基于SO-BP神經(jīng)網(wǎng)絡(luò)的溫室環(huán)境預(yù)測(cè)模型研究

摘要：由于溫室環(huán)境中溫濕度的調(diào)控過程存在滯后響應(yīng)特性，預(yù)測(cè)溫室環(huán)境變化趨勢(shì)是構(gòu)建溫室精準(zhǔn)控制系統(tǒng)中不可或缺的一部分。針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)算法在溫室預(yù)測(cè)方面精度不足等問題，提出一種基于蛇優(yōu)化算法（snake optimizer， SO）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的溫室環(huán)境預(yù)測(cè)方法。試驗(yàn)結(jié)果表明，該方法預(yù)測(cè)15 min內(nèi)溫度的決定系數(shù)R2為0.956 4，比BP模型、HHO-BP模型分別提高14.87%、2.19%，平均絕對(duì)誤差MAE、平均絕對(duì)百分比誤差MAPE、均方根誤差RMSE值分別為0.481 3、2.237 8、0.672 9；預(yù)測(cè)15 min內(nèi)濕度的R2為0.982 1，比BP模型、HHO-BP模型分別提高13.12%、2.37%，預(yù)測(cè)指標(biāo)MAE、MAPE、RMSE值分別為1.709 0、2.584 2、2.283 8。該模型的預(yù)測(cè)結(jié)果較理想，可用于溫室溫濕度預(yù)測(cè)。

關(guān)鍵詞：溫室環(huán)境；溫濕度預(yù)測(cè)；精準(zhǔn)控制系統(tǒng)；蛇優(yōu)化算法；神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：S625； TP18" " " 文獻(xiàn)標(biāo)識(shí)碼：A" " " 文章編號(hào)：2095?5553 （2024） 08?0094?07

Research on greenhouse environment prediction model based on SO-BP neural network

Zhang Wanfan1， 2， Ren Lisheng1， 2， Wang Fang1， 2

（1. College of Information Science and Technology， Hebei Agricultural University， Baoding， 071001， China；2. Hebei Key Laboratory of Agricultural Big Data， Hebei Agricultural University， Baoding， 071001， China）

Abstract： Predicting change trends in greenhouse environment is an essential part of the construction of" an accurate greenhouse control system， due to the hysteretic response characteristic of temperature and humidity regulation process in greenhouse environment. In response to the issue of insufficient accuracy of traditional neural network algorithms in greenhouse prediction， a method for predicting greenhouse environment based on snake optimizer （SO） optimized BP neural network is proposed. Experimental results show that the R2 value of predicting the temperature within 15 minutes by this method is 0.956 4， which is 14.87% and 2.19% higher than that of the BP model and the HHO-BP model， respectively. The prediction indicators of MAE， MAPE， and RMSE values for temperature are 0.481 3， 2.237 8， and 0.672 9， respectively. The R2 value of predicting the humidity within 15 minutes is 0.982 1， which is 13.12% and 2.37% higher than that of the BP model and the HHO-BP model， respectively. The prediction indicators of MAE， MAPE， and RMSE values for humidity are 1.709 0， 2.584 2， and 2.283 8， respectively. The prediction results of this model are quite ideal and can be used for greenhouse temperature and humidity prediction， providing technical support for the establishment of an accurate greenhouse control system.

Keywords： greenhouse environment; temperature and humidity prediction; precise control system; snake optimizer algorithm; BP neural network

0 引言

多年來，有不少專家學(xué)者為了獲取作物在溫室環(huán)

境中的最佳生長(zhǎng)條件，通過調(diào)節(jié)和控制影響溫室大棚內(nèi)作物生長(zhǎng)狀況的環(huán)境變量，以此達(dá)到促進(jìn)作物增產(chǎn)、減少溫室成本等目的[1?4]。在滯后的溫室系統(tǒng)中，溫濕度調(diào)控的不及時(shí)會(huì)導(dǎo)致作物生長(zhǎng)不佳、產(chǎn)量降低等情況出現(xiàn)[5?7]。因此，提前預(yù)測(cè)溫室小氣候變化趨勢(shì)是很有必要的，將溫室大棚維持在適宜環(huán)境下能夠幫助作物更好地生長(zhǎng)，進(jìn)而顯著提高作物的產(chǎn)量和品質(zhì)。

