Солнечные панели в теплицах больше не редкость — они снижают расходы на энергию, но меняют саму среду. Свет становится неровным, температура ведёт себя сложнее, влажность реагирует непредсказуемо. Учёные ищут способ предсказывать эти колебания заранее.
В феврале 2025 года команда из Италии и Греции опубликовала исследование «Sustainable Greenhouse Management: A Comparative Analysis of Recurrent and Graph Neural Networks».
Они проверили, как два типа нейросетей — рекуррентные и графовые — справляются с прогнозом микроклимата в теплице с солнечными панелями.
Зачем теплицам нужны нейросети
Современная теплица — это уже не просто конструкция из стекла и металла.
Это система, где десятки параметров — температура, влажность, освещённость, скорость воздуха, радиация — связаны между собой и меняются каждую минуту.
Когда к этому добавляются солнечные панели, микроклимат перестаёт быть предсказуемым:
часть света уходит на генерацию энергии, отражённое излучение распределяется неравномерно, а температурный баланс сдвигается.
Обычные алгоритмы управления справляются с такими задачами лишь частично.
Они реагируют на изменение, но не умеют предугадывать последствия — например, как открытие форточки через 10 минут изменит влажность, если при этом солнце уйдёт за облака.
Нейросети же работают по-другому: они ищут закономерности во времени и пространстве, учатся распознавать типичные сценарии и делают прогноз, позволяющий действовать заранее.
Именно это свойство исследователи проверили на примере теплицы с фотоэлектрическими панелями.
Как проходило исследование
Учёные из Италии и Греции выбрали для эксперимента теплицу с интегрированными солнечными панелями.
Цель — понять, как разные архитектуры ИИ справляются с задачей прогнозирования микроклимата, если в теплице меняется освещённость и теплообмен.
🧩 Что изучали
-
Поведение микроклимата (температура, влажность, солнечная радиация).
-
Влияние фотоэлектрических панелей (PV) на стабильность условий.
-
Возможность прогнозировать параметры на основе данных с сенсоров.
-
Теплица в Греции (проект REGACE, направлен на устойчивое управление энергией).
-
Система автоматизированного мониторинга собирала данные каждые 15 минут.
-
Использовались реальные показатели: температура воздуха (внутренняя и внешняя), относительная влажность, интенсивность солнечного излучения и др.
| Модель | Особенность | Что умеет |
|---|---|---|
| RNN (Recurrent Neural Network) | Улавливает временные зависимости | Понимает, как текущее состояние связано с прошлым |
| GNN (Graph Neural Network) | Строит связи между параметрами как между узлами графа | Видит взаимное влияние факторов: свет → температура → влажность |
-
Насколько точно каждая модель может предсказать значения микроклимата на 1–2 часа вперёд.
-
Как изменяется точность при усложнении условий (больше датчиков, больше влияющих факторов).
Что сравнивали: RNN vs Graph Neural Network
Исследователи поставили два подхода бок о бок — как два способа «мышления» о теплице.
Обе модели обучали на одних и тех же данных, но по-разному смотрели на связи между параметрами.
-
Смотрит на последовательность данных: «что было → что стало».
-
Подходит, когда процессы развиваются линейно — например, рост температуры после включения обогрева.
-
Хорошо работает в стабильных теплицах, где мало внешних возмущений.
-
Простая архитектура, быстро обучается, требует меньше данных.
🟢 Когда работает лучше:
в условиях однородного климата (зима, облачные дни), когда связи между факторами предсказуемы.
-
Рассматривает параметры теплицы как узлы одной системы:
солнечное излучение, температура, влажность, поток воздуха, состояние панелей — всё связано. -
Каждое изменение в одном узле (например, падение освещённости) влияет на другие.
-
Модель учится видеть пространственные и причинные связи, а не просто временные зависимости.
-
Сложнее в обучении, требует больше данных, но точнее описывает сложные сценарии.
🟢 Когда работает лучше:
при многофакторных изменениях — например, когда облака, вентиляция и генерация энергии происходят одновременно.
При простой конфигурации теплицы (зимой, без сильных колебаний света) — RNN точнее.
Но когда система усложняется, Graph NN начинает выигрывать: она видит то, что линейная модель не замечает.
Какие результаты получили
Исследование длилось несколько месяцев и охватывало периоды с разной погодной динамикой — от устойчивой зимней освещённости до переменной весенней.
Учёные сравнили, как рекуррентные и графовые нейросети справляются с прогнозом микроклимата при разных сценариях работы теплицы.
В зимние месяцы, когда свет и температура менялись медленно, рекуррентная сеть давала прогноз с R² около 0.98.
