摘要：有效獲取日光溫室的溫濕度變化趨勢(shì)對(duì)實(shí)現(xiàn)溫室環(huán)境精準(zhǔn)調(diào)控至關(guān)重要。為提高日光溫室溫度和濕度的預(yù)測(cè)精度和可靠性，提出一種基于麻雀搜索算法（SSA）優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的溫室溫濕度環(huán)境預(yù)測(cè)模型。研究采用斯皮爾曼相關(guān)性分析方法篩選出主要的環(huán)境影響因子作為輸入變量，以日光溫室內(nèi)未來(lái)的溫度和濕度分別作為輸出變量，利用麻雀搜索優(yōu)化算法對(duì)Elman神經(jīng)網(wǎng)絡(luò)模型參數(shù)分別進(jìn)行優(yōu)化調(diào)整，完成對(duì)日光溫室的溫濕度變化趨勢(shì)預(yù)測(cè)。以山東地區(qū)2022年10月1日—2023年1月1日的冬季設(shè)施番茄日光溫室的監(jiān)測(cè)數(shù)據(jù)進(jìn)行試驗(yàn)驗(yàn)證。結(jié)果表明，SSA-Elman模型對(duì)溫度的預(yù)測(cè)指標(biāo)均方根誤差、平均絕對(duì)誤差和決定系數(shù)分別為0.592、0.320和0.963；對(duì)濕度的預(yù)測(cè)指標(biāo)均方根誤差、平均絕對(duì)誤差和決定系數(shù)分別為0.120、2.530和0.972，說(shuō)明所提出的模型可有效用于對(duì)日光溫室溫濕度進(jìn)行精準(zhǔn)預(yù)測(cè)，可為未來(lái)溫室環(huán)境的精準(zhǔn)調(diào)控提供可靠的數(shù)據(jù)支撐和決策依據(jù)。

關(guān)鍵詞：Elman神經(jīng)網(wǎng)絡(luò)；溫室溫濕度；農(nóng)業(yè)物聯(lián)網(wǎng)；麻雀搜索算法

中圖分類(lèi)號(hào)：S625； TP183 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095?5553 （2024） 11?0069?08

Research on solar greenhouse temperature and humidity prediction model

based on SSA-Elman

Pan Jigang1， 2， 3， Liu Pingzeng1， 2， 3， Zhang Yan1， 2， 3， Zhang Mingzhi1， 2， 3， Liu Chuanlong1， 2， 3

（1. School of Information Science and Engineering， Shandong Agricultural University， Tai'an， 271018， China;

2. Huanghuaihai Key Laboratory of Smart Agricultural Technology， Ministry of Agriculture and Rural Affairs， Tai'an， 271018， China; 3. Agricultural Big Data Research Center of Shandong Agricultural University， Tai'an， 271018， China）

Abstract： It is very important for effective acquisition of temperature and humidity change trends in solar greenhouse to realize the accurate control of greenhouse environment. In order to effectively improve the prediction accuracy and reliability of temperature and humidity in sunlight greenhouses， a greenhouse temperature and humidity environmental prediction model of optimized Elman neural network based on the Sparrow Search Algorithm （SSA） is proposed. The study utilizes the main environmental influencing factors selected through Spearman correlation analysis as input variables， with future temperature and humidity inside the sunlight greenhouse as output variables. The Sparrow Search Algorithm is adopted to optimize and adjust the parameters of the Elman neural network model， thus completing the prediction of temperature and humidity trends in the sunlight greenhouse. Experimental validation is conducted by using monitoring data from a winter facility tomato sunlight greenhouse in Shandong Province from October 1， 2022， to January 1， 2023. The results show that the root mean square error， mean absolute error and coefficient of determination of the SSA-Elman model are 0.592， 0.320 and 0.963 for temperature prediction， and 0.120， 2.530 and 0.972， respectively， for humidity prediction， indicating that the proposed model can effectively make an accurate prediction of the temperature and humidity of the solar greenhouse. The proposed model can effectively predict the temperature and humidity of solar greenhouses， which can provide reliable data support and a decision?making basis for the future accurate regulation of the greenhouse environment.

Keywords： Elman neural network; greenhouse temperature and humidity; agriculture Internet of Things; Sparrow Search Algorithm

0 引言

溫室，又稱(chēng)暖房，是一種透光、保溫或加溫的設(shè)施，專(zhuān)門(mén)用于植物的栽培。因其成本低、取材方便、保溫效果好，在我國(guó)的北方地區(qū)得到了廣泛應(yīng)用。但日光溫室是一個(gè)極易受內(nèi)外環(huán)境影響，且具有時(shí)變性、非線性和強(qiáng)耦合性等特點(diǎn)的復(fù)雜系統(tǒng)，十分不利于開(kāi)展溫室環(huán)境的精準(zhǔn)化調(diào)控[1]。而溫濕度作為直接決定作物的生長(zhǎng)發(fā)育的關(guān)鍵環(huán)境因素，對(duì)日光溫室中的作物增產(chǎn)具有極其重要的指導(dǎo)意義。因此，實(shí)現(xiàn)對(duì)日光溫室溫濕度環(huán)境的準(zhǔn)確預(yù)測(cè)已經(jīng)逐漸成為國(guó)內(nèi)外學(xué)者研究的焦點(diǎn)。