溫室小氣候預(yù)測(cè)模型主要分為機(jī)理模型和經(jīng)驗(yàn)?zāi)Ｐ蛢煞N[8?12]。機(jī)理模型以能量守恒和質(zhì)量守恒定律為基礎(chǔ)，以此實(shí)現(xiàn)溫室環(huán)境因子建模，但仍面臨建模困難、未知變量多、檢測(cè)成本高等缺陷。經(jīng)驗(yàn)?zāi)Ｐ蛣t不必探究溫室損耗、熱輻射等問題造成的后果，通過輸入和輸出參數(shù)建立過程模型。

在經(jīng)驗(yàn)?zāi)Ｐ头矫妫S著神經(jīng)網(wǎng)絡(luò)的發(fā)展，越來越多學(xué)者通過建立神經(jīng)網(wǎng)絡(luò)模型來實(shí)現(xiàn)溫室小氣候的預(yù)測(cè)。許童羽等[13]選擇RBF神經(jīng)網(wǎng)絡(luò)作為預(yù)測(cè)網(wǎng)絡(luò)， 并采用高斯徑向基函數(shù)作為網(wǎng)絡(luò)激活函數(shù)，結(jié)果表明該模型能夠較為準(zhǔn)確地模擬溫室空氣相對(duì)濕度變化情況。Wang等[14]建立了一個(gè)基于遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的具有歷史輸入的動(dòng)態(tài)反向傳播算法模型來預(yù)測(cè)北方日光溫室的溫度和濕度。郁瑩珺等[15]提出一種基于經(jīng)驗(yàn)?zāi)B(tài)分解和小波神經(jīng)網(wǎng)絡(luò)（WNN）的溫室溫濕度組合預(yù)測(cè)方法，通過優(yōu)勢(shì)互補(bǔ)提高預(yù)測(cè)精度。張坤鰲等[16]提出一種改進(jìn)收縮因子粒子群優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，改進(jìn)的CFA PSO-RBF使算法能達(dá)到全局性與局部性的平衡。蔡淑芬等[17]根據(jù)ARIMA模型和RBF神經(jīng)網(wǎng)絡(luò)對(duì)線性和非線性問題的預(yù)測(cè)能力差異，構(gòu)建ARIMA-RBF神經(jīng)網(wǎng)絡(luò)權(quán)重組合的溫濕度預(yù)測(cè)模型，該模型充分考慮了預(yù)測(cè)目標(biāo)的不同數(shù)據(jù)特征。

本研究以BP神經(jīng)網(wǎng)絡(luò)作為溫室環(huán)境預(yù)測(cè)模型，結(jié)合蛇優(yōu)化算法（SO）全局尋優(yōu)得出網(wǎng)絡(luò)最佳權(quán)值和閾值，進(jìn)一步提高模型的預(yù)測(cè)能力，并與BP神經(jīng)網(wǎng)絡(luò)和哈里斯鷹算法（HHO）[18]優(yōu)化BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，驗(yàn)證算法可行性，為溫室環(huán)境調(diào)控提供有利依據(jù)。

1 材料與方法

1.1 數(shù)據(jù)獲取

本研究數(shù)據(jù)源自第二屆國(guó)際智慧溫室種植挑戰(zhàn)賽。該公共數(shù)據(jù)集由荷蘭瓦赫寧根大學(xué)研究中心的一個(gè)高科技溫室提供，以櫻桃番茄為研究對(duì)象，其中包含整個(gè)種植期間的環(huán)境數(shù)據(jù)、能耗數(shù)據(jù)和經(jīng)濟(jì)效益數(shù)據(jù)。

環(huán)境數(shù)據(jù)包括室內(nèi)外溫度和濕度、二氧化碳濃度、太陽輻射、風(fēng)速等，溫室設(shè)備包括加熱管、擋光屏、噴淋、通風(fēng)窗和補(bǔ)光燈。設(shè)備控制狀態(tài)和傳感器測(cè)量數(shù)據(jù)以5 min的間隔進(jìn)行上傳。此外，根據(jù)測(cè)量數(shù)據(jù)計(jì)算出每日所用熱能、所耗電量、二氧化碳用量、耗水量等能耗值。本研究選取2 600組數(shù)據(jù)作為樣本，將該數(shù)據(jù)集中的室外溫度、室外濕度、太陽輻射、風(fēng)速等環(huán)境變量和加熱管、擋光屏、噴淋、通風(fēng)窗和補(bǔ)光燈等設(shè)備控制狀態(tài)作為預(yù)測(cè)模型的輸入?yún)?shù)，15 min后的室內(nèi)溫度、相對(duì)濕度作為輸出參數(shù)。

