基于BP神经网络的海口地区2种热带兰温室栽培环境预测

姚鑫鑫，宋希强，王　健，赫代成，黎维诗，庞真真*(.海南大学 热带农林学院，海南 海口 5708； .海南博大兰花科技有限公司，海南 海口 5703)

建立温室环境模型并用于预测和控制温室内环境，是温室环境研究的重点[1]。目前,国内外主要使用线性参数法、能量平衡法和人工神经网络法建模[2]。线性参数法虽然能够表现出部分环境因子间的相互关系，但是因为温室环境系统是非线性的，所以模型误差较大。能量平衡法虽然各个参量都有明确的物理意义，但结构复杂，模型精度也会随着材料老化而下降[3]。人工神经网络是人工智能的一个重要分枝，正在被越来越多地用在温室环境模拟中。Seginer等[4]建立了基于BP神经网络的温室气候模型。Linker等[5]结合了黑箱多层感知神经网络和物理径向基耦合模型模拟和预测了温室内温度。王春玲等[2]、王红君等[6]、刘淑梅等[7]、朱春侠等[8]、王曦等[9]利用BP神经网络进行了日光温室小气候的模拟，并将模型应用于日光温室内温度、湿度、光照强度的预测，预测结果较准确。张漫等[10]在基于WSN的自动监控系统的基础上利用BP(Back propagation)神经网络优化了日光温室中番茄CO2的增施策略，所建立的模型能够精确地模拟出番茄CO2饱和点。目前主要进行的是北方地区日光温室中环境因子的神经网络模拟预测，已经取得了较好的结果[11]。但是对于热带地区的设施环境模拟预测还缺乏相关研究。

海口地区热带兰生产初具规模，但是栽培方式和管理较为粗放，缺乏精确的环境调控导致的盛产期集中和A级品比例较低是制约热带兰花产业发展的主要原因[12]。热带兰的生长发育和优质高产离不开对温度、湿度、光照强度等环境因子的合理调控。通过建立温室内环境预测模型可以为制定环境调控方案提供决策依据[7]。因此，通过测量海口地区文心兰及蝴蝶兰的栽培环境，利用BP神经网络对相应环境进行模拟预测，分析评价模型的效果，以期获得较高精度的模型，能够通过该模型预测海口地区热带兰栽培环境，为指导环境调控提供参考。

1　材料和方法

1.1　文心兰品质参数及栽培环境测定

数据测量时间为2014年的11月、2015年的3月和2016年的3—6月。试验地点选取在海南海口某文心兰栽培基地，栽培设施为荫棚，棚高3 m，棚柱为不锈钢管，采用遮光率为50%的双层遮阳网覆盖，其中底层遮阳网可根据光照需求进行调整。

基地内的荫棚依照地形而建，总面积约5.1 hm2。因为荫棚面积大，遮光率在水平方向上存在差异，在模拟之前先通过文心兰品质的比较进行筛选。图1是荫棚的形状及3 种遮光率(58%、65%、76%)分区布点，每种遮光率分别布置2个观测点，共6个观测点，各点之间栽培管理措施基本一致。分别以1—6观测点为圆心，10 m直径的范围内，随机选取120株开花植株(2015年和2016年3月各分别测量60株)，分别测量其切花长度、花穗部长度、分枝数、分枝长度及节间长度。同时记录花枝直立情况(与垂线夹角小于20°为直立，20°～45°为倾斜，大于45°则记为倒伏)[13]。

图1　遮光率分布

测量的环境因子为温室内外水平高度1 m处的温度、湿度及光照强度。温度、湿度使用HOBO U14-001(美国)测定；光照强度使用i500-EGZ型照度计(中国)测定，每10 min记录一次。在分析各点环境差异时，温度和湿度按照24 h每10 min记录一次的数据求取平均值，光照强度则按照7：00—17：00每10 min记录一次的数据取平均值。在构建环境预测模型时，要保证各环境参数之间的对应关系，同时避免夜间无光照的情况影响模型的精度。将65%遮光率下的温度、湿度、光照强度处理成7：00—19：00每1 h对应的环境参数，剔除有明显偏差的坏数据，最后共获得 438组数据。

