基于2種算法的日光溫室日均氣溫預測模型比較研究

楊 義，洪 波，李艷莉，杭 興，張 鋒

(1.西安會澤計算機科技有限公司，西安 710043；2.陜西省生物農業研究所，西安 710043；3. 陜西省農業遙感與經濟作物氣象服務中心，西安 710014)

日光溫室作為設施農業中最重要的種植模式，其內部氣溫條件是影響作物生長發育以及產量品質的重要因素[1]。溫室內氣溫適宜有利于作物正常生長發育；而氣溫過高或過低，容易導致作物病蟲害及生理性病害的發生。另外，冰雹、大雪、干旱等極端性災害天氣也會間接影響溫室內作物的生長發育，導致作物減產[2]。目前，氣象部門通常僅發布外界環境氣溫預測，農戶無法提前掌握溫室內氣溫的變化并及時采取農事措施。因此，如何根據溫室外的天氣預測溫室內氣象要素值，準確調控溫室內的氣溫，對作物進行精細化管理，是目前設施農業生產中亟待解決的問題[3]。

近年來，國內外一些專家學者通過建立神經網絡模型或多元線性回歸分析等方法研究外界氣象因子對溫室內氣溫的影響[4-5]。Zhao等[6]建立了改進的BP神經網絡模型，通過主成分分析提取了三個環境因素作為輸入項來預測日光溫室內氣溫，最終預測值絕對誤差不超過2.23 ℃；劉淑梅等[7]采用BP神經網絡建模和曲線擬合的方法，可以對7 d內的日光溫室氣溫進行預測，均方誤差在1.0～6.3 ℃；金志鳳等[3]基于BP神經網絡模型對楊梅塑料大棚的日最高、日最低氣溫進行預測，得出BP神經網絡建模方法比逐步回歸分析法精度高，可以應用于實際生產。然而，前人的研究大都是根據采集的逐時氣溫來預測設施內日最高氣溫、最低氣溫或短期氣溫[8-10]，鮮少開展日光溫室內關于日平均氣溫的預測研究。而在正常生產操作中，逐時氣溫更容易受到溫室放風、閉簾等日常操作影響而急劇下降或上升，從而導致模型精確度不高[11]。與逐時氣溫相比，日平均氣溫在常規的農事操作下不會產生劇烈的起伏，數據精確度比較高，適合建模預測仿真值。此外，根據日平均氣溫能夠確定積溫等指標，從而進一步研究作物的物候期，還可以通過日平均氣溫來評估不同物候期內作物的生長狀況，對于科學、高效管理日光溫室內農作物的生產具有非常重要的意義。因此，本研究以溫室內與溫室外的日平均氣溫以及晴空指數為樣本數據，通過多元線性回歸分析和BP神經網絡方法建立預測模型，來準確預測日光溫室內的日平均氣溫，為作物的物候期研究、農事生產管理等工作提供理論依據。

1 資料與方法

1.1 研究區概況

試驗地點分別為陜西省咸陽市涇陽縣蔬菜良種試驗示范園(34°35′36.35″ N，108°49′26.86″ E)和陜西省延安市延川縣文安驛鎮梁家河試驗示范園(36°51′49.94″ N，110°03′19.29″ E)。兩個示范園各選擇一個日光溫室，后墻材料分別為土墻和磚墻，覆蓋材料為聚乙烯膜，保溫材料為棉被，田間東西走向。兩個溫室的脊高、跨度、長度和面積參數基本相同(見表1)。

表1 選取的陜西省日光溫室建筑參數

1.2 研究數據與方法

1.2.1 研究數據 2020年10月開始在涇陽縣蔬菜良種試驗示范園和延川縣梁家河試驗示范園日光溫室內外各安裝一臺自動氣象觀測站，大棚內的自動氣象觀測站位于中心部位，氣溫傳感器距地面1.5 m。自動氣象觀測站氣溫觀測精度為± 0.5 ℃，測量范圍-40～120 ℃。室內自動氣象觀測站主要監測氣溫，室外自動氣象觀測站主要監測氣溫和晴空情況，數據每10 min傳輸1次，將1 d中獲得的氣溫數據求和后除以總傳輸次數144次，即為當天的日平均氣溫。數據傳輸開始時間為2020年11月8日，結束時間為2021年5月13日。