目前，國(guó)內(nèi)外研究人員針對(duì)溫室溫濕度的預(yù)測(cè)展開(kāi)了大量的研究與探索，其中以機(jī)理模型和數(shù)據(jù)模型的應(yīng)用最為廣泛。機(jī)理模型是以流體動(dòng)力學(xué)和能量平衡為基礎(chǔ)而建立起的數(shù)學(xué)模型，該模型的優(yōu)點(diǎn)在于所用的參數(shù)具有非常明確的物理意義。針對(duì)日光溫室獨(dú)有的特性，Esmaeli等[2]通過(guò)調(diào)整熱性能的結(jié)構(gòu)參數(shù)構(gòu)建了溫室動(dòng)態(tài)熱模型，從而在很大程度上彌補(bǔ)了氣候差異性的劣勢(shì)；針對(duì)溫室內(nèi)氣候變化具有非線性、多干擾的特點(diǎn)，陳俐均等[3]提出了基于連續(xù)-離散遞推預(yù)測(cè)誤差算法模型，驗(yàn)證結(jié)果表明，該模型能夠有效預(yù)測(cè)溫室溫度。雖然機(jī)理模型具備很多的優(yōu)點(diǎn)，但因其內(nèi)在的相關(guān)參數(shù)較多，存在結(jié)構(gòu)復(fù)雜和建模難度較大等問(wèn)題，在模擬實(shí)際溫室動(dòng)態(tài)變化過(guò)程中應(yīng)用相對(duì)較少[4?6]。數(shù)據(jù)模型是以溫室內(nèi)外部的環(huán)境為基礎(chǔ)的數(shù)學(xué)模型，由于該模型不需要考慮溫室耗散、熱輻射等影響因素的影響，因而具備優(yōu)異的動(dòng)態(tài)參數(shù)調(diào)節(jié)能力，在溫室的溫度和濕度的環(huán)境預(yù)測(cè)的領(lǐng)域中，具有十分重要的研究?jī)r(jià)值和意義[7?10]。為研究膠東地區(qū)日光溫室內(nèi)部環(huán)境變化的情況，劉煥等[11]通過(guò)建立基于多元回歸的預(yù)測(cè)模型，完成了對(duì)作物環(huán)境的適應(yīng)性分析；針對(duì)溫室室內(nèi)溫濕度的預(yù)先控制的問(wèn)題，劉鵬菊[12]利用三種回歸方法構(gòu)建了溫濕度預(yù)測(cè)模型，并通過(guò)該模型對(duì)作物生長(zhǎng)過(guò)程中的溫濕度進(jìn)行預(yù)測(cè)。

隨著時(shí)代的飛速發(fā)展，神經(jīng)網(wǎng)絡(luò)算法因其結(jié)構(gòu)簡(jiǎn)單且具備更為精準(zhǔn)的預(yù)測(cè)性能得到了更為廣泛的應(yīng)用。為提高溫室溫濕度模型的預(yù)測(cè)精度，Ullah等[13]利用ANN來(lái)更新相應(yīng)的卡爾曼濾波器參數(shù)，試驗(yàn)結(jié)果表明，該方法明顯提高了卡爾曼濾波算法在環(huán)境動(dòng)態(tài)變化條件下的預(yù)測(cè)性能；針對(duì)目前溫室環(huán)境系統(tǒng)存在的無(wú)法預(yù)測(cè)溫室環(huán)境變化趨勢(shì)的問(wèn)題，張建超等[14]提出一種基于Elman神經(jīng)網(wǎng)絡(luò)的溫室環(huán)境因子預(yù)測(cè)方法，為溫室環(huán)境調(diào)控提供一定的決策支持。由此可見(jiàn)，神經(jīng)網(wǎng)絡(luò)算法因其對(duì)數(shù)據(jù)強(qiáng)大的綜合處理能力和優(yōu)良的非線性映射能力，在溫室環(huán)境因素預(yù)測(cè)領(lǐng)域已經(jīng)得到越來(lái)越廣泛的應(yīng)用[15]。麻雀搜索算法是由Xue等[16]根據(jù)三種不同類(lèi)型麻雀在麻雀群體中的位置變換規(guī)律而提出的一種抽象的仿生優(yōu)化算法，相比其他優(yōu)化算法，其構(gòu)造簡(jiǎn)單、尋優(yōu)能力強(qiáng)、收斂速度快，可以充分彌補(bǔ)神經(jīng)網(wǎng)絡(luò)極易陷入局部極值和難以達(dá)到全局最佳的問(wèn)題，因而被廣泛應(yīng)用于各種模型參數(shù)的調(diào)整優(yōu)化[17]。因此，本研究提出一種基于麻雀搜索算法（SSA）優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的溫室溫濕度環(huán)境預(yù)測(cè)模型。首先，研究運(yùn)用自主研發(fā)的物聯(lián)網(wǎng)智能環(huán)境監(jiān)測(cè)系統(tǒng)來(lái)獲取溫室內(nèi)外環(huán)境數(shù)據(jù)；其次，通過(guò)斯皮爾曼相關(guān)性分析選取相關(guān)性較高的變量；最后，將篩選出的室內(nèi)外環(huán)境歷史數(shù)據(jù)輸入優(yōu)化模型，以實(shí)現(xiàn)對(duì)日光溫室多維環(huán)境數(shù)據(jù)的準(zhǔn)確預(yù)測(cè)。

