南方塑料大棚“棚溫逆差”特征及其預報*

楊 棟，丁燁毅，孫軍波，李清斌，魏莎莎，黃鶴樓

?

南方塑料大棚“棚溫逆差”特征及其預報*

楊 棟1，丁燁毅1，孫軍波2，李清斌2，魏莎莎2，黃鶴樓1

(1．寧波市氣象臺，寧波 315012；2．慈溪市氣象局，寧波 315033)

“棚溫逆差”指設施大棚采取保溫措施時出現棚內日最低氣溫低于棚外的現象，利用2010?2015年冬季和初春浙江地區塑料大棚內外氣象資料，結合大棚覆膜保溫、開窗通風等人工操作記錄，對南方塑料大棚“棚溫逆差”發生的特征及關鍵影響因子進行探究；選用5種常見神經網絡方法（BP、GA-BP、RBF、GRNN、PNN）分別構建“棚溫逆差”預報模型，并基于不同模型預報準確率構建集合預報模型。結果表明：（1）初春和初冬季“棚溫逆差”頻率較嚴冬高3倍，棚內1.5m高處出現概率較0.5m處偏高3倍；0.5m高處大棚邊緣出現“棚溫逆差”概率為中央的8～13倍，1.5m高處中央和邊緣位置出現概率差異較小。（2）“棚溫逆差”發生時，棚外日最低氣溫主要在2～11℃區間，大棚保溫方式為單膜或雙膜覆蓋，其中單膜覆蓋占比達93%以上。“棚溫逆差”多發生在白天東西側窗開啟高度較高（平均高度35～40cm）且夜間放小縫通風時；0.5m處發生“棚溫逆差”時，天氣條件較1.5m處發生時明顯偏差，日最小相對濕度、總云量和日均風速偏高，日照時數偏少。（3）5種神經網絡方法對“棚溫逆差”的預報準確率在80%左右，其中GA-BP模型預報準確率最高；集合預報模型對0.5m高度處“棚溫逆差”預報準確率在85%左右，1.5m高度處準確率在80%左右，且預報穩定性較單一模型高。

棚溫逆差；塑料大棚；溫度；神經網絡；集合模型

浙江地區冬季和初春季節低溫冷害頻發，隨著氣候變化，其危害有加重趨勢[1]。塑料大棚在浙江地區農業種植中得到廣泛應用，近年來，火龍果、蓮霧等南方熱帶作物和雙季葡萄等特色作物逐漸引種，對塑料大棚內的溫度要求更加嚴格。為保證設施大棚作物生產安全，一般會采取適當的保溫措施，但需要投入大量的人力和物力，因此，采取合理高效的保溫措施十分必要。目前，設施大棚氣象要素變化特征分析和預報是保障設施農業安全高效生產的關鍵，相關研究已逐步開展[2?4]。

調查發現，設施大棚存在“棚溫逆差”現象，即設施大棚在覆蓋棚膜時出現棚內日最低氣溫較棚外同高度日最低氣溫低的現象，國內相關學者也證實了這一現象的存在[5?6]。對冷空氣強度相對弱的“棚溫逆差”現象認識不足，保溫措施不到位，導致喜溫作物幼苗或幼嫩組織易受到較重的低溫傷害，因此，“棚溫逆差”預報和預警服務需求迫切。

神經網絡方法是分類和預報的有效方法[7]，BP神經網絡簡單且容錯性強，在溫室小氣候預測中應用最為廣泛[8]。陳英義等[9]利用遺傳方法（GA）對BP神經網絡進行改進，應用于池塘水溫短期預測；馮琰瑋等[10]利用RBF神經網絡對呼和浩特市生態安全預警進行研究；GRNN和PNN等神經網絡方法在預測模擬時也表現出較好的效果[11?12]。獲取優質的神經網絡結構需要大量的樣本和訓練，但受觀測資料及運算能力限制，單一模型預報精度、穩定度和業務適用性均較差，集合模型可實現不同模型的優勢互補，提高模擬的精度和穩定度，在農業氣象產量預報中已獲得應用和認可[13?14]。