1.2　蝴蝶兰栽培环境测定

试验在同一基地内的玻璃温室中进行，温室长、宽各为40 m，开间为4 m，共10个开间，肩高4 m，脊高4.8 m，温室有内外遮阳系统，外遮阳网为黑色，高5.6 m，内遮阳网为白色，均为电动控制。温室呈东西走向，南北墙上装有湿帘-风机系统，温室上部安装有内循环风扇。

因为温室面积小，水平方向上环境分布比较均匀，所生产的蝴蝶兰无明显水平差异，所以未对蝴蝶兰品质参数进行测定。5点取样法确定布点，分别测定各点1 m处的温度、湿度以及光照强度，每10 min自动测量一次，同时在室外同样的水平高度放置一组仪器作为参照。环境因子测量时间为2015年8—11月、2016年6月，测量仪器与测量文心兰栽培环境的相同，将各点的测量数据取平均值后按照构建荫棚环境预测模型的方法处理，最后获得371组数据。

1.3　BP神经网络建模

BP网络是误差逆传播的多层前馈网络。BP网络能在不揭示相关输入—输出映射关系的数学方程的情况下，进行学习并大量存储映射关系。较适合温室环境这类内部机制复杂的、非线性的系统建模。BP网络使用最速下降法学习，通过反向传播不断调整网络的权值和阈值，使网络误差的平方和最小，增强了模型的推广和概括能力。BP神经网络模型拓扑结构包括输入层、隐含层和输出层[14]。

构建神经网络模型用于热带兰栽培环境的模拟，模型结构见图2。输入层的3个神经元分别为室外的温度(Tout)、相对湿度(RHout)、光照强度(Lout)；输出层的3个神经元分别为室内温度(Tin)、相对湿度(RHin)、光照强度(Lin)。

图2　BP神经网络结构

通过对模型的调试，最终选定模型的隐含层传递函数为tansig,输出层传递函数为purelin,训练算法为traingdx，最大训练次数为5 000次，初始学习率为0.01，目标误差值为0.001。数据导入模型前先进行归一化处理，把各个数据映射到[-1，1]。BP神经网络模型通过Matlab R2015b编程构建。

1.4　模型的检验方法

将模型中用于性能测试的输出进行反归一化处理后导出。使用SPSS统计分析软件对预测值与实测值进行对比分析。根据褚健婷等[15]对降水空间分布的研究，Z检验适用于大样本(样本量大于30)的误差分析。因为检验样本量n>30，所以使用Z检验对预测值与实测值之间的差异进行描述，当|z|≤1.96时，预测值与实测值在α=0.05置信水平上无统计学差异，|z|越小说明差异越低，模型预测效果更好。同时使用均方根误差(RMSE)、平均相对误差(RE)、平均绝对误差(AE)，验证模型的精确度[2,7,10]。

2　结果与分析

2.1　遮光率对文心兰品质的影响

各观测点环境参数如表1所示，其中各测量点的温度无显著差异，平均温度相差小于1 ℃；相对湿度的差异在4%之内，但是1号点和2、3、4号点之间以及2号点和5号点之间差异显著。

表1　各观测点的环境参数

注：同列不同字母表示差异达显著水平(P<0.05)，下同。

由表2可知，切花长度及穗部长都与遮光率呈正相关趋势，76%遮光率中的3号点切花长度比遮光率为58%的1号点高29.2 cm，但花穗部长度占切花长度的比率差异不显著，在节间长度的对比中，3号点切花的节间长度平均比1号点长1.5 cm。可见切花长度的增加是因为节间长度的增长，并未对提高花穗部比例及提升切花品质起正面作用。而遮光率为65%的2号点和6号点，花穗部长度占比分别为50.0%和51.5%，并且6号点与除2号点之外的其他各点差异显著。各组间文心兰的分枝数并无显著差异。

表2　各观测点的文心兰品质参数

不同遮光率下文心兰的直立情况如表3所示，76%的遮光率下文心兰的倒伏比例高达49.2%。综上，在65%遮光率下进行生产，能够提高花穗部所占比例，且植株更挺拔，品质更好，所以应该选择遮光率为65%的环境因子进行模拟。

