日光温室颗粒物动态运移机制与预测模型研究_张硕.pdf

null null null null 年 null 月 农 业 机 械 学 报 第 nullnull 卷 第 nullnull 期 nullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull 日光温室颗粒物动态运移机制与预测模型研究 张 硕 null null 于 海 业 null null 郭 丽 null null 张 蕾 null null 张 博 null null 隋 媛 媛 null null nullnull 吉林大学生物与农业工程学院 长 春 nullnullnullnullnullnull nullnull 吉林省智慧农业装备与技术重点实验室 长春 nullnullnullnullnullnull 摘要 精确预测温室内颗粒物浓度变化可为实时环境控制系统提供科学依据 基于中国东北地区典型温室生产场 景 本文系统分析了温室内外不同粒径颗粒物 nullnull nullnull null 和 nullnull nullnull 时序特征及其关联机制 构建了适用于不 同 通风模式 的颗粒物动态运移模型 通过筛选关键环境驱动因子 建立了适用于温室环境的颗粒物浓度机器学习预测模型 研究结果表明 同一粒径范围内室内与室外颗粒物浓度变化相关性最强 室外颗粒物浓度是主导室内颗粒物浓度 变化的主要驱动源 相比 nullnull nullnull null 温室 内 nullnull nullnull 对室外颗粒物变化的响应较弱 所构建的动态运移模型在不同通风 模 式下颗粒物浓度计算值与实测值相对误差为 nullnull nullnullnull nullnullnull nullnullnull 能够较准确地量化温室内外颗粒物运移机制 在预 测建模时 筛选室外颗粒物浓度 室内温度 相对湿度与风速等作为输入变量 建立的遗传算法 null 小波神经网络 nullnull null nullnullnull 模型表现出优异的预测性能 nullnull nullnull null 和 nullnull nullnull 浓度决定系数分别为 nullnull nullnullnull nullnullnull nullnullnull 和 nullnull nullnullnull nullnullnull nullnullnull 并 且 超 过 nullnullnull nullnull和 nullnullnull nullnull的实测 nullnull nullnull null 和 nullnull nullnull 浓 度 落在 nullnullnull预测区间内 验证了模型的准确性与可靠性 提出的基于 室外颗粒物浓度与室内环境参数相结合的分析框架 为理解与预测温室内颗粒物浓度提供了有效方法 为温室环 境精准调控与作物生产的有效管理提供了重要支撑 关键词 日光温室 颗粒物 运移机制 机器学习 预测模型 中图分类号 nullnullnullnull 文献标识码 null 文章编号 nullnullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnullnullnull OSID 收稿 日期 nullnull nullnull nullnull 修回日期 nullnull nullnull nullnull 基金项目 国家自然科学基金项目 nullnullnullnull 作者简介 张硕 nullnull null 女 博士生 主要从事设施农业环境调控研究 nullnullnullnullnullnull nullnullnull nullnullnull nullnullnullnullnullnull nullnullnullnull nullnullnull nullnull 通信作者 隋媛媛 nullnull null 女 副教授 博士 主要从事设施农业环境调控与农情信息感知研究 nullnullnullnullnullnull nullnull null null nullnullnullnull nullnullnull nullnull Dynamic Transport Mechanisms and Predictive Modeling of Particulate Matter in Solar Greenhouse nullnullnullnullnull nullnull null null nullnull nullnullnull null null nullnullnull nullnull null null nullnullnullnullnull nullnull null null nullnullnullnullnull nullnull null null null nullnullnullnullnull null null null College of Biological and Agricultural Engineering Jilin University Changchun nullnullnullnullnullnull China null Jilin Provincial Key Laboratory of Smart Agricultural Equipment and Technology Changchun nullnullnullnullnullnull China Abstract nullnullnullnull nullnullnullnull null null nullnullnullnullnull nullnullnullnull nullnull nullnull nullnullnullnullnullnullnull nullnull null nullnullnullnullnullnull nullnull nullnull null nullnullnullnullnullnull nullnull null nullnullnullnull nullnull nullnullnullnullnull nullnull nullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnullnull nullnullnullnullnull null nullnullnullnullnullnullnull null nullnullnullnullnullnull nullnullnullnullnullnull nullnull nullnull nullnullnull nullnullnull nullnull nullnullnullnullnull