基于BP神經網絡的設施草莓溫室小氣候模型技術研究

劉 藝 李 威 王學林 唐婉瑩

（1.安徽省長豐縣氣象局，安徽 長豐 231100；2.安徽省合肥市氣象局，安徽 合肥 230000）

近年來，草莓已逐漸成為長豐地區的主要經濟作物之一，草莓專項氣象服務成為氣象部門特色服務項目。長豐草莓主要種植在大設施內，是典型的設施農業。設施農業是通過對作物周圍小氣候環境進行調節，促進作物高效生產的一種現代農業方式。隨著氣象預報精準度逐年提高，目前長豐地區的氣象預報主要對整個自然環境下（即室外環境）進行氣象預報，長豐草莓種植戶可通過常規氣象預報提前了解設施外常規氣象條件，但對設施內未來幾天的氣象要素無法提前預判，僅通過經驗進行機械操作，大大提高了設施草莓的調控成本，增加了莓農的負擔。因此，設施內氣象因子的定量關系及其隨時間變化規律的研究是優化設施草莓相關調控方式的前提條件。近年來，長豐國家氣象觀測站周邊的田峰草莓園建設了農業小氣候儀，該農業小氣候儀自2018年底開始采集設施大設施內氣象數據。通過收集設施內外的氣象數據進行研究，了解長豐地區何種氣象因子對設施草莓最為重要，并采用合適建模方式，建立預報模型，依據模型所提供的氣候因子間的量化關系和預測功能，對草莓種植的溫室小氣候環境優化調控具有重要作用。

國內、外學者針對溫室小氣候模型模擬的研究相對較多，但在我國從事草莓大設施內小氣候研究較少。目前對大棚草莓氣象條件和災害性分析較多，而建立設施草莓的氣象模型寥寥無幾。通過分析田峰草莓園數據發現，該農田小氣候儀數據有部分缺測，且目前尚無對比觀測數據，為了減少缺測數據影響，本文按照氣象數據處理方法進行了相關處理。為了得到可用的模型，選用神經網絡方法進行建模。1980年起，神經網絡才開始用于溫室小氣候模擬研究；本文參考汪小旵等[3]利用BP神經網絡對江淮地區梅雨季節現代化溫室小氣候的模擬與分析，得到使用神經網絡比物理模擬在特定情況下預報模型更加精準；李倩等[2]針對草莓和番茄大棚，使用BP神經網絡對溫室大設施內的氣溫、濕度數據進行了模擬，預測效果良好。

本文選擇晴天模式、陰天模式、陰雨天模式和晴雨相間四種天氣情況下，利用長豐地區設施草莓作為研究對象，選取設施內外氣象因子，通過SPSS選擇顯著相關的因子，用該些因子建立四種基于BP神經網絡的預報模型，同時對模型預測結果和實際結果進行比對，后期將使用研究結果為長豐地區設施草莓栽培的小氣候環境和氣象服務提供依據。

1 資料和方法

1.1 資料來源

查閱相關文獻，咨詢長豐縣農技推廣中心，選取長豐草莓示范基地田峰草莓園，對該草莓園設施內建有氣象觀測設備的設施大棚進行草莓關鍵生育期小氣候特征研究。通過研究得出影響設施內草莓關鍵生育期的氣象要素。

收集田峰草莓園2019年-2020年冬春季草莓關鍵生育期的氣象要素作為設施內部氣象數據，長豐國家氣象觀測站（距離田峰草莓園3km）的氣溫類相關數據、日照、濕度、降水、風速等作為室外數據，運用SPSS軟件對上述氣象要素進行相關性分析，篩選出設施內外顯著相關的氣象因子。選取上述顯著相關的氣象因子作為輸入參數，設施內草莓生育期關鍵氣象要素為輸出項，運用MATLAB軟件構建基于BP神經網絡設施草莓關鍵氣候預報模型，并對模擬值與田峰草莓園的實測值進行對比分析，為長豐地區草莓生產和氣象服務提供新的突破口。

1.2 BP神經網絡

由于設施內溫度與棚外氣象要素具有復雜的非線性關系，因此采用目前較為成熟的BP神經網絡進行預測模型構建。BP神經網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程，這種模擬結果在特定情況下，其精度往往高于物理模型[3]。

2 結果與分析

2.1 輸入因子分析

運用SPSS軟件對所采集的氣象因子進行相關性分析，篩選出顯著相關的設施內外氣象因子。通過分析得出室外的氣象因子，除平均風速外，設施外平均氣溫、日最高、日最低、平均相對濕度、最小相對濕度、日降水量、日照時數以及前一日、兩日、三日平均氣溫均與設施內各層最低氣溫顯著相關。這可能與草莓種植于大設施內，室外風速與設施內各層溫度均無相關性。將設施外各氣象因子作為神經網絡模型的輸入項，將室內的各層氣溫作為輸出項。