本研究擬利用2010?2015年浙江地區設施實驗大棚內外氣象要素觀測及大棚人工操作記錄，對南方塑料大棚內“棚溫逆差”的時空分布特征及關鍵影響因子進行分析；選用BP、GA-BP、RBF、GRNN、PNN等5種常見的神經網絡構建“棚溫逆差”預報模型，并構建基于不同模型預報準確率的集合預報模型，以期為冬季和初春季節南方地區設施農業安全、高效生產提供科學依據。

1 材料與方法

1.1 實驗數據

實驗大棚位于浙江省慈溪市設施農業綜合氣象監測基地（30°12′N，121°16′E），為浙江一帶常用GP-825型單棟塑料鋼架大棚，呈南北走向，大棚東、西側均有卷簾式的通風窗。2010年12月?2015年3月，對大棚內邊緣（東、南、西、北側，下同）及中央0.5m和1.5m高度處氣溫和大棚外側0.5m和1.5m高度處氣溫、相對濕度及10m高度處風速、風向進行逐分鐘觀測，溫濕度觀測傳感器為HygroClip S3（瑞士產），溫度觀測誤差<0.3℃，儀器具體分布見圖1。

考慮“棚溫逆差”主要發生在冬季（12月?翌年2月）和初春（3月），且影響較大，因此，試驗選用每年12月?翌年3月的觀測資料；另外，大棚內南側0.5m高度處溫度傳感器發生故障，資料缺測嚴重，因此不參與分析。棚外日照時數、降水量和云量資料來自距實驗大棚5km處的慈溪國家基本氣象站。

實驗期間棚內種植草莓，人工保溫操作主要包括單膜覆蓋、雙膜覆蓋、三膜覆蓋（雙膜+小拱棚）、三膜+遮陰網和雙膜+增溫燈+遮陰網，覆蓋膜均為0.7mm聚乙烯膜。詳細記錄大棚保溫方式、東西側窗開啟高度、南北門是否通風、人工操作時間等。

圖1 大棚內外觀測儀器分布

1.2 神經網絡模型預報

選擇目前分類預報研究中常用的5種神經網絡（BP、GA-BP、RBF、GRNN、PNN）分別構建“棚溫逆差”預報模型。BP神經網絡模型應用最廣泛，但穩定性較差；GA-BP模型是基于遺傳算法優化后的BP神經網絡模型，能有效解決非線性和多維空間尋優問題，穩定性高；相比BP神經網絡，RBF、GRNN和PNN誤差是反向傳播，輸入到輸出是前向傳播的，原理相對簡單，運算速度快，但參數較多，需要調整的空間較大。各神經網絡模型的具體原理可參考文獻[9，15?18]。

利用棚內各方位（東、南、西、北、中）0.5m和1.5m高度處的日最低溫度觀測值與棚外對應高度處的日最低氣溫觀測資料，篩選棚內各方位0.5m和1.5m的“棚溫逆差”樣本，將棚內各方位均未出現“棚溫逆差”日作為非“棚溫逆差”樣本。隨機抽取“棚溫逆差”和非“棚溫逆差”80%的樣本日數據用于模型訓練，20%用于模型檢驗，樣本具體分配見表1。將兩種狀況下棚外氣象要素及人工操作進行對比，挑選差異顯著且與棚溫密切相關的預報因子，利用min-max標準化方法進行歸一化處理，作為神經網絡的輸入因子，對“棚溫逆差”發生和未發生分別賦值1和0，作為神經網絡的輸出。各神經網絡模型的相關參數設置見表2，算法均借助MATLAB程序實現。

1.3 集合預報

基于不同神經網絡方法的“棚溫逆差”預報準確率，構建“棚溫逆差”預報結果的集合預報模型。

表1 模型訓練和檢驗樣本分配

注：大棚內南側0.5m高度溫度探頭故障，資料缺測。Tmin_in和Tmin_out分別指設施大棚內、外日最低氣溫。下同。

Note: The temperature probe at 0.5m height in the south side of the greenhouse was faulty and the data was missing. Tmin_inand Tmin_outrefer to the lowest daily temperature inside and outside greenhouses, respectively. The same as below.

