基于BP神经网络四连栋塑料大棚的温湿度模拟.pdf

第 10 期 周宇等 基于 BP 神经网络四连栋塑料大棚的温湿度模拟 1405 中国农业气象 Chinese Journal of Agrometeorology 2025 年 doi 10 3969 j issn 1000 6362 2025 10 003 周宇 谢烨 黄文 娟 基于 BP 神 经网络四连栋塑料大棚的温湿度模拟 J 中 国农业气象 2025 46 10 1405 1413 基于BP 神经网络四连栋塑料大棚的温湿度模拟 周 宇 谢 烨 黄文娟 上海市气候中心 上海 200030 摘要 为研 究晴天 多云和阴天 3 种天气类型下 BP 神经网络对设施大棚内平均气温和平均相对湿度的模拟 能力 选取上海市松江区 2021 年 3 月 1 日 2022 年 2 月 28 日四连栋塑料大棚内和同期气象站气象资料 以 棚外平均气温 平均相对湿度 平均风速和太阳高度角为输入因子 构 建 年 和 季 节 尺 度 下 3 种天气类型的棚 内温湿度 BP 神经网络预测模型 并对模型进行检验 结果表明 1 年尺度下平均气温模型的均方根误 差 RMSE 在 0 8 1 1 决定系数 R 2 0 9890 P 0 001 平均相对湿度模型的 RMSE 在 2 9 4 0 个百 分点 R 2 0 9434 P 0 001 阴天的模拟效果最好 多云次之 晴天最低 2 季节尺度下平均气温模 型的 RMSE 平均值在 0 7 0 9 R 2 平均值 0 9765 P 0 001 平均相对湿度模型的 RMSE 平均值在 2 2 3 2 个百分点 R 2 平均值 0 9451 P 0 001 其中 夏季的模拟效果最好 秋季次之 春季和冬季最低 季节尺度模型的模拟效果好于年尺度模型 3 年和季节尺度下平均气温和平均相对湿度模型均通过 0 001 水平的独立样本显著性检验 表明模型模拟效果较好 可用于模拟温室内温湿度并推广 关键词 四 连栋塑料大棚 天气类型 温湿度模拟 BP 神经网络 时间尺度 Temperature and Relative Humidity Simulation of Four span Plastic Greenhouse Based on BP Neural Network ZHOU Yu XIE Ye HUANG Wen juan Shanghai Climate Center Shanghai 200030 China Abstract In order to study the simulation ability of BP neural network on the average temperature and average relative humidity in the facility greenhouse under three weather types of sunny cloudy and overcast days the meteorological data of the four span plastic greenhouses in Songjiang district Shanghai from March 1 2021 to February 28 2022 and the meteorological station of the same period were selected and the average temperature average relative humidity average wind speed and solar altitude angle outside the greenhouse were used as input factors to construct temperature and humidity BP neural network prediction models for three weather types at the annual and seasonal scales and the models were validated The results showed that 1 at the annual scale the RMSE of the average temperature model was 0 8 1 1 and the R 2 0 9890 P 0 001 The RMSE of the average relative humidity model was 2 9 4 0pp percent point and the R 2 0 9434 P 0 001 Overcast days were the best simulations results followed by cloudy days and sunny days at the lowest levels 2 At the seasonal scale the average