胡 瑾 雷文曄 盧有琦 魏子朝 劉行行 高茂盛

(1.西北農(nóng)林科技大學機械與電子工程學院, 陜西楊凌 712100; 2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點實驗室, 陜西楊凌 712100;3.陜西省農(nóng)業(yè)信息感知與智能服務重點實驗室,陜西楊凌 712100; 4.楊凌高新農(nóng)業(yè)氣象技術聯(lián)合研示中心, 陜西楊凌 712100)

0 引言

溫度是影響日光溫室內農(nóng)作物產(chǎn)量和品質的重要參數(shù)之一,其過高或過低均會對農(nóng)作物生長發(fā)育產(chǎn)生危害[1-2]。隨著設施農(nóng)業(yè)不斷發(fā)展,日光溫室已成為設施農(nóng)業(yè)的重要組成部分,對我國經(jīng)濟發(fā)展發(fā)揮著顯著作用。溫度調控是日光溫室環(huán)境調控的重要手段[3],但溫室溫度不僅是具有時變性、非線性、周期性[4]等特征的連續(xù)時間序列,還與溫室內外多種環(huán)境因子存在復雜的耦合關系。目前,溫室的生產(chǎn)調控大多依靠生產(chǎn)者相關經(jīng)驗或通過短時預測模型進行調控決策[5],這種方法會造成反饋控制存在滯后性,影響作物生長。研究證明,提前預測溫度并進行提前的有效控制,對日光溫室的增產(chǎn)增效具有重要意義[6]。因此,融合溫室內外多環(huán)境因子構建溫室溫度長期預測模型,是日光溫室溫度精準高效控制的重要前提。

目前,國內外學者對溫室溫度建模的方法可分為基于能量和質量平衡的機理模型和基于數(shù)據(jù)驅動的非機理模型。機理模型具有可解釋性強及外推性良好等優(yōu)點,但其參數(shù)難以獲取、邊界條件變化程度高的問題導致其在長時精準預測中難以應用。隨著現(xiàn)代信息數(shù)據(jù)的采集越來越容易,基于數(shù)據(jù)驅動的非機理模型因其具有精度較高、泛化能力強和參數(shù)易于獲取的特點,被廣泛應用于溫室溫度預測領域?，F(xiàn)有數(shù)據(jù)驅動建模方式可分為統(tǒng)計回歸法[7-8]和淺層神經(jīng)網(wǎng)絡法[9-10]。其中,統(tǒng)計回歸法雖然可對時序數(shù)據(jù)進行預測,但其處理非線性問題能力有限且不考慮時間序列存在的規(guī)律,導致其擬合精度普遍較低。淺層神經(jīng)網(wǎng)絡法作為智能算法,雖然在一定程度上提高了模型的預測精度,但是難以實現(xiàn)對大數(shù)據(jù)量的精準化預測。而溫度變化是一個累積過程,當前數(shù)據(jù)會影響后續(xù)數(shù)據(jù)變化規(guī)律,且這種變化規(guī)律受多種因子影響,上述溫度預測模型對多維時序數(shù)據(jù)處理能力有限[11],僅能實現(xiàn)對于短期溫室溫度的精準預測,但隨著預測時間的延長,其難以挖掘數(shù)據(jù)中蘊含的時序特征,導致模型預測精度快速下降,難以滿足實際生產(chǎn)過程中對精度和時長的雙重需求。

近年來,深度學習法成為研究熱點,其因具有較強的非線性逼近及深層特征提取能力,為多維時序數(shù)據(jù)提供良好的理論支撐。然而目前基于深度學習的溫室溫度預測相關研究[11-12]多聚焦于單一時序網(wǎng)絡,無法挖掘環(huán)境數(shù)據(jù)間深層次有效信息,且模型最大預測時長僅為1h,仍不能真正實現(xiàn)模型精度、效率和時長的需求。為此,本文引入雙重疊加網(wǎng)絡長時預測模型。其中,卷積神經(jīng)網(wǎng)絡是一種具有卷積計算能力的深度結構前饋神經(jīng)網(wǎng)絡,可提取時序數(shù)據(jù)中隱含的復雜動態(tài)變化高維特征[13]。一維卷積神經(jīng)網(wǎng)絡相比于二維卷積神經(jīng)網(wǎng)絡保留了原始時序數(shù)據(jù)各時刻點間的相關性及時域特征,同時網(wǎng)絡參數(shù)的減少提升了模型運行效率,但一維卷積神經(jīng)網(wǎng)絡僅保留數(shù)據(jù)間有效信息,難以提取其長期數(shù)據(jù)的序列信息[14]。門控循環(huán)單元是循環(huán)神經(jīng)網(wǎng)絡的一種有效特殊形式,處理具有時間相關性且連續(xù)變化的數(shù)據(jù)效果較佳,既充分挖掘了數(shù)據(jù)間的時間相關性同時也提高了數(shù)據(jù)非線性逼近的能力,但其無法挖掘各維數(shù)據(jù)的內部規(guī)律[15]。因此,單獨采用任何一種方法都無法實現(xiàn)對溫室長時溫度的精準高效預測,但由于二者優(yōu)勢互補,將二者疊加進行溫室長時溫度預測可能會提升模型精度[16]。