表2 神經網絡方法具體參考文獻及相關參數設置

神經網絡模型存在一定的不確定性，為提高其穩定性和可信度，對訓練樣本的隨機取樣過程重復100次，并利用抽取的數據分別對5種模型進行訓練，將訓練好的神經網絡結合輸入因子，對“棚溫逆差”是否發生進行預報，計算每種方法100次模擬結果的平均值，進而判定該神經網絡方法對“棚溫逆差”預報的結果。

式中，yi指第i種神經網絡模型第j次模擬結果。若100次模擬平均值≥0.5，表明發生“棚溫逆差”；若平均值<0.5，表明“棚溫逆差”不發生。

2 結果與分析

2.1“棚溫逆差”發生的時空分布特征

對2010年12月?2015年3月冬季和初春設施大棚內各方位0.5m和1.5m高度“棚溫逆差”日出現的概率進行統計（圖2）。慈溪地區塑料大棚3月出現“棚溫逆差”的概率最高，其中0.5m處為12%，1.5m處為46%，12月次之，1?2月最低，其中，0.5m處為4%～6%，1.5m處為17%～25%，初冬和初春（12月和3月）發生頻率較嚴冬（1?2月）偏高近3倍。棚內1.5m處出現“棚溫逆差”的概率較0.5m處偏高3倍，其中，中央位置1.5m處出現概率較0.5m處高36倍，東、西側兩個高度出現概率差異較小，1.5m處較0.5m處偏高1～2倍。分析同一高度不同位置“棚溫逆差”概率發現，0.5m處，棚中央和邊緣出現的概率差異較大，棚中央出現概率1%左右，邊緣為8%～13%；1.5m處，棚中央和邊緣出現概率的相對差異較小，棚中央較邊緣偏高19%。

圖2 冬季和初春大棚內不同方位0.5m（a）和1.5m（b）高處“棚溫逆差”發生頻率

挑選12月?翌年2月棚內不同位置出現“棚溫逆差”的樣本，統計棚外1.5m日最低氣溫處于不同水平時棚內各位置“棚溫逆差”出現次數占對應位置“棚溫逆差”總次數的百分比，棚外日最低氣溫進行四舍五入處理（圖3）。棚內邊沿位置（東、南、西、北側）1.5m高度出現“棚溫逆差”時，棚外日最低氣溫主要集中于2～11℃，占“棚溫逆差”發生總次數的85%以上。大棚內邊沿位置0.5m高度發生“棚溫逆差”時，棚外日最低氣溫集中在2～11℃，占對應位置“棚溫逆差”發生總次數的90%；棚中央0.5m高度出現“棚溫逆差”的次數較少，不同溫度的概率分布波動性較大，但最低氣溫集中區仍落在2～11℃范圍內。綜上可見，“棚溫逆差”發生時棚外日最低氣溫主要集中在2～11℃，該溫度區間易對喜溫作物的幼苗和幼嫩組織造成低溫冷害，因此需加強“棚溫逆差”的預報。

圖3 棚外最低氣溫處于不同水平時棚內0.5m（a）和1.5m（b）高處發生“棚溫逆差”的次數占總次數的百分比

2.2“棚溫逆差”預報因子篩選

對試驗期間不同保溫操作下出現“棚溫逆差”的概率進行統計分析，結果見表3。由表中可見，“棚溫逆差”僅發生在保溫措施為單膜或雙膜覆蓋時。0.5m處，大棚邊緣位置發生“棚溫逆差”時單膜覆蓋占總發生次數的94%～96%，棚中央位置發生“棚溫逆差”時均為單膜覆蓋；1.5m處，“棚溫逆差”發生時單膜覆蓋占93%～94%。