1 材料與方法

1.1 試驗(yàn)地點(diǎn)概況

試驗(yàn)地點(diǎn)位于山東省泰安市山東農(nóng)業(yè)大學(xué)泮河校區(qū)綜合試驗(yàn)基地設(shè)施番茄日光溫室（117.166°E，36.164°N），該溫室為下挖式新型日光溫室，東西長(zhǎng)度為70.0 m，南北跨度為9.8 m，下挖深度達(dá)0.5 m，脊高為5.0 m，后墻高為3.5 m，年均氣溫13 ℃，墻體采用磚加土壘基水泥加固。試驗(yàn)數(shù)據(jù)為2022年10月1日—2023年1月1日時(shí)間間隔為5 min的93天的果期階段數(shù)據(jù)信息，共采集數(shù)據(jù)15 553條?？紤]到后期設(shè)備的調(diào)控頻率，根據(jù)專(zhuān)家建議，每次采集時(shí)間間隔設(shè)置為30 min，共計(jì)得到3 500條的試驗(yàn)數(shù)據(jù)信息。根據(jù)以上試驗(yàn)數(shù)據(jù)信息，將訓(xùn)練集、測(cè)試集和驗(yàn)證集分別按照8∶1∶1比例進(jìn)行劃分，開(kāi)展對(duì)溫室溫濕度預(yù)測(cè)模型的相關(guān)研究。

1.2 試驗(yàn)數(shù)據(jù)采集與預(yù)處理

本試驗(yàn)采用山東農(nóng)業(yè)大學(xué)農(nóng)業(yè)農(nóng)村部黃淮海智慧農(nóng)業(yè)技術(shù)重點(diǎn)實(shí)驗(yàn)室自主開(kāi)發(fā)的“神農(nóng)物聯(lián)VI代”智能環(huán)境監(jiān)控系統(tǒng)進(jìn)行環(huán)境數(shù)據(jù)采集，物聯(lián)網(wǎng)整體系統(tǒng)架構(gòu)如圖1所示。該系統(tǒng)主要由核心處理器和感知、傳輸與控制模塊等構(gòu)成，主要監(jiān)測(cè)的室內(nèi)環(huán)境因子為空氣溫度、空氣濕度、光照強(qiáng)度、二氧化碳濃度、土壤濕度、土壤電導(dǎo)率、土壤溫度，室外的環(huán)境因子為空氣溫度、空氣濕度、風(fēng)速、風(fēng)向、光照度。為了簡(jiǎn)化表示形式，將上述環(huán)境因子分別設(shè)定為X1、X2、X3、X4、X5、X6、X7、X8、X9、X10、X11、X12。

在室內(nèi)和室外的條件下，以相同的頻率進(jìn)行試驗(yàn)數(shù)據(jù)采集，所使用的傳感器性能參數(shù)如表1所示。為確保對(duì)溫室內(nèi)的環(huán)境進(jìn)行高效精確監(jiān)測(cè)，室內(nèi)傳感器的布置以實(shí)驗(yàn)室成員研究成果為基礎(chǔ)[7， 18]，以溫室中軸線為基準(zhǔn)，在溫室內(nèi)布置傳感器，室內(nèi)與室外布置如圖2所示。為保證數(shù)據(jù)監(jiān)測(cè)和處理的及時(shí)性與有效性，本研究總計(jì)布設(shè)三套物聯(lián)網(wǎng)監(jiān)控系統(tǒng)，其中1#1表示第一套物聯(lián)網(wǎng)系統(tǒng)中的第一個(gè)空氣溫濕度傳感器，以此類(lèi)推。溫室傳感器實(shí)際布置情況如圖3所示。

1.2.1 缺失數(shù)據(jù)處理

由于網(wǎng)絡(luò)傳輸質(zhì)量和設(shè)備故障等問(wèn)題，傳感器數(shù)據(jù)在采集過(guò)程中很容易丟失，這將對(duì)模型的預(yù)測(cè)精度產(chǎn)生很大影響[1]。因此，研究選擇在缺失數(shù)據(jù)間隔很大的情況下，利用相同天氣條件的數(shù)據(jù)進(jìn)行插值；在缺失數(shù)據(jù)較小的情況下，利用線性直插法對(duì)缺失數(shù)據(jù)進(jìn)行補(bǔ)全，從而得到相對(duì)完成的數(shù)據(jù)集。計(jì)算如式（1）所示。

[xa+i=xa+i（xa+j-xa）j] [0<i<j] （1）

式中： [xa+i]——[a+i]當(dāng)前的缺失值；

[xa]、[xa+j]——[a]與[a+i]當(dāng)前的原始數(shù)據(jù)。

1.2.2 多數(shù)據(jù)融合

由于在溫室內(nèi)布設(shè)多個(gè)傳感器，且各位置的傳感器所采集的環(huán)境參數(shù)會(huì)存在一定差異，依據(jù)專(zhuān)家的經(jīng)驗(yàn)，本研究采用了基于自適應(yīng)加權(quán)算法的多傳感器數(shù)據(jù)融合方法對(duì)測(cè)量數(shù)據(jù)進(jìn)行融合降噪，以求達(dá)到更好的數(shù)據(jù)處理效果。該方法因具有算法簡(jiǎn)單、不需要先驗(yàn)知識(shí)以及實(shí)時(shí)性好等優(yōu)點(diǎn)，被廣泛地應(yīng)用于多傳感器的溫室系統(tǒng)數(shù)據(jù)處理中[15， 18]。該算法的工作機(jī)理如圖4所示。