因此,本文提出一種基于一維卷積神經(jīng)網(wǎng)絡和門控循環(huán)單元(GRU)的混合模型溫室溫度預測方法。首先搭建溫室內外監(jiān)測平臺,獲取并分析內外環(huán)境因子對室內溫度的影響程度,以斯皮爾曼相關系數(shù)選取相關性高的特征構造特征與時間步長的二維矩陣作為CNN層輸入;其次完成模型網(wǎng)絡設計并進行參數(shù)優(yōu)化,通過CNN網(wǎng)絡挖掘數(shù)據(jù)中蘊含反映溫室環(huán)境數(shù)據(jù)相互聯(lián)系的有效特征,將提取特征輸入GRU網(wǎng)絡,構建面向冬季的日光溫室溫度預測模型;最后為驗證本文模型在不同天氣下適用性,以清晰度指數(shù)KT對天氣進行分類,分別驗證在不同KT下模型的預測效果,為實現(xiàn)高效、精準的溫度預測和日光溫室的生產(chǎn)調控提供依據(jù)。

1 平臺搭建和數(shù)據(jù)獲取

試驗于2019年12月2—31日在西北農(nóng)林科技大學涇陽蔬菜試驗示范站東五號日光溫室內進行。試驗地位于北緯34°53′、東經(jīng)108°84′,海拔404 m,屬于暖溫帶大陸性季風氣候,年均溫度13℃。溫室為單棟單坡面式,骨架采用輕鋼結構,后坡采用PC板和絲綿棉被覆蓋,東側、西側與北側是墻體部分,均采用黏土建造。東西走向,長50 m,寬10 m,后墻高3 m,脊高1.6 m,具有天窗、風機、卷簾機、遮陽網(wǎng)、濕簾以及噴淋器等設備,將傳感器放置于其中部,距地面垂直高度1.2 m。由于溫室空氣溫濕度空間分布不均[17],在任何位置放置傳感器均不能準確表征溫室內溫度。為減少監(jiān)測節(jié)點放置位置對空氣溫濕度監(jiān)測結果的影響,本研究采用繞動風機加快溫室內的空氣流動[18-19],使溫室內部溫度趨于均勻,保證作物生產(chǎn)一致性。

試驗期間,冬季共包括晴、晴轉多云、多云、陰霾及霾轉多云5種天氣。為進一步分析不同天氣條件下溫度的預測效果,以清晰度指數(shù)KT對上述天氣進行分類。KT表征太陽輻射經(jīng)過大氣層時衰減程度,與當時的天氣狀況密切相關[20]。如表1所示,根據(jù)清晰度指數(shù)對應的天氣現(xiàn)象,將冬季天氣分為4類。其中KT≥0.5共15 d、0.5>KT≥0.2共5 d、0.2>KT≥0.1共10 d、KT<0.1共0 d。溫室室內栽培作物為番茄,以滴灌方式培育,試驗期間每日于08:00—08:30揭蓋保溫被,當KT≥0.5及0.5>KT≥0.2時溫室于10:00—10:30開窗換氣通風;當0.2>KT≥0.1時根據(jù)實際情況適當延后溫室開窗時間。