考慮浙江地區設施喜溫作物在棚外日最低氣溫低于10℃時遭受低溫冷害的風險較高，同時，為提高“棚溫逆差”模型的應用針對性，選取棚外日最低氣溫≤10℃的樣本進行研究，將“棚溫逆差”發生與未發生樣本的棚外相關氣象要素及相關人工操作進行對比分析，篩選差異顯著的因子作為模型構建的輸入因子（表4和表5）。由表中可見，0.5m處“棚溫逆差”發生與未發生時最小相對濕度和日均風速差異顯著（P<0.05），1.5m處“棚溫逆差”發生與未發生時日照時數和總云量差異顯著（P<0.05），因此，選定日最小相對濕度、日照時數、總云量、日均風速作為“棚溫逆差”預報的氣象輸入因子。“棚溫逆差”發生與未發生時棚外日最低氣溫差異顯著，但由于日最低氣溫主要通過影響人工操作進而間接影響“棚溫逆差”，因此，建模因子篩選時棚外日最低氣溫未納入。“棚溫逆差”發生與未發生時，人工操作中覆膜層數、東西側窗開啟的最大和最小高度之間差異極顯著（P<0.01）。

棚內1.5m處出現“棚溫逆差”時，天氣一般較好，日最小相對濕度平均為53%，日均總云量46%，日照時數5.6h，白天東、西側窗開啟高度較大，東窗平均開啟高度為40cm，西窗為13cm，夜間單層膜覆蓋且東西側多放小縫通風（東窗為5cm，西窗為3cm）。棚內0.5m處出現“棚溫逆差”時，天氣較1.5m處出現時差，最小相對濕度達74%，總云量達60%，日均風速2.2m·s?1，白天東西側窗開啟高度較高，東窗為35cm，西窗為10cm，夜間多采用單層膜覆蓋且兩側放小縫通風（東窗7cm，西窗3cm）。

表3 各方位0.5m和1.5m高處發生“棚溫逆差”時兩種保溫措施的樣本占總樣本數的百分比（%）

表4 “棚溫逆差”發生與未發生日棚外關鍵氣象要素特征的對比

Table 4 Comparison of key meteorological elements outside the greenhouse when greenhouse temperature deficit occurs and not occurs

Note: RH is min. relative humidity, DW is daily average wind speed, SD is sunshine duration, TC is total cloud cover percent.

表5 “棚溫逆差”發生與未發生時人工操作特征的對比

Table 5 Comparison of manual operation when greenhouse temperature deficit occurs and not occurs

2.3 “棚溫逆差”預報

2.3.1 模型參數設置

將表3中篩選的9個因子作為神經網絡結構中的輸入層，保溫方式為單膜覆蓋時賦值0，雙膜覆蓋時賦值1，輸出層為“棚溫逆差”是否發生。不同神經網絡模型建模的輸入因子及輸出因子均一致，在文獻參考的基礎上開展參數選取，通過不同取值時預報準確率的比較確定，具體參數設置見表2。對建模和檢驗樣本進行100次隨機分配，并利用訓練樣本開展5種神經網絡方法訓練。

2.3.2 預報準確率檢測

將選取的檢驗樣本對應的預報因子分別輸入訓練好的5種神經網絡方法中，對“棚溫逆差”是否發生開展預報，并與觀測結果進行對比，檢驗預報是否準確。對100次模擬結果的準確率進行統計，表6顯示，所選的5種神經網絡方法對0.5m處“棚溫逆差”現象預報均保持了較高精度，預報準確率基本在80%以上，其中GA-BP和PNN預報準確率基本在85%以上；1.5m處“棚溫逆差”預報，不同方法預報精度差異較0.5m處明顯，RBF預報準確率較其它4種方法明顯偏差，其預報準確率僅60%左右，另外4種方法預報準確率基本在75%以上。5種預報模型中GA-BP方法預報效果最優，其預報精度和穩定度較BP神經網絡有所提升。基于5種方法對各方位和高度“棚溫逆差”預報的準確率，結合式（1）和式（2）將5種神經網絡方法預報結果進行集合，由表可見，其精度和穩定度較5種模型結果平均值均提升，0.5m處預報準確率在85%～96%，1.5m處預報準確率在80%以上，其預報精度較GA-BP方法無明顯優勢，但預報穩定性提升。

