温室调控的闭环结构
温室的本质是一个可控环境系统，其调控逻辑由”感知—决策—执行”三个环节构成闭环。感知层是分布在温室内的各类环境传感器，决策层是环境控制器或边缘计算节点，执行层是调控设备——湿帘与风机、加热管道、补光灯、CO2施肥装置、水肥一体机。
环境变量之间存在耦合关系，调控不是单变量的独立控制。温度升高会引起相对湿度下降（饱和水汽压随温度上升），补光会带来热量使温度上升，通风降温会同步降低CO2浓度。调控决策需要基于多变量的联合状态，而非单变量阈值判断。这一耦合特性决定了环境数据的存储必须具备多维时间对齐能力。
温室环境的核心测点包括空气温度、空气湿度（或露点温度）、CO2浓度、光合有效辐射（PAR）、基质含水率、基质EC值（电导率）、基质pH值。无土栽培场景下，营养液的温度、EC、pH、溶解氧也是关键测点。这些变量的采样频率取决于其变化速率与控制回路的响应时间。
传感器布局与采集频率
温室内的空间异质性要求多点位采集。一个数百至数千平方米的温室，仅部署单个温湿度传感器无法代表整体环境——靠近风机侧与靠近湿帘侧的温度差可达3-5℃，顶部与冠层的温度差可达2-4℃。合理做法是分区布点，沿气流方向、按高度分层部署温湿度传感器，形成空间温度场。
各变量的变化速率差异决定了采样频率的差异。空气温度、湿度、CO2变化相对缓慢，分钟级采样足够；光照（PAR）受云层与日出日落影响，秒级变化显著，需要10-60秒采样；基质EC、pH变化缓慢，分钟至十分钟级采样即可；营养液溶解氧在某些工况下变化较快，需要分钟级采样。这种多频率混合的写入负载，对时序数据库的写入路径提出了稳定性的要求。
环境变量 | 变化速率 | 建议采样频率 | 调控关联 |
空气温度 | 缓慢 | 1-5分钟 | 加热/通风 |
空气湿度 | 缓慢 | 1-5分钟 | 湿帘/除湿 |
CO2浓度 | 中 | 1-5分钟 | CO2施肥/通风 |
光合有效辐射 | 快 | 10-60秒 | 补光/遮阳 |
基质EC/pH | 缓慢 | 5-10分钟 | 水肥调控 |
溶解氧 | 中 | 1分钟 | 营养液曝气 |
阈值调控到模型调控的演进
第一代温室控制是基于阈值的开关控制。当温度高于设定上限时启动通风降温，低于下限时启动加热，属于典型的通断控制。逻辑简单、成本低，但存在明显的超调与振荡——温度在阈值附近反复穿越，执行机构频繁启停，能耗高且环境稳定性差。
第二代控制引入PID与模糊控制，通过调整执行机构的输出量而非开关状态实现平滑调节。这要求控制器能读取历史趋势数据，判断温度的变化方向与速率，提前介入调控。历史数据的存储与查询成为控制器的刚需。
第三代控制是基于环境-生长模型的预测控制。模型输入不仅是当前环境状态，还包括未来一段时间的气象预报与太阳辐射预测，输出是调控设备的动作序列。模型训练依赖大量历史环境数据与对应的生长结果数据，这些数据的存储规模超出单温室本地能力，需要平台级的数据底座支撑。
从阈值控制到模型控制，数据的作用从”状态记录”演变为”决策依据”，数据保留周期也从数月延长到数年——模型训练需要覆盖多个完整生长季乃至跨年度的数据，以捕捉季节性规律。
环境-生长模型的关联数据
环境数据与生长数据的时间对齐是模型有效的关键。生长数据包括株高、叶片数、叶面积指数（LAI）、茎粗、果实重量等，由人工测量或视觉识别获取，采样频率为天级或周级，远低于环境数据的分钟级。
进行数据叠加分析时，需要将环境数据按生长测量周期聚合。例如计算每周的日均温、有效积温（GDD，生长度日）、累计光照辐射量（DLI，日光积分），这些聚合量才是与生长指标建模的有效特征。原始分钟级环境数据在建模前必须先做聚合，聚合计算可由时序数据库的连续查询能力承担。
有效积温的计算是温度调控的量化依据。作物从播种到成熟需要累积一定的有效积温，日有效积温等于日均温减去生物学零度（不同作物不同，番茄约为10℃）。温室调控的目标之一是在能耗约束下尽可能接近目标积温曲线，这需要长期温度数据的累积与对比。
聚合特征 | 计算窗口 | 物理含义 | 建模用途 |
日均温 | 1天 | 日平均温度 | 积温计算 |
有效积温 | 生长季累计 | 高于生物零度的积温 | 物候期预测 |
日均PAR | 1天 | 日光积分(DLI) | 光合产量模型 |
昼夜温差 | 1天 | DIF | 株型调控 |
湿度积分 | 1天 | 高湿累积时长 | 病害风险模型 |
标签模型适配园区-温室-传感器
农业园区的数据层级为：园区→温室→分区→传感器/执行器。这一层级适合用时序数据库的标签模型表达。园区ID、温室ID、分区ID、传感器类型作为标签，环境测点作为列。
标签模型的一个重要考量是同一物理测点可能被多套逻辑复用。温室A的东侧温湿度传感器，既属于”温室A东区”的分区标签，也可能属于”育苗区”的功能标签。多维度标签的设计需要预先规划，避免后期为新增分析维度而重构数据模型。
TDengine的标签模型支持多级标签与标签索引，能够适配园区级的多温室数据汇聚。当园区扩展到数十至数百个温室时，按温室标签分区存储避免了单一超宽表的性能衰减，标签索引使”筛出CO2浓度异常的温室清单”这类跨温室查询可以快速返回。环境数据变化平缓，列式存储配合差分编码可获得较高的压缩比，降低长期存储成本。
结语
智慧农业的数据挑战不在单点采集技术，而在于如何把分钟级的环境数据、天级的生长数据、跨季度的管理数据整合成可建模的数据资产。温室调控从阈值控制走向模型控制的过程，本质上是数据驱动决策比重不断提升的过程。从技术架构看，园区级农业数据平台的趋势是边缘侧负责实时调控（低延迟、断网可用），中心侧负责长期存储与模型训练（大容量、跨园区）。TDengine的分层架构与列式压缩能力契合这一”边缘实时、中心沉淀”的部署形态，为农业数据资产的长期积累提供了可行的存储基础。