表1 清晰度指數(shù)對應的天氣現(xiàn)象Tab.1 Weather phenomena corresponding to clarity index

溫室內外監(jiān)測平臺由信息監(jiān)測模塊、信息傳輸模塊及農(nóng)業(yè)生產(chǎn)物聯(lián)網(wǎng)監(jiān)測平臺組成,每日于00:00—24:00連續(xù)采集,采樣間隔為20 min,共采集10種環(huán)境因子,包括室內光照強度(QY-150A型光照強度傳感器,量程:0～200 klx,精度:±1 lx)、室內外空氣溫度(PT1000型溫度傳感器,量程:-200～200℃,精度:±0.1℃)、室內外空氣相對濕度(DHT11型濕度傳感器,量程:20%～90%,精度:±5%)、室內外土壤溫度(PT1000型溫度傳感器,量程:-200～200℃,精度:±0.1℃)、室內外土壤含水率(EC-5型土壤含水率傳感器,量程:0～100%,精度:±3%)及室外CO2濃度(體積比)(T6615型CO2傳感器,量程:0～10 000 μL/L,精度:75 μL/L),各采集30 d,共獲取2 160組樣本數(shù)據(jù)。其中,信息傳輸模塊是將感知信息通過ZigBee網(wǎng)絡發(fā)送至網(wǎng)關節(jié)點對其進行數(shù)據(jù)處理,隨后通過GPRS 網(wǎng)絡傳輸至移動基站,將獲取的數(shù)據(jù)上傳至農(nóng)業(yè)生產(chǎn)物聯(lián)網(wǎng)監(jiān)測平臺,具體過程如圖1所示。

圖1 溫室內外監(jiān)測平臺Fig.1 Monitoring platform inside and outside greenhouse

2 相關性分析

2.1 斯皮爾曼相關系數(shù)

溫室內部溫度不僅受室內空氣相對濕度、室內土壤溫度、室內土壤含水率及室內光照強度等室內環(huán)境因子的影響,還與室外空氣溫度、室外空氣相對濕度、室外CO2濃度、室外土壤溫度及室外土壤含水率等室外環(huán)境因子有關[21]。同時溫室溫度具有時序性和自相關性,即前一時刻的數(shù)據(jù)影響當前時刻的數(shù)據(jù)變化[22]。因此,模型不僅應考慮室內外環(huán)境因子對溫度的影響,還應考慮歷史溫度數(shù)據(jù)對當前時刻溫度的影響。為提高模型輸入信息的有效性及減少無用信息的噪聲干擾,本文采用斯皮爾曼相關系數(shù)p,分析各因子對溫室溫度的影響程度,選取相關性高的因子作為模型輸入。斯皮爾曼相關系數(shù)p是一種基于單調方程評價兩變量間相關關系的方法,范圍為(-1, 1),其絕對值越趨近于1,相關性越強,其值與相關程度的關系如表2所示。

表2 相關系數(shù)絕對值與相關程度的關系Tab.2 Relationship between absolute value of correlation coefficient and degree of correlation

2.2 溫度與各類影響因子分析

利用斯皮爾曼相關系數(shù)分別計算室內溫度、室內空氣相對濕度、室內土壤溫度、室內土壤含水率、室內光照強度、室外空氣溫度、室外空氣相對濕度、室外CO2濃度、室外土壤溫度及室外土壤含水率10個因子與1 h后溫室溫度的相關系數(shù)絕對值,其結果如表3所示。

表3 各因子與溫室溫度的相關系數(shù)絕對值Tab.3 Absolute value of correlation coefficient between each factor and greenhouse temperature

由表3可知,室內空氣溫度、相對濕度、土壤溫度、光照強度,以及室外空氣溫度與1 h后溫度屬于強相關;室外空氣相對濕度、土壤溫度與1 h后溫度屬于中相關;其余因子屬于弱相關或極弱相關。其中,室內土壤含水率相關性最低,較室外土壤含水率影響程度更小,這是由于溫室內栽培作物采用膜下滴灌方式,室內土壤由于覆膜處理導致土壤水分蒸發(fā)減弱,減少了其對室內空氣相對濕度等因素的影響,而室內空氣相對濕度又是影響溫度的關鍵因素;而室外土壤由于未覆膜處理導致其影響室外濕度,進而影響溫室內溫度,所以在本試驗條件下,室外土壤含水率相較于室內更能影響溫室溫度。

為降低模型復雜度,本文僅考慮與溫室溫度具有極強相關、強相關及中相關3種相關程度的因子。因此,日光溫室溫度模型選擇室內溫度、室內空氣相對濕度、室內土壤溫度、室內光照強度、室外空氣溫度、室外空氣相對濕度及室外土壤溫度7種因子作為輸入。

