基于SSA-Elman的日光溫室溫濕度預測模型的研究

摘要：有效獲取日光溫室的溫濕度變化趨勢對實現溫室環境精準調控至關重要。為提高日光溫室溫度和濕度的預測精度和可靠性，提出一種基于麻雀搜索算法（SSA）優化Elman神經網絡的溫室溫濕度環境預測模型。研究采用斯皮爾曼相關性分析方法篩選出主要的環境影響因子作為輸入變量，以日光溫室內未來的溫度和濕度分別作為輸出變量，利用麻雀搜索優化算法對Elman神經網絡模型參數分別進行優化調整，完成對日光溫室的溫濕度變化趨勢預測。以山東地區2022年10月1日—2023年1月1日的冬季設施番茄日光溫室的監測數據進行試驗驗證。結果表明，SSA-Elman模型對溫度的預測指標均方根誤差、平均絕對誤差和決定系數分別為0.592、0.320和0.963；對濕度的預測指標均方根誤差、平均絕對誤差和決定系數分別為0.120、2.530和0.972，說明所提出的模型可有效用于對日光溫室溫濕度進行精準預測，可為未來溫室環境的精準調控提供可靠的數據支撐和決策依據。

關鍵詞：Elman神經網絡；溫室溫濕度；農業物聯網；麻雀搜索算法

中圖分類號：S625； TP183 文獻標識碼：A 文章編號：2095?5553 （2024） 11?0069?08

Research on solar greenhouse temperature and humidity prediction model

based on SSA-Elman

Pan Jigang1， 2， 3， Liu Pingzeng1， 2， 3， Zhang Yan1， 2， 3， Zhang Mingzhi1， 2， 3， Liu Chuanlong1， 2， 3

（1. School of Information Science and Engineering， Shandong Agricultural University， Tai'an， 271018， China;

2. Huanghuaihai Key Laboratory of Smart Agricultural Technology， Ministry of Agriculture and Rural Affairs， Tai'an， 271018， China; 3. Agricultural Big Data Research Center of Shandong Agricultural University， Tai'an， 271018， China）

Abstract： It is very important for effective acquisition of temperature and humidity change trends in solar greenhouse to realize the accurate control of greenhouse environment. In order to effectively improve the prediction accuracy and reliability of temperature and humidity in sunlight greenhouses， a greenhouse temperature and humidity environmental prediction model of optimized Elman neural network based on the Sparrow Search Algorithm （SSA） is proposed. The study utilizes the main environmental influencing factors selected through Spearman correlation analysis as input variables， with future temperature and humidity inside the sunlight greenhouse as output variables. The Sparrow Search Algorithm is adopted to optimize and adjust the parameters of the Elman neural network model， thus completing the prediction of temperature and humidity trends in the sunlight greenhouse. Experimental validation is conducted by using monitoring data from a winter facility tomato sunlight greenhouse in Shandong Province from October 1， 2022， to January 1， 2023. The results show that the root mean square error， mean absolute error and coefficient of determination of the SSA-Elman model are 0.592， 0.320 and 0.963 for temperature prediction， and 0.120， 2.530 and 0.972， respectively， for humidity prediction， indicating that the proposed model can effectively make an accurate prediction of the temperature and humidity of the solar greenhouse. The proposed model can effectively predict the temperature and humidity of solar greenhouses， which can provide reliable data support and a decision?making basis for the future accurate regulation of the greenhouse environment.