表6 不同方法對“棚溫逆差”預報的準確率

3 結論與討論

3.1 結論

（1）慈溪地區塑料大棚內初冬和初春出現“棚溫逆差”的頻率較嚴冬偏高近3倍。棚內1.5m高處“棚溫逆差”的頻率較0.5m高處偏高3倍，其中中央位置差異尤為顯著，1.5m高處較0.5m高處高36倍。0.5m高處，棚中央出現“棚溫逆差”的概率僅1%，邊緣出現概率為中央的8～13倍；1.5m高處中央位置“棚溫逆差”概率較邊緣偏高19%。大棚內各方位1.5m和0.5m高處發生“棚溫逆差”時，棚外日最低氣溫主要集中于2～11℃區間。

（2）“棚溫逆差”只發生在棚內單膜或雙膜覆蓋時，其中單膜覆蓋占比達93%以上。“棚溫逆差”發生與未發生時人工操作差異尤為顯著，多發于白天東西側窗開啟高度較高（35～40cm）且夜間放小縫通風（東窗5～7cm，西窗3cm）時。0.5m處發生“棚溫逆差”時天氣條件較1.5m處明顯偏差，其日最小相對濕度、總云量和日均風速偏高，日照時數偏少。

（3）5種神經網絡方法對0.5m高處“棚溫逆差”預報準確率基本在80%以上，1.5m高處除RBF相對偏差，其它方法預報準確率基本在75%以上，單一模型中GA-BP預報效果最佳。集合預報的準確率和穩定度較單一模型整體提升，對0.5m高處預報準確率為85%～96%，1.5m高處預報準確率80%以上，其準確率的均方差較單一模型縮小。

3.2 討論

初春和初冬外界氣溫較嚴冬高，生產者對低溫冷害防范意識較薄弱，期間采用單膜保溫的比例達65%，較嚴冬高1倍，保溫措施不到位導致期間“棚溫逆差”發生的頻率較嚴冬高3倍。“棚溫逆差”發生時，棚外最低氣溫多集中于2～11℃區間，棚內溫度較棚外偏低1～1.5℃，導致棚內最低溫度低于10℃，初春和初冬季作物多處于苗期或花期，設施喜溫作物受“棚溫逆差”影響的風險較嚴冬更高，需加強對“棚溫逆差”的預報及預警服務。1.5m處較0.5m處更易發生“棚溫逆差”，小番茄、黃瓜等高度較高的喜溫作物保溫工作需加強。

將氣象要素與長時間的人工操作觀測相結合，甄選設施“棚溫逆差”預報因子。所選氣象要素與大棚內溫度密切相關，日照時數和總云量通過影響太陽輻射和大氣逆輻射等影響大棚白天和夜間能量收支[3]。風速決定了大棚內外熱量交換方式，相關研究表明，自然通風條件下，室內外氣體交換由熱壓和風壓共同形成，當風速高于2m·s?1時，以風壓通風為主，熱壓作用可以忽略[19?20]，因此，0.5m高處發生“棚溫逆差”時棚內外熱量交換主要依靠風壓，1.5m高處發生時靠風壓和熱壓共同作用。最小相對濕度與冠層作物蒸發、凝結等潛熱交換密切相關。大棚人工操作中覆膜層數、側窗開啟高度等與氣象要素相結合共同影響設施大棚能量收支，“棚溫逆差”發生和未發生時所采取的人工操作差異尤為顯著。相比氣象要素，大棚操作可操控性更強，預報模型中融合人工操作因子更具有生產指導意義。此外，種植作物對溫室內溫度分布和通風率等影響顯著[21]，隨著棚內種植作物冠層高度的變化，棚內不同高度“棚溫逆差”出現的頻次可能會發生變化，需進一步研究。