3 模型構建

3.1 1D CNN-GRU網(wǎng)絡結構

基于1D CNN-GRU深度神經(jīng)網(wǎng)絡具體結構如圖2所示,整體結構采用逐個堆疊方式連接,共分為4部分。其中,輸入層Xt+j,i為二維矩陣,i為特征個數(shù),j為時間步長;Xt,i～Xt+j,i表示第t時刻到第t+j時刻輸入樣本的第i個特征數(shù)據(jù);Xt,1～Xt,i表示t時刻樣本數(shù)據(jù)共有1～i個特征。卷積層采用一維卷積濾波器提取數(shù)據(jù)特征,因樣本數(shù)據(jù)維度較少,未添加池化層。循環(huán)層選擇2層GRU,第1層網(wǎng)絡返回每個時間步輸出的完整序列,第2層網(wǎng)絡返回每個輸入序列的最終輸出。最后全連接層作為輸出層輸出目標時刻的預測值。

圖2 1D CNN-GRU網(wǎng)絡結構Fig.2 1D CNN-GRU network structure

其中,1D CNN是深度學習中的一種有效學習框架,通過卷積運算模擬人腦從局部中提取特征,在計算機視覺方面取得了較好的效果。同時在序列問題中,1D CNN可通過卷積層的濾波器捕捉輸入數(shù)據(jù)間的相互關系,并將其組合成更短的特征序列輸入至下一層網(wǎng)絡中進行預測。例如,當卷積滑動窗口尺寸為5時,1D CNN通過窗口滑動依次從序列中提取局部一維序列段與權重作點積,如圖3所示。

圖3 1D CNN工作原理圖Fig.3 1D CNN working principle

門控循環(huán)單元(GRU)是一種基于循環(huán)神經(jīng)網(wǎng)絡的優(yōu)化網(wǎng)絡,通過引入“門”的概念,優(yōu)化了神經(jīng)元內部結構,有選擇性地傳遞信息,解決了循環(huán)神經(jīng)網(wǎng)絡難以學習序列中長距離依賴關系問題。在隱層中,各神經(jīng)元相互連接,輸入不僅與當前時刻輸入層輸入有關,還與上一時刻隱層輸出有關。如圖4a所示,x為總輸入,h為隱層輸出,o為總輸出。在圖4b中,GRU “門”包括重置門r和更新門z,重置門r融合輸入xt與前一時刻的歷史數(shù)據(jù)ht-1, 并丟棄與時間無關的歷史數(shù)據(jù),保留短序列數(shù)據(jù)間的依賴關系;更新門z通過存儲上一時刻記憶ht-1,選擇性地記憶信息,不斷更新其值來捕捉長序列數(shù)據(jù)間的依賴關系。

圖4 門控循環(huán)單元結構Fig.4 GRU structure

3.2 溫室溫度預測模型建立

基于上述網(wǎng)絡結構,本文構建基于1D CNN-GRU的溫度預測模型。模型以室內溫度、室內空氣相對濕度、室內土壤溫度、室內光照強度、室外空氣溫度、室外空氣相對濕度及室外土壤溫度為輸入,時間步長為6,即輸入矩陣尺寸為6×7;以1、2、3、4 h后溫度為輸出,其具體流程圖如圖5所示。

圖5 溫度預測模型建立流程圖 Fig.5 Flow chart of establishing temperature prediction model

(1)由于不同樣本數(shù)據(jù)間數(shù)值范圍存在較大差異,量綱也有所不同,為加快神經(jīng)網(wǎng)絡擬合速度并提高模型預測精度,故對樣本數(shù)據(jù)采用歸一化處理縮放至[0,1]之間。

(2)在歸一化后的2 160組數(shù)據(jù)中,選取1 512組數(shù)據(jù)(占樣本總數(shù)據(jù)70%)作為訓練集,其余648組數(shù)據(jù)(占樣本總數(shù)據(jù)30%)作為測試集,最后以訓練集數(shù)據(jù)訓練模型,測試集數(shù)據(jù)驗證模型的泛化能力及精度。

(3)卷積層將第t個輸入樣本數(shù)據(jù)st與一維卷積核執(zhí)行卷積操作后,加以偏置bcnn通過激活函數(shù)進入循環(huán)層,即

yt=f(Wcnnst+bcnn)

(1)

式中f——激活函數(shù)

Wcnn——輸入層到卷積層對應的權值矩陣

st——第t個輸入樣本數(shù)據(jù)

bcnn——輸入層到卷積層對應的偏置矩陣

yt——第t個輸出樣本數(shù)據(jù)