Keywords： Elman neural network; greenhouse temperature and humidity; agriculture Internet of Things; Sparrow Search Algorithm

0 引言

溫室，又稱暖房，是一種透光、保溫或加溫的設施，專門用于植物的栽培。因其成本低、取材方便、保溫效果好，在我國的北方地區得到了廣泛應用。但日光溫室是一個極易受內外環境影響，且具有時變性、非線性和強耦合性等特點的復雜系統，十分不利于開展溫室環境的精準化調控[1]。而溫濕度作為直接決定作物的生長發育的關鍵環境因素，對日光溫室中的作物增產具有極其重要的指導意義。因此，實現對日光溫室溫濕度環境的準確預測已經逐漸成為國內外學者研究的焦點。

目前，國內外研究人員針對溫室溫濕度的預測展開了大量的研究與探索，其中以機理模型和數據模型的應用最為廣泛。機理模型是以流體動力學和能量平衡為基礎而建立起的數學模型，該模型的優點在于所用的參數具有非常明確的物理意義。針對日光溫室獨有的特性，Esmaeli等[2]通過調整熱性能的結構參數構建了溫室動態熱模型，從而在很大程度上彌補了氣候差異性的劣勢；針對溫室內氣候變化具有非線性、多干擾的特點，陳俐均等[3]提出了基于連續-離散遞推預測誤差算法模型，驗證結果表明，該模型能夠有效預測溫室溫度。雖然機理模型具備很多的優點，但因其內在的相關參數較多，存在結構復雜和建模難度較大等問題，在模擬實際溫室動態變化過程中應用相對較少[4?6]。數據模型是以溫室內外部的環境為基礎的數學模型，由于該模型不需要考慮溫室耗散、熱輻射等影響因素的影響，因而具備優異的動態參數調節能力，在溫室的溫度和濕度的環境預測的領域中，具有十分重要的研究價值和意義[7?10]。為研究膠東地區日光溫室內部環境變化的情況，劉煥等[11]通過建立基于多元回歸的預測模型，完成了對作物環境的適應性分析；針對溫室室內溫濕度的預先控制的問題，劉鵬菊[12]利用三種回歸方法構建了溫濕度預測模型，并通過該模型對作物生長過程中的溫濕度進行預測。

隨著時代的飛速發展，神經網絡算法因其結構簡單且具備更為精準的預測性能得到了更為廣泛的應用。為提高溫室溫濕度模型的預測精度，Ullah等[13]利用ANN來更新相應的卡爾曼濾波器參數，試驗結果表明，該方法明顯提高了卡爾曼濾波算法在環境動態變化條件下的預測性能；針對目前溫室環境系統存在的無法預測溫室環境變化趨勢的問題，張建超等[14]提出一種基于Elman神經網絡的溫室環境因子預測方法，為溫室環境調控提供一定的決策支持。由此可見，神經網絡算法因其對數據強大的綜合處理能力和優良的非線性映射能力，在溫室環境因素預測領域已經得到越來越廣泛的應用[15]。麻雀搜索算法是由Xue等[16]根據三種不同類型麻雀在麻雀群體中的位置變換規律而提出的一種抽象的仿生優化算法，相比其他優化算法，其構造簡單、尋優能力強、收斂速度快，可以充分彌補神經網絡極易陷入局部極值和難以達到全局最佳的問題，因而被廣泛應用于各種模型參數的調整優化[17]。因此，本研究提出一種基于麻雀搜索算法（SSA）優化Elman神經網絡的溫室溫濕度環境預測模型。首先，研究運用自主研發的物聯網智能環境監測系統來獲取溫室內外環境數據；其次，通過斯皮爾曼相關性分析選取相關性較高的變量；最后，將篩選出的室內外環境歷史數據輸入優化模型，以實現對日光溫室多維環境數據的準確預測。

1 材料與方法

1.1 試驗地點概況

試驗地點位于山東省泰安市山東農業大學泮河校區綜合試驗基地設施番茄日光溫室（117.166°E，36.164°N），該溫室為下挖式新型日光溫室，東西長度為70.0 m，南北跨度為9.8 m，下挖深度達0.5 m，脊高為5.0 m，后墻高為3.5 m，年均氣溫13 ℃，墻體采用磚加土壘基水泥加固。試驗數據為2022年10月1日—2023年1月1日時間間隔為5 min的93天的果期階段數據信息，共采集數據15 553條。考慮到后期設備的調控頻率，根據專家建議，每次采集時間間隔設置為30 min，共計得到3 500條的試驗數據信息。根據以上試驗數據信息，將訓練集、測試集和驗證集分別按照8∶1∶1比例進行劃分，開展對溫室溫濕度預測模型的相關研究。

