廊坊冬季日光溫室氣溫分析與預(yù)報模型研究

石茗化，魏渠成，李雪杉

廊坊市氣象局，河北廊坊 065000

日光溫室是指以日光為主要能量來源的一種溫室形式，其防寒保溫的特點，能為農(nóng)作物生長提供優(yōu)良環(huán)境，尤其在北方冬春蔬菜和水果種植方面得到廣泛應(yīng)用[1-2]。日光溫室內(nèi)氣溫的變化直接影響溫室果蔬的生長發(fā)育和品質(zhì)，因此準(zhǔn)確預(yù)測溫室內(nèi)氣溫的變化能為調(diào)控溫室環(huán)境、促進科學(xué)栽培提供幫助[3-4]。

近年來，不少國內(nèi)外科技工作者通過物理和數(shù)學(xué)統(tǒng)計等模型對日光溫室內(nèi)氣溫變化進行了諸多的模擬研究。Sharma等[5]利用能量平衡模型對溫室內(nèi)不同區(qū)域溫度分布情況進行了分析；孫樹鵬等[6]基于CFD模型對天津地區(qū)冬、春、夏3個季節(jié)不同環(huán)境溫度條件下，打開通風(fēng)口時日光溫室內(nèi)部環(huán)境的溫度進行了模擬；Frausto等[7-9]利用神經(jīng)網(wǎng)絡(luò)模型對溫室內(nèi)氣象要素進行了預(yù)測；肖揚等[10-13]通過逐步回歸方法建立了不同天氣類型或不同季節(jié)下棚內(nèi)溫濕度預(yù)測模型；韋婷婷等[14]采用余弦分段函數(shù)、正弦分段函數(shù)、正弦—指數(shù)分段函數(shù)、一次分段函數(shù)和神經(jīng)網(wǎng)絡(luò)模型分別模擬南京地區(qū)不同季節(jié)和不同天氣狀況下的氣溫日變化情況；高麗娜等[15-17]基于BP神經(jīng)網(wǎng)絡(luò)模型對日光溫室極端氣溫進行了預(yù)測。目前，廊坊地區(qū)日光溫室小氣候模擬的報道較少。因此，利用日光溫室內(nèi)外的氣溫要素數(shù)據(jù)，采用BP神經(jīng)網(wǎng)絡(luò)模型對日光溫室內(nèi)日最高氣溫和最低氣溫進行模擬，建立溫室內(nèi)日最高氣溫和最低氣溫模型，以期為指導(dǎo)日光溫室氣溫調(diào)控提供參考和技術(shù)支撐。

1 材料與方法

1.1 試驗材料

將試驗地設(shè)在河北省廣陽區(qū)潤寶農(nóng)業(yè)園區(qū)（39°30′N，116°46′E）。該地屬于暖溫帶大陸性季風(fēng)氣候，海拔約13 m，年平均氣溫12.3℃，極端最高氣溫40.3℃，極端最低氣溫-21.8℃，年平均降水量513.7 mm，平均日照2 563.9 h。試驗地土質(zhì)為平原沙壤土，肥力中等，適宜設(shè)施毛桃的栽培。

日光溫室為鋼架結(jié)構(gòu)。東西走向，長70 m、寬10 m、頂高4.5 m，后墻為厚度5 m的土墻，最外層為磚墻，覆蓋材料為聚乙烯膜，保溫材料為棉被。供試毛桃品種為春雪，株行距1.0 m×1.5 m。

1.2 試驗方法

1.2.1 田間管理試 驗 于2019年12月—2020年4月 和2020年12月—2021年4月進行，溫室于12月底開始升溫，至翌年4月底，白天揭開保溫被，夜晚覆蓋保溫被對溫室內(nèi)油桃樹進行升溫處理，提高溫室內(nèi)溫度。

1.2.2 觀測方法溫室內(nèi)小氣候觀測采用便攜式小氣候自動觀測儀，按照《應(yīng)用氣候手冊》，在日光溫室內(nèi)選A、B、C共3個觀測點設(shè)小氣候站，A點距東墻18 m，B點距西墻18 m，C點距離東墻、西墻各35 m，溫室外數(shù)據(jù)采用多要素自動氣象站觀測數(shù)據(jù)[18]。對溫室內(nèi)外氣象數(shù)據(jù)進行全天候測定，測定內(nèi)容包括溫室內(nèi)外1.5 m氣溫、5 cm地溫，每10min采集1次數(shù)據(jù)，觀測時間2019年12月—2020年4月和2020年12月—2021年4月。

