基于GA-BP的NFT水培生菜根區(qū)溫度預(yù)測

摘要：營養(yǎng)液膜栽培技術(shù)（Nutrient Film Technique，NFT）模式下，作物對環(huán)境變化更加敏感。為保障作物根區(qū)環(huán)境條件合理，需要精準調(diào)控栽培管道內(nèi)的溫度，從而有效提高水培生菜品質(zhì)，同時降低整體溫室環(huán)境調(diào)控能耗。采用遺傳算法（Genetic Algorithm，GA）優(yōu)化BP神經(jīng)網(wǎng)絡(luò)模型的輸入權(quán)重和閾值，以單個NFT栽培槽為研究對象，對槽內(nèi)根區(qū)不同的監(jiān)測區(qū)域分別構(gòu)建溫度預(yù)測模型，并與標(biāo)準的BP神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）模型進行對比。結(jié)果表明，GA-BP預(yù)測模型與標(biāo)準BP和CNN神經(jīng)網(wǎng)絡(luò)模型相比，均方根誤差分別降低0.82和0.42，平均絕對誤差分別降低0.54和0.25，絕對系數(shù)分別提高0.08和0.03。該方法可提高基于BP神經(jīng)網(wǎng)路算法對NFT根區(qū)溫度預(yù)測模型精確度，為根區(qū)溫度的精準控制提供可靠依據(jù)。

關(guān)鍵詞：水培生菜；營養(yǎng)液膜技術(shù)；根區(qū)溫度預(yù)測；神經(jīng)網(wǎng)絡(luò)；遺傳算法

中圖分類號：S636.2； TP391" " " 文獻標(biāo)識碼：A" " " 文章編號：2095?5553 （2024） 08?0189?07

Root zone temperature prediction of NFT hydroponic lettuce based on GA-BP

Liu Yimeng1， Pan Shoujiang2， Ding Xiaoming2， Wang Huiqiang1， Du Yazun3， Feng Zuolong4

（1. College of Mechanical and Electrical Engineering， Hebei Agricultural University， Baoding， 071001， China；"2. Academy of Agricultural Planning and Engineering， Ministry of Agriculture and Rural Affairs， Beijing， 100125， China；3. Hebei Agricultural Machinery Appraisal Station， Shijiazhuang， 050031， China；"4. Hebei Agricultural Mechanization Technology Extension Station， Shijiazhuang， 050000， China；）

Abstract： Under the mode of Nutrient Film Technique （NFT）， crops are more sensitive to environmental changes. In order to ensure reasonable environmental conditions in the root zone of crops， it is necessary to accurately regulate the temperature in the cultivation pipeline， so as to effectively improve the quality of hydroponic lettuce and reduce the overall energy consumption of greenhouse environmental regulation. In this study， Genetic Algorithm （GA） was used to optimize the input weights and thresholds of the BP neural network model. Taking a single NFT cultivation tank as the research object， temperature prediction models were constructed for different monitoring regions in the root zone of the tank. The Convolutional Neural Network （CNN） models are compared with the standard BP neural network and convolutional neural network. The results show that compared with the standard BP and CNN neural network models， the root mean square error of the GA-BP prediction model is reduced by 0.82 and 0.42， the average absolute error is reduced by 0.54 and 0.25， and the absolute coefficient is increased by 0.08 and 0.03， respectively. This method improves the accuracy of NFT root?zone temperature prediction model based on BP neural network algorithm and provides a reliable basis for the precise control of root?zone temperature.

Keywords： nutrient solution membrane technology; neural networks; root zone temperature prediction

0 引言

NFT是水培葉菜商業(yè)化最廣泛使用的栽培模式之一，植物的根系生長在栽培槽中，營養(yǎng)液通過栽培槽不斷循環(huán)，從而給植物提供必要的營養(yǎng)和水分[1]。NFT栽培槽內(nèi)部是一個復(fù)雜的小氣候環(huán)境，作用于作物根區(qū)，對作物生長產(chǎn)生直接影響。受內(nèi)外部環(huán)境干擾，栽培槽內(nèi)部溫度具有時變、滯后、強干擾、多耦合等特征[2]。以NFT常見作物品類生菜為例，根區(qū)溫度直接影響生菜生長速度、葉片分化數(shù)量和質(zhì)量[3]。根系長時間暴露在異常低溫或高溫下，會導(dǎo)致植株病變，給栽培者造成重大經(jīng)濟損失[4]。因此科學(xué)準確的預(yù)測栽培槽內(nèi)溫度、根據(jù)預(yù)測結(jié)果及時將栽培槽內(nèi)的溫度控制在適宜的區(qū)間是保證生菜正常生長的前提，能夠有效抵御外部環(huán)境變化、降低風(fēng)險和維持生產(chǎn)穩(wěn)定性。

