洞庭湖区不等高大棚内温湿度日变化模拟及预警模型建立

孙信成 张忠武 蒋万 康杰 杨连勇 陈位平

摘要：建立棚內最高温湿度和最低温湿度预警模型可为菜农在大棚棚膜揭盖及在极端天气下预防高温热害或低温冷害或高湿病害上及时提供预报信息。利用温湿度传感器采集2020年的环境数据，采用逐日回归分析方法，结合F值检验等统计方法，探究洞庭湖区不等高大棚的温湿度特征和变化规律；通过一元二次方程拟合棚内温湿度可对棚内逐月平均温湿度日变化进行分析和趋势模拟，根据棚外气温和相对湿度值进行棚内任一时刻的温湿度估测，并提供最高或最低预警。结果表明：在洞庭湖区不等高大棚内不同月份的温湿度变化差异显著，全年夜间的温湿度变化稳定；棚内温度较高出现在6—9月的12：00—14：00，棚内温度较低出现在12月和1月的4：00—6：00，棚内湿度较高出现在3—4月和11—12月的4：00—6：00。通过一元二次方程对棚内温湿度日变化进行模拟，建立的棚内最高温湿度、最低温湿度预警模型的F值检验均通过0.01极显著水平，拟合度高，R2＞0.8，能较好地反映棚内温湿度日变化规律。

关键词：洞庭湖区；不等高大棚；预警模型；温湿度；日变化

中图分类号：S165

文献标识码：A

文章编号：20955553 （2023） 070170

09

Daily variation simulation and early warning model of temperature and humidity

in unequal height greenhouse in Dongting Lake area

Sun Xincheng， Zhang Zhongwu， Jiang Wan， Kang Jie， Yang Lianyong， Chen Weiping

（Changde Agriculture and Forestry Science Academy， Changde， 415000， China）

Abstract： Establishing an early warning model for the maximum or minimum temperature and humidity could provide timely forecast information for vegetable farmers to prevent heat injury， chilling damage， and high humidity diseases in extreme weather， when the greenhouse film is being uncovered or covered. In this study， environmental data for the year 2020 was collected using temperature and humidity sensors， and the daily regression analysis method was used along with statistical methods such as the F-value test to explore the characteristics and variation of temperature and humidity in unequal height greenhouse in Dongting Lake area. A quadratic equation was used to fit temperature and humidity data. Using the outside temperature and relative humidity values， the temperature and humidity at any given time inside the greenhouse could be estimated， and maximum or minimum warning could be provided accordingly. The results showed that there were significant differences in temperature and humidity changes in different months in unequal height greenhouses in Dongting Lake area， with stable temperature and humidity changes throughout the year. The higher temperature in the greenhouse appeared from 12：00 to 14：00 between June to September. The lower temperature in the greenhouse appeared from 4：00 to 6：00 in December and January. The higher humidity in the greenhouse appeared from 4：00 to 6：00 between March and April and between November to December. The F-value of the early warning models of the highest and lowest temperature and humidity in the greenhouse passed the 0.01 extremely significant level with a high fitting degree of R2>0.8， reflecting the diurnal variation of temperature and humidity in the greenhouse.

Keywords：  Dongting Lake area; unequal height greenhouse; early warning model; temperature and humidity; daily variation

0 引言

洞庭湖地区位于长江中游以南、湖南省北部，介于N 28°30′～30°20′、E 110°40′～113°10′之间，年均温16.4℃～17℃，无霜期258～275d，年降水量1100～1400mm。近年来长江流域洞庭湖设施栽培迅速发展，设施蔬菜在缓解蔬菜季节性供应不足、保障周年均衡供应，增加菜农收入等方面发挥了重要作用；据不完全统计，2020年洞庭湖区以大棚和中小拱棚为主的设施栽培面积有30.1khm2左右。