1.2.3 天氣類型標(biāo)準(zhǔn)劃分 采用日照百分率劃分天氣類型，即日照百分率＞60%為晴天、20%～60%為少云—多云天、＜20%為寡照天氣。

1.2.4 BP神經(jīng)網(wǎng)絡(luò)模型以溫室外最高氣溫、最低氣溫為BP神經(jīng)網(wǎng)絡(luò)模型的輸入，并選用單隱層的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進行日光溫室內(nèi)最高氣溫和最低氣溫的模擬。模型結(jié)構(gòu)分為3層，第1層為輸入層，2個神經(jīng)元分別為溫室外的最高氣溫和最低氣溫；第2層為隱含層；第3層為輸出層，2個神經(jīng)元分別是溫室內(nèi)的最高氣溫和最低氣溫。

為解決神經(jīng)網(wǎng)絡(luò)輸入變量間的單位和數(shù)量級不一致的問題，采用歸一化方法將樣本數(shù)據(jù)進行預(yù)處理。公式如下：

式（1）中，xi為第i個輸入變量變換后的數(shù)據(jù)（i=1，2），取值范圍在0～1；xio為試驗數(shù)據(jù)；xmax、xmin分別為觀測值中的最大值和最小值。隱含層和輸出層傳遞函數(shù)采用S型對數(shù)函數(shù)Logsig和線性函數(shù)Purelin。公式如下：

式（2）中，xi為輸入層的輸入變量值，c為常數(shù)，在此取1。輸出層神經(jīng)元的輸出信號為：

在式（3）～（5）中，xi為輸入層第i個神經(jīng)元的輸入數(shù)據(jù)，是隱含層第j個神經(jīng)元（j=1，2，…，9）從輸入層第i個神經(jīng)元接收到的輸入信號，ωij是輸入層第i個神經(jīng)元到隱含層第j個神經(jīng)元的權(quán)重，是輸出層第k個神經(jīng)單元（k=1，2）接收到的輸出信號，ωij是隱含層第j個神經(jīng)元到輸出層第k個神經(jīng)元的權(quán)重，uk是輸出層第k個神經(jīng)單元的輸出信號。f0和f1分別表示隱含層和輸出層函數(shù)。

將2019年12月—2020年4月的觀測數(shù)據(jù)作為建模數(shù)據(jù)，將2020年12月—2021年4月的觀測數(shù)據(jù)作為檢驗樣本，以提升模型精度。在多次試算的基礎(chǔ)上，模型設(shè)隱含層節(jié)點數(shù)為4，選定的傳輸函數(shù)為S型對數(shù)函數(shù)Logsig和線性函數(shù)Purelin，訓(xùn)練函數(shù)為反向傳播訓(xùn)練函數(shù)Trainlm。相關(guān)的參數(shù)值為：初始學(xué)習(xí)速率η為0.05，最大迭代次數(shù)為1 000次，目標(biāo)誤差為0.001。BP神經(jīng)網(wǎng)絡(luò)模型采用Matlab2013a軟件通過編程實現(xiàn)，并完成泛化預(yù)測。

1.2.5 模型檢驗指標(biāo)采用符合度指數(shù)D（Index of agreement）、均方根誤差RMSE以及絕對誤差A(yù)E對模擬值和實測值之間的擬合度進行統(tǒng)計分析，以驗證模型的精確度，計算公式如下：

式中，Pi為模擬值，Oi為觀測值，為觀測值的平均值，′與分別定義為

符合度指數(shù)D是一個歸一化的度量指標(biāo)，其值為[0，1]，值越接近于1模擬值與觀測值的分布趨勢吻合度越高，模型模擬的效果就越好；反之，其值越接近0模擬的效果就越差。均方根誤差RMSE為預(yù)報值與實測值的平均偏差。絕對誤差A(yù)E為預(yù)報值和實際值的偏差。