1.2 數(shù)據(jù)預(yù)處理

1.2.1 小波降噪

在錯(cuò)綜復(fù)雜的溫室系統(tǒng)中，通過數(shù)據(jù)采集設(shè)備獲取的數(shù)據(jù)往往存在誤差。這是由于傳感器受自身電路短路或外界環(huán)境突變等干擾因素影響，導(dǎo)致采集到的信息存在噪聲，從而降低了數(shù)據(jù)的精度[19]。

因此，本研究采用小波閾值降噪的方法將室內(nèi)環(huán)境數(shù)據(jù)進(jìn)行降噪處理后再開始建模。小波分解和重建可以消除環(huán)境信息中的大規(guī)模噪聲擾動(dòng)，以此增強(qiáng)模型的預(yù)測(cè)能力。通過選擇適宜的小波基函數(shù)和分解層數(shù)、閾值函數(shù)等參數(shù)來實(shí)現(xiàn)保留有用數(shù)據(jù)、消除噪聲影響的目的。

降噪后的曲線與樣本曲線對(duì)比如圖1、圖2所示。

運(yùn)用小波閾值降噪來處理室內(nèi)環(huán)境數(shù)據(jù)操作流程如下：（1） 選定2 600組包含噪聲的室內(nèi)環(huán)境樣本數(shù)據(jù)，通過選取適合的小波基函數(shù)和分解層數(shù)，將信號(hào)分解成高頻和低頻的小波系數(shù)，本研究選擇降噪效果較好的SYM7小波基在3層分解的情況下對(duì)溫室采集到的溫度、濕度進(jìn)行降噪處理；（2） 選擇適當(dāng)?shù)拈撝岛烷撝岛瘮?shù)對(duì)分解后的小波系數(shù)進(jìn)行處理，以去除高頻的噪聲信息；（3） 使用閾值處理后的小波系數(shù)重新構(gòu)造室內(nèi)溫度、濕度曲線，最終實(shí)現(xiàn)數(shù)據(jù)平滑化。

1.2.2 歸一化處理

為了提升模型的預(yù)測(cè)精度和收斂速度，去除不同量綱對(duì)溫室環(huán)境模型造成的影響，在建模前先將所采集的環(huán)境數(shù)據(jù)進(jìn)行歸一化處理。在完成預(yù)測(cè)分析后，使用反歸一化方法將數(shù)據(jù)還原為原始尺度。通過數(shù)據(jù)標(biāo)準(zhǔn)化操作，原始數(shù)據(jù)的各項(xiàng)指標(biāo)調(diào)整到同一水平，方便進(jìn)行整體性評(píng)估和比較。本研究采用Min-Max標(biāo)準(zhǔn)化，也被稱為離差標(biāo)準(zhǔn)化，即Min-Max Normalization法，是將原始數(shù)據(jù)進(jìn)行線性變換，使其結(jié)果值映射在0～1，如式（1）所示。

[[x=x-xminxmax-xmin] （1） ]

式中：[x、x]——?dú)w一化前與歸一化后的數(shù)據(jù)；

[xmax]——實(shí)測(cè)數(shù)據(jù)最大值；

[xmin]——實(shí)測(cè)數(shù)據(jù)最小值。

2 模型構(gòu)建

2.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)具有三層網(wǎng)絡(luò)結(jié)構(gòu)，分別是輸入層、隱含層和輸出層，其特點(diǎn)為信號(hào)前向傳遞、誤差反向傳播。作為一種多層前饋網(wǎng)絡(luò)，BP神經(jīng)網(wǎng)絡(luò)尋求實(shí)際值和預(yù)測(cè)值之間誤差函數(shù)的最小值是根據(jù)正反向傳播來實(shí)現(xiàn)的，并通過最速梯度下降法將各神經(jīng)元的權(quán)值進(jìn)行調(diào)節(jié)，較強(qiáng)的自學(xué)習(xí)能力和自適應(yīng)性是BP神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)。其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

首先，外部各類數(shù)據(jù)信息由BP神經(jīng)網(wǎng)絡(luò)輸入層傳送到其隱含層，在完成網(wǎng)絡(luò)運(yùn)算操作后，最終運(yùn)算結(jié)果是由輸出層獲得的。BP神經(jīng)網(wǎng)絡(luò)處于反向傳播的前提是通過輸出層得到的輸出值與預(yù)設(shè)輸入值之間的誤差相對(duì)較大，此時(shí)網(wǎng)絡(luò)將完成權(quán)值的更新迭代，直至輸出值與期望值之間的誤差達(dá)到特定的要求才會(huì)終止。