國內(nèi)外學(xué)者對溫度預(yù)測建模主要從兩方面展開，一是機理模型，二是數(shù)據(jù)模型。機理模型存在建模復(fù)雜、未知參數(shù)眾多和模型自適應(yīng)差等問題，在溫度預(yù)測方面難以快速搭建模型[5]。數(shù)據(jù)模型直接根據(jù)輸入輸出數(shù)據(jù)構(gòu)建關(guān)聯(lián)映射進行建模預(yù)測，Jung 等[6]通過測試3個基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型（人工神經(jīng)網(wǎng)絡(luò)，ANN；非線性自回歸外生模型，NARX；和遞歸神經(jīng)網(wǎng)絡(luò)-長短期記憶，RNN-LSTM）得出預(yù)測室內(nèi)溫度環(huán)境變化的最佳方法，從而改進管理策略。Tsai 等[7]結(jié)合天氣預(yù)報數(shù)據(jù)、數(shù)值模型和機器學(xué)習(xí)方法來預(yù)測溫室土壤的溫度和含水量，結(jié)果顯示隨機森林模型比其他模型的預(yù)測更準確，通過預(yù)測結(jié)果得到水的最佳管理，并為智能溫室管理提供智能信息。Fan等[8]采用粒子群算法（PSO）對支持向量機回歸（SVR）的超參數(shù)進行優(yōu)化，有效的改善了溫室內(nèi)部溫度預(yù)測模型的預(yù)測滯后問題。陳昕等[9]采用二次聚類與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的二步預(yù)測方法對日光溫室內(nèi)部溫度進行預(yù)測，有效的將典型天氣與季節(jié)分類，提高了預(yù)測精度，但仍存在泛化能力差等問題。任守綱等[10]采用滾動的反向傳播神經(jīng)網(wǎng)絡(luò)（R-BP）構(gòu)建了多步滾動模型，能夠較準確的預(yù)測未來6 h內(nèi)溫室小氣候環(huán)境變化。

通過數(shù)據(jù)模型對溫度進行預(yù)測能達到較高的精度，而BP神經(jīng)網(wǎng)絡(luò)是數(shù)據(jù)模型當(dāng)中最典型的神經(jīng)網(wǎng)絡(luò)。Pi 等[11]構(gòu)建了反向傳播人工神經(jīng)網(wǎng)絡(luò)輔助的對偶五次方程（BP-ANN-QE）模型用來預(yù)測草籽種子發(fā)芽的最佳溫度，結(jié)果顯示該模型預(yù)測效果優(yōu)于其他模型。王傳旭等[12]提出了基于BP神經(jīng)網(wǎng)絡(luò)的糧堆溫度場的預(yù)測模型，采用Kriging插值法對模型進行優(yōu)化，對比于傳統(tǒng)的糧堆溫度單點預(yù)測算法，該模型能夠較好的預(yù)測溫度場溫度變化趨勢。程嘉蔚等[13]通過對比BP神經(jīng)網(wǎng)絡(luò)和自適應(yīng)變異的粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對倉內(nèi)稻谷溫度進行預(yù)測，結(jié)果表明采用自適應(yīng)變異的粒子群算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型對稻谷最高溫度的預(yù)測具有更高的準確性。

綜上，BP神經(jīng)網(wǎng)絡(luò)能夠應(yīng)用在溫度預(yù)測領(lǐng)域，但運用BP神經(jīng)網(wǎng)絡(luò)來預(yù)測溫度變化趨勢，極易落入誤差函數(shù)局部極小點出現(xiàn)收斂速度緩慢和預(yù)測精度低等一些問題[14]。在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上加入遺傳算法（GA），模型具有較高的收斂速度和準確度。目前，GA-BP模型已在溫室、糧倉內(nèi)溫濕度預(yù)測[15， 16]以及作物產(chǎn)量預(yù)測[17， 18]等方面取得進展；而在NFT栽培槽內(nèi)溫度預(yù)測方面，目前尚未有學(xué)者進行探究，為此，本文提出基于GA算法優(yōu)化BP模型的方法，對NFT栽培槽內(nèi)作物根區(qū)溫度的變化進行預(yù)測，以期為NFT水培生菜根區(qū)的溫度預(yù)測模型構(gòu)建提供理論依據(jù)。