表3　各遮光率下文心兰的直立情况

2.2　文心兰栽培环境的模拟

文心兰栽培环境测量共得到438组数据，其中的337组数据用于模型的训练，101组用于环境预测以检验模型性能。使用训练数据进行多次训练，确定隐含层神经元数目为12时，网络性能最好。最终得到的结构为3-12-3的BP神经网络模型预测结果如图3和表4所示。由图3可知，文心兰栽培的温度、相对湿度和光照强度的预测曲线与实测曲线拟合较好，预测值能够较准确地反映栽培环境的变化。由表4可知，文心兰栽培温度的预测平均值为30.6 ℃，实际测量的平均值为30.5 ℃，预测值和实测值的RMSE和AE均小于1.5 ℃。相对湿度的预测平均值为69.7%，实测平均值为69.2%，RMSE为5.1%，AE为3.7%。温度和相对湿度预测值的RE控制在6.0%以内。光照强度的预测平均值为12.0 klx，实测平均值为11.7 klx，RMSE和AE都不大于3.0 klx。结果表明，模型对文心兰栽培的温度、相对湿度和光照强的的预测值与实测值误差均较小，模型较精确。温度、相对湿度以及光照强度的|z|值分别为0.28、0.26、0.22，均远小于1.96，即预测值与实测值均值相等的假设成立，预测值和实测值没有统计学差异，网络预测性能较好。光照强度的P值为0.82，在3个环境因子中最高，表明网络对光照强度的模拟性能较温度和相对湿度更好。

图3　文心兰各环境参数的预测值与实测值对比

表4　文心兰栽培环境预测结果的检验

注：“─”表示由于除数接近0结果无意义。

2.3　蝴蝶兰栽培环境的模拟

蝴蝶兰栽培环境共有371组数据，其中的290组为训练数据，81组为检验数据。比较多次训练的结果确定当隐含层有10个神经元时，模型性能最好。图4是蝴蝶兰栽培温度、相对湿度、光照强度预测值与实测值的对比图，预测值与实测值的曲线走势基本一致，预测较为准确。

表5是对蝴蝶兰栽培环境预测结果的检验结果，由表5可知，温度的模拟平均值为27.4 ℃，实际测量的平均值为27.6 ℃，RMSE为0.9 ℃，AE只有0.7 ℃。相对湿度的模拟平均值为80.0%，实测平均值为80.9%，RMSE为4.3%，AE为3.3%。温度和相对湿度的RE都在5.0%以下。光照强度的预测平均值为2.1 klx，实测平均值为1.9 klx，RMSE和AE都小于1.0 klx。模型对蝴蝶兰栽培的温度、相对湿度和光照强度的|z|值分别为0.52、0.87、1.13，都在1.96以下，表示应该接受原μ1-μ2=0的假设，即预测值与实测值之间无差别。温度的P值为0.61，大于相对湿度的0.38和光照强度的0.26，表示模型对温度的模拟效果要远优于相对湿度和光照强度。

图4　蝴蝶兰各环境参数的预测值与实测值对比

表5　蝴蝶兰栽培环境预测结果的检验

3　结论与讨论

在进行环境模拟之前，首先对文心兰栽培的遮光率进行筛选，结果表明，在同一时期，栽培管理条件相同的情况下，58%～76%遮光率范围内，文心兰的切花长度、花穗部长度、分枝长度及节间长度与遮光率呈正相关，但是76%遮光率下文心兰的倒伏比例高达49.2%，直立生长的植株比例只有16.7%，所以应该在花穗部长度占比较高，且倒伏比例较低的65%遮光率下进行生产。柯海丽等[13]研究也表明，光照不足时，花穗机械组织发育不充实，植株徒长，造成节间长且细弱。但是58%遮光率下的倒伏比例较65%遮光率要高7.9%，有可能是因为58%遮光率情况下光照太强，文心兰植株蒸腾量大而缺水导致的。