2.2 模型構建

2.2.1 設置訓練樣本和檢測樣本

為構建預測模型，訓練數據為由田峰草莓園中農田小氣候儀觀測的設施內50cm、100cm和200cm共3個不同高度層氣溫數據和室外氣象國家站觀測的棚外常規地面觀測氣象數據，包括日最高氣溫、日最低氣溫、日平均氣溫、日平均相對濕度、日最小相對濕度、日照時數和日降水量，由于設施薄膜具有滯后性，為加入設施外前一日平均氣溫、前兩日平均氣溫和前三日平均氣溫作為模型輸入以提高模型預測精確度，即設施外氣象要素共10個。

為了四種不同天氣模式下BP神經網絡對設施草莓大設施內溫度的模擬能力，因此分4種天氣模式分別構建BP神經網絡預測模型﹐輸入層為棚外常規地面觀測氣象數據，晴天和晴雨相間模式輸入要素為10個，陰雨天輸入要素為9個（無日照數據），陰天輸入要素為8個（無日照、降水數據）。各天氣模式下數據總樣本數為592個，其中晴天、陰天、晴雨相間、陰雨相間分別有樣本量403、31、84、72個，分別選取前300、20、60、50個作為輸出要素要素建立預測模型，后103、11、24、22個獨立樣本用于模型驗證。

2.2.2 BP神經網絡模型創建

本文采用MATLAB軟件newff函數進行模型創建，第一層輸入棚外氣象要素為8～10個，第三層輸出設施內不同高度層平均、最高和最低氣溫共9個，隱含層節點數參照經驗公式（1），最終確定晴天、陰天、陰雨天和晴雨相間四種天氣模式的模型分別為10-5-9結構、8-6-9、9-5-9結構和10-7-9結構。

m=sqrt（n+l）+α （1）

注：m為隱藏層節點數，n為輸入層節點，l為輸出層節點數，α為1–10之間的常數。

通過不斷調節，增加了訓練次數，并在訓練前針對樣本數據進行歸一化處理﹐預測結束后對輸出預測結果進行反歸一化處理。

2.2.3 訓練結果分析

對模型訓練得到的輸出值變換到實際的變化范圍，擬合效果圖如圖1所示。可以看出，各天氣模式下，BP神經網絡預測模型的擬合效果均較好，樣本量越小模型擬合效果越好，陰天、陰雨相間和晴雨相間三種模式的決定系數均在0.98以上，晴天模式決定系數最低，但也超過了0.9。

圖1 四種模式下的擬合效果圖

2.2.4 預測結果分析

根據訓練得到的4類預測值，分別使用草莓園內晴天、陰天、陰雨天和晴雨相間不同天氣的實際數據，求取預測值與實際值的均方根誤差。

晴天天氣下設施內50cm、100cm氣溫最大值均方根誤差為5℃，200cm氣溫最大值為7℃左右，其他各層氣溫最小值和平均值的均方根誤差為3℃左右。晴雨相間天氣下設施內50cm、100cm氣溫最大值均方根誤差值為6℃左右，200cm氣溫最大值為7℃左右，而各層最小值和平均溫度的均方根誤差為4℃左右。陰雨天氣下設施內各層氣溫最大值均方根在7～8℃，而各層的氣溫最小值和平均溫度的均方根誤差在2～3℃。陰天天氣情況下各層溫度的均方根誤差均在5～10℃。

3 結論與討論

（1）根據上述結論可以得四種模式下晴天模式和陰雨天模式氣溫預測總體較好，陰天和晴雨相間這兩種天氣模式下預測模型結果不理想。原因可能有以下兩點：一方面可能晴雨相間天氣在一天內氣溫變化較為復雜，而使用的設施內小氣候儀數據僅為日極值和日均值，未使用同樣具有變化性的小時數據，無法體現設施內外各要素的相關性；另一方面可能由于晴雨相間和陰天兩種天氣樣本量較少，因此構建的模型精度不夠高，相關性表現不理想。晴天模式和陰雨天模式下，氣溫日變化具有規律性，且樣本數量相對較多，因此模型預測表現較好。

（2）在晴天和陰雨天模式下，設施內各層日最高氣溫均方根誤差較大，而日最低氣溫和日平均氣溫均方根誤差較小。原因可能為以下兩點：一是設施大棚本身具有良好的保溫性能且最高氣溫具有滯后性，因此傳感器位于大設施內會具有天然的加溫情況，受大棚薄膜影響，可能造成設施內日最高氣溫與室外相關氣象因子相關性不顯著。

本文建立的晴天、陰天、陰雨天和陰雨相間四種模型的參數僅針對長豐地區特定的設施大棚，今后將持續收集數據，不斷優化各種天氣下的預報模型。