设施农业属于一种高效农业，每公顷日光温室产值22.5～60万元，是露地蔬菜的10～20倍，是大田作物的25～70倍，蔬菜产量的40%均来自设施栽培；因而，设施栽培也是现代农业的标志。在设施栽培中，以温度、光照、水分、湿度和气体为主的五大作物生长所需环境因子均能人工控制调节。

大棚内的温湿度变化对作物生长有着重要的影响，在高温胁迫下，作物生长缓慢、光合速率下降、根系生理功能降低、结实率和果实品质降低，出现授粉不良、早衰现象；在高湿胁迫下，作物叶片会出现缺钙和叶面积减少的情况，抑制植株的正常蒸腾作用使植株蒸腾量减少，抑制根系水分吸收造成沤根或脱肥，容易造成落花落果，并诱发和加重病虫害发生；在低温胁迫下，蔬菜出苗慢、长势弱、猝倒病较重，缓苗期延长，开花、坐果和上市期均推迟，还会出现“僵苗”的现象，引起疫病、霜霉病、菌核病和根腐病等真菌性病害发生；在湿度过低条件下，植株表现叶片偏小、机械组织形成较多、果实膨大速度慢、品质不良和产量降低，还会阻碍光合作用，引起萎蔫和叶片枯焦等现象。

国内外学者通过能量和质量平衡原理、BP神经网络统计方法和逐步回归分析、最小二乘法、多元回归统计等线性参数法构建温棚内小气候的物理模型、网络模型和统计模型，探索大棚内外气象要素之间的变化关系。Businger等［1］对温室进行小气候模拟，初步建立的温室内各层稳态能量平衡方程的方法成为以后各种模型的核心；基于能量和质量平衡原理，李军等［2］建立大棚内温湿度模拟模型，Jolliet等［3］建立温室内湿度与蒸发模型。基于BP神经网络统计方法，李倩［4］、金志凤［5］、Fourati［6］、Ferreira［7］、Frausto［8］等建立了大棚内温湿度、太阳辐射和云层等小气候控制及预报模型。基于逐步回归分析法，张超［9］、范辽生［10］、张淑杰［11］、张晓月［12］、陈琛［13］、王孝卿［14］、刘娟［15］、符国槐［16］、李艳莉［17］、赵先丽［18］、舒素芳［19］、李德［20］、韦婷婷［21］、李全平［22］、李宁［23］、Patil［24］、Oliveira［25］、袁静［26］、肖杨［27］、刘焕［28］等建立棚内气温、作物蒸散量、地温和湿度等预报模型。本研究以洞庭湖区不等高大棚为对象，逐月建立棚内白天和夜间的温湿度拟合方程及最高或最低温湿度预警模型，分析棚内温湿度特征和变化规律，同时为农业生产提供科学的指导建议。

1 材料与方法

1.1 试验材料

试验于2020年1—12月在常德市农林科学研究院蔬菜研究所基地进行。试验所用的不等高、大跨度大棚均为自主设计，棚体主要为Φ32热镀锌钢管组装式结构，参数为：棚长32m，总跨度15m，高棚脊高5m、低棚脊高4.5m，肩高2m，立柱2排，立柱横向间距1m、纵向间距4m，有顶通风口1个和侧通风口2个，大棚膜为10丝的PEP利得膜。棚内蔬菜作物为辣椒。

1.2 试验方法

本试验的棚内外温湿度数据采用HOBO温湿度传感器进行采集，测量高度统一布置为距离地面2.5m。采集2020年一整年的棚内外温湿度数据，数据自动采集，设置采集间隔时间为10min。

1.3 数据处理

相关数据采用Excel软件进行统计分析与做图，采用SPSS软件进行F值检验和回归分析。

2 结果与分析

2.1 逐月平均日变化分析

统计2020年1—12月各月份逐小时的棚内温度平均值，以北京时间为X轴，棚内温度为Y轴，绘制全年逐月的温度日变化曲线（图1）。

由图1可知，逐月平均温度的日变化趋势一致，白天（8：00—17：00）呈单峰变化曲线，平均温度先上升后下降；晚上（18：00—次日7：00）平均温度变化趋于稳定。平均温度较高的月份为6—9月，平均温度较低的月份为12月和1月；温度日变化的最高值出现在中午时段（12：00—14：00），最低值出现在次日早晨（4：00—6：00）。