1.2 試驗數據采集與預處理

本試驗采用山東農業大學農業農村部黃淮海智慧農業技術重點實驗室自主開發的“神農物聯VI代”智能環境監控系統進行環境數據采集，物聯網整體系統架構如圖1所示。該系統主要由核心處理器和感知、傳輸與控制模塊等構成，主要監測的室內環境因子為空氣溫度、空氣濕度、光照強度、二氧化碳濃度、土壤濕度、土壤電導率、土壤溫度，室外的環境因子為空氣溫度、空氣濕度、風速、風向、光照度。為了簡化表示形式，將上述環境因子分別設定為X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、X11、X12。

在室內和室外的條件下，以相同的頻率進行試驗數據采集，所使用的傳感器性能參數如表1所示。為確保對溫室內的環境進行高效精確監測，室內傳感器的布置以實驗室成員研究成果為基礎[7， 18]，以溫室中軸線為基準，在溫室內布置傳感器，室內與室外布置如圖2所示。為保證數據監測和處理的及時性與有效性，本研究總計布設三套物聯網監控系統，其中1#1表示第一套物聯網系統中的第一個空氣溫濕度傳感器，以此類推。溫室傳感器實際布置情況如圖3所示。

1.2.1 缺失數據處理

由于網絡傳輸質量和設備故障等問題，傳感器數據在采集過程中很容易丟失，這將對模型的預測精度產生很大影響[1]。因此，研究選擇在缺失數據間隔很大的情況下，利用相同天氣條件的數據進行插值；在缺失數據較小的情況下，利用線性直插法對缺失數據進行補全，從而得到相對完成的數據集。計算如式（1）所示。

[xa+i=xa+i（xa+j-xa）j] [0<i<j] （1）

式中： [xa+i]——[a+i]當前的缺失值；

[xa]、[xa+j]——[a]與[a+i]當前的原始數據。

1.2.2 多數據融合

由于在溫室內布設多個傳感器，且各位置的傳感器所采集的環境參數會存在一定差異，依據專家的經驗，本研究采用了基于自適應加權算法的多傳感器數據融合方法對測量數據進行融合降噪，以求達到更好的數據處理效果。該方法因具有算法簡單、不需要先驗知識以及實時性好等優點，被廣泛地應用于多傳感器的溫室系統數據處理中[15， 18]。該算法的工作機理如圖4所示。

1.2.3 數據歸一化處理

本研究選擇Elman神經網絡為基本網絡結構，所以不同的單元量綱及維數將導致樣本間的差異。為克服該影響，將數據限定在相同的水平上，本研究利用min?max標準化的方式對該數據信息進行歸一化處理[20]，從而提升了該模型的收斂性和預測準確率，計算如式（2）所示。

[ X*o=Xo-XminXmax-Xmin] （2）

式中： [Xo]——第o個實測數據；

[Xmax]——實測數據的最大值；

[Xmin]——實測數據的最小值；

[X*o]——min?max標準化后的實測數據。

1.3 斯皮爾曼相關性分析

斯皮爾曼相關性分析（Spearman correlation coefficient）是用于反映變量之間相關性關系的統計分析方法，其系數的高低可表征變量之間相關程度的強弱[21， 22]。溫室溫度和濕度變化受許多因素的影響，因此，篩選出對其影響程度較大的變量就變得非常重要，這對于下一步進行未來溫室內溫度和濕度預測來說是至關重要的。相關系數[r]計算如式（3）所示。