神經網絡模型網絡結構存在一定的不確定性，相關研究表明集合模型能有效融合不同模型，提高預報可信度[22]。本研究選用5種常見神經網絡，基于5種模型預報準確率構建結果的集合模型，預報精度和穩定度較單一模型提高。目前針對“棚溫逆差”發生機理研究仍較罕見，可結合流體動力學[23]、能量平衡[3,24]等方法探究其機理，將機理模型和神經網絡類統計模型相結合能有效提高模型的應用效果[14,25]。此外，隨著各神經網絡參數的優化及新樣本的輸入和學習，模型對“棚溫逆差”的預報精度有望進一步提升。

[1] 楊再強,朱凱,趙翔,等.中國南方塑料大棚氣象災害風險區劃[J].自然災害學報,2012,21(5):213-221.

Yang Z Q,Zhu K,Zhao X,et al.Meteorological disaster risk zoning for plastic greenhouse in south China[J].Journal of Natural Disasters,2012,21(5):213-221.(in Chinese)

[2] 范遼生,朱蘭娟,柴偉國,等.杭州冬季塑料大棚內氣溫變化特征及日最低氣溫預報模型[J].中國農業氣象,2014,35(3): 268-275.

Fan L S,Zhu L J,Cai W G,et al.Temperature Variation characteristic and daily minimum temperature forecast inside plastic greenhouse in winter in Hangzhou[J].Chinese Journal of Agrometeorology,2014,35(3):268-275.(in Chinese)

[3] 曹雯.秋冬季南方單棟塑料溫室小氣候分析與溫濕環境模擬研究[D].南京:南京信息工程大學,2012.

Cao W.Analysis and simulation of microclimate of single-span plastic greenhouse for south China in autumn and winter[D].Nanjing:Nanjing University of Information Science & Technology,2012.(in Chinese)

[4] 魏莎莎,李清斌,孫軍波,等.強寒潮天氣南方塑料大棚防御冰凍災害措施[J].中國農學通報,2017,33(29):135-139.

Wei S S,Li Q B,Sun J B,et al.Preventing Frozen disaster in plastic greenhouse in south China[J].Chinese Agricultural Science Bulletin,2017,33(29):135-139.(in Chinese)

[5] 符國槐,張波,楊再強,等.塑料大棚小氣候特征及預報模型的研究[J].中國農學通報,2011,27(13):242-248.

Fu G H,Zhang B,Yang Z Q,et al.Research on the microclimate characteristics and inside temperature prediction model[J]. Chinese Agricultural Science Bulletin,2011,27(13):242-248. (in Chinese)

[6] 李倩,申雙和,陶蘇林,等.基于諧波方法的塑料大棚內氣溫日變化模擬[J].中國農業氣象,2014,35(1):33-41.

Li Q,Shen S H,Tao S L,et al.Simulation of daily air temperature inside plastic greenhouse based on Harmonic method[J].Chinese Journal of Agrometeorology,2014,35(1): 33-41.(in Chinese)

[7] 張良均.MATLAB數據分析與挖掘實戰[M].北京:機械工業出版社,2017:97-98.

Zhang L J.MATLAB data analysis and data mining[M]. Peking:Mechanical Industry Press,2017:97-98.(in Chinese)

[8] 任守綱,劉鑫,顧興健,等.基于R-BP神經網絡的溫室小氣候多步滾動預測模型[J].中國農業氣象,2018,39(5):314-324.

Ren S G,Liu X,Gu X J,et al.Multi-step rolling prediction model of greenhouse microclimate based on R-BP Neural network[J].Chinese Journal of Agrometeorology,2018,39(5): 314-324.(in Chinese)

[9] 陳英義,程倩倩,成艷君,等.基于GA-BP神經網絡的池塘養殖水溫短期預測系統[J].農業機械學報,2018,48(8):172-178.

