基于2种算法的日光温室日均气温预测模型比较研究

杨 义，洪 波，李艳莉，杭 兴，张 锋

(1.西安会泽计算机科技有限公司，西安 710043；2.陕西省生物农业研究所，西安 710043；3. 陕西省农业遥感与经济作物气象服务中心，西安 710014)

日光温室作为设施农业中最重要的种植模式，其内部气温条件是影响作物生长发育以及产量品质的重要因素[1]。温室内气温适宜有利于作物正常生长发育；而气温过高或过低，容易导致作物病虫害及生理性病害的发生。另外，冰雹、大雪、干旱等极端性灾害天气也会间接影响温室内作物的生长发育，导致作物减产[2]。目前，气象部门通常仅发布外界环境气温预测，农户无法提前掌握温室内气温的变化并及时采取农事措施。因此，如何根据温室外的天气预测温室内气象要素值，准确调控温室内的气温，对作物进行精细化管理，是目前设施农业生产中亟待解决的问题[3]。

近年来，国内外一些专家学者通过建立神经网络模型或多元线性回归分析等方法研究外界气象因子对温室内气温的影响[4-5]。Zhao等[6]建立了改进的BP神经网络模型，通过主成分分析提取了三个环境因素作为输入项来预测日光温室内气温，最终预测值绝对误差不超过2.23 ℃；刘淑梅等[7]采用BP神经网络建模和曲线拟合的方法，可以对7 d内的日光温室气温进行预测，均方误差在1.0～6.3 ℃；金志凤等[3]基于BP神经网络模型对杨梅塑料大棚的日最高、日最低气温进行预测，得出BP神经网络建模方法比逐步回归分析法精度高，可以应用于实际生产。然而，前人的研究大都是根据采集的逐时气温来预测设施内日最高气温、最低气温或短期气温[8-10]，鲜少开展日光温室内关于日平均气温的预测研究。而在正常生产操作中，逐时气温更容易受到温室放风、闭帘等日常操作影响而急剧下降或上升，从而导致模型精确度不高[11]。与逐时气温相比，日平均气温在常规的农事操作下不会产生剧烈的起伏，数据精确度比较高，适合建模预测仿真值。此外，根据日平均气温能够确定积温等指标，从而进一步研究作物的物候期，还可以通过日平均气温来评估不同物候期内作物的生长状况，对于科学、高效管理日光温室内农作物的生产具有非常重要的意义。因此，本研究以温室内与温室外的日平均气温以及晴空指数为样本数据，通过多元线性回归分析和BP神经网络方法建立预测模型，来准确预测日光温室内的日平均气温，为作物的物候期研究、农事生产管理等工作提供理论依据。

1 资料与方法

1.1 研究区概况

试验地点分别为陕西省咸阳市泾阳县蔬菜良种试验示范园(34°35′36.35″ N，108°49′26.86″ E)和陕西省延安市延川县文安驿镇梁家河试验示范园(36°51′49.94″ N，110°03′19.29″ E)。两个示范园各选择一个日光温室，后墙材料分别为土墙和砖墙，覆盖材料为聚乙烯膜，保温材料为棉被，田间东西走向。两个温室的脊高、跨度、长度和面积参数基本相同(见表1)。

表1 选取的陕西省日光温室建筑参数

1.2 研究数据与方法

1.2.1 研究数据 2020年10月开始在泾阳县蔬菜良种试验示范园和延川县梁家河试验示范园日光温室内外各安装一台自动气象观测站，大棚内的自动气象观测站位于中心部位，气温传感器距地面1.5 m。自动气象观测站气温观测精度为± 0.5 ℃，测量范围-40～120 ℃。室内自动气象观测站主要监测气温，室外自动气象观测站主要监测气温和晴空情况，数据每10 min传输1次，将1 d中获得的气温数据求和后除以总传输次数144次，即为当天的日平均气温。数据传输开始时间为2020年11月8日，结束时间为2021年5月13日。

日光温室内统一种植作物为越冬茬西红柿，研究开始时正处于西红柿的开花结果期。田间管理操作统一为：晴天上午08—09时开始放风10～60 min，下午01—02时开始放风10～60 min；遇到阴雨天则雨停后放风10～60 min。遇低温则缩短放风时间，防止作物发生冻害；遇高温可间歇性放风，防止温室内长时间出现高温高湿的环境。砖墙结构的温室有增温措施，当温室内最低气温低于4 ℃时开始增温，增温持续时间为20～60 min。

1.2.2 研究方法

(1)晴空指数 参考崔选科[11]、李峥嵘[12]等的研究，对不同天气情况进行晴空指数赋值：晴天为0.6，多云为0.4，雨天为0.2。

(2)建立预测模型 分别采用BP神经网络[11,13]和多元线性回归分析的方法，基于温室外的日均气温和晴空指数，建立了温室内气温预测模型。所有的数据处理前先进行剔除误差处理和归一化处理。其中，利用MATLAB 2020a建立BP神经网络模型算法，Python建立多元线性回归分析模型算法，SPSS 19.0进行数据归一化处理。

(3)模型符合度D和均方误差E计算方法

(1)

(2)