1.3 統(tǒng)計分析

所有數(shù)據(jù)采用Excel軟件進行處理，使用Origin軟件進行繪圖，使用Matlab2013a軟件進行模型模擬。

2 結(jié)果與分析

2.1 溫室內(nèi)外氣溫的變化

2.1.1 溫室內(nèi)外氣溫的日變化圖1為廣陽區(qū)潤寶農(nóng)業(yè)園區(qū)溫室內(nèi)外逐日平均氣溫變化特征。由圖可以看出：溫室內(nèi)外逐日平均氣溫變化規(guī)律基本一致，且溫室具有良好的保溫性，溫室內(nèi)氣溫的波動幅度較小，能為農(nóng)作物提供穩(wěn)定的生長環(huán)境。溫室內(nèi)外的逐日氣溫具有很好的相關(guān)性，室內(nèi)外逐日氣溫的峰值與谷值出現(xiàn)的時間大致相符合。在12月底至翌年3月中旬溫室內(nèi)外溫差較大，最大溫差出現(xiàn)在1月22日和1月23日，達到17.9℃。隨著室外氣溫的逐步回升，室內(nèi)對作物進行了通風(fēng)處理，溫室內(nèi)外的溫差逐步縮小，總體來看溫室內(nèi)逐日氣溫高于室外。

圖1 溫室內(nèi)外逐日平均氣溫變化趨勢

2.1.2 不同天氣類型溫室內(nèi)氣溫的逐時變化趨勢選取溫室晴天、少云—多云和寡照等典型天氣條件下的溫室內(nèi)氣溫逐時變化數(shù)據(jù)，如圖2所示，其中圖2a為1月下旬到2月上旬典型天氣的逐小時氣溫變化規(guī)律，圖2b為3月下旬到4月上旬典型天氣的逐小時氣溫變化規(guī)律。從圖中可以看出，在晴天及少云—多云天氣條件下，09:00之前氣溫變化較為平穩(wěn)，呈逐步下降的趨勢，09:00～10:00溫室揭簾后溫室內(nèi)氣溫迅速升高，09:30～11:00平均升溫速率＞6.0℃/h，溫室增溫效果明顯，即使在室外氣溫較低的1月下旬到2月上旬，溫室內(nèi)最高氣溫仍可達到23.0℃以上，夜間氣溫7.0℃以上，能夠滿足作物的正常生長。寡照天氣條件下，溫室內(nèi)增溫降溫過程均十分緩慢，溫室具有良好的保溫作用，最高氣溫為10.9℃～13.7℃，最低氣溫在7.0℃以上，氣溫日較差僅3.0℃～4.8℃。連續(xù)的低溫寡照導(dǎo)致溫室內(nèi)增溫蓄熱不足，容易引發(fā)低溫災(zāi)害。

圖2 1月下旬至2月上旬（a）和3月下旬至4月上旬（b）不同天氣類型溫室內(nèi)氣溫的逐時變化趨勢

2.2 溫室內(nèi)最高氣溫及最低氣溫預(yù)報

2.2.1 溫室內(nèi)外氣溫的相關(guān)性分析 應(yīng)用常規(guī)的數(shù)理統(tǒng)計分析方法，分析廣陽區(qū)潤寶農(nóng)業(yè)園區(qū)溫室內(nèi)的日最高氣溫和日最低氣溫與溫室外日最高氣溫和日最低氣溫的相關(guān)性。由表1可知，溫室內(nèi)的最高氣溫和最低氣溫與溫室外的最高氣溫和最低氣溫的關(guān)系密切。其中，溫室內(nèi)的最高氣溫和最低氣溫與溫室外的最高氣溫和最低氣溫之間關(guān)系均通過了信度為0.01水平的顯著性檢驗。

表1 溫室內(nèi)外氣象要素之間的相關(guān)系數(shù)