網(wǎng)絡(luò)結(jié)構(gòu)的不確定性是BP神經(jīng)網(wǎng)絡(luò)的缺陷，這種特質(zhì)導(dǎo)致在輸入變量相關(guān)性相對(duì)較強(qiáng)的情況下，網(wǎng)絡(luò)泛化能力會(huì)進(jìn)一步削減。另外，BP神經(jīng)網(wǎng)絡(luò)依賴初始條件下權(quán)值和閾值，這是由于網(wǎng)絡(luò)采用了梯度下降算法，收斂速度不佳，當(dāng)面對(duì)錯(cuò)綜復(fù)雜優(yōu)化難題時(shí)，若初始設(shè)置的權(quán)值和閾值在實(shí)際情況下與網(wǎng)絡(luò)并不契合，則會(huì)導(dǎo)致陷入局部最優(yōu)，最終造成預(yù)測(cè)精度的下降。

2.2 蛇優(yōu)化算法

蛇優(yōu)化算法（Snake Optimizer，SO）[20]是2022年提出的一種模仿蛇特殊交配行為的新型智能優(yōu)化算法。對(duì)于每條蛇（雄性/雌性），如果溫度較低，且食物可用，蛇的交配行為發(fā)生；否則蛇只會(huì)尋找食物或吃現(xiàn)有的食物。基于蛇在有無食物兩種條件下的不同行為，考慮把蛇優(yōu)化算法的搜索過程分為兩個(gè)階段：勘探和開發(fā)。勘探描述了環(huán)境因素，即寒冷的地方和食物，在這種情況下，蛇只在周圍尋找食物。開發(fā)包括許多過渡階段，以提高算法的搜索效率，而其中交配過程分為戰(zhàn)斗模式和交配模式兩種狀態(tài)。在戰(zhàn)斗模式中，每個(gè)雄性都會(huì)戰(zhàn)斗以獲得最好的雌性，每個(gè)雌性都會(huì)嘗試選擇最好的雄性。在交配模式中，每對(duì)之間的交配與食物數(shù)量的可用性有關(guān)。如果交配過程發(fā)生在搜索空間，雌性很可能會(huì)產(chǎn)卵，孵化出新的蛇。

2.2.1 勘探階段（無食物）

食物量[Q]可通過式（2）得出。

[[Q=c1×expt-TT] （2） ]

式中：[c1]——常數(shù)，取0.5；

[t、T]——當(dāng)前迭代和最大迭代次數(shù)。

如果食物量[Q]lt;food_Threshold（0.25），蛇通過選擇任何隨機(jī)位置來搜索食物，并更新它們的位置。雄性和雌性勘探過程模擬如式（3）和式（4）所示。

[[Xi，m（t+1）=Xrand，m（t）±c2×Am×（Xmax-Xmin）×rand+Xmin] （3） [Xi，f=Xrand，f（t+1）±c2×Af×（Xmax-Xmin）×rand+Xmin] （4） ]

式中：[Xi，m][、Xi，f]——第[i]個(gè)雄性個(gè)體和第[i]個(gè)雌性個(gè)體" " " " " " " " " " " " " "的位置；

[Xrand，m]——隨機(jī)選擇的雄性的位置；

[Xrand，f]——隨機(jī)選擇的雌性的位置；

[c2]——常數(shù)，取0.05；

[Am][、Af]——雄性和雌性尋找食物的能力。

[[Am=exp-frand，mfi，m] （5） [Af=exp-frand，ffi，f] （6） ]

式中：[frand，m]——位置為[Xrand，m]的雄性的適應(yīng)度值；" " " " " "[frand，f]——位置為[Xrand，f]的雌性的適應(yīng)度值；

[fi，m][、fi，f]——第[i]個(gè)雄性個(gè)體和第[i]個(gè)雌性個(gè)體的適應(yīng)度值。

2.2.2 開發(fā)階段（有食物）

溫度[Temp]可使用式（7）定義。

[[Temp=exp-tT] （7） ]

在食物量[Q]gt;食物閾值food_Threshold（0.25）的條件下，如果當(dāng)前溫度[Temp]gt;溫度閾值T_Threshold（0.6），那么溫度處于炎熱狀態(tài)，此時(shí)蛇只會(huì)尋找食物，位置更新如式（8）所示。