RMSE value of the average temperature model was 0 7 0 9 and the average R 2 0 9765 P 0 001 The average RMSE value of the average relative humidity model was 2 2 3 2pp percent point and the average R 2 0 9451 P 0 001 Of these the simulation accuracy was best in summer followed by autumn and the lowest in spring and winter The simulation performance of the seasonal scale model was better than that of the annual scale 收稿日期 2024 10 27 基金项目 上海市农业科技创新项目 智能农业气象灾害风险预警技术开发与示范 2023 02 08 00 12 F04619 第一作者联 系方式 周宇 高级工程师 主要从事农业气象与气候变化研究 E mail zhouyu99 中 国 农 业 气 象 第 46 卷 1406 model 3 The average temperature and average relative humidity models at the annual and seasonal scales passed the independent sample test of the significant level of 0 001 indicating that the model has a good simulation effect and can be used to simulate the temperature and humidity in the greenhouse and practical application Key words Four span plastic greenhouse Weather type Temperature and humidity simulation BP neural network Time scale 高品质 高附加值的设施农业是都市现代农业 的重要组成部分 设施农业小气候是设施内作物生 长的关键环境因素 1 设施农业以种植蔬菜 瓜果 花卉等为主 设施内适宜的温度有利于作物正常生 长发育 温度过高或过低均会影响作物生长发育和 品质 2 设施内相对湿度影响作物叶片的光合作用和 蒸腾速率 也与部分病害的发生发展密切相关 同 样影响作物产量和品质 2 设施小气候的气温和相对湿度模拟主要有能量 平衡法 线性参数法和 BP 神经网络法 3 能量平衡 法基于成熟的物理理论 能较好地将设施小气候与 设施所在地理位置 结构 容积等关联 4 但其涉及 参数较多 模拟工作量大且复杂 5 7 线性参数法应 用较为广泛 魏瑞江等 8 11 采用线性回归法分析了连 阴天塑料日光温室内 外温度的关系 并据此提出 温室内气温的调控措施 李军等 12 14 采用逐步回归 法分析了非加温型四连栋塑料温室内外温湿度关 系 发现春 夏 秋季温室内外温湿度统计关系通 过了显著性检验 冬季阴天下温室内外相对湿度统 计关系未通过显著性检验 可能与冬季阴天温室长 期不通风导致相对湿度过高有关 线性参数法在常 态状况下可较好地反映设施内外气象要素的关系 但气象要素存在多因子非线性关系 且当观测异常 时易影响评价结果 BP 神经网络在小气候环境模拟 方面也得到了广泛应用 任守纲等 15 18 利用 R BP 神经网络 建立了 4 月苏州 40m 8m 非自控温 室的 气温评估模型 对气温和相对湿度的模拟效果最好 RMSE 达到 1 35 和 4 27 王春玲等 19 利用 BP 神 经网络法建立了冬季石家庄地区 32m 9m 土墙 式日 光温室内小气候模型 对气温和相对湿度模拟的 RMSE 分别 在 2 0 和 4 以内 说明 BP 神经网络对 日光温室冬季小气候特征模拟具有较高的精度 李 倩等 20 利用 BP 神经网络模拟了冬 春季南方 43m 8m 塑料大棚温湿度 对气温和相对湿度模拟的 RMSE 分别 在 2 0 和 6 以内 金志凤等 21 利用 BP 神经网络模拟了冬春季温州 50m 12m 杨梅大棚 内气 温 对气温模拟的 RMSE 为 0 7 温 永菁 22 等对冬 季天津地区土墙式日光温室温 湿度建立了 BP 神经 网络和逐步回归的预测模型 并比较了两者精度 冬季日光温室气温的 RMSE 分别为 1 6 和 2 0 表明 BP 神经网络有处理非线性问题的能力 较线性 参数法更适合温室内温度建模 前人利用 BP 神经网络对设施农业小气候环境 模拟多针对冬春等特定季节 设施大棚多为面积较 小的狭长型大棚 未能全面反映 BP 神经网络在不同 