دو آزمایش گلخانه‌ای با هدف اندازه‌گیری پارامترهای مورد نیاز برای ایجاد پایگاه داده اولیه سیستم پشتیبانی تصمیم GreenSmart-DSS در نظر گرفته شد. به‌منظور انجام آزمایش‌ها، دو گلخانه به ابعاد 8×10 (G12 و G13) در پردیس کشاورزی و منابع طبیعی دانشگاه تهران در کرج، تجهیز و آماده شدند. گلخانه G12 برای آزمایش تأثیر مقدار آبیاری بر عملکرد، اجزای عملکرد و بهره‌وری آب خیار گلخانه‌ای رقم تالیسیا F1 و شوری خاک (ECe) در نظر گرفته شد. این آزمایش در قالب طرح بلوک‌های کامل تصادفی با چهار سطح آبیاری 120، 100، 80 و 60 درصد نیاز آبی (به‌ترتیب I1 تا I4) با 3 تکرار و در مجموع 12 کرت آزمایشی انجام شد. گلخانه G13 برای آزمایش تأثیر تنش شوری آب آبیاری (محلول با شوری‌های مختلف) همانند G12، بر عملکرد، اجزای عملکرد و بهره‌وری آب خیار گلخانه‌ای رقم تالیسیا F1، ECe و اندازه‌گیری آستانه تحمل به شوری در نظر گرفته شد. این آزمایش نیز در قالب طرح بلوک‌های کامل تصادفی با چهار سطح شوری آب آبیاری کمتر از 3 (با توجه به محلول تغذیه‌ای)، 3، 6 و 9 دسی‌زیمنس بر متر (به‌ترتیب S1 تا S4) با 3 تکرار و در مجموع 12 کرت آزمایشی انجام شد. هر دو آزمایش در دو دوره رشد پاییز - زمستان 1401 (A-W) و بهار - تابستان 1402 (S-S) تکرار شدند. در هر دو گلخانه و در هر دو دوره رشد، پارامترهای هواشناسی روزانه شامل حداقل و حداکثر دما و رطوبت نسبی داخل گلخانه با استفاده سنسور HTC-1 و تابش داخل گلخانه با استفاده از سنسور TES-1333R، تبخیر – تعرق مرجع (ETo) با استفاده از میکرولایسیمتر چمن و تبخیر – تعرق گیاه (ETc) با استفاده از روش بیلان آب خاک و اندازه‌گیری روزانه رطوبت خاک با استفاده از سنسور TDR اندازه‌گیری شد. همچنین در دوره‌های مشخص هدایت الکتریکی عصاره 1:2 خاک اندازه‌گیری و بعد از تبدیل به ECe مورد بررسی قرار گرفت. برای پیش‌بینی و مدل‌سازی ETo و ETc، شش الگوریتم یادگیری ماشین شامل رگرسیون مؤلفه‌های اصلی (PCR)، حداقل مربعات جزئی (PLS)، ماشین بردار پشتیبان (SVM)، جنگل تصادفی (RF)، گرادیان بوستینگ (GBR) و اکستریم گرادیان بوستینگ (XGB) در زبان برنامه‌نویسی پایتون پیاده‌سازی شدند. بهینه‌سازی هایپرپارامترها با بهره‌گیری از الگوریتم TPE کتابخانه Optuna با 200 تکرار صورت گرفت و ارزیابی عملکرد مدل‌ها بر اساس شاخص‌های آماری R2، RMSE، MAE و NSE با اعتبارسنجی متقابل پنج بخشی و سه تکرار انجام شد. در مدل‌سازی ETo و ETc داخل گلخانه علاوه بر الگوریتم‌های یادگیری ماشین به‌ترتیب از روش سولاریمتر بر اساس تابش بیرون گلخانه (ETo) و ضریب گیاهی خطی FAO 56 و غیرخطی بر اساس چندجمله‌ای درجه سه (ETc) استفاده شد. به‌منظور تعیین آستانه تحمل به شوری و کمی‌سازی پاسخ محصول خیار به ECe از مدل‌های ماس و هافمن (1977) و ونگنوختن (1983) استفاده شد. در این مطالعه، از داده‌های اندازه‌گیری‌شده وزن کل زیست‌توده خشک (TDB) و وزن میوه (WoF) در گلخانه G13 برای تعیین آستانه تحمل به شوری محصول استفاده شد. همچنین بر اساس داده‌های اندازه‌گیری‌شده در گلخانه، دو مدل جایگزین پیشنهاد داده شد که بتواند پاسخ اولیه گیاه به شوری را نشان داده و محدودیت‌های مدل‌های اصلی را برطرف کند. برای توسعه توابع جدید از کتابخانه‌های پایتونی piecewise regression و Scipy استفاده شد. برای مدل‌سازی تابش خورشیدی (Rs) و تخمین انرژی مورد نیاز گرمایش و سرمایش گلخانه برای محصولات و پوشش‌های گلخانه‌ای مختلف از اطلاعات دما و تابش 31 استان و در مجموع 783 ایستگاه فعال هواشناسی استفاده شد. برای مدل‌سازی Rs با حداقل داده ورودی از طرف کاربر که تنها شامل طول، عرض جغرافیایی و ارتفاع از سطح دریا است؛ از روش ترکیبی مبتنی بر الگوریتم LightGBM و قیود فیزیکی استفاده شد. مدل توسعه داده‌شده ابتدا شاخص شفافیت جو را بر اساس ویژگی‌های جغرافیایی پیش‌بینی می‌کند و سپس Rs را با قیود فیزیکی بازسازی می‌نماید. همچنین از مدل شبه‌پایدار بر مبنای بیلان انرژی گلخانه و پدیده‌های انتقال انرژی، انرژی مورد نیاز گرمایش و سرمایش و همچنین طول دوره‌های متناظر با آن و انرژی صفر محاسبه شد. بر اساس نتایج، در دوره رشد A-W، سطح آبیاری I2 با عملکرد 5.65 کیلوگرم در بوته و سطح آبیاری I4 با بهره‌وری آب 40 کیلوگرم بر مترمکعب، بهترین تیمار بود. اما در دوره S-S، سطح آبیاری I1 بیشترین عملکرد و بهره‌وری آب به‌ترتیب برابر با 11 کیلوگرم در بوته و 35.69 کیلوگرم بر مترمکعب را داشت. همچنین نتایج آزمایش 2 نشان داد که در هر دو دوره، سطح شوری S1 بالاترین عملکرد و بهره‌وری آب را ارائه داد؛ به‌طوری که در دوره S-S، این دو صفت به‌ترتیب 10.59 کیلوگرم در بوته و 43.31 کیلوگرم بر مترمکعب اندازه‌گیری شدند. اثرات منفی شوری در دوره S-S به دلیل افزایش تبخیر – تعرق و تجمع نمک شدیدتر بود. نتایج نشان داد که در دوره A-W با کاهش آبیاری به شرط تولید اقتصادی یا استفاده از آب با شوری پایین‌تر، بهره‌وری آب افزایش می‌یابد، در حالی که در دوره S-S تأمین کامل نیاز آبی و شوری پایین‌تر برای دستیابی به عملکرد و بهره‌وری آب بهینه، ضروری است. نتایج مدل‌سازی ETo نشان داد الگوریتم RF با میانگین R2، RMSE، MAE و NSE به‌ترتیب برابر با 0.64، 0.85 میلی‌متر در روز، 0.61 میلی‌متر در روز و 0.62 بالاترین دقت و عملکرد را نسبت به سایر مدل‌ها دارد. به‌دنبال آن، الگوریتم‌های XGB، GBR و SVM نیز با عملکرد نزدیک به RF قرار گرفتند و با آن اختلاف معنی‌دار نداشتند. اما نتایج مدل‌سازی ETc نشان داد الگوریتم GBR با میانگین R2، RMSE، MAE و NSE به‌ترتیب برابر با 90/0، 59/0 میلی‌متر در روز، 41/0 میلی‌متر در روز و 89/0 