1 材料與方法

1.1 試驗材料

試驗地點位于河北省廊坊市永清縣農(nóng)業(yè)農(nóng)村部規(guī)劃設(shè)計研究院永清精準試驗基地（39°23'N，116°44'E）。試驗數(shù)據(jù)收集在2022年12月至2023年1月，種植對象奶油生菜，試驗采用NFT栽培槽截面寬度10 cm，高度8 cm，長度7 m，東西方向放置，坡度1%，單根可種植34棵生菜。營養(yǎng)液管理采用供液5 min間歇30 min循環(huán)執(zhí)行方式。

1.2 試驗設(shè)計

本試驗在冬季連棟玻璃溫室加溫情況下進行，距離栽培槽東部2.5 m處溫度監(jiān)測點為區(qū)域1，距離東部5 m處溫度監(jiān)測點為區(qū)域2。以栽培槽為中心，區(qū)域1和區(qū)域2的生菜根部區(qū)域布置溫度探頭，在兩區(qū)域栽培槽的頂端與底部分別布置溫度探頭，距離栽培槽頂部30 cm處安放空氣濕度傳感器，在營養(yǎng)液池內(nèi)部布置溫度探頭以及在溫室周圍的暖氣壁上放置溫度探頭，共9個測點，溫室外部溫度、室外相對濕度以及室外太陽輻射等天氣數(shù)據(jù)來源于農(nóng)業(yè)農(nóng)村部規(guī)劃設(shè)計研究永清精準實驗基地內(nèi)的氣象站監(jiān)測得到。溫度監(jiān)測點布置及根部立面圖如圖1所示。試驗測定的數(shù)據(jù)包括溫室濕度、槽內(nèi)根區(qū)溫度、槽頂部溫度、槽底部溫度、室內(nèi)暖氣溫度和營養(yǎng)液溫度。根區(qū)溫度以及槽表面溫度采用北京聚英翱翔電子有限公司生產(chǎn)的DAM-PT16型數(shù)據(jù)采集器進行采集，所用測量溫度探頭型號為PT100貼片式鉑電阻，數(shù)據(jù)采集頻率為1 min/次，儀器測定精度為±0.1 ℃，室內(nèi)相對濕度采用HOBO濕度傳感器進行采集，精度為±2.5%，溫室外部空氣溫度和相對濕度等天氣數(shù)據(jù)采用Hortimax氣象站監(jiān)測的氣象資料，型號為CX-CAB IPC 96 IO，數(shù)據(jù)監(jiān)測頻率為1 min/次，精度為±0.3 ℃。

1.3 影響因素相關(guān)性分析

栽培槽為鋁合金管道型材，截面近似矩形，栽培槽兩端開放與溫室內(nèi)部的空氣相通，根區(qū)溫度變化受到室內(nèi)濕度、栽培槽頂部溫度、栽培槽底部溫度、溫室內(nèi)部暖氣溫度、室外空氣溫度、室外風(fēng)速、室外空氣濕度、室外光照輻射強度以及營養(yǎng)液液池內(nèi)營養(yǎng)液溫度等的影響。在實際監(jiān)測的基礎(chǔ)上，利用皮爾遜（Pearson）相關(guān)分析方法（Plt;0.05），進一步篩選根區(qū)溫度變化的相關(guān)影響因素，如表1所示。