时间尺度下对大型设施农业小气候的模拟效果 为 全面了解BP 神经网络对大型设施农业年和季节尺度 的温湿度模拟效果 本文选取上海地区 40m 40m 大型四连栋塑料大棚内长序列的温湿度观测资料和 同期气象站气象资料 构建年和季节尺度下晴天 多云和阴天棚内温湿度神经网络预测模型 以期为 不同天气类型及时间尺度下的四连栋塑料大棚内温 湿度预测提供技术支持 1 材料与方法 1 1 试验地概况 四连栋塑料大棚位于上海市松江区 121 18 E 31 01 N 南北朝向 南北跨度 40 0m 东西跨度 40 0m 肩 高 3 0m 顶高 5 0m 外遮阳 高度 5 5m 大棚为钢架结构 覆盖 0 1mm 无滴膜 透光率 90 四连栋塑料大棚大门尺寸为 2 5m 3 0m 按季节 变化 通风方式 其中夏季通风 24h 春 秋季晴天通风 9 16h 阴雨天 全天不通风 冬季晴天通风 9 15h 阴 雨天全天不通风 大棚内种植花卉植物红掌 栽培 方式为盆栽 植物平均高度为 50cm 每平方米放置 9 盆 红掌通 过滴灌方式补水 冬季每周 1 次 春秋 季每周 2 次 夏季每日 1 次 1 2 数据来源 大棚中间位置安装 DZZ4 型气象自动 观测站 观 测要素为平均气温和平均相对湿度 观测精度分别 为 0 2 和 2 个百分点 每 2s 采集 1 次 每 10min 存储 1 次数 据 1h 内 6 个数据平均值为大棚内小时 数据 观测时段为 2021 年 3 月 1 日 2022 年 2 月 28第 10 期 周宇等 基于 BP 神经网络四连栋塑料大棚的温湿度模拟 1407 日 大棚外气象站与四连栋塑料大棚距离 100m 同 期逐小时数据来源于松江国家气象站 包括平均气 温 平均相对湿度 日照时数和平均风速 1 3 天气类型 按日照百分率 S 划分晴天 多云和阴天 3 种 天气类型 分别为 S 0 6 0 2 S 0 6 和 S 0 2 8 按公历法划分四季 即 3 5 月为春季 6 8 月为夏 季 9 11 月为秋 季以及 12 翌年 2 月为 冬季 23 太阳高 度角按照 地面气象观测规范 24 计算 1 4 研究方法 1 4 1 BP 神 经网络模 型输 入因子的 筛选 2021 年 3 月 1 日 2022 年 2 月 28 日 3 种天气类 型下四连栋塑料大棚内 简称棚内 逐小时平均气 温和平均相对湿度与棚外逐小时平均气温 平均相 对湿度 平均风速 太阳高度角的相关关系如表 1 所示 由表可知 棚内平均气温和平均相对湿度 与棚外平均气温 平均相对湿度 平均风速的当前 时间以及前 1h 前 2h 前 3h 的太阳高度角的关系 密切 尤其是与前 2h 的太阳高度角相关关系最好 因此 选取棚外平均气温 平均相对湿度 平均风 速和前 2h 太阳高度角为 BP 神经网络模型的输入 因子 模型样本总数为棚外气象站及棚内小气候站的 8602 个数据 序列 其中晴 天 多云和阴 天分别为 3000 个 2088 个和 3514 个 包含棚外平均气温 平均相 对湿度 平均风速 前 2h 太阳高度角 棚内平均气 温和平均相 对湿度 样 本总数 85 用于建模 样本 总数 15 用 于模型检验 表 2 1 4 2 BP 神 经网络模 型 BP 神经网络是目前应用广泛的神经网络模型之 一 其信号正向传播 误差反向传播 其权重是连 接神经元之间的参数 权重决定了一个神经元对另 一个神经元的影响程度 1 的权重会放大输入信 号 而 1 的 权重则会减小输入信号 负权重则会将 输入信号反相 25 输入信号从输入层通过隐含层逐 层处理 通过输出层神经元计算得到网络输出值 与 期望输出值比较 其误差为修改权重值的依据反向 传播至输入层 再修正各层权重值 反复此过程 直 表1 2021 年 3 月 1 日 2022 年 2 月 28 日松江棚内外环境因素的相关关系 Table 1 Correlation between environmental factors inside and outside Songjiang greenhouse from March 1 2021 to February 28 2022 棚外 Outdoor 棚内 Indoor 天气类型 Weather type T O RH O WS O S O 3 S O 2 S O 1 S O 晴天Sunny 0 894 0 364 0 471 0 701 0 728 0 717 0 669 多云Cloudy 0 931 0 166 0 338 0 609 0 638 0 637 0 606 T I 阴天Overcast 0 962 0 023 0 228 0 455 0 474 0 474 0 455 晴天 Sunny 0 436 0 783 0 540 0 807 0 828 0 799 0 723 多云 Cloudy 0 376 0 756 0 460 0 768 0 804 0 789 0 727 RH I 阴天 Overcast 0 277 0 660 0 223 0 503 0 543 