[r=1-6i=1ndi2n（n2-1）] （3）

式中： [di]——兩組數據間的秩次之差；

[n]——每組變量中的樣本個數。

Spearman的相關系數[r]可以為負值。如果相關系數超過0，則表明各變量間的關聯性為正相關；如果相關系數未超過0，則說明各因素間關聯性為負相關。由于Spearman相關分析不被樣本總體分布形式、樣本容量大小等因素影響，因此，本研究在數據預處理階段使用該分析方法對各種數據變量進行相關性分析，以確立模型的輸入數據變量的個數。Spearman相關性系數參考表如表2所示。

本研究從感知和控制變量兩個方面入手，在充分考慮對日光溫室未來溫度和濕度變化得影響因素的基礎上，結合物聯網環境監測設備在日光溫室現場的真實布設情況，選用了獨立于非正態分布的Spearman相關分析方法，對室內當前空氣溫度（Y1）和空氣濕度（Y2）與30 min前的室內和室外的環境因子進行對比分析。研究發現，其相關性均通過了P<0.01水平的顯著性分析，具體室內空氣溫濕度相關性分析熱力圖如圖5所示。

1.4 SSA-Elman溫濕度預測模型構建

1.4.1 Elman神經網絡

Elman神經網絡是一種具有反饋功能的神經網絡。與其他的神經網絡不同，該模型通過增加一個承接層來使神經網絡具備了局部記憶和反饋的能力，從而使其能夠更好地利用以往的反饋信息來提高模型的穩定性和計算能力[23]。Elman神經網絡結構如圖6所示。

隱含層的層數和節點數會干擾Elman神經網絡的性能，依據經驗，它們相互之間通過權值和閾值相互連接，從而實現信息的傳輸。最佳神經元數量范圍可根據經驗式（4）來確定。

[Z=m+n+k0] （4）

式中： Z——隱含層神經元；

m——輸出層神經元；

n——輸入層神經元數目；

k0——參數，調整范圍為1～10。

Elman神經網絡利用神經元將每一級的神經元聯系起來，通過各層之間的權值和閾值來實現對整個網絡的信息傳輸。假設令閾值為[bj]，輸入層到隱含層與承接層到隱含層的權值分別為[wij]、[wjq]，則隱含層單獨節點的輸出值由式（5）、式（6）確定。

[hj=f（i=1nwijxi+j=1lwjqhj'+bj）] （5）

[hj'=h（v-1）] （6）

式中： [hj']、[hj]——上一時刻與當前隱含層節點的輸出值；

[xi]——輸入層的輸入值；

[f（?）]——隱含層的激活函數；

v——學習次數。

輸出層單個節點的輸出值由式（7）確定。

[yk=g（j=1mwjkhj+bk）] （7）

式中： [g（?）]——輸出層的激活函數；

bk——第k節點的閾值。

誤差函數E由式（8）確定。

[E=12k=1m（dk-yk）2] （8）

式中： dk、yk——真實值和預測值。

隱含層到輸出層的權值和閾值更新公分別由式（9）、式（10）確定。

[wN+1ij=wNij+η1δhkxi] （9）

[bN+1k=bNk+η2δk] （10）

其中：[?E?wjk=δ0khj]，[?E?bk=δk]。

式中： [η]——學習率；

[wjk]、[bk]——隱含層到輸出層的權值與其值的閾值；

[δ0k]、[δk]——誤差函數對隱含層到輸出層的權值與閾值的偏導。

輸入層與承接層到隱含層的權值和閾值更新過程由式（11）、式（12）、式（13）確定。

[wN+1ij=wNij+η1δhkxi] （11）

[wN+1jq=wNjq+η2δh'khj'] （12）

[bN+1j=bNj+η2δj] （13）

其中：[?E?wij=δhkxi]，[?E?wij=δh'kxi']，[?E?bj=δj]。

式中： [δh'k]、[δj]——誤差函數對承接層到隱含層的權值偏導與誤差函數對輸入層到隱含層的閾值偏導。

1.4.2 麻雀搜索算法

麻雀搜索算法是根據麻雀種群社交生存行為而提出的一種新型群體智能尋優方法[24]。在麻雀種群中，有著明確種群的劃分，發現者種群負責尋找食物和提供覓食指導，跟隨者種群則根據發現者的行為來負責獲取食物。同時，在麻雀種群中還存在著10%～20%數量的警戒者種群，其一旦察覺到有威脅，就會立刻報警發出信號。其位置變換規則如下。