nullnull null nullnullnullnull nullnull nullnullnullnullnull nullnullnullnullnullnullnull null nullnullnullnull nullnull nullnullnullnull nullnullnullnullnullnullnull nullnull null nullnullnull null nullnullnullnull nullnullnullnull nullnullnullnullnullnullnull nullnull nullnull null nullnull nullnull nullnull nullnull nullnull nullnull nullnullnullnull nullnullnullnull nullnull null nullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnull nullnull nullnull nullnull nullnullnullnullnull null nullnullnull nullnull nullnullnullnullnullnull nullnull nullnullnullnullnullnullnullnull null nullnullnull nullnull nullnullnull nullnullnullnullnullnullnull nullnull nullnullnullnull nullnullnullnull nullnullnullnullnull nullnullnullnull nullnull nullnullnullnull null nullnullnullnullnullnullnull nullnullnullnullnullnull nullnull nullnull nullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnull nullnullnull null nullnullnullnull nullnullnull nullnullnullnull nullnull nullnullnullnull nullnullnullnullnullnull nullnull nullnullnull null nullnull nullnullnullnullnullnullnull nullnullnullnullnull nullnull nullnullnullnull nullnull nullnull nullnullnullnullnull nullnullnullnullnull nullnullnullnullnullnull nullnull nullnullnull nullnullnullnull nullnullnullnullnullnull null nullnull nullnull nullnullnullnullnull null nullnull null nullnullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnullnull nullnullnullnull nullnull nullnull null nullnullnullnull nullnull nullnull nullnullnullnullnull nullnull nullnullnullnull nullnull nullnullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnullnull null nullnullnull nullnull nullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnull nullnullnull nullnullnull nullnull null null null null null null nullnullnullnullnull nullnullnullnullnullnull nullnull nullnullnullnullnull nullnullnullnull nullnullnullnullnull nullnullnullnullnullnull null nullnull null nullnull null null nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnull nullnull nullnullnullnullnull nullnull nullnullnullnull null nullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnull null nullnullnullnull nullnullnullnullnullnull nullnullnull null nullnullnullnull null nullnull null nullnullnullnullnullnull nullnull nullnullnullnullnull null nullnullnull nullnullnullnullnullnull nullnull nullnullnullnull nullnull null nullnullnull nullnullnull nullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnull nullnull nullnullnullnull nullnullnullnullnullnullnullnull null nullnullnull nullnullnullnullnull null null nullnull null null nullnull nullnull null nullnull null null nullnull nullnull nullnull nullnull null nullnull nullnull nullnull nullnullnullnull nullnullnullnull nullnullnullnullnull nullnull nullnull nullnull nullnull nullnull nullnull null nullnullnullnullnull nullnull nullnull null nullnull nullnull nullnull nullnullnullnullnullnull