0 522 0 469 注 T RH WS 和 S 分别 表示平均温度 平均相对湿度 平均风速和太阳高度角 I 和 O 下标 分别表示棚内和棚外 3 2 和 1 下标分别表示前 3h 前 2h 和前 1h 表示相关关系通过 0 001 水平极显著检验 下同 Note T RH WS and S represent average temperature average relative humidity average wind speed and solar altitude angle respectively The subscripts I and O indicate inside and outside the greenhouse respectively The subscripts 3 2 and 1 represent the previous 3 hours the previous 2 hours and the previous 1 hour respectively indicates that the correlation is extremely significant at the 0 001 level The same as below 表2 BP 神经 网络模型建立和检验的样本数 个 Table 2 Number of samples for modeling and testing of BP neural network model piece 建模样本数 Number of modeling samples 检验样本数 Number of validated samples 天气类型 Weather type 春季 Spring 夏季 Summer 秋季 Autumn 冬季 Winter 春季 Spring 夏季 Summer 秋季 Autumn 冬季 Winter 晴天Sunny 673 469 775 632 119 83 137 112 多云Cloudy 286 673 551 265 50 119 97 47 阴天Overcast 918 734 530 804 162 130 94 142 合计 Total 7310 1292 中 国 农 业 气 象 第 46 卷 1408 至输出误差小于预先设定的目标误差或迭代次数超 过最大训练次数 模型停止 25 BP 神经网络与传统 统计方法相比具有自适应学习 非线性映射和容错性 等多种优良性能 对非线性场的模拟精度较好 26 为了研究 3 种天气类型下 BP 神经网络对大棚内 平均气温和平均相对湿度的模拟能力 分别构建年 尺度和季节尺度平均气温和平均相对湿度 3 种天气 类型下 30 个 神经网络模型 模型结构分为 3 层 第 1 层为输入层 4 个神经元 分别是棚外平均气温 平 均相对湿度 平均风速和前 2h 太阳 高度角 第 2 层 为隐含层 神经元 15 个 第 3 层为 输出层 棚内的 平均气温和平均相对湿度 2 个神经元 通过模型调 试 选择 logsig 为隐含层 传递函数 purelin 为输出 层传递函数 初始学习率为 0 1 惯 量因子为 0 9 最大训练次数为 10000 次 目标误差值为 0 001 为 了提高 BP 神经网络的训练效率和性能 数据采用归 一化方法预处理 27 BP 神经网络数据采取随机划分 的方法 训练采用 Levenberg Marquardt 算法 BP 神 经网络模型通过 MATLAB R2016a 软件 28 编程实 现 模型检验采用均方根误差 RMSE Root mean squared error 和决定系数 R 2 Coefficient of determination 对模型进行评价 n 2 ii i1 SIM OBS RMSE n 1 2 n ii i1 2 nn 22 ii i1 i1 SIM SIM OBS OBS R SIM SIM OBS OBS 2 式中 SIM i 为模拟值 SIM 为 SIM i 平均值 OBS i 为实际值 OBS 为 OBS i 平均值 n 为样本 数 2 结果与分析 2 1 BP 神经网络温湿度模拟模型 2 1 1 年尺 度 基于 BP 神经网络方法 2021 年 3 月 1 日 2022 年 2 月 28 日 3 种天气类型下年尺度棚内平均气温及 平均相对湿 度 85 的实 测数据与模 拟值的散点 关系 如图 1 所示 由图可知 晴天 多云和阴天 3 种天 图1 3 种天气 类型下年尺度棚内平均气温 1 及平均相对湿度 2 模拟值与实测值的散点关系 Fig 1 Simulated and measured values of the average temperature and average relative humidity at the annual scale under three weather types 第 10 期 周宇等 基于 BP 神经网络四连栋塑料大棚的温湿度模拟 1409 气类型下 