發現者的位置變換式如式（14）所示。

[αXt+1i， j=Xti， j?exp（-mTmax） R2<STXti， j+Q?L R2≥ST] （14）

式中： [Xi，j]——第i個麻雀個體在種群j維中的位置；

[t]——當下時刻的迭代次數；

[α]——[α∈（0，1]]之間的均勻隨機數；

[Tmax]——最大迭代次數；

[Q]——隨機數；

[L]——一個1×U，元素都為1的矩陣；

[R2]——均勻隨機數，[R2∈[0，1]]；

ST——安全閾值，[ST∈[0.5，1]]。

跟隨者的位置更新式如式（15）所示。

[Xt+1i， j=Q×expXworst-Xti， jα×nmax i>n2Xt+1p+Xi，j-Xt+1p×A+×L i≤n2] （15）

式中： [Xp]——發現者占據的最佳位置；

[Xworst]——當前全局最差的位置；

A——一行多維的元素為{-1，1}的矩陣，[A+=ATAAT-1]。

警戒者麻雀位置更新式如式（16）所示。

[Xt+1i， j=Xtbest+β（Xti， j-Xtbest） fm≠fgXtbest+K（Xti， j-Xtworstfm-fw+e） fm=fg] （16）

式中： [Xbest]——當前全局最佳位置;

[β] ——步長控制參數；

[fm]、[fg]、[fw]——當前個體的適應度值、全局最小適 應度值和全局最佳適應度值；

K——[?1，1]范圍內的均勻隨機數；

[e] ——常數，存在的意義是防止分母為0。

1.4.3 SSA優化Elman神經網絡

麻雀搜索算法充分考慮了麻雀種群在尋找食物時方向和位置不斷變換的特性，采用不斷迭代訓練的方法，使神經網絡的權重和閾值得到了不斷優化，并將其賦予到Elman神經網絡模型當中，從而有效地解決了因網絡的權重和閾值選擇不當而造成的準確率低的問題。

為提高溫室溫濕度預測模型的精度，研究利用麻雀搜索算法對Elman神經網絡模型參數進行優化調整。首先，研究基于適應度函數對麻雀個體的能量大小進行分類，以確定最佳的初始位置；其次，通過計算適應度函數與對比種群不同行為的動態變化來更新麻雀個體最佳位置，進而獲得Elman網絡模型參數最優解。最后，利用所得到的最優模型參數構建了番茄日光溫室溫濕度預測模型。具體的訓練過程如圖7所示。

1） 數據預處理。經過對物聯網智能監測系統采集的試驗數據進行預處理后，將訓練集、測試集和驗證集分別按照8∶1∶1比例進行劃分，從而解決因量綱單位導致的數據不統一、不規范的問題。

2） 確定神經網絡結構和設置初始化參數。通過計算隱含層節點數目，確定了網絡傳遞函數，并對該模型進行了迭代上限、麻雀各職能群體的比重和數目等參數的設置。

3） 麻雀個體適應度排序。采取適應度函數對個體的能量大小進行了分類，從而確定了目前的最佳的初始位置。

4） 更新每個職能麻雀位置。根據種群的適應性函數值、預警值以及種群不同行為的動態變化對比，對種群在不同的迭代數下的個體最佳位置進行更新優化。

5） 調整權值和閾值。以上述步驟結果為依據，將麻雀種群在當前迭代數下的最佳個體和全局最佳解作為模型的權值和閾值。

6） 訓練網絡。重復步驟（3）～步驟（5）以確定迭代次數是否滿足預定值，若滿足，得到網絡最優權值和閾值，生成最優的Elman網絡模型；反之則繼續迭代，直至訓練次數到迭代上限或訓練結果滿足預測準確率的要求。