1.2.3 數(shù)據(jù)歸一化處理

本研究選擇Elman神經(jīng)網(wǎng)絡(luò)為基本網(wǎng)絡(luò)結(jié)構(gòu)，所以不同的單元量綱及維數(shù)將導(dǎo)致樣本間的差異。為克服該影響，將數(shù)據(jù)限定在相同的水平上，本研究利用min?max標(biāo)準(zhǔn)化的方式對(duì)該數(shù)據(jù)信息進(jìn)行歸一化處理[20]，從而提升了該模型的收斂性和預(yù)測(cè)準(zhǔn)確率，計(jì)算如式（2）所示。

[ X*o=Xo-XminXmax-Xmin] （2）

式中： [Xo]——第o個(gè)實(shí)測(cè)數(shù)據(jù)；

[Xmax]——實(shí)測(cè)數(shù)據(jù)的最大值；

[Xmin]——實(shí)測(cè)數(shù)據(jù)的最小值；

[X*o]——min?max標(biāo)準(zhǔn)化后的實(shí)測(cè)數(shù)據(jù)。

1.3 斯皮爾曼相關(guān)性分析

斯皮爾曼相關(guān)性分析（Spearman correlation coefficient）是用于反映變量之間相關(guān)性關(guān)系的統(tǒng)計(jì)分析方法，其系數(shù)的高低可表征變量之間相關(guān)程度的強(qiáng)弱[21， 22]。溫室溫度和濕度變化受許多因素的影響，因此，篩選出對(duì)其影響程度較大的變量就變得非常重要，這對(duì)于下一步進(jìn)行未來(lái)溫室內(nèi)溫度和濕度預(yù)測(cè)來(lái)說(shuō)是至關(guān)重要的。相關(guān)系數(shù)[r]計(jì)算如式（3）所示。

[r=1-6i=1ndi2n（n2-1）] （3）

式中： [di]——兩組數(shù)據(jù)間的秩次之差；

[n]——每組變量中的樣本個(gè)數(shù)。

Spearman的相關(guān)系數(shù)[r]可以為負(fù)值。如果相關(guān)系數(shù)超過(guò)0，則表明各變量間的關(guān)聯(lián)性為正相關(guān)；如果相關(guān)系數(shù)未超過(guò)0，則說(shuō)明各因素間關(guān)聯(lián)性為負(fù)相關(guān)。由于Spearman相關(guān)分析不被樣本總體分布形式、樣本容量大小等因素影響，因此，本研究在數(shù)據(jù)預(yù)處理階段使用該分析方法對(duì)各種數(shù)據(jù)變量進(jìn)行相關(guān)性分析，以確立模型的輸入數(shù)據(jù)變量的個(gè)數(shù)。Spearman相關(guān)性系數(shù)參考表如表2所示。

本研究從感知和控制變量?jī)蓚€(gè)方面入手，在充分考慮對(duì)日光溫室未來(lái)溫度和濕度變化得影響因素的基礎(chǔ)上，結(jié)合物聯(lián)網(wǎng)環(huán)境監(jiān)測(cè)設(shè)備在日光溫室現(xiàn)場(chǎng)的真實(shí)布設(shè)情況，選用了獨(dú)立于非正態(tài)分布的Spearman相關(guān)分析方法，對(duì)室內(nèi)當(dāng)前空氣溫度（Y1）和空氣濕度（Y2）與30 min前的室內(nèi)和室外的環(huán)境因子進(jìn)行對(duì)比分析。研究發(fā)現(xiàn)，其相關(guān)性均通過(guò)了P<0.01水平的顯著性分析，具體室內(nèi)空氣溫濕度相關(guān)性分析熱力圖如圖5所示。

1.4 SSA-Elman溫濕度預(yù)測(cè)模型構(gòu)建

1.4.1 Elman神經(jīng)網(wǎng)絡(luò)

Elman神經(jīng)網(wǎng)絡(luò)是一種具有反饋功能的神經(jīng)網(wǎng)絡(luò)。與其他的神經(jīng)網(wǎng)絡(luò)不同，該模型通過(guò)增加一個(gè)承接層來(lái)使神經(jīng)網(wǎng)絡(luò)具備了局部記憶和反饋的能力，從而使其能夠更好地利用以往的反饋信息來(lái)提高模型的穩(wěn)定性和計(jì)算能力[23]。Elman神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

隱含層的層數(shù)和節(jié)點(diǎn)數(shù)會(huì)干擾Elman神經(jīng)網(wǎng)絡(luò)的性能，依據(jù)經(jīng)驗(yàn)，它們相互之間通過(guò)權(quán)值和閾值相互連接，從而實(shí)現(xiàn)信息的傳輸。最佳神經(jīng)元數(shù)量范圍可根據(jù)經(jīng)驗(yàn)式（4）來(lái)確定。

[Z=m+n+k0] （4）

式中： Z——隱含層神經(jīng)元；

m——輸出層神經(jīng)元；

n——輸入層神經(jīng)元數(shù)目；

k0——參數(shù)，調(diào)整范圍為1～10。

Elman神經(jīng)網(wǎng)絡(luò)利用神經(jīng)元將每一級(jí)的神經(jīng)元聯(lián)系起來(lái)，通過(guò)各層之間的權(quán)值和閾值來(lái)實(shí)現(xiàn)對(duì)整個(gè)網(wǎng)絡(luò)的信息傳輸。假設(shè)令閾值為[bj]，輸入層到隱含層與承接層到隱含層的權(quán)值分別為[wij]、[wjq]，則隱含層單獨(dú)節(jié)點(diǎn)的輸出值由式（5）、式（6）確定。