研究所建立的BP神经网络模型对文心兰栽培环境的模拟结果为：温度、光照强度的RMSE分别为1.4 ℃、3.0 klx，|z|值分别为0.28、0.22；相对湿度的RE为5.7%，|z|值为0.26。模型对蝴蝶兰栽培环境的模拟结果为：温度、光照强度的RMSE分别是0.9 ℃、0.8klx，|z|值分别是0.52、1.13；相对湿度的RE为4.2%，|z|值为0.87。金志凤等[16]对浙江省杨梅大棚内温度的BP神经网络预测模型的RMSE为0.8～1.4 ℃，许童羽等[17]建立的用于北方日光温室中湿度模拟预测模型的预测值与实测值的AE小于7.35%，本研究所建立的模型达到精度要求，可以用于预测热带兰的栽培环境。同时，在现有模型评价指标的基础上，增加Z检测判断模型预测效果，结果表明，Z检测的评价结果与其余指标一致，为模拟效果评价提供一种方法供参考。

虽然本研究所建立的BP网络模型对热带兰栽培环境的预测能力达到了较高的精度，但模型只能预测某一时间点的设施内环境，不具有预测一定时间段设施内连续的环境变化的能力，可以在以后的研究中加强对该方向的探究。同时，可以考虑将风速、海拔等因素作为修正因子提高模型的推广和扩展能力，降低建模成本。

参考文献:

[1]王子洋,秦琳琳,吴刚涛.基于切换控制的温室温湿度控制系统建模与预测控制[J].农业工程学报,2008,24(7):188-192.

[2]王春玲,魏瑞江,申双和,等.基于 BP 神经网络的冬季日光温室小气候模拟[J].中国农学通报,2014,30(5):149-157.

[3]崔选科.基于BP网络的玻璃温室温度模型研究与监测系统设计[D].杨凌:西北农林科技大学,2014.

[4]Seginer I,Boulard T,Bailey B J.Neural network models of the greenhouse climate[J].J Agric Eng Res,1994,59(3):203-216.

[5]Linker R,Seginer I,Gutman P O.Optimal CO2control in a greenhouse modeled with neural networks[J].Computers and Electronics in Agriculture,1998,19:289-310.

[6]王红君,史丽荣,赵辉,等.基于MARX神经网络的日光温室湿度预测模型研究[J].广东农业科学,2014(20):170-172.

[7]刘淑梅,薛庆禹,黎贞发,等.基于BP神经网络的日光温室气温预报模型[J].中国农业大学学报,2015,20(1):176-184.

[8]朱春侠,童淑敏,胡景华,等.BP神经网络在日光温室湿度预测中的应用[J].农机化研究,2012(7):207-210.

[9]王曦,汪小志,林卫国.基于神经网络的温室光环境调控模型改进研究[J].中国农机化学报,2016,37(6):69-73.

[10]张漫,李婷,季宇寒,等.基于BP神经网络算法的温室番茄CO2增施策略优化[J].农业机械学报,2015,46(8):239-245.

[11]杜尚丰,徐立鸿,马程伟,等.可控环境生产系统建模、仿真与控制研究进展[J].中国科学(信息科学),2010，40(增刊):54-70.

[12]张桃莉,尹俊梅,杨光穗.文心兰产业化栽培面临的问题及解决对策[J].热带农业科学,2009,29(2):35-39.

[13]柯海丽,龙建勇,黎维诗,等.不同的遮光率对文心兰切花生长及品质的影响[J].热带生物学报,2011,2(3):264-266.

[14]周品.MATLAB神经网络设计与应用[M].北京:清华大学出版社,2013:164.

[15]褚健婷,夏军,许崇育,等.海河流域气象和水文降水资料对比分析及时空变异[J].地理学报,2009,64(9):1083-1092.

[16]金志凤,符国槐,黄海静,等.基于BP神经网络的杨梅大棚内气温预测模型研究[J].中国农业气象,2011,32(3):362-367.

[17]许童羽,王泷,张晓博,等.RBF神经网络在北方日光温室湿度模拟预测中的应用[J].沈阳农业大学学报,2014,45(6):726-730.