棚内平均气温模拟值与实测值均较均匀地 分布在 1 1 线附近 R 2 分别为 0 9892 0 9894 和 0 9890 P 0 001 RMSE 分别为 1 1 0 9 和 0 8 棚 内 平均相对湿度模拟值与实测值也均较均匀地分布在 1 1 线附近 但较平均气温的分布相对分散 R 2 分别 为 0 9673 0 9631 和 0 9434 P 0 001 RMSE 分别 为 4 0 3 4 和 2 9 个百 分点 pp 年尺度下 平均 气温和平均相对湿度的模拟效果以阴天最好 多云 次之 晴天最低 2 1 2 季节 尺度 2021 年 3 月 1 日 2022 年 2 月 28 日季 节尺度下 棚内平均气温及平均相对湿度实测数据与模拟值的 RMSE 和 R 2 如表 3 所 示 由 表 可知 晴天 多云和 阴天 3 种天 气类型下 季节尺度棚内平均气温模拟值 与实测值的 R 2 季节平均值分别为 0 9915 0 9840 和 0 9765 P 0 001 RMSE 季节平均值分别为 0 9 0 8 和 0 7 较年尺度的模拟结果分别提高 0 2 0 1 和 0 1 季节尺度棚内 平 均 相 对 湿 度 模 拟 值 与 实测值的 R 2 分别为 0 9729 0 9609 和 0 9451 P 0 001 RMSE 分别为 3 2 3 0 和 2 2 个百分点 较年尺度分别提高了 0 8 0 4 和 0 7 个百分点 季 节尺度模型的模拟效果好于年尺度模型 从各季节 建模效果可以看出 3 种天气类型下 以夏 季 的 模 拟 效 果最好 平均 气温和 平均相对湿度的 RMSE 三种 天气类型平均值分别为 0 6 和 1 9 个百分点 秋季次 之 为 0 8 和 2 9 个 百 分 点 春季和冬季的模拟效果 相对最低 分别为 0 8 1 0 和 3 3 个 百分点 3 1 个百分点 太阳高度角影响大棚内辐射收入量 从而影响 大棚内温湿度 因此 基 于 BP 神经网络模型输入参 数中增加太阳高度角 对比是否考虑太阳高度角对 模型模拟效果的影响 年尺度的温湿度模型未考虑 太阳高度角时 表 4 晴天 多云和阴天 3 种天 气 类型下平均气温和平均相对湿度模型的平均 RMSE 分别为 1 1 和 4 1 个百分 点 而考虑前 2h 太阳高 度 角时 图 1 平均 RMSE 分别 0 9 和 3 4 个百分点 RMSE 分别 提高了 18 2 和 0 7 个百分 点 季节尺度 的温湿度模型未考虑太阳高度角时 表 5 平均 RMSE 分别 为 0 9 和 3 2 个百分点 而考虑前 2h 太 阳高度角时平均 RMSE 分别为 0 8 和 2 8 表 3 RMSE 分别 提高了 11 1 和 0 4 个百分 点 2 2 模型独立样本检验 2 2 1 年尺 度 基于 BP 神经网络方法 2021 年 3 月 1 日 2022 年 2 月 28 日 3 种天气类型下年尺度棚内平均气温及 平均相对湿 度 15 的实 测数据与检 验值的散点 关系 如图 2 所示 由图可知 晴天 多云和阴天 3 种天 气 类型下平均气温检验值与实测值的 R 2 均大于 0 9839 表3 3 种天气 类型下季节尺度棚内平均气温及平均相对湿度的模拟结果 考虑太阳高度角 Table 3 Simulation results of average temperature and average relative humidity at the seasonal scale under three weather types the solar altitude angle is considered 春季 Spring 夏季 Summer 秋季 Autumn 冬季 Winter 因子 Factor 天气类型 Weather type RMSE pp R 2 RMSE pp R 2 RMSE pp R 2 RMSE pp R 2 晴天Sunny 1 0 0 9973 0 6 0 9874 0 9 0 9908 0 9 0 9904 多云Cloudy 0 7 0 9902 0 6 0 9801 0 9 0 9857 1 1 0 9799 T 阴天Overcast 0 8 0 9771 0 5 0 9797 0 5 0 9912 0 9 0 9580 晴天Sunny 4 0 0 9732 1 9 0 9902 3 4 0 9752 3 4 0 9530 多云Cloudy 3 2 0 9752 1 9 0 9870 3 4 0 9622 3 6 0 9193 RH 阴天Overcast 2 7 0 9663 1 8 0 9702 2 0 0 9686 2 3 0 8753 表4 3 种天气 类型下年尺度棚内平均气温及平均相对湿度的模拟结果 未考虑太阳高度角 Table 4 Simulation results of annual average temperature and average relative humidity under three weather