Modelos neuro-difusos para temperatura y humedad del aire en un invernadero

Abstract

En la producción de cultivos hortícolas bajo condiciones de invernadero es importante optimizar y controlar el manejo del ambiente usando modelos dinámicos. El desarrollo y uso de modelos mecanicistas es costoso y requiere mucho tiempo. Los modelos de caja negra, basados en mediciones de entradas y salidas, son un enfoque prometedor para estudiar sistemas complejos y no-lineales. En la presente investigación se estudiaron y generaron modelos neuro-difusos, para predecir el comportamiento de la temperatura y la humedad relativa del aire en el interior de dos invernaderos. Las variables de entrada fueron: la temperatura, la humedad relativa, la radiación solar global y la velocidad y dirección del viento medidas fuera del invernadero. Las variables de salida fueron la temperatura y humedad del aire medidas dentro del invernadero. El tiempo de muestreo fue cada minuto. Se generaron varios modelos neuro-difusos para la temperatura y humedad, usando el modelo neuro-difuso ANFIS (Adaptive Neuro-Fuzzy training of Sugeno-type Fuzzy Inference System), disponible en el Fuzzy Logic Toolbox de Matlab. Se usaron los métodos partición de rejilla y agrupamiento sustractivo para generar el sistema de inferencia difuso. Se analizaron varias particiones empíricas de los datos, dos tipos de funciones de membresía (Gaussiana y Campana generalizada), así como las funciones de membresía de salida constante y lineal. Se probaron además varias épocas de entrenamiento. Se emplearon dos conjuntos de datos recolectados en dos invernaderos con ventilación natural, localizados en la Universidad Autónoma Chapingo y la Universidad Autónoma de Querétaro. Los resultados mostraron que los modelos neuro-difusos predicen de manera aceptable el comportamiento del clima dentro del invernadero, ya que fueron mejores que los correspondientes modelos de regresión lineal múltiple.