Chen Y Y,Cheng Q Q,Cheng Y J,et al.Short-term prediction system of water temperature in pond aquaculture based on GA-BP neural network[J].Transactions of the Chinese Society for Agricultural Machinery,2018,48(8):172-178.(in Chinese)

[10] 馮琰瑋,甄江紅.基于徑向基神經網絡的呼和浩特市生態安全預警研究[J].干旱區資源與環境,2018,32(11):87-92.

Fen Y W,Zhen J H.The early warning of ecological security in Hohhot based on RBF model[J].Journal of Arid Land Resources and Environment,2018,32(11):87-92.(in Chinese)

[11] 孫蓉樺,張微.GRNN和遺傳算法在赤潮預報中的應用操作[J].科技通報,2005,21(4):485-490.

Sun R H,Zhang W.The application of GRNN and genetic algorithm in the forecast of red tide[J].Bulletin of Science and Technology,2005,21(4):485-490.(in Chinese)

[12] 劉志剛,李盼池,許少華.基于ELM-PNN算法的第24周太陽黑子預測預報[J].控制與決策,2017,32(4):642-646.

Liu Z G,Li P C,Xu S H.Prediction and forecast of sunspot numbers in 24 cycle based on ELM-PNN algorithms[J]. Control and Decision,2017,32(4):642-646.(in Chinese)

[13] 宋迎波,楊霏云,鄭昌玲,等.美國玉米產量業務預報方法研究[J].中國農業氣象,2008,29(4):446-449.

Song Y B,Yang F Y,Zheng C L,et al.Research on operational forecast methods of corn yields in the United States of America(USA)[J].Chinese Journal of Agrometeorology, 2008,29(4):446-449.(in Chinese)

[14] 易雪,王建林,宋迎波,等.早稻產量動態繼承預報方法研究[J].中國水稻科學,2011,25(3):307-313.

Yi X,Wang J L,Song Y B,et al.Study on dynamic integrated prediction of early rice yield[J].Chin J Rice Sci,2011,25(3): 307-313.(in Chinese)

[15] 李倩,申雙和,曹雯,等.南方塑料大棚冬春季溫濕度的神經網絡模擬[J].中國農業氣象,2012,33(2):190-196.

Li Q,Shen S H,Cao W,et al.Neural network simulation on air temperature and relative humidity inside plastic greenhouse during winter and spring in southern China[J].Chinese Journal of Agrometeorology,2012,33(2):190-196.(in Chinese)

[16] 吉夢雯,樊文欣,尹馨妍,等.基于RBF神經網絡的連桿襯套強力旋壓軸線直線度預測[J].鍛壓技術,2018,43(3):67-70.

Ji M W,Fan W X,Yin X Y,et al.Prediction on axial straightness of connecting rod bushing in the power spinning based on RBF neural network[J].Forging & Stamping Technology,2018,43(3):67-70.(in Chinese)

[17] Specht D F.The general regression neural network: rediscovered[J].Neural Networks,1993,6(7):1033-1034.

[18] Specht D F.A general regression neural network[J].IEEE Transaction on Neural Networks,1991,2(6):568-576.

[19] Papadakis G,Mermier M,Meneses J F,et al.Measurements and analysis of air exchange rates in a greenhouse with continuous roof and side opening[J].J.Agric.Engng Res., 1996,63:219-227.

[20] 宿文,薛曉萍,熊宇,等.自然通風對日光溫室氣溫影響的模擬分析[J].生態學雜志,2016,35(6):1635-1642.

Su W,Xue X P,Xiong Y,et al.Modeling the effect of natural ventilation on temperature inside solar greenhouse[J]. Chinese Journal of Ecology,2016,35(6):1635-1642.(in Chinese)

[21] Kacira M,Sase S,Okushima L.Optimization of vent configuration by evaluating greenhouse and plant canopy ventilation rates under wind-induced ventilation[J]. Transactions of the ASAE,2003,47:2059-2067.