日光溫室內統一種植作物為越冬茬西紅柿，研究開始時正處于西紅柿的開花結果期。田間管理操作統一為：晴天上午08—09時開始放風10～60 min，下午01—02時開始放風10～60 min；遇到陰雨天則雨停后放風10～60 min。遇低溫則縮短放風時間，防止作物發生凍害；遇高溫可間歇性放風，防止溫室內長時間出現高溫高濕的環境。磚墻結構的溫室有增溫措施，當溫室內最低氣溫低于4 ℃時開始增溫，增溫持續時間為20～60 min。

1.2.2 研究方法

(1)晴空指數 參考崔選科[11]、李崢嶸[12]等的研究，對不同天氣情況進行晴空指數賦值：晴天為0.6，多云為0.4，雨天為0.2。

(2)建立預測模型 分別采用BP神經網絡[11,13]和多元線性回歸分析的方法，基于溫室外的日均氣溫和晴空指數，建立了溫室內氣溫預測模型。所有的數據處理前先進行剔除誤差處理和歸一化處理。其中，利用MATLAB 2020a建立BP神經網絡模型算法，Python建立多元線性回歸分析模型算法，SPSS 19.0進行數據歸一化處理。

(3)模型符合度D和均方誤差E計算方法

(1)

(2)

2 結果與分析

2.1 溫室內外氣溫變化趨勢分析

涇陽縣蔬菜良種試驗示范園和延川縣梁家河試驗示范園兩個日光溫室內外旬平均氣溫變化趨勢如圖1所示。從2020年11月中旬到次年5月上旬，兩個地區的溫室內氣溫與溫室外氣溫總體均表現為先下降后上升的變化趨勢。其中，室外氣溫從11月中旬到1月上旬快速下降，最低氣溫出現在2021年1月上旬(-9.4 ℃)。室內氣溫11月中旬到1月上旬變化相對較小，這是由于溫室內氣溫的變化受人為因素影響較大。從1月中旬到5月上旬，溫室內外氣溫的變化趨勢更加相似，這是因為隨著外界氣溫的上升，溫室通風換氣的次數會進一步增加，從而溫室內氣溫的變化趨勢受外界氣溫的影響更加明顯。此外，從1月中旬到3月下旬，溫室內外的旬平均氣溫差在10 ℃以上；而從3月下旬以后，日光溫室內外的氣溫差進一步減小，變化趨勢也更趨于一致，這是因為3月下旬越冬茬西紅柿大部分已采收完畢，氣溫受人為因素的影響也會降低。隨著外界溫度的升高，室內外氣溫的變化趨勢相似性越強，通過外界氣溫來預測溫室內氣溫的精準度也會更高[14]，兩種模型的精準度也會進一步升高。

圖1 2021-11—2022-05涇陽和梁家河溫室內外旬平均氣溫趨勢

2.2 兩種預測模型的對比

利用多元線性回歸和BP神經網絡方法，對涇陽和梁家河兩處的室內氣溫進行建模。其中，多元線性回歸方法得到的模型分別為：Y=0.507A+11.079B+7.644(涇陽)，Y= 0.540A+11.589B+6.434(梁家河)。其中，Y為溫室內氣溫，A為溫室外氣溫，B為晴空指數。兩種模型的預測值與觀測值匹配關系如圖2所示。R2表示線性回歸方程的擬合優度，R2越接近1，表示擬合效果越好，則模型的精確度越高[13]。從圖中可知，BP神經網絡和多元線性回歸均可用來模擬室內日平均氣溫，其中多元線性回歸方法對涇陽和梁家河溫室內氣溫模擬的R2分別為0.552 9和0.758 5；BP神經網絡方法對涇陽和梁家河地區溫室內氣溫模擬的R2分別為0.746 6和0.770 4。兩個溫室的兩種模型的精確度排序為：BP神經網絡(梁家河)>多元線性回歸(梁家河)>BP神經網絡(涇陽)>多元線性回歸(涇陽)。