以北京时间为X轴，棚内湿度为Y轴，绘制全年逐月的湿度日变化曲线（图2）。由圖2可知，逐月平均湿度的日变化趋势一致，且与逐月平均温度的日变化趋势相反，白天（8：00—17：00）呈单谷变化曲线，平均湿度先下降后上升；晚上（18：00—次日7：00）平均湿度变化趋于稳定。平均湿度较高的月份为3—4月和11—12月，平均湿度较低的月份为9月；湿度日变化的最低值出现在中午时段（12：00—14：00），最高值出现在次日早晨（4：00—6：00）。

2.2 温湿度日变化趋势模拟

以8：00—17：00为白天，将北京时间重新定义为时序，8：00为x=1，9：00为x=2，…，16：00为x=9，17：00为x=10，根据逐月平均的白天棚内温度的变化趋势，对棚内温度（y）与时序（x）的关系进行相关分析，得出逐月的棚内温度拟合回归方程（表1）。同样方法，定义18：00—次日7：00为晚上，18：00为x=1，19：00为x=2，…，次日0：00为x=7，次日1：00为x=8，…，次日7：00为x=14，根据逐月平均的夜间棚内温度的变化趋势，得出逐月的棚内温度（y）与时序（x）的拟合回归方程（表2）。

由表1和表2可知，对全年的白天和夜间棚内温度与时间的拟合方程分别进行F检验和相关系数检验，F检验的p值均低于0.05，表明极显著；相关系数R2均高于0.8，表明白天和夜间棚内温度的拟合方程达到极显著，且拟合度高；白天棚内温度的拟合方程优于夜间棚内温度的拟合方程，5—7月的夜间棚内温度拟合方程拟合度较差。

按照上述方法，根据逐月平均的白天和夜间棚内湿度的变化趋势，对棚内湿度（y）与时序（x）的关系进行相关分析，得出逐月的白天和夜间棚内湿度拟合回归方程。

由表3和表4可知，对全年的白天和夜间棚内湿度与时间的拟合方程分别进行F检验和相关系数检验，F检验的p值均低于0.05，表明极显著；相关系数R2均高于0.8，表明白天和夜间棚内湿度的拟合方程达到极显著，且拟合度高；白天棚内湿度的拟合方程优于夜间棚内湿度的拟合方程。

2.3 棚内最高、最低温湿度预警

利用简单相关系数可判断棚内外最高温度间、棚内外最低温度间是否相关，各月相关系数如表5所示。1—12月的最高温度或最低温度相关系数均呈显著正相关，以棚内最高（最低）温度作为因变量（X），棚外最高（最低）温度作为自变量（Y），建立线性拟合方程或一元二次拟合方程。由表6和表7可知，1—12月的一次拟合方程或二次拟合方程均通过显著性检验，二次拟合方程的相关系数优于一次拟合方程；棚内最高温度和最低温度预警模型建立的效果较好。

利用简单相关系数可判断棚内外最高湿度间、棚内外最低湿度间是否相关，各月相关系数如表8所示。

1—12月的最高湿度或最低湿度相关系数均呈显著正相关，以棚内最高（最低）湿度作为因变量（X），棚外最高（最低）湿度作为自变量（Y），建立线性拟合方程或一元二次拟合方程。由表9和表10可知，1—12月的一次拟合方程或二次拟合方程均通过显著性检验，二次拟合方程的相关系数优于一次拟合方程；棚内最高湿度和最低湿度预警模型建立的效果较好。