從表1可以看出，生菜根區(qū)溫度與光照輻射強度、溫室內(nèi)部暖氣溫度和室外空氣溫度呈現(xiàn)較強的正相關(guān)性，其中區(qū)域1相關(guān)系數(shù)分別為0.86、0.68和0.72，區(qū)域2相關(guān)系數(shù)分別為0.83、0.66和0.70；同時生菜根區(qū)溫度與室外空氣濕度呈現(xiàn)負相關(guān)性，其中區(qū)域1相關(guān)系數(shù)為-0.47，區(qū)域2相關(guān)系數(shù)為-0.47。因此表明，生菜根區(qū)溫度受光照輻射強度、溫室內(nèi)部暖氣溫度、室外空氣溫度和室外空氣濕度影響較大；此外，生菜根區(qū)溫度與室外風(fēng)速也具有一定的相關(guān)性，其中區(qū)域1相關(guān)系數(shù)為0.21，區(qū)域2相關(guān)系數(shù)為0.22。生菜根區(qū)溫度與栽培槽頂部溫度與栽培槽底部溫度具有較強的線性相關(guān)性，其中區(qū)域1相關(guān)系數(shù)分別為0.99和0.99，區(qū)域2相關(guān)系數(shù)分別為0.99和0.99，因素之間的線性相關(guān)性太強雖然會提高模型的精度，但是會使模型的泛化性降低，因此篩除栽培槽頂部和底部溫度。生菜根區(qū)溫度與溫室內(nèi)部空氣濕度和營養(yǎng)液溫度具有較低的相關(guān)性，其中區(qū)域1相關(guān)系數(shù)分別為0.08和-0.05，區(qū)域2相關(guān)系數(shù)分別為0.08和-0.05，因素之間相關(guān)性太低會降低模型的預(yù)測效率[8]，因此篩除溫室內(nèi)部空氣濕度與營養(yǎng)液溫度。

篩選室外光照輻射強度、溫室內(nèi)部暖氣溫度、室外空氣溫度、室外空氣濕度和室外風(fēng)速作為栽培槽內(nèi)不同監(jiān)測點的根區(qū)溫度預(yù)測的外部影響因素。

2 模型構(gòu)建

2.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是溫度預(yù)測領(lǐng)域常用的分層網(wǎng)絡(luò)，結(jié)構(gòu)包括輸入層、隱含層和輸出層[14]。圖2為根區(qū)預(yù)測的三層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖。該研究采用室外光照輻射強度、溫室內(nèi)部暖氣溫度、室外空氣溫度、室外空氣濕度以及室外風(fēng)速作為模型的輸入項，輸出項為栽培槽內(nèi)根區(qū)溫度。如圖2所示，中間隱藏層節(jié)點數(shù)為[L]；[ωpl]為5 個外部影響因素輸入層與隱藏層連權(quán)值， ℃；[ωlm]為隱藏層與輸出項根區(qū)溫度的連接權(quán)值，℃。

從輸入層到隱含層的計算式為

[Sl=p=1Pωpl xp+c1" " p=1，2，3，…，P ;" l=1，2，3，…，L] （1）

由隱藏層到輸出層的計算式為

[Sm=l=1Lωlmf1Sl+c2] （2）

式中：[xp]——輸入變量，℃；

[c1]——隱含層閾值，℃；

[c2]——輸出層閾值，℃；

[f1（Sl）]——隱藏層輸出結(jié)果，℃；

[m]——輸出層個數(shù)，個；

[f1]——隱含層到輸出層的激活函數(shù)。

2.2 遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

為克服極易落入誤差函數(shù)局部極小點和收斂速度緩慢等問題，在BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上引入遺傳算法，其具備全局搜索功能，采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)后，其模型具有較高收斂速度和準確度，遺傳算法的作用是優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閥值，種群中的每個個體都包含了BP神經(jīng)網(wǎng)絡(luò)的所有權(quán)值和閾值。通過計算誤差，得到個體適應(yīng)度值，通過選擇、交叉和變異操作找到最優(yōu)適應(yīng)度值個體，對最優(yōu)個體進行解碼，將得到的權(quán)值和閾值傳遞給BP神經(jīng)網(wǎng)絡(luò)，再進行訓(xùn)練。

遺傳算法的基本思路為一個需要優(yōu)化的種群，在根據(jù)適者生存的基礎(chǔ)上，逐代進化，將進化后具有較好的適應(yīng)度種群留下并遺傳到下一代，在此過程中還需要對其進行交叉和變異的操作，使其產(chǎn)生具有更好適應(yīng)度的新種群。遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)流程如圖3所示。