在循環(huán)層中樣本數(shù)據(jù)xt通過重置門r、更新門z及t時刻提供臨時單元狀態(tài)c點乘運算輸出至全連接層,具體計算過程為

z=sigmoid(Wzht-1+Uzxt)

(2)

r=sigmoid(Wrht-1+Urxt)

(3)

c=tanh(Wc(ht-1?r)+Ucxt)

(4)

ht=(z?c)⊕((1-z)?ht-1)

(5)

式中ht——當下時間步終時記憶數(shù)據(jù)

Wz、Wr、Wc、Uz、Ur、Uc——更新門、重置門和臨時輸出的權值矩陣

(4)每層網(wǎng)絡均采用線性整流函數(shù)(Rectified linear unit, ReLU)作為激活函數(shù),均方誤差函數(shù)(Mean square error,MSE)為損失函數(shù)。同時為實現(xiàn)神經(jīng)網(wǎng)絡權重的更新,利用自適應運動估計優(yōu)化算法,使模型性能達到最佳。它是一種結合自適應梯度算法和前向均方根梯度下降算法二者優(yōu)點的智能優(yōu)化算法,優(yōu)勢在于解決稀疏梯度和非平穩(wěn)問題上表現(xiàn)良好。在每次迭代中,以損失函數(shù)最小值為優(yōu)化目標,通過計算梯度的一階動量項和二階動量項使學習率自適應地更新。

基于試參法尋優(yōu)得到最優(yōu)的學習率為0.001,訓練輪數(shù)為500,當模型完成規(guī)定的訓練輪數(shù)后,判斷其輸出結果是否滿足模型精度,若不滿足則重新調整參數(shù)值,繼續(xù)訓練直到達到模型精度;若滿足則輸出結果。

(5)以測試集溫度為實際值,模型輸出值為預測值,先對二者反歸一化,恢復原有量綱級別,再以各類評價指標對模型精度及泛化能力進行評估。

4 算法對比與模型驗證

4.1 不同算法和時長對比

為驗證本文算法的預測性能,以決定系數(shù)R2、均方根誤差 (Root mean square error, RMSE)、平均絕對誤差(Mean absolute error, MAE)和絕對值的最大絕對誤差(Maximum absolute error, MaAE)為評價指標,參數(shù)優(yōu)化后的多元線性回歸法(Multiple linear regression,MLR)、BP神經(jīng)網(wǎng)絡算法(Belief propagation neural networks,BPNN)、一維卷積神經(jīng)網(wǎng)絡(1D CNN)及門控循環(huán)單元(GRU)與一維卷積門控循環(huán)單元網(wǎng)絡(1D CNN-GRU)建模效果進行對比,其預測結果如表4所示。

表4 不同算法和時間結果對比Tab.4 Comparison results of different algorithms and durations

由表4可知,在預測時間為1 h時,MLR模型和BP模型的預測精度雖均低于深度學習模型結果,但其總體相差不大。但隨著時間的增加,前兩者的預測精度快速下降。在2～4 h期間MLR模型較1D CNN-GRU模型RMSE、MAE和MaAE分別增加3.242～5.535℃、2.443～4.891℃和4.253～9.903℃;BP模型較1D CNN-GRU模型RMSE、MAE和MaAE分別增加1.564～3.167℃、0.739～2.407℃和1.568～3.891℃。上述結果說明,這2類方法對多維時序數(shù)據(jù)處理能力有限,無法實現(xiàn)對溫室內長時溫度的精準預測。在深度學習法中,1D CNN-GRU模型預測效果最好,GRU模型次之,1D CNN模型最差,且誤差隨時間逐漸變大, 2 h后這3類方法的預測差距逐步顯現(xiàn)。當預測時間超過3 h后,1D CNN模型和GRU模型MaAE均超過了2℃,1D CNN模型較1D CNN-GRU模型RMSE、MAE和MaAE分別增加1.920～1.928℃、1.266～1.435℃和1.416～1.986℃;GRU模型較1D CNN-GRU模型RMSE、MAE和MaAE分別增加0.553～ 0.984℃、0.730～1.135℃和0.903～1.391℃。上述結果說明,1D CNN模型雖然相比于MLR模型和BP模型預測效果有所提升,但由于其無法提取序列信息,導致長時預測精度不高;GRU模型能夠捕獲長程依賴關系,較1D CNN模型更適應于時序數(shù)據(jù),但由于局部特征提取能力不足,導致其較1D CNN模型預測精度雖提高,但其精度仍不滿足生產(chǎn)需求。1D CNN-GRU模型結合1D CNN局部特征提取能力和GRU時間特征提取能力,在4 h內R2均不小于0.970、RMSE均不大于1.358℃、MAE均不大于0.854℃、MaAE均不大于1.959℃,長期預測方面明顯優(yōu)于上述4組對照模型,其可滿足環(huán)境調控過程中對預測溫度精度和時長方面的要求。