nullnull nullnull nullnullnullnull nullnull null nullnullnullnull null nullnullnullnullnullnull nullnullnullnullnullnullnull nullnull nullnullnullnullnull nullnull nullnull nullnullnullnullnullnull null nullnull nullnullnullnull nullnullnullnull nullnull nullnullnullnull nullnullnullnullnull nullnullnullnullnull null nullnullnullnull nullnullnullnull null nullnullnullnull nullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnullnull nullnullnullnullnull null null nullnullnullnull nullnullnullnull nullnull nullnullnullnullnull null nullnull nullnullnullnull null nullnullnullnullnullnullnull nullnull null nullnullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnull null nullnull null nullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnullnullnullnull Key words nullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnull nullnull null nullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnull nullnullnullnullnull nullnullnullnull null nullnullnull 0 引 言 为应对气候变化对全球粮食安全带来的不确定 性 温室设施生产已成为世界各国降低生产风险 提 升粮 食供给效率的重要途径 中国是设施农业大 国 设施园艺面积位居世界首位 截至 nullnull 年 我 国设施园艺总面积已达 nullnull 多万公顷 占世界设施 总面积的 null 以上 null 其 中 日光温室是我国特有 的温室结构类型 在中国北方地区广泛应用 null 中 国东北地区受 高 纬度地理区位影响 冬季持续时间 长且气候条件严酷 是农业生产的主要限制因 素 null nullnull 温 室 设施通过创建可控的微气候环境 能 够有效优化环境条件 延长作物有效生长期 并显著 提升单位面积产量与品质 从而在一定程度上缓解 区域气候约束对农业生产的影响 然而 由于温室采用半封闭式系统结构 外界颗 粒物易通过通风系统及围护结构缝隙渗透进入温室 内环境 进而对温室微环境稳定性与生态平衡构成 显著威胁 其中 空气动力学直径小于等于 null null nullnull 颗粒物 nullnull nullnull null 和空气动力学直径小于等于 null nullnull 颗 粒 物 nullnull nullnull 因 粒 径小 迁移与渗透能力强而尤为 值得关注 二者不仅可深入人体呼吸系统引发健康 风险 null 还会 通过覆盖叶表 堵塞或诱导气孔调节 异常 抑制光合作用等途径干扰作物正常生理活动 进而影响气体交换与代谢过程 null nullnull 同 时 还 会悬 浮于温室空气中降低透光率并削弱有效光照条件 进而诱发作物生长发育异常 null 与 温 度 相对湿度 等常规环境因子相比 颗粒物具有隐蔽性胁迫特征 在温室日常管理中往往缺乏系统监测与调控 易造 成室内累积 因此 明确中国东北地区温室内不同 粒径颗粒物运移机制及精准预测 可为制定差异化 的温室环境动态精准调控方案提供科学依据 室内污染物质量平衡模型用于描述室内空气中 污染物浓度分布与变化的数学模型 null 其 依 据质 量平衡原理 全面考虑污染物源释放 室内扩散以及 移除等关键过程 并通过数学方程精确地表达这些 过程间的联系 但预测精度在实际应用中受限于经 验参数的可获得性与时变特性 机器学习通过数据 驱动 能够更高效地预测污染物浓度 人工神经网 络 nullnullnullnullnullnullnullnull nullnullnull nullnullnullnull nullnullnull 是模拟人脑生物 机制的数学模型结构 具有特殊的学习能力和适应 性 nullnull 其 中 反向传递神经网络 nullnullnull nullnullnullnull null nullnullnull nullnullnullnull nullnullnullnull 模型具有良好的非线性学习 能力和灵活的网络结构 在各方面都有较成熟应 用 nullnull nullnullnull 但同时面对不同对象数据时 其 拟 合结果 也会存在差异 对于不同对象选择合适的 nullnullnullnull 结 构 仍 是 问 题 小 波 神 经 网 络 nullnullnullnull nullnullnull nullnullnullnull nullnullnull 是由小波基函数和前馈反馈网络结 构组成的网络 在短期预测中具有更高精度 稳定性 和更快训练速度 因此被广泛应用于多领域 nullnull nullnullnull 然 而 在数据模型训练过程 初始随机权重会导致训 练 方向的不确定性 并降低训练效率 遗传算法 nullnullnullnullnull nullnullnullnullnullnull nullnull 作为模仿生物进化过程的智 能优化算法 通过近似自然进化方式搜索目标问题 最优解 nullnull nullnullnull 采 用 nullnull null nullnullnull 能够全面搜索目标 个体 通过进化过程多代遗传 变异和交换操作避免 陷入局部最优 显著提升预测模型准确性和训练速 度 但该架构在实际应用研究仍较为有限 可行性与 准确性仍有待进一步验证 本文以中国东北地区典型日光温室为研究对 象 结合实际生产中常见 null 种通风情景 渗透通风 下墙通风 下墙 null 后墙通风 构建温室内外颗粒物 nullnull nullnull null 和 nullnull nullnull 浓度的动态运移机制 综 合考虑温 室内温度 相对湿度 