Она хорошо улавливала закономерности «прошлое → будущее» и практически повторяла реальные колебания температуры и влажности.
Главное преимущество — простота и надёжность: модели RNN не требуют большого объёма данных, легко обучаются и быстро реагируют на изменения.
2. Сложные сценарии: Graph Neural Network вышла вперёд📌 Вывод: для стабильных теплиц без сильных колебаний (например, зимой или при постоянной облачности) RNN остаётся оптимальным решением.
Когда в модель добавили больше факторов — притенение от солнечных панелей, интенсивность радиации, скорость вентиляции, — графовая нейросеть начала обгонять RNN по точности на 5–10 %.
Причина — она учитывает взаимосвязи между параметрами, видя теплицу не как набор отдельных показаний, а как систему взаимозависимых процессов:
снижение света → охлаждение листа → рост влажности → включение вентиляции.
3. Интервал данных — 15 минут📌 Вывод: чем сложнее система и чем больше влияющих факторов, тем заметнее преимущества графового подхода.
Обе модели лучше всего работали на данных с интервалом 15 минут:
-
при более частом сборе появлялся шум,
-
при редком — терялись важные переходы между состояниями.
4. Применение для цифровых двойников📌 Вывод: для практических теплиц такой интервал — баланс между точностью и стабильностью.
Авторы отмечают, что архитектура Graph NN открывает путь к digital twin теплицы — модели, которая может прогнозировать не только климат, но и поведение системы при разных действиях оператора.
Например: что будет с влажностью, если панели закрывают 30 % света и вентиляция включается с задержкой в 5 минут?
Такие прогнозы можно использовать для оптимизации управления и энергобаланса.
📌 Вывод: графовые модели — база для умных систем, которые действуют не по реакции, а на опережение.
Почему это важно для тепличников
Исследование показало: когда теплица становится сложной системой с солнечными панелями, притенением и множеством взаимосвязанных факторов, человеку и классическим алгоритмам уже трудно удерживать стабильность.
Именно здесь нейросети дают реальную практическую пользу — не как модный инструмент, а как механизм точного прогнозирования микроклимата и энергобаланса.
| Проблема / ситуация | Как помогает нейросеть | Практический результат |
|---|---|---|
| Колебания микроклимата — температура и влажность меняются быстрее, чем успевает автоматика. | RNN и Graph NN прогнозируют изменения заранее. Они видят закономерности и предупреждают о скачках до того, как они станут критичными. | Равномерный микроклимат, меньше стрессов у растений, снижение конденсата и риска болезней. |
| PV-панели перекрывают часть света, нарушая баланс между освещённостью и энергопроизводством. | Граф-нейросеть моделирует взаимосвязь «свет ↔ температура ↔ влажность», помогая найти оптимум между фотосинтезом и генерацией энергии. | Энергия и урожайность не конкурируют — теплица работает сбалансировано, без потерь по массе плодов. |
| Сложно предсказать реакцию теплицы на действия оператора. | Модель выступает как «цифровой двойник»: можно рассчитать, что будет при открытии фрамуг, включении досветки или изменении угла панелей. | Оператор принимает решения на основе прогноза, а не интуиции. Меньше лишних включений, экономия энергии. |
| Обычная автоматика реагирует с запозданием. | ИИ добавляет предиктивный слой: система управляет форточками, туманом и отоплением на основе прогноза, а не порогов датчиков. | Стабильная работа без резких скачков температуры, экономия до 10–15 % электроэнергии и воды. |
| Разные теплицы и регионы требуют ручной настройки контроллеров. | Graph NN можно переобучить под локальные данные — она «понимает» связи между параметрами в новом климате. | Универсальность и масштабируемость: одна система может адаптироваться под разные площадки без долгой калибровки. |
Как это делается в Gros.farm
Мы собираем и обрабатываем данные теплицы с шагом 10–15 минут: температуру, влажность, освещённость и внешние условия.
На основе этих данных тестируем прогнозные модели, чтобы понимать, какие подходы реально улучшают точность анализа микроклимата. Пока эти модели работают в исследовательском режиме — без управления оборудованием, но уже помогают видеть закономерности и подбирать оптимальные режимы.
О том, как ИИ помогает уже на этапе продаж, писали в другом материале.
Заключение
Граф-нейросети позволяют управлять теплицей по прогнозу, а не по факту. Когда данные превращаются в единую систему, микроклимат становится предсказуемым, а энергия и урожай — согласованными целями.
Для тепличников это шаг к точности и устойчивости, где каждое действие опирается на расчёт, а не на интуицию.