[hj=f（i=1nwijxi+j=1lwjqhj'+bj）] （5）

[hj'=h（v-1）] （6）

式中： [hj']、[hj]——上一時(shí)刻與當(dāng)前隱含層節(jié)點(diǎn)的輸出值；

[xi]——輸入層的輸入值；

[f（?）]——隱含層的激活函數(shù)；

v——學(xué)習(xí)次數(shù)。

輸出層單個(gè)節(jié)點(diǎn)的輸出值由式（7）確定。

[yk=g（j=1mwjkhj+bk）] （7）

式中： [g（?）]——輸出層的激活函數(shù)；

bk——第k節(jié)點(diǎn)的閾值。

誤差函數(shù)E由式（8）確定。

[E=12k=1m（dk-yk）2] （8）

式中： dk、yk——真實(shí)值和預(yù)測(cè)值。

隱含層到輸出層的權(quán)值和閾值更新公分別由式（9）、式（10）確定。

[wN+1ij=wNij+η1δhkxi] （9）

[bN+1k=bNk+η2δk] （10）

其中：[?E?wjk=δ0khj]，[?E?bk=δk]。

式中： [η]——學(xué)習(xí)率；

[wjk]、[bk]——隱含層到輸出層的權(quán)值與其值的閾值；

[δ0k]、[δk]——誤差函數(shù)對(duì)隱含層到輸出層的權(quán)值與閾值的偏導(dǎo)。

輸入層與承接層到隱含層的權(quán)值和閾值更新過(guò)程由式（11）、式（12）、式（13）確定。

[wN+1ij=wNij+η1δhkxi] （11）

[wN+1jq=wNjq+η2δh'khj'] （12）

[bN+1j=bNj+η2δj] （13）

其中：[?E?wij=δhkxi]，[?E?wij=δh'kxi']，[?E?bj=δj]。

式中： [δh'k]、[δj]——誤差函數(shù)對(duì)承接層到隱含層的權(quán)值偏導(dǎo)與誤差函數(shù)對(duì)輸入層到隱含層的閾值偏導(dǎo)。

1.4.2 麻雀搜索算法

麻雀搜索算法是根據(jù)麻雀種群社交生存行為而提出的一種新型群體智能尋優(yōu)方法[24]。在麻雀種群中，有著明確種群的劃分，發(fā)現(xiàn)者種群負(fù)責(zé)尋找食物和提供覓食指導(dǎo)，跟隨者種群則根據(jù)發(fā)現(xiàn)者的行為來(lái)負(fù)責(zé)獲取食物。同時(shí)，在麻雀種群中還存在著10%～20%數(shù)量的警戒者種群，其一旦察覺(jué)到有威脅，就會(huì)立刻報(bào)警發(fā)出信號(hào)。其位置變換規(guī)則如下。

發(fā)現(xiàn)者的位置變換式如式（14）所示。

[αXt+1i， j=Xti， j?exp（-mTmax） R2<STXti， j+Q?L R2≥ST] （14）

式中： [Xi，j]——第i個(gè)麻雀?jìng)€(gè)體在種群j維中的位置；

[t]——當(dāng)下時(shí)刻的迭代次數(shù)；

[α]——[α∈（0，1]]之間的均勻隨機(jī)數(shù)；

[Tmax]——最大迭代次數(shù)；

[Q]——隨機(jī)數(shù)；

[L]——一個(gè)1×U，元素都為1的矩陣；

[R2]——均勻隨機(jī)數(shù)，[R2∈[0，1]]；

ST——安全閾值，[ST∈[0.5，1]]。

跟隨者的位置更新式如式（15）所示。

[Xt+1i， j=Q×expXworst-Xti， jα×nmax i>n2Xt+1p+Xi，j-Xt+1p×A+×L i≤n2] （15）

式中： [Xp]——發(fā)現(xiàn)者占據(jù)的最佳位置；

[Xworst]——當(dāng)前全局最差的位置；

A——一行多維的元素為{-1，1}的矩陣，[A+=ATAAT-1]。

警戒者麻雀位置更新式如式（16）所示。

[Xt+1i， j=Xtbest+β（Xti， j-Xtbest） fm≠fgXtbest+K（Xti， j-Xtworstfm-fw+e） fm=fg] （16）

式中： [Xbest]——當(dāng)前全局最佳位置;

[β] ——步長(zhǎng)控制參數(shù)；

[fm]、[fg]、[fw]——當(dāng)前個(gè)體的適應(yīng)度值、全局最小適 應(yīng)度值和全局最佳適應(yīng)度值；

K——[?1，1]范圍內(nèi)的均勻隨機(jī)數(shù)；

[e] ——常數(shù)，存在的意義是防止分母為0。

1.4.3 SSA優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)

麻雀搜索算法充分考慮了麻雀種群在尋找食物時(shí)方向和位置不斷變換的特性，采用不斷迭代訓(xùn)練的方法，使神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值得到了不斷優(yōu)化，并將其賦予到Elman神經(jīng)網(wǎng)絡(luò)模型當(dāng)中，從而有效地解決了因網(wǎng)絡(luò)的權(quán)重和閾值選擇不當(dāng)而造成的準(zhǔn)確率低的問(wèn)題。

