融合GreenLab植物模型和数据驱动的温室气候模型，分别对植物工厂和玻璃温室构建了数据驱动的可控植物生长环境智能化调控方法，在理论层面和应用层面都具有重要的研究意义。