[[Xi，j（t+1）=Xfood±c3×Temp×rand×Xfood-Xi，j（t）] （8） ]

式中：[Xi，j]——所有個(gè)體（雄性和雌性）的位置；

[Xfood]——最佳個(gè)體的位置；

[c3]——常數(shù)，取2。

如果滿足當(dāng)前溫度[Temp]lt; T_Threshold（0.6），那么溫度處于寒冷狀態(tài)，此時(shí)蛇將處于戰(zhàn)斗模式或交配模式。

戰(zhàn)斗模式

[[Xi，m（t+1）=Xi，m（t）±c3×FM×rand×Q×Xbest，f-Xi，m（t）] " （9） [Xi，f（t+1）=Xi，f（t）±c3×FF×rand×Q×Xbest，m-Xi，f（t）] （10） ]

式中：[Xbest，f、][Xbest，m]——雌性和雄性群體中最佳個(gè)體的" " " " " " " " " " " " " " " " " "位置；

[FM、][FF]——分別表示雄性個(gè)體和雌性個(gè)體的戰(zhàn)" " " " " " " " " " " 斗能力。

[[FM=exp（-fbest，ffi）] （11） [FF=exp（-fbest，mfi）] （12） ]

式中：[fbest，f]——所有雌性中最佳個(gè)體的適應(yīng)度值；

[fbest，m]——所有雄性中最佳個(gè)體的適應(yīng)度值；

[fi]——當(dāng)前個(gè)體的適應(yīng)度值。

交配模式

[[Xi，m（t+1）=Xi，m（t）+c3×Mm×rand×Q×Xi，f（t）-Xi，m（t）] （13） [Xi，f（t+1）=Xi，f（t）+c3×Mf×rand×Q×Xi，m（t）-Xi，f（t）] （14） [Mm=exp（-fi，ffi，m）] （15） [Mf=exp（-fi，mfi，f）] （16） ]

式中：[Mm、][Mf]——雄性和雌性的交配能力。

如果卵孵化，選擇最差的雄性和雌性，并進(jìn)行替換。

[[Xworst，m=Xmin+rand×（Xmax-Xmin）] （17） [Xworst，f=Xmin+rand×（Xmax-Xmin）]

（18） ]

式中：[Xworst，m]——最差的雄性個(gè)體；

[Xworst，f]——最差的雌性個(gè)體。

2.3 基于SO-BP神經(jīng)網(wǎng)絡(luò)的溫室環(huán)境預(yù)測(cè)模型

BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)效果與初始化的權(quán)值和閾值息息相關(guān)，局部最優(yōu)的產(chǎn)生有一部分原因是由于初始值不同而造成的。當(dāng)引入SO算法后，憑借其較高的尋優(yōu)能力和收斂速度，BP神經(jīng)網(wǎng)絡(luò)的非線性動(dòng)態(tài)映射能力也進(jìn)而增強(qiáng)，因此，反復(fù)隨機(jī)化權(quán)值和閾值而導(dǎo)致過多訓(xùn)練的概率也大大降低。

SO-BP模型的基本思路是把SO算法的尋優(yōu)目標(biāo)設(shè)定為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，將經(jīng)過多次迭代得到的結(jié)果賦值給BP神經(jīng)網(wǎng)絡(luò)，從而進(jìn)一步優(yōu)化預(yù)測(cè)效果，在一定程度上提升BP神經(jīng)網(wǎng)絡(luò)的尋優(yōu)能力，其模型構(gòu)建流程如圖4所示。

根據(jù)流程圖，基于SO-BP神經(jīng)網(wǎng)絡(luò)的溫室環(huán)境預(yù)測(cè)模型構(gòu)建具體步驟如下。

步驟1：將溫室內(nèi)外環(huán)境變量和設(shè)備控制狀態(tài)原始時(shí)間序列樣本進(jìn)行數(shù)據(jù)歸一化和小波閾值降噪等數(shù)據(jù)預(yù)處理操作。

步驟2：設(shè)置BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)參數(shù)，包括激活函數(shù)、訓(xùn)練函數(shù)、學(xué)習(xí)率Ir、訓(xùn)練誤差goal和最大迭代次數(shù)Epoch等參數(shù)。

步驟3：設(shè)置蛇優(yōu)化算法參數(shù)，包括初始化種群規(guī)模，最大迭代次數(shù)，食物數(shù)量[Q]，溫度[Temp]，食物閾值food_Threshold和溫度閾值T_Threshold等。