بالاترین دقت و عملکرد را نسبت به سایر مدل‌ها دارد و با الگوریتم‌های XGB، RF و SVM اختلاف معنی‌دار نداشت. تحلیل SHAP به‌عنوان ابزار تفسیر مدل نشان داد که ویژگی‌های روز پس از انتقال نشاء، ETo و Rs بیشترین سهم را در مدل‌سازی ETc دارند. مدل ماس و هافمن آستانه تحمل به شوری خیار گلخانه‌ای را 1.51 دسی‌زیمنس بر متر برآورد کرد. در مدل ونگنوختن پارامتر EC50 برای WoF و TDB به‌ترتیب 6.02 و 6.43 دسی‌زیمنس بر متر با R2 برابر با 0.90 به‌دست آمد. مدل اصلاح‌شده ونگنوختن باعث بهبود دقت برازش شده و R2 آن 0.97 محاسبه شد. همچنین مدل رگرسیون تکه‌ای، پاسخ گیاه به ECe را به 3 بخش متمایز تقسیم‌بندی کرده که نشان‌دهنده شروع تنش اسمزی (T1)، فعال‌سازی مکانیسم‌های مقاومت فیزیولوژیکی گیاه در برابر شوری (T2) و مرگ و از بین رفتن گیاه (T3) است. برای WoF این آستانه‌ها به‌ترتیب برابر با 1.51، 1.82 و 5.86 دسی‌زیمنس بر متر به‌دست آمدند. مدل ترکیبی LightGBM و قیود فیزیکی به خوبی تابش استان‌های مختلف کشور را پیش‌بینی کرده و میانگین R2، MAE، RMSE و NRMSE به‌ترتیب برابر با 68/0، 98/2 مگاژول بر مترمربع بر روز، 87/3 مگاژول بر مترمربع بر روز و 15 درصد به‌دست آمد که تأییدکننده دقت خوب مدل ترکیبی است. در نهایت سیستم GreenSmart-DSS توسعه‌یافته از 8 ماژول اصلی تشکیل شده است. ماژول accounts برای مدیریت کاربر‌ها، dashboard برای مدیریت گلخانه‌های کاربر و همه اطلاعات اندازه‌گیری‌شده مختص یک گلخانه در این ماژول ثبت و ذخیره می‌شود. ماژول et_reference به‌منظور برآورد تبخیر – تعرق مرجع با استفاده از شش روش سولاریمتر، مدل‌های یادگیری ماشین Temp (فقط دمای حداقل و حداکثر)، Temp-RH (داده‌های دما و رطوبت نسبی حداقل و حداکثر)، Temp-Rad (داده‌های دما و تابش داخل گلخانه)، Rad (داده‌های تابش داخل گلخانه) و Adv (داده‌های دما، رطوبت نسبی و تابش خورشیدی). ماژول et_crop به‌منظور برآورد ETc با استفاده از شش روش ضریب گیاهی (خطی FAO 56 و غیرخطی) و مدل‌های یادگیری ماشین همانند ماژول et_reference بر اساس داده‌های در دسترس کاربر. ماژول irrigation به‌منظور محاسبه نیاز آبیاری بر اساس داده‌های ETc از ماژول et_crop و بیلان آب خاک در طول دوره رشد، مشخصات خاک و رشد ریشه، ماژول fertigation به‌منظور محاسبه کود مورد نیاز برای ساخت محلول ایده‌آل و ترکیب منابع آب مختلف (شیرین، شور و نمک‌زدایی شده) بر اساس کودهای موجود در انبار کاربر. ماژول feasibility به‌منظور بررسی نیاز گرمایش و سرمایش برای پوشش و محصولات مختلف گلخانه‌ای، ماژول radiation به‌منظور استفاده از مدل ترکیبی LightGBM برای برآورد تابش خورشیدی و در نهایت ماژول custom_ml به‌منظور ساخت مدل یادگیری ماشین اختصاصی کاربر بر اساس داده‌های اندازه‌گیری‌شده خود کاربر.