3 讨论

运用数理统计等方法分析大棚温湿度与外界的变化规律，可以得到棚内温湿度日变化特征及其相关性，为大棚的温湿度管理提供科学依据。于明英等［29］分析了北京晴天、多云、寡照3种天气类型下小气候变化规律，表明棚温和地温的变化规律相似，呈“单峰”变化，变化幅度依次为晴天>多云>寡照；3种天气条件下棚内相对湿度均普遍较高，高于90%的时间均长达13h以上；棚温与地温呈正相关、与棚内相对湿度呈负相关，相关系数均大于0.8。常丽娜等［30］在数值计算和实验的基础上建立温室内土壤温度与室内外气温相互关系的数学模型，表明在有作物生长条件下土壤温度与室内外气温之间不是简单的线性关系。符国槐等［16］分析了塑料大棚不同天气类型下温度的相关性，表明棚内外白天的温度相关性小于夜间，阴天夜间棚内外温度的相关性最好，并在此基础上建立基于逐步回归方法的温度预报模型。李艳莉等［17］对3种天气类型棚内当天最低气温与前一天的相关性进行分析，表明晴天时棚内最低气温与前一天棚内、外最低气温和当天棚外最低气温均显著相关，多云时棚内最低气温只与当天棚外最低气温显著相关。陈昱利等［31］根据气象学相关原理建立塑料大棚温湿度日变化模型，表明温度日变化白天为正弦曲线，夜间为指数曲线，湿度模型与温度相反。张超等［9］对内蒙古东部大棚温度特征进行分析，表明逐月的棚内气温拟合回归方程通过了F检验和相关系数检验，均为显著，棚内外最低气温间线性相关较好，均为正相关。本研究通过逐月回归分析的方法，分别建立棚内温度和湿度的拟合方程；与实测值进行验证，如1月份8：00平均温度的实测值为5.44℃，拟合方程得到的模拟值为5.87℃，误差0.43℃，1—12月拟合方程的平均温度模拟值与实测值误差范围在1.40℃以内，7.84%以内；如6月份7：00平均湿度的实测值为84.0%，拟合方程得到的模拟值为88.26%，误差4.25%，1—12月拟合方程的平均湿度模拟值与实测值误差范围在5.07%以内。本研究建立的温湿度拟合方程误差小，能较好地反映棚内温湿度日变化规律。

利用逐步回归分析法建立的大棚温湿度模型可靠度高。魏瑞江等［32］建立的温室内气温、空气相对湿度、接受到的太阳辐射及其综合因子对黄瓜生长发育的适宜度模型，得出黄瓜产量随小气候适宜度的增加而增加，两者相关性显著，且与实际验证一致。陈昱利等［31］根据气象学相关原理，建立南京地区塑料大棚内白天和夜间的温湿度日变化模型。葛建坤等［33］利用土壤温度、相对湿度、平均气温、大气压、蒸发、太阳辐射（日照）等气象因子建立预测大棚番茄顶层蒸腾速率的偏最小二乘回归模型。杨丽中等［34］建立夜间低温条件下和白天晴天条件下大棚内外温度模型，达到较高的准确率和精度，确定了夜间低温预警指标等级及温度范围。刘焕等［28］建立了胶东地区日光温室不同季节不同天气条件下气温和相对湿度的预测模型，模型验证结果表明均可用于实际生产，可根据室外环境因子对室内温湿度提前预测，并采取相应措施使温室内环境达到作物生长适宜的范围。范辽生等［10］构建了适于杭州地区3种天气类型的单、双层塑料大棚内日最低气温预报模型，表明3种天气类型中多云时预报精度较低。张淑杰等［11］基于日光温室内番茄低温冻害指标建立逐时气温预报模型，实现温室内番茄低温冻害预警，预报准确率达86%以上。王孝卿等［14］建立寿光日光温室不同天气类型、不同月份、不同时间段的逐小时模拟模型，表明除4月的模拟结果差异较大外，其他时间段模拟效果均较好。陈琛等［13］以前一天温室内最低、最高气温和室外最低气温3个主要气象因子为条件建立温室当日最低气温预报模型。袁静等［26］同样以当天及前一天的温湿度建立相关模型，表明模型均通过0.01水平的显著性检验。肖杨等［27］建立的葡萄大棚内逐小时温湿度预报模型，表明棚内逐小时气温和空气相对湿度模型的R2多在0.5以上。本研究得到的1—12月最高溫度、最低温度、最高湿度和最低湿度间的相关系数，除最高湿度外，其他的相关系数均大于0.5；因而可以根据棚外最高或最低温湿度，采用逐月回归分析的方法，建立棚内最高温湿度、最低温湿度预警模型。利用均方根误差（RMSE）与实测值进行验证，分析模拟值和实测值之间的符合程度，得到1—12月的最高温度、最低温度、最高湿度和最低湿度的RMSE值。1—12月最高温度预报模型的模拟值与实测值的RMSE为1.60℃～7.90℃，其中9月最高温度预报模型的模拟值与实测值相差最小，拟合度最高，高温季节（6—9月）的最高温度预报模型准确率高于其他月份；1—12月最低温度预报模型的模拟值与实测值的RMSE为0.21℃～1.41℃，其中12月最低温度预报模型的模拟值与实测值相差最小，拟合度最高；1—12月最高湿度预报模型的模拟值与实测值的RMSE为0.10%～9.76%，其中3月最高湿度预报模型的模拟值与实测值相差最小，拟合度最高；1—12月最低湿度预报模型的模拟值与实测值的RMSE为2.35%～11.67%，其中9月最低湿度预报模型的模拟值与实测值相差最小，拟合度最高。建立的最高温湿度和最低温湿度预报模型的一次拟合方程和二次拟合方程的RMSE值、R2值近似相等，均能较好反映各月最高温度、最低温度、最高湿度和最低湿度预报模型的准确性。