步驟4：計(jì)算適應(yīng)度值，蛇優(yōu)化算法適應(yīng)度函數(shù)設(shè)置為樣本預(yù)測(cè)誤差的范數(shù)。適應(yīng)度值越小越好，根據(jù)適應(yīng)度值更新雄性/雌性位置。按式（3）～式（18）進(jìn)行勘探階段、開發(fā)階段，尋找最優(yōu)個(gè)體。

步驟5：當(dāng)滿足最大迭代次數(shù)或訓(xùn)練誤差達(dá)到精度要求時(shí)，輸出全局最佳適應(yīng)度值GYbest并賦值給BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，基于最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)溫室室內(nèi)溫度、相對(duì)濕度。

3 試驗(yàn)結(jié)果與分析

3.1 參數(shù)設(shè)置

試驗(yàn)選取2 600組溫室數(shù)據(jù)預(yù)測(cè)，分別構(gòu)建BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型、哈里斯鷹算法優(yōu)化BP預(yù)測(cè)模型和蛇優(yōu)化算法優(yōu)化BP預(yù)測(cè)模型。訓(xùn)練集使用前70%的數(shù)據(jù)，剩下的30%作為測(cè)試集的數(shù)據(jù)。采用Matlab作為仿真環(huán)境，設(shè)置BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速率為0.01，訓(xùn)練誤差為10-3，訓(xùn)練次數(shù)為1 000次。隱含層的節(jié)點(diǎn)數(shù)目通過經(jīng)驗(yàn)公式（19）進(jìn)行選擇。

[n=2m+1] （19）

式中：[n]——隱含層的節(jié)點(diǎn)數(shù)目；

[m]——輸入層節(jié)點(diǎn)數(shù)目。

蛇優(yōu)化算法初始種群規(guī)模設(shè)置為50，迭代次數(shù)為100。食物閾值food_Threshold為0.25，溫度閾值T_Threshold為0.6，蛇優(yōu)化算法進(jìn)化收斂曲線圖5所示。

3.2 預(yù)測(cè)結(jié)果及分析

溫室內(nèi)溫度的預(yù)測(cè)結(jié)果如圖6所示，溫室內(nèi)濕度的預(yù)測(cè)結(jié)果如圖7所示。

為了檢驗(yàn)溫室環(huán)境的預(yù)測(cè)精度，將蛇優(yōu)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與BP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果、哈里斯鷹算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)（HHO-BP）的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比。

與此同時(shí)，為了更精確地評(píng)判溫室環(huán)境模型的預(yù)測(cè)效果，本試驗(yàn)根據(jù)均方根誤差RMSE、平均絕對(duì)誤差MAE、平均絕對(duì)百分比誤差MAPE和決定系數(shù)R2四種評(píng)價(jià)指標(biāo)對(duì)各模型預(yù)測(cè)結(jié)果進(jìn)行精度評(píng)定，結(jié)果如表1和表2所示。

通過以上仿真結(jié)果可以看出，SO-BP模型的溫度預(yù)測(cè)結(jié)果的MAE、MAPE、RMSE、R2值分別為0.481 3、2.237 8、0.672 9、0.956 4。與BP模型相比，評(píng)價(jià)指標(biāo)MAE、MAPE、RMSE分別降低了54.03%、53.52%、49.07%，R2提高了14.87%；與HHO-BP模型相比，評(píng)價(jià)指標(biāo)MAE、MAPE、RMSE分別降低了16.74%、18.29%、17.73%，R2提高了2.19%。

SO-BP模型的濕度預(yù)測(cè)結(jié)果的MAE、MAPE、RMSE、R2值分別為1.709 0、2.584 2、2.283 8、0.982 1。與BP模型相比，評(píng)價(jià)指標(biāo)MAE、MAPE、RMSE分別降低了67.22%、65.83%、63.16%，R2提高了13.12%。與HHO-BP模型相比，評(píng)價(jià)指標(biāo)MAE、MAPE、RMSE分別降低了38.66%、40.06%、33.58%，R2提高了2.37%。

由此可知，相比哈里斯鷹算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)，采用蛇優(yōu)化算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)對(duì)初始權(quán)值和閾值的尋優(yōu)能力更佳，并在一定程度上增強(qiáng)了溫室環(huán)境模型的預(yù)測(cè)效果。此外，SO-BP模型的針對(duì)溫度、濕度數(shù)據(jù)的訓(xùn)練時(shí)間相比于HHO-BP模型的訓(xùn)練時(shí)間分別縮短了64.60%、70.63%。綜上所述，通過蛇優(yōu)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)可用于溫室小氣候預(yù)測(cè)，進(jìn)而為開展溫室控制系統(tǒng)的構(gòu)建奠定了理論基礎(chǔ)。