7） 運用麻雀搜索算法優化后的Elman神經網絡進行溫室溫度和濕度的預測。

1.4.4 模型評價指標

為了評價不同模型的預測效果，通過綜合比較，選取均方根誤差（RMSE）、平均絕對誤差（MAE）及決定系數（R2）等參數作為預測模型評價指標[25]，RMSE和MAE越小，R2值越大，說明預測結果更加準確可靠，計算如式（17）～式（19）所示。

[MAE=1mi=1mRi-yi] （17）

[RMSE=1mi=1mRi-yi2] （18）

[R2=1-i=1myi-y2i=1mRi-y2] （19）

式中： [yi]——溫室預測反饋值；

[y]——溫室實際值的平均值；

[Ri]——溫室的實際值。

2 試驗結果與分析

2.1 模型的優化及訓練

根據Spearman相關性熱力圖分析結果，在溫室溫度預測模型中，篩選出的影響因子為X1、X2、X3、X4、X7、X8、X9、X12；在溫室濕度預測模型中，篩選出的影響因子為X1、X2、X3、X4、X8、X9、X12。由于神經網絡的輸入層和輸出層的神經元節點數目要與環境因子數目分別保持一致，故空氣溫度輸入節點數目選擇為8個，輸出節點數目選擇為1個；空氣濕度輸入節點數目選擇為7個，輸出節點數目選擇為1個。

隱含層神經元的數目不是固定的。當神經元數量較少時，網絡的學習性能會下降；反之，則神經網絡的計算量和復雜度會增大，進而影響算法的運算速率。因此，本研究通過應用式（4），在給定的范圍內，對神經網絡進行訓練，并通過比較誤差值來確認隱含層神經元的數量，進而確定溫度和濕度預測模型的最佳隱含層節點數目，其數目分別為12個和9個。同時負責存儲上一時刻隱含層的輸出狀態的承接層，其節點數量應該與隱含層相同，所以其節點數目也分別為12個和9個。

由于經過歸一化處理后的原始數據，不再具有負值的情況，因此，選擇tansing函數、trainlm函數和Pureline函數分別為模型輸入層、隱含層和輸出層傳遞函數來進行模型訓練。同時在訓練過程中，將訓練次數、訓練最小誤差以及學習速率分別設置為103、10-3和10-2，并采用麻雀搜索優化算法不斷地調整Elman的模型參數，來實現對日光溫室內的溫濕度預測。SSA算法參數初始值的設置參照表3所示。

在SSA進化過程中，一般將模型的訓練集和測試集均方誤差作為適應度函數的評價指標，其適應度越小，表明模型的預測準確率越高[26]。由圖8可知，麻雀搜索算法在迭代初期尋優效果較好，能快速找到相對最優解，收斂速度快；在迭代后期開始逐漸穩定收斂，表明該算法的尋優能力強。

2.2 預測結果及對比分析

根據SSA優化結果設置好模型的基本參數，將訓練好的模型進行仿真測試，并對預測結果實行反歸一化，實現對日光溫室空氣溫度、空氣濕度的預測。為了檢驗SSA-Elman模型在溫室溫度和濕度的預測中的性能，在相同運行環境條件下，同時利用BP神經網絡、E5617af0883a15b85ffbb8e1f6637619blman神經網絡以及PSO-Elman模型輸入相同的參數進行預測，且對其預測效果進行對比分析。溫室溫濕度環境預測結果如圖9所示，溫室溫濕度的4種預測模型的性能比較如表4所示。

綜上所述，BP、Elman、PSO-Elman和SSA-Elman溫度預測的擬合優度分別為87.89%、89.39%、92.44%和96.28%，濕度預測的擬合優度分別為88.71%、90.01%、93.79%和97.16%。與其他3種模型相比，SSA-Elman的溫度擬合指數提升了8.39%、6.86%、3.84%；濕度預測擬合優度提升了8.45%、7.15%和3.37%，表明該模型預測的性能最佳。綜上所述，采用麻雀搜索算法（SSA）優化的Elman神經網絡模型，實現了對溫室內未來30 min空氣溫濕度變化的準確預測。結果證明：該模型有效避免了因人工方法調節參數而造成的較大誤差的問題，提高了模型參數調優的效率，為未來日光溫室的精準調控提供了有力的技術支撐。