2.2.2 最高氣溫預(yù)報 選取溫室內(nèi)外氣象要素日最高氣溫和日最低氣溫作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本和檢驗樣本，將訓(xùn)練樣本輸入神經(jīng)網(wǎng)絡(luò)模型，在完成網(wǎng)絡(luò)訓(xùn)練和網(wǎng)絡(luò)檢驗后，得到一組網(wǎng)絡(luò)權(quán)值和閾值，在此基礎(chǔ)上將預(yù)測樣本輸入神經(jīng)網(wǎng)絡(luò)模型。通過上述方法，利用溫室外的氣象數(shù)據(jù)，模擬得出了溫室內(nèi)日最高氣溫、日最低氣溫。由圖3可見，溫室內(nèi)最高氣溫預(yù)報值與實測值均方根誤差（RMSE）為3.1℃，絕對誤差（AE）為2.4℃，符合度指數(shù)D為0.80，預(yù)報值與實測值絕對誤差≤3℃的預(yù)報準(zhǔn)確率分別為77%，小于或等于2℃的預(yù)報準(zhǔn)確率分別為60%；模擬效果較好。

圖3 溫室內(nèi)最高氣溫觀測值與模擬值對比

2.2.3 最低氣溫預(yù)報由圖4可知，所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)對溫室內(nèi)日最低氣溫預(yù)報效果較好，溫室最低氣溫模擬均方根誤差（RMSE）為1.2℃，絕對誤差（AE）為0.9℃，符合度指數(shù)D為0.93，預(yù)報值與實測值絕對誤差小于或等于3℃的預(yù)報準(zhǔn)確率分別為98%，小于或等于2℃的預(yù)報準(zhǔn)確率分別為90%；表明BP神經(jīng)網(wǎng)絡(luò)預(yù)報模型對溫室內(nèi)最低氣溫有較強的預(yù)報能力，可為溫室低溫預(yù)警提供支持。

圖4 溫室內(nèi)最低氣溫觀測值與模擬值對比

3 小結(jié)與討論

本研究基于廊坊地區(qū)日光溫室內(nèi)外實時氣溫觀測資料，利用BP神經(jīng)網(wǎng)絡(luò)模型對日光溫室內(nèi)日最高氣溫、日最低氣溫進行模擬，對模擬結(jié)果和實測值之間的均方根誤差、絕對誤差、符合度指數(shù)、準(zhǔn)確度等指標(biāo)進行統(tǒng)計分析，表明該模型可準(zhǔn)確地預(yù)報溫室內(nèi)最高、最低氣溫，模擬的均方根誤差（RMSE）分別為3.1℃和1.2℃，絕對誤差（AE）分別為2.4℃和0.9℃，預(yù)測值與實際值≤3℃的準(zhǔn)確率分別達到77%和98%，≤2℃的準(zhǔn)確率分別達到60%和90%，模型模擬精度較高。說明BP神經(jīng)網(wǎng)絡(luò)模型具有可靠性，可被應(yīng)用于廊坊地區(qū)冬季日光溫室最高氣溫、最低氣溫的模擬，其模擬精度能夠滿足溫室內(nèi)氣溫的預(yù)測要求。

由于溫室人工管理水平不一，開閉風(fēng)口過早或過晚，溫室內(nèi)常出現(xiàn)短時溫度過高或過低的現(xiàn)象，或受白天天氣狀況的影響，使得本研究所模擬的溫室內(nèi)最高氣溫預(yù)測的準(zhǔn)確度低于最低氣溫預(yù)測的準(zhǔn)確度，若對溫室進行規(guī)范管理，對溫室實行智能化調(diào)節(jié)，該BP神經(jīng)網(wǎng)絡(luò)模型對最高氣溫預(yù)測精度應(yīng)會得到極大提高。需在以后的試驗研究中加以驗證。

與傳統(tǒng)模擬方法相比，BP神經(jīng)網(wǎng)絡(luò)模型模擬速度快，較物理模型和一般的線性模型精度更高。本研究所建立的BP神經(jīng)網(wǎng)絡(luò)模型雖然對最高氣溫、最低氣溫的預(yù)報準(zhǔn)確度較好，但模型不具有廣泛的擴展性，僅適用于廊坊地區(qū)棚型參數(shù)相近的日光溫室，無法直接應(yīng)用于其他不同地區(qū)或不同棚型的日最高氣溫、日最低氣溫的模擬。本研究尚未考慮其他氣象因素、開閉風(fēng)口時間等條件對日光溫室內(nèi)氣溫的影響，今后將在這些方面進行進一步的研究。