2 结果与分析

2.1 温室内外气温变化趋势分析

泾阳县蔬菜良种试验示范园和延川县梁家河试验示范园两个日光温室内外旬平均气温变化趋势如图1所示。从2020年11月中旬到次年5月上旬，两个地区的温室内气温与温室外气温总体均表现为先下降后上升的变化趋势。其中，室外气温从11月中旬到1月上旬快速下降，最低气温出现在2021年1月上旬(-9.4 ℃)。室内气温11月中旬到1月上旬变化相对较小，这是由于温室内气温的变化受人为因素影响较大。从1月中旬到5月上旬，温室内外气温的变化趋势更加相似，这是因为随着外界气温的上升，温室通风换气的次数会进一步增加，从而温室内气温的变化趋势受外界气温的影响更加明显。此外，从1月中旬到3月下旬，温室内外的旬平均气温差在10 ℃以上；而从3月下旬以后，日光温室内外的气温差进一步减小，变化趋势也更趋于一致，这是因为3月下旬越冬茬西红柿大部分已采收完毕，气温受人为因素的影响也会降低。随着外界温度的升高，室内外气温的变化趋势相似性越强，通过外界气温来预测温室内气温的精准度也会更高[14]，两种模型的精准度也会进一步升高。

图1 2021-11—2022-05泾阳和梁家河温室内外旬平均气温趋势

2.2 两种预测模型的对比

利用多元线性回归和BP神经网络方法，对泾阳和梁家河两处的室内气温进行建模。其中，多元线性回归方法得到的模型分别为：Y=0.507A+11.079B+7.644(泾阳)，Y= 0.540A+11.589B+6.434(梁家河)。其中，Y为温室内气温，A为温室外气温，B为晴空指数。两种模型的预测值与观测值匹配关系如图2所示。R2表示线性回归方程的拟合优度，R2越接近1，表示拟合效果越好，则模型的精确度越高[13]。从图中可知，BP神经网络和多元线性回归均可用来模拟室内日平均气温，其中多元线性回归方法对泾阳和梁家河温室内气温模拟的R2分别为0.552 9和0.758 5；BP神经网络方法对泾阳和梁家河地区温室内气温模拟的R2分别为0.746 6和0.770 4。两个温室的两种模型的精确度排序为：BP神经网络(梁家河)>多元线性回归(梁家河)>BP神经网络(泾阳)>多元线性回归(泾阳)。

2.3 两种模型的预测效果检验

为了分析两种模型在温室内气温模拟方面的模拟精确度，对预测结果进行统计分析，结果如表2所示。两种模型对于温室内气温的预测精度均较好。其中，延川梁家河试验示范园温室的BP神经网络模型的精确度最高，均方误差为1.90 ℃，绝对误差为1.54 ℃，符合度指数达0.94，误差小于2 ℃准确率达68%，误差小于3 ℃准确率达86%；泾阳蔬菜良种试验示范园温室的BP神经网络模型精确度较高，均方误差为1.92 ℃，绝对误差为1.52 ℃，符合度指数达0.94，误差小于2 ℃准确率达68%，误差小于3 ℃准确率达86%。对两个温室的4个模拟结果的精确度进行排序可得：BP神经网络(梁家河)>BP神经网络(泾阳)>多元线性回归(梁家河)>多元线性回归(泾阳)。通过两种模型的比较分析，BP神经网络方法构建的预测模型明显优于多元回归分析法，这与温永菁等[2]得出BP神经网络模型较逐步回归分析模型精准度更高的结论一致。然而模型也具有局限性，只适用于地域等参数相近的日光温室。此外，对于棚室参数、经纬度、海拔高度、太阳辐射等因素影响情况，还需要进一步分析研究。同一种模型应用于不同地区的比较中，梁家河日光温室比延川泾阳日光温室的室内气温模拟精度更高。原因可能是砖墙结构的温室较土墙结构的保温性差，这与韦婷婷[15]等的塑料大棚较玻璃温室保温性差，模型模拟精度更高的结论一致。由于研究中用于分析的日光温室样本数量不足，因此，后期开展试验时可通过进一步增加不同材料的日光温室样本数量来验证该结论的准确性。

图2 两个温室和两种模型的气温预测值与观测值匹配关系

表2 两种模型的预测效果检验

2.4 不同天气条件下模型精准度分析

为了分析不同天气条件对两种模型精确度的影响，分别对两种模型在晴天、雨天、多云天气条件下的均方误差、绝对误差及符合度指数进行分析，结果如表3所示。多云天气条件下，两种模型的均方误差、绝对误差最小，符合度指数最大；雨天两种模型的均方误差、绝对误差较小，符合度指数较大；晴天两种模型的均方误差、绝对误差最大，符合度指数较小。三种天气条件下的模型预测温室内气温的精准度排序结果为：多云>雨天>晴天。分析原因可能是在晴天条件下，温室内温湿度过高时需频繁进行放风，气温较低时需限制放风，因此温室内气温变化受人为因素影响较大；而雨天情况下气温大幅度下降时也会进行人为升温或限制放风等操作，从而影响模型的精准度。

表3 不同天气条件下两种模型的精准度分析

3 结论

通过对比分析泾阳县蔬菜良种试验示范园和延川县梁家河试验示范园两个日光温室内外气温变化特征，分别利用BP神经网络和多元线性回归两种方法对温室内气温进行建模，提出室内气温模拟预测的有效方法，为温室大棚的作物生长环境调控提供理论参考。得到的具体结论如下。

(1)BP神经网络方法构建的预测模型明显优于多元回归分析法。应用BP神经网络模型模拟延川梁家河和泾阳示范园日光温室内气温的结果较好，均方误差分别为1.90 ℃和1.92 ℃，拟合优度R2分别为0.77和0.75。

(2)控制条件下两种模型对于砖墙结构的日光温室较土墙结构的日光温室的模拟精度更高。

(3)不同天气条件对模型的预测精度影响具有差异性。多云天气条件下模型预测精准度最高，其次为雨天天气，而晴天预测精准度最低。