4 结论

1） 在洞庭湖地区不等高大棚内不同月份的温湿度变化差异显著，全年夜间的温湿度变化稳定；棚内温度较高出现在6—9月的12：00—14：00，这阶段需要注意大棚白天的通风降温；棚内温度较低出现在12月和1月的4：00—6：00，这阶段需要注意大棚夜间的多层覆盖保温；棚内湿度较低对作物生长影响不大，且可以通过滴灌等灌水方式改善；棚内湿度较高出现在3—4月和11—12月的4：00—6：00，这阶段需要注意防治高湿带来的蔬菜病害。

2） 本研究通过一元二次方程对棚内温湿度日变化进行模拟，拟合度高，R2＞0.8，拟合模型的温湿度与实测值误差范围分别在7.84%以内和5.07%以内，表明通过一元二次方程可以较好地拟合棚内温湿度，可以估测棚内任一时刻的温湿度。

3） 建立的棚内最高温湿度、最低温湿度预警模型的F值检验均通过0.01极显著水平，模型的模拟值与实测值的RMSE值很小，表明模型的模拟结果精准，方程拟合度高；可以根据棚外气温值和相对湿度推算棚内的温湿度，并提供最高或最低預警，为菜农在大棚棚膜揭盖及在极端天气下预防高温热害或低温冷害或高湿病害上及时提供预报信息。下一步将根据大棚内两年的小气候数据来实际验证预警模型的准确度。

参 考 文 献

［1］ Businger J A. The glasshouse climate， physics of plant environment ［J］. Ed. Van Wijk， North Publ. Co.， Amsterdam， 1963： 270-318.

［2］ 李军， 姚益平， 徐蕊， 等. 长江下游防虫网覆盖塑料大棚内温湿度模拟［J］. 农业工程学报， 2010， 26（6） ： 238-244.

Li Jun， Yao Yiping， Xu Rui， et al. Simulation of air temperature and relative humidity in plastic greenhouse tunnel covered with insect-proof nets in lower reaches of Yangtze River ［J］. Transactions of the CSAE， 2010， 26（6）： 238-244.

