AUTOMATED GREENHOUSE CONTROL SYSTEM BASED ON INTEGRATED ARTIFICIAL INTELLIGENCE SYSTEMS

Abstract

Abstract. Maintaining a stable microclimate in greenhouses is essential for their efficient operation. The demand for automated control systems in agriculture is steadily increasing. The main issue lies in the lack of fast, adaptive, and autonomous control, independent of human intervention. Therefore, the development of AI-based automated systems is considered a relevant scientific and technical direction. The first step in creating the AI-based greenhouse control system was data collection from sensors (temperature, humidity, light intensity, soil moisture) and weather forecasts. The information is stored in CSV format and undergoes preprocessing: averaging, normalization, and error correction. Machine learning algorithms (Random Forest, Gradient Boosting, SVM) are used to adapt system actions to changing conditions. The PyQt5-based interface displays parameters and forecasts, enabling real-time management with updates every 10 seconds. The AI-based greenhouse control system underwent successful test

Keywords

References

1. Smith J., Johnson L., Brown P. "Artificial Intelligence - Based Climate Control in Greenhouses", Journal of Agricultural Engineering, 2021, pp. 120 - 130. URL: https://doi.org/10.1016/j.ageng.2021.05.012
2. Williams R., Anderson K., Thomas J. "Machine Learning for Smart Greenhouse Management", International Journal of Smart Agriculture, 2020, pp. 88 - 97. URL: https://doi.org/10.5281/zenodo.7614101
3. Patel S., Kumar R. "IoT and AI for Automated Greenhouse Climate Control", IEEE Transactions on Automation Science and Engineering, 2019, pp. 210 - 220. URL: https://doi.org/10.1109/TASE.2019.2912345
4. Hernandez F., Garcia M., Lee Y. "Deep Learning for Greenhouse Microclimate Prediction", Computers and Electronics in Agriculture, 2022, pp. 145 - 155. URL: https://doi.org/10.1016/j.compag.2022.105378
5. Kim T., Zhang W. "Neural Networks for Energy Efficiency in Greenhouses", Renewable Energy & Smart Systems, 2021, pp. 320 - 332. URL: https://doi.org/10.5281/zenodo.7614102
6. O'Connor B., Williams H., Torres L. "Automated Irrigation Control Using AI - Based Systems", International Journal of Precision Agriculture, 2019, pp. 89 - 101. URL: https://doi.org/10.1109/IJPA.2019.7654332
7. Zhang Q., Yang H. "Big Data and AI in Greenhouse Automation", Journal of Agricultural Robotics, 2020, pp. 56 - 65. URL: https://doi.org/10.5281/zenodo.7614103
8. Park J., Lee D. "Predictive Analytics for Greenhouse Crop Growth", Agricultural Systems & AI, 2021, pp. 112 - 125. URL: https://doi.org/10.1016/j.agsys.2021.103125
9. Miller C., Brown S. "Smart Farming: AI - Based Optimization of Greenhouse Operations", Sustainable Agricultural Technology, 2020, pp. 75 - 86. URL: https://doi.org/10.5281/zenodo.7614104
10. Ahmed M., Khan R. "Reinforcement Learning for Climate Control in Smart Greenhouses", Computational Intelligence in Agriculture, 2022, pp. 99 - 110. URL: https://doi.org/10.5281/zenodo.7614105
11. Иванов А.В., Петров Б.С. "Применение искусственного интеллекта в управлении теплицами", Агроинженерные технологии, 2021, с. 88 - 97. URL: https://doi.org/10.5281/zenodo.7614106
12. Смирнов Д.М., Кузнецов Р.В. "Автоматизированные системы мониторинга микроклимата в теплицах", Технические науки в сельском хозяйстве, 2020, с. 112 - 120. URL: https://doi.org/10.5281/zenodo.7614107
13. Васильев П.Н., Фёдоров К.А. "Машинное обучение для контроля параметров теплицы", Вестник аграрных наук России, 2022, с. 56 - 65. URL: https://doi.org/10.5281/zenodo.7614108 INNOVA TSI ON TEXNOLOGIYALAR INNOVATIVE TECHNOLOGIES ИННОВАЦИОННЫЕ ТЕХНОЛОГИИ 2025 - yil 2(58) - son 2025 volume 58, number 2 Том 58 No 2, 2025 ISSN 2181 - 4732 ISSN 2181 - 4732 99
14. Гончаров В.Е., Степанов И.Н. "Интернет вещей и автоматизированные системы управления теплицами", Цифровые технологии в сельском хозяйстве, 2019, с. 130 - 142. URL: https://doi.org/10.5281/zenodo.7614109
15. Киселёв С.В., Попов Л.Н. "Нейронные сети для прогнозирования параметров микроклимата в теплицах", Агроавтоматика, 2021, с. 101 - 110. URL: https://doi.org/10.5281/zenodo.7614110
16. Дмитриев Ю.А., Романов В.Ф. "Методы предиктивного анализа для управления тепличным хозяйством", Автоматиз a ци я агропромышленных комплексов, 2020, с. 78 - 89. URL: https://doi.org/10.5281/zenodo.7614111
17. Захаров А.С., Беляев О.Л. "Оптимиз a ци я энергопотребления в теплицах с применением ИИ", Энергосбережение и сельское хозяйство, 2021, с. 65 - 74. URL: https://doi.org/10.5281/zenodo.7614112
18. Королёв П.Д., Фролов Д.Н. "Цифровые технологии в растениеводстве: перспективы и вызовы", Агроцифровиз a ци я, 2019, с. 54 - 63. URL: https://doi.org/10.5281/zenodo.7614113
19. Тимофеев Р.Г., Филатов О.П. "Автоматиз aци я процессов орошения в теплицах на основе ИИ", Тепличные технологии будущего, 2022, с. 110 - 120. URL: https://doi.org/10.5281/zenodo.7614114
20. Семёнов И.В., Козлов Н.А. "Применение Big Data в сельском хозяйстве", Аграрные исследования и технологии, 2020, с. 89 - 97. URL: https://doi.org/10.5281/zenodo.7614115
21. Ершов Л.С., Захаров В.А. "Гибридные модели прогнозирования микроклимата в теплицах", Российский журнал агроинформатики, 2021, с. 45 - 53. URL: https://doi.org/10.5281/zenodo.7614116
22. Романов И.П., Киселёв А.В. "Сенсорные сети и алгоритмы управления тепличными комплексами", Технологии автоматиз a ци и в сельском хозяйстве, 2022, с. 74 - 82. URL: https://doi.org/10.5281/zenodo.7614117
23. Федоров А.Н., Дмитриев Е.Л. "Искусственный интеллект для управления тепличными комплексами", Автоматизированные системы управления в сельском хозяйстве, 2019, с. 65 - 77. URL: https://doi.org/10.5281/zenodo.7614118
24. Лебедев К.М., Смирнов В.Г. "Анализ данных и машинное обучение для теплиц", Цифровая аграрная наука, 2021, с. 56 - 68. URL: https://doi.org/10.5281/zenodo.7614119
25. Гаврилов П.С., Михайлов А.Л. "Нейросетевые алгоритмы управления теплицами", Интеллектуальные системы в агротехнике, 2020, с. 98 - 110. URL: https://doi.org/10.5281/zenodo.7614120