风速以及温室外颗粒物浓度等 关键驱动因子 建立并验证 nullnull null nullnullnull 预测模型 以 实现对温室内不同粒径颗粒物浓度的精准定量预 测 为制定差异化的温室环境动态精准调控方案提 供科学依据 1 材 料 与方法 1 1 试 验 温室概况 试验日光温室位于吉林省蔬菜花卉科学研究院 nullnullnullnullnull nullnullnullnullnullnull 结构与尺寸如图 null 所示 温 室采用拱形钢裄架结构 室内无支柱 坐北朝南 东 西走向 长度 null null 跨度 null null 脊高 null null null 北屋面水 平投影长 null null 后墙高度 null null null 后墙由厚 null null null 内部砖墙和厚 null null null 外部聚苯板组成 白天覆盖 透明的 nullnull 薄膜 厚度为 null null nullnull 夜间覆盖太空棉保 温被保温 共设有下 后墙 null 处通风口 均为卷膜启 动闭合 最大开度 null null null 并自动控制通风口开度和 nullnullnull第 nullnull 期 张 硕 等 日光温室颗粒物动态运移机制与预测模型研究 图 null 日光温室结构与尺寸 nullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnull nullnull nullnullnullnullnull nullnullnullnullnullnullnullnullnullnull 开 启 时间 确保室内温度维持在适宜范围内 东侧 配有缓冲间 试验期间缓冲间窗户和屋门关闭 室 内种植作物为番茄 南北方向种植 共有 null 垄 每垄 长 null null 宽 null null 垄间距 null null 番茄植株高 null null null 表 null 为日光温室 null 种通风模式 表 1 日 光 温室 3 种类型通风模式 Tab 1 Three ventilation modes of solar greenhouse 边界 条件 渗透通风 null nullnull 后墙通风 null nullnull 下 后墙通风 null nullnull 下 墙 通风口 关 关 开 后墙通风口 关 开 开 颗粒 物入口边界 下墙通风口 后墙通风口 下墙通风口 1 2 试验 数据获取 试验于 nullnull 年 null 月 null 日 nullnull 年 null 月 null 日进 行 试验期间对日光温室内温度 相对湿度 风速 光 照强度 压强以及 nullnull nullnull null 和 nullnull nullnull 浓度进行持续监测 温室内环境因子 测 量采用 null 点布点测量方式 高度 分别为 null null null null null null null 共布置 null 个监测点 如图 null 所示 图 null 测点布置平面示意图 nullnullnullnullnull nullnullnullnullnullnull nullnullnullnull nullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnull 使 用 空气质量检测传感器 nullnull null nullnull 仁科 采 集温室内温度 相对湿度 光照度 压强以及 nullnull nullnull null 和 nullnull nullnull 浓 度 数据 温度测量范围 null null null null 精度 nullnull nullnull 分辨率 null nullnull 相对湿度测量范围 null null nullnullnull 精度 null nullnull 分辨率 null nullnull 光照度测量范围 null nullnullnull nullnull nullnull 精度 null nullnull 分辨率 null nullnull nullnull nullnull null 和 nullnull nullnull 浓 度 质 量浓度 测量范围 null nullnull nullnull nullnullnullnull null 精 度 nullnullnull 分 辨 率 null nullnullnullnull null 温室内风速使用手持式 nullnullnull nullnullnullnull 型 多功能风速仪进行采集 风 速测量 范围 null null null nullnullnull 精度 null null null nullnullnull 分辨率 null null nullnullnull null 个传感器依据对应测量点进行布置 数据自动记 录 时间间隔为 null nullnullnull 所有传感器在试验前均已在 温室环境中完成校准 观测周期持续进行 每天持 续 null null 使用锦州阳光气象公司生产的 nullnull null null 型便携 式气象环境站采集温室外环境因子 气象环境站测 量高度 null null 位于室外开阔处 1 3 温室内 外颗粒物浓度动态模型构建 建立运移方程主要是从质量守恒角度构建温室 内 外颗粒物浓度变化关系 由于室内外环境动态 变化 颗粒物来源与去向也随之变化 室内颗粒物 浓度变化需综合考虑各种输运作用 如颗粒物散发 源 颗粒物沉降 沉积及去除 同时结合室内外通风 情况 建筑围护结构颗粒物穿透率 计算温室内颗粒 物浓度 nullnull 具体平衡关系为 V nullC i nullt null Q n null F inf Q s null Q m C o null C i null k d VC i null 式 中 C i nullnullnull温室内颗粒物浓度 nullnullnullnull null tnullnullnull时间 null Q n nullnullnull自然 通风量 null null nullnull F inf nullnullnull渗透 系数 Q s nullnullnull渗透 通风量 null null nullnull C o nullnullnull温室外颗粒物浓度 nullnullnullnull null k d nullnullnull温室内颗粒物沉积率 Q m nullnullnull机械 通风量 null null nullnull Vnullnullnull温室 体积 null null F inf 用 于 表征环境空气污染物进入温室内并持 续悬浮的比例 也可称为穿透系数 由于风压 热压 和通风情况导致 F inf 