4.2 日光溫室溫度預測模型驗證

為驗證日光溫室溫度預測模型的泛化能力和預測性能,以測試集的648組樣本數(shù)據(jù)對模型預測1、2、3、4 h后溫度進行驗證。驗證結果表明,模型在測試集上預測1～4 h后的決定系數(shù)為0.970～0.994,均方根誤差為0.612～1.358℃,平均絕對誤差為0.428～0.854℃,絕對值的最大絕對誤差為0.856～1.959℃,其擬合直線分別為y=0.183+1.004x、y=0.049+1.006x、y=0.198+0.977x、y=0.132+0.969x,它們的擬合系數(shù)均接近于1,截距均接近于零,說明該模型預測值和實際值幾乎在直線y=x兩側,二者存在較強相關性,模型達到理想預測精度。

同時,為驗證本文模型在不同KT下適用性,以RMSE、MAE和絕對值的平均相對誤差(Average relative error,ARE)為評價指標,驗證在2019年12月23—31日中的3類天氣檢驗模型預測效果,其預測結果如表5所示。其中,12月26日(晴)、12月27日(晴轉多云)、12月28日(晴)、12月30日(晴)及12月31日(晴)為KT≥0.5;12月25日(多云)為0.5>KT≥0.2;12月23日(陰霾)、12月24日(陰霾)及12月29日(霾轉多云)為0.2>KT≥0.1。

表5 不同KT下模型驗證結果Tab.5 Verification results of model under different KT

如表5所示,在不同天氣條件下均方根誤差為0.417～1.766℃,平均絕對誤差為0.289～1.174℃,絕對值的平均相對誤差為2.370%～7.858%。隨著KT的下降ARE逐漸增大,這可能是由于云層及霧霾顆粒的影響[23-24],導致溫室內光照產(chǎn)生波動,從而影響溫度預測精度。進一步分析RMSE和MAE可以發(fā)現(xiàn),雖然多云天會出現(xiàn)光照度波動,但晴天溫室溫度普遍高于其他天氣,因而當KT≥0.5時其RMSE和MAE會略高于0.5>KT≥0.2條件,但并無顯著差異。而0.2>KT≥0.1時,雖然其溫度也相對較低,但其不僅存在溫室內光照產(chǎn)生波動的影響,而且陰霾天較晴天和多云天存在濕度高且波動大的特點[25],由于室內濕度本就對溫度影響程度較大,加之傳感器在高濕環(huán)境下會出現(xiàn)誤差偏移,因此其精度明顯低于前兩種環(huán)境狀態(tài)。綜合考慮,模型在KT≥0.5(晴)時預測效果最好,在各KT下模型均表現(xiàn)出較高準確性,說明此方法具有適用性,可應用于實際生產(chǎn),在冬季室內太陽輻射較弱時,可通過該模型提前預知溫度,利用加溫設備為溫室補充加溫,為作物優(yōu)質生產(chǎn)提供可靠性依據(jù)。

5 結論

(1)基于斯皮爾曼相關系數(shù)選取室內溫度、室內空氣相對濕度、室內土壤溫度、室內光照強度、室外空氣溫度、室外空氣相對濕度及室外土壤溫度7種因子作為輸入,1、2、3、4 h后溫度為輸出,構建日光溫室溫度預測模型。結果表明,模型在測試集上預測1～4 h后的決定系數(shù)為0.970～0.994,均方根誤差為0.612～1.358℃,平均絕對誤差為0.428～0.854℃,絕對值的最大絕對誤差為0.856～1.959℃。相比于統(tǒng)計學法和淺層神經(jīng)網(wǎng)絡法,該模型對溫度預測的精度具有顯著提升。

(2)以KT對天氣分類的驗證結果表明,該模型在KT≥0.5(晴)時溫度預測效果最好,此外不同KT下模型均方根誤差為0.417 ～ 1.766℃,平均絕對誤差為0.289 ～ 1.174℃,絕對值的平均相對誤差為2.370% ～ 7.858%。模型在不同天氣條件下的預測精度均符合要求,驗證了該模型對天氣條件的普適性。