4 結(jié)論

針對(duì)溫室溫濕度調(diào)控系統(tǒng)響應(yīng)速率慢等問題，本文提出基于SO-BP神經(jīng)網(wǎng)絡(luò)的溫室環(huán)境預(yù)測(cè)模型。

1） 試驗(yàn)結(jié)果表明，分別使用BP、HHO-BP和SO-BP模型對(duì)溫室溫濕度數(shù)據(jù)訓(xùn)練和預(yù)測(cè)，SO-BP模型預(yù)測(cè)結(jié)果更佳，溫度預(yù)測(cè)結(jié)果的R2比BP模型、HHO-BP模型的分別提高14.87%、2.19%，濕度預(yù)測(cè)結(jié)果的R2分別提高13.12%、2.37%。SO-BP模型溫度預(yù)測(cè)指標(biāo)MAE、MAPE、RMSE值分別為0.481 3、2.237 8、0.672 9，濕度預(yù)測(cè)指標(biāo)值分別為1.709 0、2.584 2、2.283 8，均小于BP、HHO-BP模型評(píng)價(jià)指標(biāo)的誤差，驗(yàn)證其可靠性以及良好的預(yù)測(cè)性能。

2） 基于SO-BP神經(jīng)網(wǎng)絡(luò)的溫室環(huán)境預(yù)測(cè)模型能較為準(zhǔn)確地預(yù)測(cè)15 min內(nèi)的溫室小氣候數(shù)據(jù)，同時(shí)作為溫室精準(zhǔn)控制系統(tǒng)的輸入?yún)?shù)，可為溫室多目標(biāo)環(huán)境優(yōu)化控制提供指導(dǎo)作用。

3） 本研究在溫室環(huán)境預(yù)測(cè)上具有一定的突破性，但從作物生長(zhǎng)的全周期角度來看，并未考慮模型的通用性，后續(xù)研究可將作物各個(gè)生長(zhǎng)期的數(shù)據(jù)納入進(jìn)來。

參 考 文 獻(xiàn)

[ 1 ] 晉春， 毛罕平， 馬國(guó)鑫， 等. 基于改進(jìn)遺傳算法的溫室環(huán) 境動(dòng)態(tài)優(yōu)化控制[J]. 江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2022， 43（2）： 169-177.

Jin Chun， Mao Hanping， Ma Guoxin， et al. Dynamic optimal control of greenhouse environment based on improved genetic algorithm [J]. Journal of Jiangsu University （Natural Science Edition）， 2022， 43（2）： 169-177.

[ 2 ] 喬小丹， 鄭文剛， 張馨， 等. 基于LSTM-GRU的日光溫室環(huán)境預(yù)測(cè)方法研究[J]. 江蘇農(nóng)業(yè)科學(xué)， 2022， 50（16）： 211-218.

[ 3 ] 李師. 基于改進(jìn)灰狼算法的溫室溫濕度預(yù)測(cè)與控制[D]. 保定： 河北農(nóng)業(yè)大學(xué)， 2021.

[ 4 ] 張建超， 單慧勇， 景向陽， 等. 基于Elman神經(jīng)網(wǎng)絡(luò)的溫室環(huán)境因子預(yù)測(cè)方法[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 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.

[ 5 ] 田東， 韋鑫化， 王悅， 等. 基于MA-ARIMA-GASVR的食用菌溫室溫度預(yù)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2020， 36（3）： 190-197.

Tian Dong， Wei Xinhua， Wang Yue， et al. Prediction of temperature in edible fungi greenhouse based on MA-ARIMA-GASVR [J]. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（3）： 190-197.

[ 6 ] 徐宇，冀榮華. 基于復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)的智能溫室溫度預(yù)測(cè)研究[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2019， 40（4）： 174-178.

Xu Yu， Ji Ronghua. Research on temperature prediction of intelligent greenhouse based on complex neural network [J]. Journal of Chinese Agricultural Mechanization， 2019， 40（4）： 174-178.

[ 7 ] 任守綱， 劉鑫， 顧興健， 等. 基于R-BP神經(jīng)網(wǎng)絡(luò)的溫室小氣候多步滾動(dòng)預(yù)測(cè)模型[J]. 中國(guó)農(nóng)業(yè)氣象， 2018， 39（5）： 314-324.