2.3 兩種模型的預測效果檢驗

為了分析兩種模型在溫室內氣溫模擬方面的模擬精確度，對預測結果進行統計分析，結果如表2所示。兩種模型對于溫室內氣溫的預測精度均較好。其中，延川梁家河試驗示范園溫室的BP神經網絡模型的精確度最高，均方誤差為1.90 ℃，絕對誤差為1.54 ℃，符合度指數達0.94，誤差小于2 ℃準確率達68%，誤差小于3 ℃準確率達86%；涇陽蔬菜良種試驗示范園溫室的BP神經網絡模型精確度較高，均方誤差為1.92 ℃，絕對誤差為1.52 ℃，符合度指數達0.94，誤差小于2 ℃準確率達68%，誤差小于3 ℃準確率達86%。對兩個溫室的4個模擬結果的精確度進行排序可得：BP神經網絡(梁家河)>BP神經網絡(涇陽)>多元線性回歸(梁家河)>多元線性回歸(涇陽)。通過兩種模型的比較分析，BP神經網絡方法構建的預測模型明顯優于多元回歸分析法，這與溫永菁等[2]得出BP神經網絡模型較逐步回歸分析模型精準度更高的結論一致。然而模型也具有局限性，只適用于地域等參數相近的日光溫室。此外，對于棚室參數、經緯度、海拔高度、太陽輻射等因素影響情況，還需要進一步分析研究。同一種模型應用于不同地區的比較中，梁家河日光溫室比延川涇陽日光溫室的室內氣溫模擬精度更高。原因可能是磚墻結構的溫室較土墻結構的保溫性差，這與韋婷婷[15]等的塑料大棚較玻璃溫室保溫性差，模型模擬精度更高的結論一致。由于研究中用于分析的日光溫室樣本數量不足，因此，后期開展試驗時可通過進一步增加不同材料的日光溫室樣本數量來驗證該結論的準確性。

圖2 兩個溫室和兩種模型的氣溫預測值與觀測值匹配關系

表2 兩種模型的預測效果檢驗

2.4 不同天氣條件下模型精準度分析

為了分析不同天氣條件對兩種模型精確度的影響，分別對兩種模型在晴天、雨天、多云天氣條件下的均方誤差、絕對誤差及符合度指數進行分析，結果如表3所示。多云天氣條件下，兩種模型的均方誤差、絕對誤差最小，符合度指數最大；雨天兩種模型的均方誤差、絕對誤差較小，符合度指數較大；晴天兩種模型的均方誤差、絕對誤差最大，符合度指數較小。三種天氣條件下的模型預測溫室內氣溫的精準度排序結果為：多云>雨天>晴天。分析原因可能是在晴天條件下，溫室內溫濕度過高時需頻繁進行放風，氣溫較低時需限制放風，因此溫室內氣溫變化受人為因素影響較大；而雨天情況下氣溫大幅度下降時也會進行人為升溫或限制放風等操作，從而影響模型的精準度。

表3 不同天氣條件下兩種模型的精準度分析

3 結論

通過對比分析涇陽縣蔬菜良種試驗示范園和延川縣梁家河試驗示范園兩個日光溫室內外氣溫變化特征，分別利用BP神經網絡和多元線性回歸兩種方法對溫室內氣溫進行建模，提出室內氣溫模擬預測的有效方法，為溫室大棚的作物生長環境調控提供理論參考。得到的具體結論如下。

(1)BP神經網絡方法構建的預測模型明顯優于多元回歸分析法。應用BP神經網絡模型模擬延川梁家河和涇陽示范園日光溫室內氣溫的結果較好，均方誤差分別為1.90 ℃和1.92 ℃，擬合優度R2分別為0.77和0.75。

(2)控制條件下兩種模型對于磚墻結構的日光溫室較土墻結構的日光溫室的模擬精度更高。

(3)不同天氣條件對模型的預測精度影響具有差異性。多云天氣條件下模型預測精準度最高，其次為雨天天氣，而晴天預測精準度最低。