2.2.1 編碼方式

該研究采用實數(shù)編碼方法，編碼值為編碼范圍內(nèi)的隨機數(shù)，縮短了編碼字符串長度，無需頻繁編解碼。在提高算法效率的同時，更接近問題空間，提高了求解精度，避免了局部極值問題。

2.2.2 適應(yīng)度函數(shù)

將個體中的權(quán)值和閾值信息賦值給BP神經(jīng)網(wǎng)絡(luò)，通過訓(xùn)練外部影響數(shù)據(jù)集對網(wǎng)絡(luò)進行訓(xùn)練，將訓(xùn)練集根區(qū)溫度預(yù)測值與實測值之間誤差的絕對值之和[E]作為個體的適應(yīng)度值[F]，適應(yīng)度計算如式（2）、式（3）所示。

[F=k（i=1nti-zi）]" " " " " " （3）

式中：[k]——系數(shù)；

[n]——根區(qū)溫度訓(xùn)練集樣本個數(shù)，個；

[ti]——第[i]個樣本的實測值，℃；

[zi]——第[i]個樣本的根區(qū)溫度預(yù)測值，℃。

2.2.3 選擇操作

本文使用應(yīng)用廣泛且操作簡單的輪盤賭算法，選擇操作如式（4）、式（5）所示。

[fi=kFi]" " " " " " " " " " " （4）

[Pi=fij=1Nfj]" " " " " " " " " （5）

式中： [fi]——基于適應(yīng)度比例的選擇策略；

[Fi]——個體適應(yīng)度值，℃；

[Pi]——個體被選擇的概率；

[N]——種群個體數(shù)目，個。

2.2.4 交叉操作

采用實數(shù)融合交叉法，將符合交叉概率的兩個個體在隨機位置上的編碼進行隨機融合，產(chǎn)生兩個新個體。交叉操作如式（6）所示。

[cuv=cuv（1-s）+cwvscwv=cwv（1-s）+cwvs]" " " " " " " （6）

式中：[cuv]、[cwv]——第[u]個個體[cu]和第[w]個個體[cw]在隨" " " " " " " " " " " " 機位置[v]進行交叉操作；

[s]——[0，1]之間的隨機數(shù)。

2.2.5 變異操作

變異操作能夠加速收斂于最優(yōu)解，同時維持了種群的多樣性，該研究采用實數(shù)變異方式。變異操作如式（7）、式（8）所示。

[cuv=cuv+（cuv-cmax）?f（g）" " " tgt;0.5cuv+（cmin-cuv）?f（g）" " " t≤ 0.5] （7）

[f（g）=x（1-gGmax）2]" " " " " " " " " " " " " "（8）

式中：[cuv]——第[u]個個體的第[v]個基因進行變異；

[cmax]——編碼上界；

[cmin]——編碼下界；

[t]——[0，1]之間的隨機數(shù)；

[x]——一個隨機數(shù)；

[f（g）]——變異函數(shù)；

[g]——當(dāng)前迭代數(shù)；

[Gmax]——預(yù)設(shè)的最大進化次數(shù)。

2.2.6 其他參數(shù)

在遺傳算法開始之前還需要設(shè)定迭代次數(shù)、種群規(guī)模、交叉概率和變異概率。由于迭代次數(shù)和種群規(guī)模直接影響搜索精度和算法效率，綜合以上兩點考慮，迭代次數(shù)最終設(shè)置為200 次，種群規(guī)模為50 個，交叉概率為0.4，變異概率為0.05。

2.3 數(shù)據(jù)處理及模型評價

本文中所用數(shù)據(jù)集包含從2022年12月29日—2023年1月29日共計1 536組監(jiān)測數(shù)據(jù)。將這些數(shù)據(jù)分成2個數(shù)據(jù)集，將監(jiān)測數(shù)據(jù)的前94%（2022年12月29日—2023年1月27日）用于模型訓(xùn)練，剩余6%的監(jiān)測數(shù)據(jù)（2023年1月28—29日）用于模型驗證。

采用MATLAB2021a對神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練和驗證。對模型預(yù)測性能的評價指標(biāo)采用均方根誤差（Root Mean Squared Error，RMSE）平均絕對誤差（Mean Absolute Error，MAE）和決定系數(shù)（R2），計算如式（9）～式（11）所示。