［3］ Jolliet O. HORTITRANS， a model for predicting and optimizing humidity and transpiration in greenhouses ［J］. Journal of Agricultural Engineering Research， 1994， 57（1）： 23-37.

［4］ 李倩， 申双和， 曹雯， 等. 南方塑料大棚冬春季温湿度的神经网络模拟［J］. 中国农业气象， 2012， 33（2） ： 190-196.

Li Qian， Shen Shuanghe， Cao Wen， et al. Neural network simulation on air temperature and relative humidity inside plastic greenhouse during winter and spring in Southern China ［J］. Chinese Journal of Agrometeorology， 2012， 33（2）： 190-196.

［5］ 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.

Jin Zhifeng， Fu Guohuai， Huang Haijing， et al. Simulation and forecast of air temperature inside the greenhouse planted Myica rubra based on BP neural network ［J］. Chinese Journal of Agrometeorology， 2011， 32（3）： 362-367.

［6］ Fourati F， Chtourou M. A greenhouse control with feed-forward and recurrent neural networks ［J］. Simulation Modelling Practice and Theory， 2007， 15（8）： 1016-1028.

［7］ Ferreira P M， Faria E A， Ruano A E. Neural network models in greenhouse air temperature prediction ［J］. Neurocomputing， 2002， 43（1-4）： 51-75.

［8］ Frausto H U， Pieters J G. Modelling greenhouse temperature using system identification by means of neural networks ［J］. Neurocomputing， 2004， 56： 423-428.

［9］ 张超， 吴瑞芬. 内蒙古东部温室大棚温度特征分析及预报模型建立［J］. 中国农学通报， 2014， 30（26） ： 213-218.

Zhang Chao， Wu Ruifen. Analyze of greenhouses temperature characteristic and temperature prediction model in eastern Inner Mongolia ［J］. Chinese Agricultural Science Bulletin， 2014， 30（26）： 213-218.

［10］ 范辽生， 朱兰娟， 柴伟国， 等. 杭州冬季塑料大棚内气温变化特征及日最低气温预报模型［J］. 中国农业气象， 2014， 35（3） ： 268-275.

Fan Liaosheng， Zhu Lanjuan， Chai Weiguo， et al. Temperature variation characteristic and daily minimum temperature forecast inside plastic greenhouse in winter in Hangzhou ［J］. Chinese Journal of Agrometeorology， 2014， 35（3）： 268-275.

［11］ 张淑杰， 孙立德， 马成芝， 等. 日光温室番茄低温冻害指标确定及温度预报模型建立［J］. 气象与环境学报， 2016， 32（4）： 98-105.

Zhang Shujie， Sun Lide， Ma Chengzhi， et al. Determination of low-temperature and frost damage indicators and construction of a temperature forecasting model for tomato in greenhouse ［J］. Journal of Meteorology and Environment， 2016， 32（4）： 98-105.

［12］ 张晓月， 李荣平， 王莹， 等. 日光温室小气候要素预报模型研究［J］. 中国农学通报， 2018， 34（32）： 113-118.

Zhang Xiaoyue， Li Rongping， Wang Ying， et al. Microclimate forecasting model in sunlight greenhouse ［J］. Chinese Agricultural Science Bulletin， 2018， 34（32）： 113-118.

［13］ 陈琛， 丁昇， 曹丹萍， 等. 上海春季蟠桃温室内气温变化特征及低温预报［J］. 中国农学通报， 2019（35）： 118-123.

Chen Chen， Ding Sheng， Cao Danping， et al. Temperature variation characteristics and daily minimum temperature forecast inside spring greenhouse in Shanghai ［J］. Chinese Agricultural Science Bulletin， 2019（35）： 118-123.

［14］ 王孝卿， 李楠， 薛晓萍. 寿光日光温室小气候变化规律及模拟［J］. 中国农学通报， 2012， 28（10）： 236-242.

Wang Xiaoqing， Li Nan， Xue Xiaoping. The microclimate change rules and simulation method of greenhouse in Shouguang city ［J］. Chinese Agricultural Science Bulletin， 2012， 28（10）： 236-242.