3 結論

1） 為解決目前在農業物聯網方面存在的數據維度多、數量大以及計算成本高等問題，同時也為解決普通的Elman神經網絡在進行訓練時存在的收斂速度慢、容易陷入局部極值等問題，提出一種基于麻雀搜索算法（SSA）優化Elman神經網絡的預測模型，實現溫室內空氣溫濕度的精準預測。

2） 通過與BP神經網絡、Elman神經網絡和PSO-Elman模型預測效果對比可知，BP、Elman、PSO-Elman和SSA-Elman模型對溫度預測擬合優度分別為87.89%、89.39%、92.44%和96.28%，對濕度預測的擬合優度分別為88.71%、90.01%、93.79%和97.16%，表明本研究所提出的SSA-Elman模型的預測結果的擬合曲線更接近實測值，在對溫室溫濕度進行預測時有著更為顯著的優越性。該方法為日光溫室溫濕度的預測提供一種新的思路，為未來日光溫室內環境精準控制策略提供可靠的依據。

參 考 文 獻

[ 1 ] 喬小丹， 鄭文剛， 張馨， 等. 基于LSTM-GRU的日光溫室環境預測方法研究[J]. 江蘇農業科學， 2022， 50（16）： 211-218.

[ 2 ] Esmaeli H， Roshandel R. Optimal design for solar greenhouses based on climate conditions [J]. Renewable Energy， 2020， 145： 1255-1265.

[ 3 ] 陳俐均， 杜尚豐， 李嘉鵬， 等. 溫室環境溫度預測自適應機理模型參數在線識別方法[J]. 農業工程學報， 2017， 33（1）： 315-321.

Chen Lijun， Du Shangfeng， Li Jiapeng， et al. Online identification method of parameters for greenhouse temperature prediction self?adapting mechanism model [J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（1）： 315-321.

[ 4 ] Dong Shuyao， Shamim Ahamed Md， Ma Chengwei， et al. A time?dependent model for predicting thermal environment of mono?slope solar greenhouses in cold regions [J]. Energies， 2021， 14（18）： 1-19.

[ 5 ] 徐立鴻， 蘇遠平 ， 梁毓明. 面向控制的溫室系統小氣候環境模型要求與現狀[J]. 農業工程學報， 2013， 29（19）： 1-15.

Xu Lihong， Su Yuanping， Liang Yuming. Requirements and current status of control?oriented microclimate environment model in greenhouse system [J]. Transactions of the Chinese Society of Agricultural Engineering， 2013， 29（19）： 1-15.

[ 6 ] Moon T W， Jung D H， Chang S H， et al. Estimation of greenhouse CO2 concentration via an artificial neural network that uses environmental factors [J]. Horticulture， Environment， and Biotechnology， 2018， 59： 45-50.

[ 7 ] 于玉婷， 徐光麗， 柳平增， 等. 設施番茄溫室風口開關時間參數研究[J]. 中國農機化學報， 2022， 43（12）： 83-90， 98.

Yu Yuting， Xu Guangli， Liu Pingzeng， et al. Study on time parameters of opening and closing vents in tomato greenhouse [J]. Journal of Chinese Agricultural Mechanization， 2022， 43（12）： 83-90， 98.

[ 8 ] 張永芳， 王芳. 基于SSA-RBF網絡的日光溫室溫濕度預測模型研究[J]. 河北農業大學學報， 2021， 44（3）： 115-121.

[ 9 ] Casta?eda?Miranda A， Casta?o V M. Smart frost control in greenhouses by neural networks models [J]. Computers and Electronics in Agriculture， 2017， 137： 102-114.

