随着乡村振兴战略的实施,日光温室种植已成为促进农民增收致富的主要支柱产业。日光温室相比大田种植环境的优势在于,能够有效抵御高温、低湿、霜冻等自然灾害侵袭,使作物长期处于适宜生长的环境。温湿度是影响作物生长的重要环境参数,在温室相对密闭的环境下如果不及时调控温湿度,容易形成高温高湿等不利于作物生长的环境状况。而温室环境调控通常在已经形成危害作物生长的情况后,管理人员才执行对应的调控策略进行改善。这种温室环境调控方式存在严重滞后性,易使作物产生病虫害,造成作物减产和经济损失。导致此类后果的原因是调控策略缺乏对温室内温湿度的预测,因此本文研究日光温室的温湿度预测技术,根据温室内外环境参数,预测温室内未来三天温湿度的变化趋势,以期望为解决环境调控策略滞后性问题提供解决方案。本文的主要内容如下:1.针对影响温湿度变化的环境参数繁多和耦合关系复杂的问题,我们基于皮尔逊相关性理论对采集的温室内外环境参数与温湿度进行相关性分析。经过研究发现在光照强度、太阳辐射、二氧化碳、空气温度、湿度、土壤温度、土壤湿度这些环境参数中,只有土壤温度与温湿度不相关,土壤湿度与相对湿度存在着相关性。然后我们对现有的三个模型进行了2021年秋季温湿度预测实验,实验结果表明,在温度预测方面GRU模型的RMSE值为1.27℃是三个模型中最优的,比LSTM、ANN模型低0.23℃、0.27℃,GRU与LSTM模型预测温度的精确度均达到98%。在湿度预测方面LSTM模型优于其他两个模型,LSTM模型预测湿度 MAE 值为 1.5%RH,低于 GRU、ANN 模型 0.27%RH 和 0.54%RH。2.针对现有模型预测温湿度时缺乏考虑温湿度与其它输入参数之间的相关性导致温湿度预测不精准的问题,本文设计了融合注意力机制的LSTM日光温室温湿度预测模型（Temperature and Humidity Attention Mechanism-LSTM,THA-LSTM）,通过注意力机制帮助模型对隐藏层输出序列分配相应的权重,让模型更多关注影响预测目标相关性较强的参数,提升模型对温湿度预测的精准性。使用搭建的温室内外两套气象站采集数据,进行数据预处理之后,按照秋季和冬季划分形成数据集,在温室内秋冬季数据集上进行预测对比实验。在秋冬季室内温湿度预测实验中,THA-LSTM模型预测温度的误差比原始LSTM模型的MAE、RMSE值分别降低35%和28%;在预测湿度方面,THA-LSTM模型MAE值为1.36%RH,分别比LSTM、GRU、ANN模型降低0.14%RH、0.41%RH、0.68%RH。秋冬季室外环境气象数据集预测室内温湿度的实验结果表明,秋冬季室外数据预测室内温度方面THA-LSTM模型的MAE值、RMSE为0.67℃和1.25℃;在湿度预测方面,THA-LSTM模型的MAE值和RMSE值为1.61%RH和2.54%RH,比原始LSTM模型的MAE、RMSE值分别降低39%和19%。3.研发基于树莓派的日光温室环境监测及预测系统。首先将监测环境参数的传感器与集中器相连搭建温室内外气象监测站,树莓派中运行软件系统,然后系统实时采集显示环境监测数据,最后根据保存数据利用THA-LSTM模型预测未来三天温湿度变化并可视化显示。