[RMSE=1Mi=1M（xi-yi）2]" "（9） [MAE=1Mi=1Mxi-yi]" " " " " " " "（10）

[R2=i=1M（xi-yi）2i=1M（yi-yi）2]" " " " " " " " （11）

式中：[xi]——根區(qū)溫度預(yù)測值，℃；

[yi]——根區(qū)溫度實測值，℃；

[yi]——根區(qū)溫度實測平均值，℃；

[M]——樣本數(shù)量，個。

2.4 模型隱含層參數(shù)選取

在實際的應(yīng)用當(dāng)中，大多數(shù)學(xué)者會根據(jù)Kolmogorov定理來確定隱含層節(jié)點的數(shù)量[14]，并通過對具有不同隱含層節(jié)點數(shù)的網(wǎng)絡(luò)進行試驗，比較預(yù)測結(jié)果的評價指標(biāo)，結(jié)果如表2所示。

隨著隱含層節(jié)點數(shù)目的降低[RMSE]與[MEA]逐漸變小，直到隱含層節(jié)點個數(shù)為5時達到最小，其中區(qū)域1分別為1.19和0.93，區(qū)域2分別為1.24和0.99，[R2]在隱含層節(jié)點個數(shù)為5時達到最大，其中區(qū)域1為0.96，區(qū)域2為0.95，最終確定隱含層節(jié)點數(shù)為5，最終確定本試驗網(wǎng)格結(jié)構(gòu)是5-5-1。Kolmogorov參考如式（12）所示。

[Llt;p+q+α]" " " " " nbsp; " " （12）

式中：[q]——輸入層神經(jīng)元節(jié)點個數(shù)，個；

[p]——輸出層神經(jīng)元節(jié)點個數(shù)，個；

[α]——1～10之間的常數(shù)。

3 結(jié)果與分析

3.1 預(yù)測結(jié)果分析

為了驗證本文提出的GA-BP的模型的性能，選擇標(biāo)準的BP、CNN神經(jīng)網(wǎng)絡(luò)進行試驗對照。標(biāo)準BP、

CNN均采用和GA-BP網(wǎng)絡(luò)模型相同的輸入?yún)?shù)、輸出參數(shù)和預(yù)測時間步長。在標(biāo)準BP和CNN神經(jīng)網(wǎng)絡(luò)均為三層網(wǎng)絡(luò)，隱藏層單元數(shù)均為5，學(xué)習(xí)率均為0.01，迭代次數(shù)均為200的條件下。將標(biāo)準BP、CNN和GA-BP三種模型對栽培槽內(nèi)不同監(jiān)測點處根區(qū)溫度進行預(yù)測，各模型在測試集上的預(yù)測曲線如圖4所示。圖4顯示，標(biāo)準的BP和CNN預(yù)測誤差相對較大，BP模型的誤差在波峰、波谷和鋸齒波動較為劇烈的附近處誤差較大，而CNN模型的誤差在預(yù)測數(shù)據(jù)的波峰以及末端較大。而本文提出的GA-BP模型預(yù)測曲線更接近槽內(nèi)根區(qū)溫度的實測值，特別是在波峰處的預(yù)測效果更優(yōu)于其他模型。

3.2 不同區(qū)域模型性能對比

為進一步驗證模型的預(yù)測精度和模型預(yù)測能力，選擇[RMSE]、[MEA]和[R2]這3個模型評價指標(biāo)來衡量3種模型的預(yù)測性能，表3給出在不同區(qū)域下3種模型的溫度預(yù)測結(jié)果。

在區(qū)域1情況下，GA-BP模型的[RMSE]為1.12，[MAE]為0.93，[R]2為0.96。與標(biāo)BP模型相比，評價指標(biāo)[RMSE]和[MAE]分降低了48.12%和36.73%，[R]2增加了13.10%；與標(biāo)準CNN相比，評價指標(biāo)[RMSE]和[MAE]分別降低了27.27%和21.19%，[R]2增加了3.23%。

在區(qū)域2情況下，GA-BP模型的[RMSE]為1.24，[MAE]為0.99，[R]2為0.95。與標(biāo)準BP模型相比，評價指標(biāo)[RMSE]和[MAE]分別降低了42.27%和42.44%，[R]2增加了9.09%；與標(biāo)準CNN相比，評價指標(biāo)[RMSE]和[MAE]分別降低了25.30%和23.26%，[R]2增加了4.40%。