[22] 楊棟,丁燁毅,金志鳳,等.浙江水蜜桃成熟期集合預報模型[J].中國農業氣象,2018,39(6):421-430.

Yang D,Ding Y Y,Jin Z F,et al.Collection model for maturity forecasting of juicy peach in Zhejiang province[J].Chinese Journal of Agrometeorology,2018,39(6):421-430.(in Chinese)

[23] Okushima L,Sase S,Nara M.A support system for natural ventilation design of greenhouses based on computational aerodynamics[J].Acta Horticulturae,1989,284:129-136．

[24] 姚益平.基于能耗與作物生產潛力的中國溫室氣候區劃[D].南京:南京農業大學,2011.

Yao Y P.An energy consumption and crop production potential based system for greenhouse climate zonation in China[D]. Nanjing:Nanjing Agricultural University,2011.(in Chinese)

[25] 邱美娟,宋迎波,王建林,等.山東省冬小麥產量動態集成預報方法[J].應用氣象學報,2016,27(2):191-200.

Qiu M J,Song Y B,Wang J L,et al.Integrated technology of yield dynamic prediction of winter wheat in Shandong province[J].Journal of Applied Meteorological Science, 2016,27(2):191-200.(in Chinese)

Characteristics and Forecasting Technology of Greenhouse Temperature Deficit in Southern Plastic Greenhouse

YANG Dong1, DING Ye-yi1, SUN Jun-bo2, LI Qing-bin2, WEI Sha-sha2, HUANG He-lou1

(1. Ningbo Bureau of Meteorology, Ningbo 315012, China; 2. Cixi Bureau of Meteorology, Ningbo 315033)

The Greenhouse Temperature Deficit (GTD) refers to the phenomenon that the daily minimum temperature in the greenhouse is lower than that outside the greenhouse when insulation measures have been taken. By using the meteorological data and manual operation records (film-covered insulation, window ventilation and so on) of plastic greenhouses in Zhejiang province during the winter and early spring of 2010?2015, the characteristics and key influencing factors of the GTD in southern China were explored. Five common neural networks (BP, GA-BP, RBF, GRNN, PNN) were employed to construct the GTD prediction models. The ensemble forecasting model of the result was built based on the forecasting accuracy of the selected five models.The results showed that: (1) the frequency of GTD in early spring and winter (Mar. and Dec.) was three times higher than that in severe winter (Jan.-Feb). The occurrence probability of the GTD at 1.5m was three times higher than that at 0.5m. At the height of 0.5m, the probability of GTD at the edge was 8 to 13 times higher than that at the center. At the height of 1.5m, the difference in the probability of GTD between the center and edge was small. (2) When the GTD happened, the daily minimum temperature outside the greenhouse mainly concentrated on 2 to 11degrees Celsius, and the insulation method was single film or double film coverage, the proportion of single film coverage was over 93%. The GTD mostly occurred when the opening height of the east and west side windows was high (35?40cm) in daytime and the small gap ventilation was put in the night. When the GTD occurred at 0.5m, the weather conditions were obviously deviated from that of 1.5m. The daily minimum relative humidity, total cloud and average daily wind speed were higher, and the sunshine hours were less. (3)The prediction accuracy of the five selected neural networks for the GTD was basically about 80%, and the GA-BP model was with the highest prediction accuracy. The ensemble model for GTD at 0.5m height was above 85%, and that at 1.5m height was above 80%. The stability of ensemble model was better than that of single model.

Greenhouse temperature deficit; Plastic greenhouse; Temperature; Neural network; Ensemble prediction

10.3969/j.issn.1000-6362.2019.04.005

2018?09?10

寧波市氣象局一般項目（NBQX2017004B) ；浙江省重點研發計劃（2018C02011）

楊棟（1988－），工程師，碩士，主要從事氣候變化與農業氣象研究。E-mail: yangdong_314@163.com

楊棟,丁燁毅,孫軍波,等.南方塑料大棚“棚溫逆差”特征及其預報[J].中國農業氣象,2019,40(4):240-249