為提高溫室溫濕度預(yù)測(cè)模型的精度，研究利用麻雀搜索算法對(duì)Elman神經(jīng)網(wǎng)絡(luò)模型參數(shù)進(jìn)行優(yōu)化調(diào)整。首先，研究基于適應(yīng)度函數(shù)對(duì)麻雀?jìng)€(gè)體的能量大小進(jìn)行分類(lèi)，以確定最佳的初始位置；其次，通過(guò)計(jì)算適應(yīng)度函數(shù)與對(duì)比種群不同行為的動(dòng)態(tài)變化來(lái)更新麻雀?jìng)€(gè)體最佳位置，進(jìn)而獲得Elman網(wǎng)絡(luò)模型參數(shù)最優(yōu)解。最后，利用所得到的最優(yōu)模型參數(shù)構(gòu)建了番茄日光溫室溫濕度預(yù)測(cè)模型。具體的訓(xùn)練過(guò)程如圖7所示。

1） 數(shù)據(jù)預(yù)處理。經(jīng)過(guò)對(duì)物聯(lián)網(wǎng)智能監(jiān)測(cè)系統(tǒng)采集的試驗(yàn)數(shù)據(jù)進(jìn)行預(yù)處理后，將訓(xùn)練集、測(cè)試集和驗(yàn)證集分別按照8∶1∶1比例進(jìn)行劃分，從而解決因量綱單位導(dǎo)致的數(shù)據(jù)不統(tǒng)一、不規(guī)范的問(wèn)題。

2） 確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和設(shè)置初始化參數(shù)。通過(guò)計(jì)算隱含層節(jié)點(diǎn)數(shù)目，確定了網(wǎng)絡(luò)傳遞函數(shù)，并對(duì)該模型進(jìn)行了迭代上限、麻雀各職能群體的比重和數(shù)目等參數(shù)的設(shè)置。

3） 麻雀?jìng)€(gè)體適應(yīng)度排序。采取適應(yīng)度函數(shù)對(duì)個(gè)體的能量大小進(jìn)行了分類(lèi)，從而確定了目前的最佳的初始位置。

4） 更新每個(gè)職能麻雀位置。根據(jù)種群的適應(yīng)性函數(shù)值、預(yù)警值以及種群不同行為的動(dòng)態(tài)變化對(duì)比，對(duì)種群在不同的迭代數(shù)下的個(gè)體最佳位置進(jìn)行更新優(yōu)化。

5） 調(diào)整權(quán)值和閾值。以上述步驟結(jié)果為依據(jù)，將麻雀種群在當(dāng)前迭代數(shù)下的最佳個(gè)體和全局最佳解作為模型的權(quán)值和閾值。

6） 訓(xùn)練網(wǎng)絡(luò)。重復(fù)步驟（3）～步驟（5）以確定迭代次數(shù)是否滿(mǎn)足預(yù)定值，若滿(mǎn)足，得到網(wǎng)絡(luò)最優(yōu)權(quán)值和閾值，生成最優(yōu)的Elman網(wǎng)絡(luò)模型；反之則繼續(xù)迭代，直至訓(xùn)練次數(shù)到迭代上限或訓(xùn)練結(jié)果滿(mǎn)足預(yù)測(cè)準(zhǔn)確率的要求。

7） 運(yùn)用麻雀搜索算法優(yōu)化后的Elman神經(jīng)網(wǎng)絡(luò)進(jìn)行溫室溫度和濕度的預(yù)測(cè)。

1.4.4 模型評(píng)價(jià)指標(biāo)

為了評(píng)價(jià)不同模型的預(yù)測(cè)效果，通過(guò)綜合比較，選取均方根誤差（RMSE）、平均絕對(duì)誤差（MAE）及決定系數(shù)（R2）等參數(shù)作為預(yù)測(cè)模型評(píng)價(jià)指標(biāo)[25]，RMSE和MAE越小，R2值越大，說(shuō)明預(yù)測(cè)結(jié)果更加準(zhǔn)確可靠，計(jì)算如式（17）～式（19）所示。

[MAE=1mi=1mRi-yi] （17）

[RMSE=1mi=1mRi-yi2] （18）

[R2=1-i=1myi-y2i=1mRi-y2] （19）

式中： [yi]——溫室預(yù)測(cè)反饋值；

[y]——溫室實(shí)際值的平均值；

[Ri]——溫室的實(shí)際值。

2 試驗(yàn)結(jié)果與分析

2.1 模型的優(yōu)化及訓(xùn)練

根據(jù)Spearman相關(guān)性熱力圖分析結(jié)果，在溫室溫度預(yù)測(cè)模型中，篩選出的影響因子為X1、X2、X3、X4、X7、X8、X9、X12；在溫室濕度預(yù)測(cè)模型中，篩選出的影響因子為X1、X2、X3、X4、X8、X9、X12。由于神經(jīng)網(wǎng)絡(luò)的輸入層和輸出層的神經(jīng)元節(jié)點(diǎn)數(shù)目要與環(huán)境因子數(shù)目分別保持一致，故空氣溫度輸入節(jié)點(diǎn)數(shù)目選擇為8個(gè)，輸出節(jié)點(diǎn)數(shù)目選擇為1個(gè)；空氣濕度輸入節(jié)點(diǎn)數(shù)目選擇為7個(gè)，輸出節(jié)點(diǎn)數(shù)目選擇為1個(gè)。