從模型預(yù)測的評價指標(biāo)來看，本文提出的GA-BP模型無論在區(qū)域1還是區(qū)域2的情況下，預(yù)測精度都比標(biāo)準的BP和CNN模型高。

由表3可知，采用GA-BP模型預(yù)測不同溫度監(jiān)測點處的根區(qū)溫度，相比區(qū)域2，區(qū)域1的[RMSE]降低了0.12，[MAE]降低了0.06，[R2]提高了0.01，區(qū)域1的預(yù)測結(jié)果要優(yōu)于區(qū)域2。綜上所述，本文所提出的GA-BP神經(jīng)網(wǎng)絡(luò)能夠較精準地預(yù)測槽內(nèi)根區(qū)溫度，能夠為根區(qū)精準調(diào)控溫度提供有效的技術(shù)支撐。

4 結(jié)論

本文通過皮爾遜相關(guān)分析法對根區(qū)外部環(huán)境因素進行篩選。選用遺傳算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對槽內(nèi)不同溫度監(jiān)測點處的根區(qū)溫度構(gòu)建預(yù)測模型，并驗證模型的精度。與傳統(tǒng)的BP和CNN神經(jīng)網(wǎng)絡(luò)進行對比。對不同區(qū)域處的預(yù)測模型進行對比。

1） 采用GA-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建的生菜根區(qū)預(yù)測模型，預(yù)測值與測量值變化趨勢較為一致，預(yù)測模型的[ RMSE] 為1.12℃，[MAE ]為0.93℃，[R2] 為0.96，通過與常規(guī)的BP和CNN神經(jīng)網(wǎng)絡(luò)對比該模型具有更高的預(yù)測精度。可有效對栽培槽內(nèi)根區(qū)溫度進行預(yù)測。

2） 通過對單個NFT栽培槽內(nèi)部不同溫度監(jiān)測點區(qū)域1與區(qū)域2分別構(gòu)建預(yù)測模型，通過對比發(fā)現(xiàn)相比于區(qū)域2，區(qū)域1的[ RMSE ]降低0.12，[MAE ]降低0.06，[R2] 提高0.01。區(qū)域1的預(yù)測結(jié)果要優(yōu)于區(qū)域2。表明離外部環(huán)境近，預(yù)測結(jié)果較為精準。

參 考 文 獻

[ 1 ] 張永芳， 王芳. 基于SSA-RBF網(wǎng)絡(luò)的日光溫室溫濕度預(yù)測模型研究[J]. 河北農(nóng)業(yè)大學(xué)學(xué)報， 2021， 44（3）： 115-121.

Zhang Yongfang， Wang Fang. Study on temperature and humidity prediction model of solar greenhouse based on SSA-RBF network [J]. Journal of Hebei Agricultural University， 2021， 44（3）： 115-121.

[ 2 ] 毛曉娟， 鮑彤， 荀廣連， 等. 基于GWO-LSTM的設(shè)施蔬菜溫室溫度預(yù)測[J]. 中國農(nóng)機化學(xué)報， 2023， 44（1）： 116-123.

Mao Xiaojuan， Bao Tong， Xun Guanglian， et al. Prediction of temperature in the greenhouse of vegetable growing based on GWO-LSTM [J]. Journal of Chinese Agricultural Mechanization， 2023， 44（1）： 116-123.

[ 3 ] Carotti L， Graamans L， Puksic F， et al. Plant factories are heating up： Hunting for the best combination of light intensity， air temperature and root?zone temperature in lettuce production [J]. Frontiers in Plant Science， 2021， 11： 592171.

[ 4 ] 何芬， 丁小明， 司長青. 溫室作物根區(qū)溫度調(diào)控技術(shù)現(xiàn)狀和發(fā)展趨勢[J]. 農(nóng)業(yè)工程技術(shù)， 2022， 42（31）： 12-16.

[ 5 ] 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)測方法[J]. 中國農(nóng)機化學(xué)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.

[ 6 ] 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.

[ 7 ] Tsai Y Z， Hsu K S， Wu H Y， et al. Application of random forest and ICON models combined with weather forecasts to predict soil temperature and water content in a greenhouse [J]. Water， 2020， 12（4）： 1176.

