温室作为一类半封闭、多相耦合的复杂分布式参数系统,其内部环境参数的时空分布与变化是影响作物生长发育和能量消耗的重要因素。本文针对目前温室微气候模型精度与复杂度之间的矛盾以及由此带来的控制器设计困难,通过引入模型降阶方法,围绕温室环境的高分辨率建模、参数优化等关键问题展开研究。具体包括:(1)运用CFD方法获取温室环境系统关键参数(速度场、温度场和二氧化碳分布)的变化空间信息,运用本征正交分解(POD)工具将原参数空间投影到最优子空间上,重新构造对应低维参数变化空间;根据实地温室物理模型,建立基于Airpak3.0平台的温室CFD仿真模型,搭建温度和风速传感器阵列验证CFD及降维模型精度。(2)为进一步降低降阶模型的逼近误差,采用BPSO算法对CFD产生的网格点进行优化筛选。结果表明:经过BPSO筛选出的网格节点分布仍然相对均匀,筛选过程中适应度函数收敛。按照筛选出的网格节点集合重新构造温度场,能提高建模精度。同时减少了采样网格点数量,为优化减少了计算量。(3)考虑温室环境系统参数变化的空间影响,提出一种基于低维模型的快速优化策略。该方法将POD参数子空间与多目标优化算法相结合,通过提取CFD结果构造温度场、空气流场和二氧化碳分布三个参数的POD子空间。在此基础上,利用第二代非支配排序进化算法(NSGA-II)对上述参数分布进行多目标优化。在优化迭代过程中,采用多维插值快速求解POD子空间的环境响应。与传统方法相比,该优化策略具有空间分辨率高、计算量小、实时性好等优点。