隱含層神經(jīng)元的數(shù)目不是固定的。當(dāng)神經(jīng)元數(shù)量較少時(shí)，網(wǎng)絡(luò)的學(xué)習(xí)性能會(huì)下降；反之，則神經(jīng)網(wǎng)絡(luò)的計(jì)算量和復(fù)雜度會(huì)增大，進(jìn)而影響算法的運(yùn)算速率。因此，本研究通過(guò)應(yīng)用式（4），在給定的范圍內(nèi)，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并通過(guò)比較誤差值來(lái)確認(rèn)隱含層神經(jīng)元的數(shù)量，進(jìn)而確定溫度和濕度預(yù)測(cè)模型的最佳隱含層節(jié)點(diǎn)數(shù)目，其數(shù)目分別為12個(gè)和9個(gè)。同時(shí)負(fù)責(zé)存儲(chǔ)上一時(shí)刻隱含層的輸出狀態(tài)的承接層，其節(jié)點(diǎn)數(shù)量應(yīng)該與隱含層相同，所以其節(jié)點(diǎn)數(shù)目也分別為12個(gè)和9個(gè)。

由于經(jīng)過(guò)歸一化處理后的原始數(shù)據(jù)，不再具有負(fù)值的情況，因此，選擇tansing函數(shù)、trainlm函數(shù)和Pureline函數(shù)分別為模型輸入層、隱含層和輸出層傳遞函數(shù)來(lái)進(jìn)行模型訓(xùn)練。同時(shí)在訓(xùn)練過(guò)程中，將訓(xùn)練次數(shù)、訓(xùn)練最小誤差以及學(xué)習(xí)速率分別設(shè)置為103、10-3和10-2，并采用麻雀搜索優(yōu)化算法不斷地調(diào)整Elman的模型參數(shù)，來(lái)實(shí)現(xiàn)對(duì)日光溫室內(nèi)的溫濕度預(yù)測(cè)。SSA算法參數(shù)初始值的設(shè)置參照表3所示。

在SSA進(jìn)化過(guò)程中，一般將模型的訓(xùn)練集和測(cè)試集均方誤差作為適應(yīng)度函數(shù)的評(píng)價(jià)指標(biāo)，其適應(yīng)度越小，表明模型的預(yù)測(cè)準(zhǔn)確率越高[26]。由圖8可知，麻雀搜索算法在迭代初期尋優(yōu)效果較好，能快速找到相對(duì)最優(yōu)解，收斂速度快；在迭代后期開(kāi)始逐漸穩(wěn)定收斂，表明該算法的尋優(yōu)能力強(qiáng)。

2.2 預(yù)測(cè)結(jié)果及對(duì)比分析

根據(jù)SSA優(yōu)化結(jié)果設(shè)置好模型的基本參數(shù)，將訓(xùn)練好的模型進(jìn)行仿真測(cè)試，并對(duì)預(yù)測(cè)結(jié)果實(shí)行反歸一化，實(shí)現(xiàn)對(duì)日光溫室空氣溫度、空氣濕度的預(yù)測(cè)。為了檢驗(yàn)SSA-Elman模型在溫室溫度和濕度的預(yù)測(cè)中的性能，在相同運(yùn)行環(huán)境條件下，同時(shí)利用BP神經(jīng)網(wǎng)絡(luò)、E5617af0883a15b85ffbb8e1f6637619blman神經(jīng)網(wǎng)絡(luò)以及PSO-Elman模型輸入相同的參數(shù)進(jìn)行預(yù)測(cè)，且對(duì)其預(yù)測(cè)效果進(jìn)行對(duì)比分析。溫室溫濕度環(huán)境預(yù)測(cè)結(jié)果如圖9所示，溫室溫濕度的4種預(yù)測(cè)模型的性能比較如表4所示。

綜上所述，BP、Elman、PSO-Elman和SSA-Elman溫度預(yù)測(cè)的擬合優(yōu)度分別為87.89%、89.39%、92.44%和96.28%，濕度預(yù)測(cè)的擬合優(yōu)度分別為88.71%、90.01%、93.79%和97.16%。與其他3種模型相比，SSA-Elman的溫度擬合指數(shù)提升了8.39%、6.86%、3.84%；濕度預(yù)測(cè)擬合優(yōu)度提升了8.45%、7.15%和3.37%，表明該模型預(yù)測(cè)的性能最佳。綜上所述，采用麻雀搜索算法（SSA）優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)了對(duì)溫室內(nèi)未來(lái)30 min空氣溫濕度變化的準(zhǔn)確預(yù)測(cè)。結(jié)果證明：該模型有效避免了因人工方法調(diào)節(jié)參數(shù)而造成的較大誤差的問(wèn)題，提高了模型參數(shù)調(diào)優(yōu)的效率，為未來(lái)日光溫室的精準(zhǔn)調(diào)控提供了有力的技術(shù)支撐。

3 結(jié)論

1） 為解決目前在農(nóng)業(yè)物聯(lián)網(wǎng)方面存在的數(shù)據(jù)維度多、數(shù)量大以及計(jì)算成本高等問(wèn)題，同時(shí)也為解決普通的Elman神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練時(shí)存在的收斂速度慢、容易陷入局部極值等問(wèn)題，提出一種基于麻雀搜索算法（SSA）優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，實(shí)現(xiàn)溫室內(nèi)空氣溫濕度的精準(zhǔn)預(yù)測(cè)。