随时间呈明显的阶段 性 与波动 性变化 假设室内空气充分混合且室内颗粒物浓度 恒定 nullnull 可利用该系数测定 室内外颗粒物浓度比值 I O nullF inf 计 算 式为 F inf null C i C o null I O null 1 3 1 渗 透 通风 当温室内为通风口及窗户全部关闭且无机械通 nullnullnull 农 业 机 械 学 报 null null null null 年 风的封闭状态时 室内颗粒物浓度只有室外渗透进 入 室内颗粒物平衡表达式为 V nullC i nullt null F inf Q s C o null C i null k d VC i null 则颗粒物浓度表达式为 C t null F inf Q s C o F inf Q s null k d V null F inf Q s C o F inf Q s null k d V null C t nullnull null null F inf Q s V null k d t null 使 用缝隙计算法计算渗透风量 温 室通风口处 渗透风量计算式为 Q s null Lnull nullP e b null 式中 nullnullnullnull风压 系数 取 null null nullnull null nullnull nullP e nullnullnull内外 压强差 nullnull bnullnullnull缝隙渗风特征系数 取 null null 1 3 2 自 然 通风 自然通风指室内外风力作用下风压形成室内外 空气流动的换气方式 当温室处于通风口开启且无 机械通风的封闭状态时 室内颗粒物主要由通风口 流动 室内颗粒物平衡表达式为 V nullC i nullt null Q n null F inf Q s C o null C i null k d VC i null 则颗粒物浓度表达式为 C t null F inf Q s C o null Q n C o Q n null F inf Q s null k d V null F inf Q s C o null Q n C o Q n null F inf Q s null k d V null C t nullnull null null Q n null F inf Q s V null k d t null 自然通风量表达式为 Q n null Anull nullnullP e null null null 式 中 Anullnullnull通风 口面积 null null nullnullnullnull流量 系数 取 null null nullnullnullnull空气 密度 取 null null nullnullnull null 2 机 器 学习模型 2 1 GA WNN 模 型 构建 nullnullnull 是基于小波变换相同原理产生的特定神 经网络 在构建机理上分为 null 类 null以小波变换工 具提取神经网络输入输出特征 用于其他神经网络 训练的离散型小波神经网络 null形式上以反向传递 神经网络拓扑结构为基础 将隐藏节点激活函数替 换为小波基函数 形成连续性小波神经网络 nullnull 由 于小波基函数的引入 nullnullnull 对于时频域的对象处理 有更多优势 本文以连续性小波神经网络为对象进 行建模 图 null 为 nullnullnull 网络结构 主要由输入层 隐 藏层和输出层组成 图 null 小波神经网络结构 nullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnullnullnull 遗传算法是一种模仿生物进化过程的智能优化 算 法 通过数学仿真运算 将问题求解过程转换为类 似 生物进化过程 nullnull nullnull 从优 化随机解中大范围搜 索最优解 选择面越广泛越利于全局择优 因此 nullnull 在对不同复杂组合优化问题时拥有较快效率和 更优结果 nullnull nullnullnull nullnull null nullnullnull 相 比 于单独 nullnullnull 额 外引入全局算法优化 使神经网络在训练开始前筛 选出最优适应个体 作为最优初始权值 以提高整体 网络收敛速度和预测效果 模型训练中 nullnullnullnull 模型采用单隐藏层结构 输入层为 null 个输入节点 输入变量包括温室内温度 相对湿度 风速以及室外颗粒物浓度 输出节点为室 内颗粒物浓度 其中 隐藏层激活函数采用 nullnullnullnullnull 输出层激活函数采用 nullnullnull null 以满足连续值回归需 求 模型训练采用反向传播计算梯度 隐藏层节点 数为 null 参数更新采用 nullnullnull 优化算法 nullnullnull 模型同样采用单隐藏层结构 输入变量 和输出变量与 nullnullnullnull 一致 其中 隐藏层激活函数 采用 nullnullnullnullnullnull 输出层激活函数采用 nullnullnullnullnullnullnull 以满足 连续值回归需求 模型训练采用反向传播计算梯 度 隐藏层节点数为 nullnull 参数更新采用 nullnullnullnull 优化 算法 nullnull null nullnullnull 模型中 nullnull 配置初始化种群为 nullnull 个 交叉概率为 null null 变异概率为 null null null 次训练共 进行 nullnull 次种群进化 优化完成返回最优个体 继 续进行神经网络部分训练 输入层为 null 个输入节 点 输入变量包括温室外颗粒物浓度 温室内温度 相对湿度以及风速 输出变量为温室内颗粒物浓度 其中激活函数为 nullnullnull null 函数 隐藏层节点数设为 null 激活函数为 nullnull null 小波基函数 网络参数采用 反向传播进行基于梯度的更新 优化器为 nullnullnull 2 2 模型验证 采用相对误差 决定系数 null null平 均 绝对误差 nullnullnull 和均方根误差 nullnullnull 评估模型性能 nullnullnull第 nullnull 期 张 硕 等 日光温室颗粒物动态运移机制与预测模型研究 3 结 果 与讨论 3 1 温 室 内 外颗粒物时序变化规律 如图 null 所 示 温 室 外 nullnull nullnull null 浓 度 为 null null null nullnull null nullnullnullnull null nullnull nullnull 浓 度 为 nullnull null nu