types the solar altitude angle is not considered T RH 天气类型 Weather type RMSE R 2 RMSE pp R 2 晴天Sunny 1 2 0 9862 4 8 0 9537 多云Cloudy 1 1 0 9843 4 2 0 9442 阴天Overcast 1 0 0 9831 3 2 0 9314 中 国 农 业 气 象 第 46 卷 1410 表5 3 种天气 类型下季节尺度棚内平均气温及平均相对湿度的模拟结果 未考虑太阳高度角 Table 5 Simulation results of seasonal average temperature and average relative humidity under three weather types the solar altitude angle is not considered 春季 Spring 夏季 Summer 秋季 Autumn 冬季 Winter 因子 Factor 天气类型 Weather type RMSE pp R 2 RMSE pp R 2 RMSE pp R 2 RMSE pp R 2 晴天Sunny 1 1 0 9973 0 7 0 9803 1 1 0 9868 1 1 0 9870 多云Cloudy 0 7 0 9746 1 0 0 9837 1 2 0 9775 0 7 0 9746 T 阴天Overcast 0 5 0 9742 0 6 0 9882 1 0 0 9448 0 5 0 9742 晴天Sunny 4 2 0 9702 2 3 0 9857 3 8 0 9700 3 9 0 9392 多云Cloudy 3 5 0 9310 2 2 0 9815 3 7 0 9549 3 8 0 9046 RH 阴天Overcast 3 1 0 9549 2 2 0 9573 2 4 0 9579 2 8 0 8104 图2 3 种天气 类型下年尺度棚内平均气温 1 及平均相对湿度 2 的检验值与实测值的散点关系 Fig 2 The tested and measured values of the average temperature and average relative humidity at the annual scale under the three weather types P 0 001 RMSE 分别为 1 2 1 1 和 1 0 与 模 拟时 RMSE 的差值低于 0 2 平均相 对湿度检验值 与实测值的 R 2 均大于 0 9368 P 0 001 RMSE 分 别为 4 2 3 9 和 3 1 个百分 点 与模拟 时 RMSE 的差 值低于 0 5 个百分点 结果表明年尺度模型结果较 好 其中 阴天检验效果最好 3 种 天气类型下 平 均气温的 RMSE 达 1 0 平均相对湿度的 RMSE 达 3 1 个百分 点 2 2 2 季节 尺度 3 种天气类型下季节尺度平均气温和平均相对 湿度模型独立样本检验结果如表 6 所示 由表可知 晴天 多云和阴天 3 种天气类型下平均气温检验值 与实测值的 R 2 均大于 0 9345 P 0 001 RMSE 季 节平均值分别为 1 1 1 1 和 0 9 与模拟时 RMSE 平均值的差值小于 0 3 平 均相对湿度检验 值与实测值的 R 2 均大 于 0 8791 P 0 001 RMSE 平均值分别为 4 1 4 0 和 3 0 个百 分点 与模拟时 RMSE 平均 值的差值低于 1 0 个百分 点 结果表明季 节尺度模型对平均气温和平均相对湿度效果较好 其中 最好结果为夏季 3 种天气类 型下 平均气温 第 10 期 周宇等 基于 BP 神经网络四连栋塑料大棚的温湿度模拟 1411 表6 3 种天气 类型下季节尺度棚内平均气温及平均相对湿度的独立样本检验结果 Table 6 The results of independent sample tests of the average temperature and average relative humidity at the seasonal scale under the three weather types 春季 Spring 夏季 Summer 秋季 Autumn 冬季 Winter 因子 Factor 天气类型 Weather type RMSE pp R 2 RMSE pp R 2 RMSE pp R 2 RMSE pp R 2 晴天Sunny 1 2 0 9854 0 8 0 9732 1 2 0 9833 1 2 0 9839 多云Cloudy 1 1 0 9746 0 8 0 9722 1 1 0 9821 1 4 0 9618 T 阴天Overcast 1 0 0 9669 0 6 0 9559 0 7 0 9817 1 1 0 9345 晴天Sunny 4 2 0 9724 3 0 0 9726 4 5 0 