［15］ 劉娟， 周超， 曹成， 等. 蔬菜大棚小气候变化特征及预警服务系统的应用研究［J］. 上海农业学报， 2015， 31（4）： 69-74.

Liu Juan， Zhou Chao， Cao Cheng， et al. Application research of microclimate change characteristics and early warning service system in vegetable greenhouse ［J］. Acta Agriculturae Shanghai， 2015， 31（4）： 69-74.

［16］ 符国槐， 张波， 杨再强， 等. 塑料大棚小气候特征及预报模型的研究［J］. 中国农学通报， 2011， 27（13）： 242-248.

Fu Guohuai， Zhang Bo， Yang Zaiqiang， et al. Research on the microclimate characteristics and inside temperature prediction model for plastic greenhouse ［J］. Chinese Agricultural Science Bulletin， 2011， 27（13）： 242-248.

［17］ 李艳莉， 许伟峰. 渭南日光温室小气候特征分析及预测方法［J］. 陕西气象， 2017（2）： 12-15.

Li Yanli， Xu Weifeng. Analysis and prediction method of microclimate characteristics in Weinan solar greenhouse ［J］. Journal of Shaanxi Meteorology， 2017（2）： 12-15.

［18］ 赵先丽， 张淑杰， 蔡福， 等. 辽宁省日光温室内最高和最低气温预报［J］. 江苏农业科学， 2017， 45（16） ： 276-282.

［19］ 舒素芳， 蔡敏， 刘新华， 等. 大棚蔬菜最低气温预报及冻害防御技术［J］. 气象科技， 2015， 43（1） ： 133-137.

Shu Sufang， Cai Min， Liu Xinhua， et al. Minimum temperature forecast and freezing injury prevention techniques for greenhouse vegetable ［J］. Meteorological Science and Technology， 2015， 43（1）： 133-137.

［20］ 李德， 张学贤， 祁宦， 等. 宿州日光温室内部最高和最低气温的预报模型［J］. 中国农业气象， 2013（2）： 170-178.

Li De， Zhang Xuexian， Qi Huan， et al. Forecast model of the highest and lowest temperature in the sunlight greenhouse in Suzhou ［J］. Chinese Journal of Agrometeorology， 2013（2）： 170-178.

［21］ 韦婷婷， 杨再强， 王琳， 等. 玻璃温室和塑料大棚内逐时气温模拟模型［J］. 中国农业气象， 2018， 39（10）： 26-37.

Wei Tingting， Yang Zaiqiang， Wang Lin， et al. Simulation model of hourly air temperature inside glass greenhouse and plastic greenhouse ［J］. Chinese Journal of Agrometeorology， 2018， 39（10）： 26-27.

［22］ 李全平， 朱宝文， 高君元. 高寒冷凉地区日光温室相对湿度变化规律［J］. 中国农学通报， 2015， 31（1）： 204-209.

Li Quanping， Zhu Baowen， Gao Junyuan. Relative humidity change rule of the greenhouse in high altitude and low temperature areas ［J］. Chinese Agricultural Science Bulletin， 2015， 31（1）： 204-209.

［23］ 李宁， 申双和， 黎贞发， 等. 基于主成分回归的日光温室内低温预测模型［J］. 中国农业气象， 2013， 34（3）： 306-311.

Li Ning， Shen Shuanghe， Li Zhenfa， et al. Forecast model of minimum temperature inside greenhouse based on principal component regression ［J］. Chinese Journal of Agrometeorology， 2013， 34（3）： 306-311.

［24］ Patil H J， Srivastava A K， Kumar S， et al. Selective isolation， evaluation and characterization of antagonistic actinomycetes against Rhizoctonia solani ［J］. World Journal of Microbiology and Biotechnology， 2010， 26： 2163-2170.

［25］ da Costa A O， Silva P F， Sabará M G， et al. Use of neural networks for monitoring surface water quality changes in a neotropical urban stream ［J］. Environmental Monitoring and Assessment， 2009， 155（1-4）： 527-538.