Ren Shougang， Liu Xin， Gu Xingjian， 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.

[ 8 ] Rasheed A， Kwak C S， Na W H， et al. Development of a building energy simulation model for control of multi?span greenhouse microclimate [J]. Agronomy， 2020， 10（9）： 1236.

[ 9 ] 尹慶珍， 張?zhí)觳撸?郄麗娟， 等. 基于廣義回歸神經(jīng)網(wǎng)絡(luò)異質(zhì)復(fù)合墻體日光溫室溫度場(chǎng)的預(yù)測(cè)[J]. 中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2019， 24（6）： 137-146.

Yin Qingzhen， Zhang Tiance， Qie Lijuan， et al. Temperature field prediction and application of heterogeneous composite wall in solar greenhouse based on general regression neural network [J]. Journal of China Agricultural University， 2019， 24（6）： 137-146.

[10] 柴偉家. 基于神經(jīng)網(wǎng)絡(luò)的溫室溫濕度預(yù)測(cè)與控制[D]. 泰安： 山東農(nóng)業(yè)大學(xué)， 2021.

Chai Weijia. Prediction and control of temperature and humidity in greenhouse based on neural network [D]. Tai'an：Shandong Agricultural University， 2021.

[11] Jung D H， Kim H S， Jhin C， et al. Time?serial analysis of deep neural network models for prediction of climatic conditions inside a greenhouse [J]. Computers and Electronics in Agriculture， 2020， 173： 105402.

[12] 程陳， 馮利平， 董朝陽， 等. 利用Elman神經(jīng)網(wǎng)絡(luò)的華北棚型日光溫室室內(nèi)環(huán)境要素模擬[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 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.

[13] 許童羽， 王瀧， 張曉博， 等. RBF神經(jīng)網(wǎng)絡(luò)在北方日光溫室濕度模擬預(yù)測(cè)中的應(yīng)用[J]. 沈陽農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2014， 45（6）： 726-730.

Xu Tongyu， Wang Long， Zhang Xiaobo， et al. Application of RBF neural network in humidity simulation and prediction of northern sunlight greenhouse [J]. Journal of Shenyang Agricultural University， 2014， 45（6）： 726-730.

[14] Wang Hongkang， Li Li， Wu Yong， et al. Recurrent neural network model for prediction of microclimate in solar greenhouse [J]. IFAC?PapersOnLine， 2018， 51（17）： 790-795.

[15] 郁瑩珺， 徐達(dá)宇， 壽國(guó)忠， 等. 基于經(jīng)驗(yàn)?zāi)B(tài)分解和小波神經(jīng)網(wǎng)絡(luò)的溫室溫濕度預(yù)測(cè)[J]. 江蘇農(nóng)業(yè)科學(xué)， 2019， 47（1）： 211-216.

[16] 張坤鰲， 趙凱. 基于改進(jìn)CFA PSO-RBF神經(jīng)網(wǎng)絡(luò)的溫室溫度預(yù)測(cè)研究[J]. 計(jì)算機(jī)應(yīng)用與軟件， 2020， 37（6）： 95-99， 107.

Zhang Kunao， Zhao Kai. Greenhouse temperature prediction based on improved CFA PSO-RBF neural network [J]. Computer Applications and Software， 2020， 37（6）： 95-99， 107.

[17] 蔡淑芳， 林營(yíng)志， 吳寶意， 等. 利用線性和非線性耦合方式建立溫室溫濕度預(yù)測(cè)模型[J]. 中國(guó)農(nóng)業(yè)氣象， 2022， 43（7）： 527-537.

Cai Shufang， Lin Yingzhi， Wu Baoyi， et al. Greenhouse temperature and humidity prediction models based on linear and nonlinear coupling methods [J]. Chinese Journal of Agrometeorology， 2022， 43（7）： 527-537.

[18] Heidari A A， Mirjalili S， Faris H， et al. Harris hawks optimization： Algorithm and applications [J]. Future Generation Computer Systems， 2019， 97： 849-872.

[19] 張雪花. 基于灰色粒子群算法的溫室環(huán)境多目標(biāo)優(yōu)化控制研究[D]. 合肥： 安徽農(nóng)業(yè)大學(xué)， 2017.

[20] Hashim F A， Hussien A G. Snake optimizer： A novel meta?heuristic optimization algorithm [J]. Knowledge?Based Systems， 2022， 242： 108320.