9602 4 8 0 9260 多云Cloudy 3 9 0 9661 2 9 0 9714 4 9 0 9025 4 1 0 8791 RH 阴天Overcast 3 7 0 9326 2 4 0 9555 3 2 0 9337 2 8 0 7925 的 RMSE 分别 达 0 8 0 8 和 0 6 平均相对湿 度的 RMSE 分别达 3 0 2 9 和 2 4 个 百分点 3 结论与讨论 3 1 讨论 为了解 BP 神经网络在不同时间尺度下对大型 设施农业小气候的模型效果 针对上海地区数量较 多的大型四连栋塑料大棚 利用长序列的温湿度观 测资料 建立晴天 多云和阴天 3 种天气类型下年 尺度和季节尺度的 BP 神经网络小气候模型 结果表 明 BP 神经网络对大型设施大棚内年和季节尺度的 小气候具有较好模拟效果 BP 神经网络方法用于不 同的设施结构和作物 以及用于不同时间 其精度 有差异 前人利用 BP 网络对温室温湿度预测进行诸 多研究 但以往研究在季节上主要针对冬 春季 在设施类型上主要针对单体面积较小的狭长形单栋 塑料大棚和日光温室 15 22 上述研究数据样本量基 本在 1000 个 以下 气温模拟值与实测值的 RMSE 普 遍在 0 7 2 0 平均相对湿度模拟值与实测值的 RMSE 普遍 在 4 个 6 个 百分点 模型输入因子主要 有棚外温度 相对湿度 风速 辐射 太阳高度角 及地温等因子 总体来看 本文建立的模型精度为 气温模型的 RMSE 1 1 相对湿度模型的 RMSE 4 0 个 百分点 略高于前人研究结果 主要 原因是本文建模样本量较多 n 7310 样本量的 增加使得模型能学习到更多 更精细的特征 面对 新数据时能做出更准确的预测 29 选取的前 2h 太 阳高度角作为模型输入因子 可使模型精度提高 10 以上 大棚内小气候变化除了与大棚外天气条件有关 外 还与大棚结构 材质 土壤水分 棚内作物和 栽培方式等因素有关 大棚内种植作物种类 栽培 方式和土壤蒸散等影响大棚内水热交换 30 如考虑 这些因素可进一步提高小气候模型的预测精度 因 此 下一步将在田间试验收集资料的基础上 在 BP 神经网络温湿度模型中引入作物和土壤 蒸散等 参数 3 2 结论 以棚外平均气温 平均相对湿度 平均风速和 前 2h 太阳高 度角作为输入参数 建立了上海地区四 连栋塑料大棚晴天 多云和阴天 3 种天气类型下年 尺度和季节尺度的平均气温和平均相对湿度BP 神经 网络预测模型 3 种天气 类型下 年尺度时棚内平均 气温模拟值与实测值的 RMSE 分别 为 1 1 0 9 和 0 8 棚内 平均相对湿度模拟值与实测值的 RMSE 分别为 4 0 3 4 和 2 9 个百分点 模拟效果以阴天 最好 多云次之 晴天最低 季节尺度时棚内平均 气温模拟值与实测值的 RMSE 平均值分别为 0 9 0 8 和 0 7 棚内平均相对湿度模拟值与实测值的 RMSE 平均 值分别为 3 2 3 0 和 2 2 个百分点 季节 尺度上 以夏季精度最高 秋季次之 冬春季相对 最低 模型拟合和独立样本检验结果表明 BP 神经网 络方法对四连栋塑料大棚具有较好的预测效果 季 节尺度预测模型更适于在实际业务中应用 参考文献 References 1 徐立鸿 苏远 平 梁毓明 面 向控 制的温室系统 小气候环境 模型要求与现状 J 农业工程 学报 2013 29 19 1 15 Xu L H Su Y P Liang Y M Requirements and current situation of control oriented microclimate environmental model in greenhouse systems J Transactions of the CSAE 2013 29 19 1 15 in Chinese 2 高浩 黎贞发 潘学标 等 中国设施农业气象业务服务现 状与对策 J 中 国农业气象 2010 31 3 402 406 中 国 农 业 气 象 第 46 卷 1412 Gao H Li Z F Pan X B et al Current situation and countermeasures of facility agrometeorological service in China J Chinese Journal of Agrometeorology 2010 31 3 402 406 in Chinese 3 薛晓萍 李鸿怡 李楠 等 日光温室小气候预报技术研究 J 中国农学通 报 2012 28 29 195 202 Xue X P Li H Y Li N et al Research on microclimate forecasting technology of solar greenhouse J Chinese Agricultural Science Bulletin 2012 28 29 195 202 in Chinese 4 周荣双 张武 温 室小气 候环