［26］ 袁靜， 王令军， 徐剑平， 等. 大樱桃大棚小气候特征分析及预报［J］. 中国农学通报， 2015， 31（19）： 173-179.

Yuan Jing， Wang Lingjun， Xu Jianping， et al. Characteristics analysis and forecast of microclimate in greenhouse for sweet cherry ［J］. Chinese Agricultural Science Bulletin， 2015， 31（19）： 173-179.

［27］ 肖杨， 王冠， 袁淑杰， 等. 不同天气类型下大棚葡萄温湿度预报模型［J］. 农学学报， 2021， 11（5）： 91-96.

Xiao Yang， Wang Guan， Yuan Shujie， et al. Temperature and relative humidity forecast model of greenhouse grape under different weather types ［J］. Journal of Agriculture， 2021， 11（5）： 91-96.

［28］ 刘焕， 杨延杰， 史宇亮， 等. 胶东地区日光温室周年温湿度变化规律分析及预测［J］. 中国农业科技导报， 2021， 23（12）： 136-144.

Liu Huan， Yang Yanjie， Shi Yuliang， et al. Analysis and prediction on the annual temperature and humidity change of solar greenhouse in Jiaodong area ［J］. Journal of Agricultural Science and Technology， 2021， 23（12）： 136-144.

［29］ 于明英， 肖娟， 邱照宁， 等. 不同天气条件对沙培日光温室小气候的影响［J］. 北方园艺， 2017（9）： 42-45.

Yu Mingying， Xiao Juan， Qiu Zhaoning， et al. Effect of different weather condition on microclimate of sand cultured solar greenhouse ［J］. Northern Horticulture， 2017（9）： 42-45.

［30］ 常丽娜， 张林华. 日光温室空气温度与土壤温度的相关性分析［J］. 山东建筑大学学报， 2010， 25（6） ： 595-598， 618.

Chang Lina， Zhang Linhua. Correlation analysis of air and soil temperature in solar greenhouse ［J］. Journal of Shandong Jianzhu University， 2010， 25（6）： 595-598， 618.

［31］ 陈昱利， 张智优， 刘岩， 等. 南京地区塑料大棚中空气温湿度日变化模型及验证［J］. 江苏农业学报， 2011， 27（6）： 1344-1351.

Chen Yuli， Zhang Zhiyou， Liu Yan， et al. Models of daily changes in air temperature and relative humidity in vinyl house in Nanjing region and their validation ［J］. Jiangsu Journal of Agricultural Sciences， 2011， 27（6）： 1344-1351.

［32］ 魏瑞江， 王春乙， 范增祿. 石家庄地区日光温室冬季小气候特征及其与大气候的关系［J］. 气象， 2010， 36（1） ： 97-103.

Wei Ruijiang， Wang Chunyi， Fan Zenglu. Microclimate characteristic under plastic sunlight greenhouse and relationship with macroclimate in Shijiazhuang region in winter ［J］. Meteorological Monthly， 2010， 36（1）： 97-103.

［33］ 葛建坤， 罗金耀. 春季温室番茄内外气象要素变化规律初步研究［J］. 中国农村水利水电， 2013（3）： 82-84， 87.

Ge Jiankun， Luo Jinyao. Research on the change rules of meteorological elements inside and outside greenhouse tomatoes in spring ［J］. China Rural Water and Hydropower， 2013（3）： 82-84， 87.

［34］ 杨丽中， 朱晓虎， 束正勇， 等. 东台西瓜大棚内外温度关系及高低温预警方法研究［J］. 气象， 2012， 38（2）： 228-233.

Yang Lizhong， Zhu Xiaohu， Shu Zhengyong， et al. Study on temperature of watermelon greenhouse and high-low temperature waring method in Dongtai， Jiangsu province ［J］. Meteorological Monthly， 2012， 38（2）： 228-233.