[ 8 ] Fan L， Ji Y， Wu G. Research on temperature prediction model in greenhouse based on improved SVR [C]. Journal of Physics： Conference Series. IOP Publishing， 2021， 1802（4）： 042001.

[ 9 ] 陳昕， 唐湘璐， 李想， 等. 二次聚類與神經(jīng)網(wǎng)絡(luò)結(jié)合的日光溫室溫度二步預(yù)測方法[J]. 農(nóng)業(yè)機械學(xué)報， 2017， 48（S1）： 353-358.

Chen Xin， Tang Xianglu， Li Xiang， et al. Two?steps prediction method of temperature in solar greenhouse based on twice cluster analysis and neural network [J]. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（S1）： 353-358.

[10] 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預(yù)測模型[J]. 中國農(nóng)業(yè)氣象， 2018， 39（5）： 314-324.

Ren Shougang， Liu Xin， Gu Xinjian， et al. Multi?step rolling prediction model of greenhouse microclimate based on R-BP neural network [J]. Chinese Agrometeorology， 2018， 39（5）： 314-324.

[11] Pi E， Mantri N， Ngai S M， et al. BP-ANN for fitting the temperature?germination model and its application in predicting sowing time and region for Bermudagrass [J]. Plos One， 2013， 8（12）： e82413.

[12] 王傳旭， 王康， 陳林， 等. 基于Kriging插值和BP神經(jīng)網(wǎng)絡(luò)結(jié)合的糧倉溫度場預(yù)測模型研究及實現(xiàn)[J]. 中國農(nóng)業(yè)科技導(dǎo)報， 2021， 23（9）： 96-102.

Wang Chuanxu， Wang Kang， Chen Lin， et al. Research and realization of granary temperature field prediction model based on Kriging interpolation and BP neural network [J]. China Agricultural Science and Technology Review， 2021，" 23（9）： 96-102.

[13] 程嘉蔚， 徐佳， 王藝玲， 等. 基于BP神經(jīng)網(wǎng)絡(luò)的倉內(nèi)稻谷溫度預(yù)測模型[J]. 現(xiàn)代電子技術(shù)， 2021， 44（19）： 178-182.

Cheng Jiawei， Xu Jia， Wang Yiling， et al. Granary rice temperature prediction model based on BP neural network [J]. Modern Electronics Technique， 2021， 44（19）： 178-182.

[14] 賀琦琦， 郭向紅， 雷濤， 等. 基于改進的BP神經(jīng)網(wǎng)絡(luò)對蓄水坑灌冬季果園土壤溫度預(yù)測[J]. 節(jié)水灌溉， 2019（7）： 16-20.

He Qiqi， Guo Xianghong， Lei Tao， et al. Prediction of winter soil temperature of apple orchard under water storage pit irrigation based on improved BP neural networks [J]. Water Saving irrigation， 2019（7）： 16-20.

[15] 何芬， 馬承偉. 遺傳算法優(yōu)化人工神經(jīng)網(wǎng)絡(luò)模型在日光溫室濕度預(yù)報中的應(yīng)用[J]. 中國農(nóng)學(xué)通報， 2008（1）： 492-495.

He Fen， Ma Chengwei. Application of BP neural network based on genetic algorithm in predicting the air humidity of sunlight greenhouse [J]. Chinese Agricultural Science Bulletin， 2018（1）： 492-495.

[16] 郭利進， 喬志忠. 基于遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的糧食溫度預(yù)測研究[J]. 糧食與油脂， 2023， 36（1）： 34-37， 51.

Guo Lijin， Qiao Zhizhong. Study on grain temperature prediction based on genetic algorithm optimized BP neural network [J]. Grain and Fat， 2023， 36（1）： 34-37， 51.

[17] 梁琪堯. 基于GA-BP神經(jīng)網(wǎng)絡(luò)的香菇產(chǎn)量預(yù)測方法研究[D]. 泰安： 山東農(nóng)業(yè)大學(xué)， 2022.

Liang Qiyao. Research on shiitake yield prediction method based on GA-BP neural network [D]. Tai'an： Shandong Agricultural University， 2022.

[18] Khairunniza?Bejo S， Mustaffha S， Ismail W I W. Application of artificial neural network in predicting crop yield： A review [J]. Journal of Food Science and Engineering， 2014， 4（1）： 27-33.