[10] Wang Yan， Liu Pingzeng， Zhu Ke， et al. A Garlic?price?prediction approach based on combined LSTM and GARCH-Family model [J]. Applied Sciences， 2022， 12（22）： 11366.

[11] 劉煥， 楊延杰， 史宇亮， 等. 膠東地區日光溫室周年溫濕度變化規律分析及預測[J]. 中國農業科技導報， 2021， 23（12）： 136-144.

[12] 劉鵬菊. 設施黃瓜生長環境監測與溫室風口控制系統研究[D]. 泰安： 山東農業大學， 2021.

[13] Ullah I， Fayaz M， Naveed N. ANN based learning to kalman filter algorithm for indoor environment prediction in smart greenhouse [J]. IEEE Access， 2020， 8： 159371-159388.

[14] 張建超， 單慧勇， 景向陽， 等. 基于Elman神經網絡的溫室環境因子預測方法[J]. 中國農機化學報， 2021， 42（8）： 203-208.

Zhang Jianchao， Shan Huiyong， Jing Xiangyang， et al. Prediction method of greenhouse environmental factors based on Elman neural network [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（8）： 203-208.

[15] 劉傳龍. 設施番茄溫室溫濕度智能調控系統研究[D]. 泰安： 山東農業大學， 2022.

[16] Xue J K， Shen B. Novel swarm intelligence optimization approach： Sparrow search algorithm [J]. Systems Science & Control Engineering， 2020， 8（1）： 22-34.

[17] 祖林祿， 柳平增， 趙妍平， 等. 基于SSA-LSTM的日光溫室環境預測模型研究[J]. 農業機械學報， 2023， 54（2）： 351-358.

Zu Linlu， Liu Pingzeng， Zhao Yanping， et al. Study of the greenhouse environment prediction model based on SSA-LSTM [J]. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（2）： 351-358.

[18] 宋成寶， 柳平增， 劉興華， 等. 基于HSIC的日光溫室溫度傳感器優化配置策略[J]. 農業工程學報， 2022， 38（8）： 200-208.

Song Chengbao， Liu Pingzeng， Liu Xinghua， et al. Optimal configuration strategy for temperature sensors in solar greenhouse based on HSIC [J]. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（8）： 200-208.

[19] 敬如雪， 高玉琢. 基于多傳感器的數據融合算法研究[J]. 現代電子技術， 2020， 43（10）： 10-13.

[20] 劉建偉， 趙會丹， 羅雄麟， 等. 深度學習批歸一化及其相關算法研究進展[J]. 自動化學報， 2020， 46（6）： 1090-1120.

[21] 許力琴， 周晴， 劉霞. 科技論文“Spearman相關”表達中存在的問題分析與建議[J]. 編輯學報， 2019， 31（4）： 398-400.

[22] 鄭昊南. 平菇溫室溫濕度物聯網智能測控系統的設計與實現[D]. 泰安： 山東農業大學， 2022.

[23] Zheng Y， Zhang X， Wang X， et al. Predictive study of tuberculosis incidence by time series method and Elman neural network in Kashgar， China [J]. BMJ Open， 2021， 11（1）： e041040.

[24] 程陳， 馮利平， 董朝陽， 等. 利用Elman神經網絡的華北棚型日光溫室室內環境要素模擬[J]. 農業工程學報， 2021， 37（13）： 200-208.

Cheng Chen， Feng Liping， Dong Chaoyang， et al. Simulation of inside environmental factors in solar greenhouses using Elman neural network in North China [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（13）： 200-208.

[25] 李雅麗， 王淑琴， 陳倩茹， 等. 若干新型群智能優化算法的對比研究[J]. 計算機工程與應用， 2020， 56（22）： 1-12.

[26] 趙雪， 顧偉紅. 基于GRA-SSA-Elman的隧洞TBM掘進適應性評價[J]. 隧道建設（中英文）， 2022， 42（11）： 1879-1888.