2） 通過(guò)與BP神經(jīng)網(wǎng)絡(luò)、Elman神經(jīng)網(wǎng)絡(luò)和PSO-Elman模型預(yù)測(cè)效果對(duì)比可知，BP、Elman、PSO-Elman和SSA-Elman模型對(duì)溫度預(yù)測(cè)擬合優(yōu)度分別為87.89%、89.39%、92.44%和96.28%，對(duì)濕度預(yù)測(cè)的擬合優(yōu)度分別為88.71%、90.01%、93.79%和97.16%，表明本研究所提出的SSA-Elman模型的預(yù)測(cè)結(jié)果的擬合曲線更接近實(shí)測(cè)值，在對(duì)溫室溫濕度進(jìn)行預(yù)測(cè)時(shí)有著更為顯著的優(yōu)越性。該方法為日光溫室溫濕度的預(yù)測(cè)提供一種新的思路，為未來(lái)日光溫室內(nèi)環(huán)境精準(zhǔn)控制策略提供可靠的依據(jù)。

參 考 文 獻(xiàn)

[ 1 ] 喬小丹， 鄭文剛， 張馨， 等. 基于LSTM-GRU的日光溫室環(huán)境預(yù)測(cè)方法研究[J]. 江蘇農(nóng)業(yè)科學(xué)， 2022， 50（16）： 211-218.

[ 2 ] Esmaeli H， Roshandel R. Optimal design for solar greenhouses based on climate conditions [J]. Renewable Energy， 2020， 145： 1255-1265.

[ 3 ] 陳俐均， 杜尚豐， 李嘉鵬， 等. 溫室環(huán)境溫度預(yù)測(cè)自適應(yīng)機(jī)理模型參數(shù)在線識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2017， 33（1）： 315-321.

Chen Lijun， Du Shangfeng， Li Jiapeng， et al. Online identification method of parameters for greenhouse temperature prediction self?adapting mechanism model [J]. Transactions of the Chinese Society of Agricultural Engineering， 2017， 33（1）： 315-321.

[ 4 ] Dong Shuyao， Shamim Ahamed Md， Ma Chengwei， et al. A time?dependent model for predicting thermal environment of mono?slope solar greenhouses in cold regions [J]. Energies， 2021， 14（18）： 1-19.

[ 5 ] 徐立鴻， 蘇遠(yuǎn)平 ， 梁毓明. 面向控制的溫室系統(tǒng)小氣候環(huán)境模型要求與現(xiàn)狀[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2013， 29（19）： 1-15.

Xu Lihong， Su Yuanping， Liang Yuming. Requirements and current status of control?oriented microclimate environment model in greenhouse system [J]. Transactions of the Chinese Society of Agricultural Engineering， 2013， 29（19）： 1-15.

[ 6 ] Moon T W， Jung D H， Chang S H， et al. Estimation of greenhouse CO2 concentration via an artificial neural network that uses environmental factors [J]. Horticulture， Environment， and Biotechnology， 2018， 59： 45-50.

[ 7 ] 于玉婷， 徐光麗， 柳平增， 等. 設(shè)施番茄溫室風(fēng)口開(kāi)關(guān)時(shí)間參數(shù)研究[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（12）： 83-90， 98.

Yu Yuting， Xu Guangli， Liu Pingzeng， et al. Study on time parameters of opening and closing vents in tomato greenhouse [J]. Journal of Chinese Agricultural Mechanization， 2022， 43（12）： 83-90， 98.

[ 8 ] 張永芳， 王芳. 基于SSA-RBF網(wǎng)絡(luò)的日光溫室溫濕度預(yù)測(cè)模型研究[J]. 河北農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2021， 44（3）： 115-121.

[ 9 ] Casta?eda?Miranda A， Casta?o V M. Smart frost control in greenhouses by neural networks models [J]. Computers and Electronics in Agriculture， 2017， 137： 102-114.

[10] Wang Yan， Liu Pingzeng， Zhu Ke， et al. A Garlic?price?prediction approach based on combined LSTM and GARCH-Family model [J]. Applied Sciences， 2022， 12（22）： 11366.

[11] 劉煥， 楊延杰， 史宇亮， 等. 膠東地區(qū)日光溫室周年溫濕度變化規(guī)律分析及預(yù)測(cè)[J]. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)， 2021， 23（12）： 136-144.

[12] 劉鵬菊. 設(shè)施黃瓜生長(zhǎng)環(huán)境監(jiān)測(cè)與溫室風(fēng)口控制系統(tǒng)研究[D]. 泰安： 山東農(nóng)業(yè)大學(xué)， 2021.

[13] Ullah I， Fayaz M， Naveed N. ANN based learning to kalman filter algorithm for indoor environment prediction in smart greenhouse [J]. IEEE Access， 2020， 8： 159371-159388.

[14] 張建超， 單慧勇， 景向陽(yáng)， 等. 基于Elman神經(jīng)網(wǎng)絡(luò)的溫室環(huán)境因子預(yù)測(cè)方法[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（8）： 203-208.

Zhang Jianchao， Shan Huiyong， Jing Xiangyang， et al. Prediction method of greenhouse environmental factors based on Elman neural network [J]. Journal of Chinese Agricultural Mechanization， 2021， 42（8）： 203-208.

[15] 劉傳龍. 設(shè)施番茄溫室溫濕度智能調(diào)控系統(tǒng)研究[D]. 泰安： 山東農(nóng)業(yè)大學(xué)， 2022.

[16] Xue J K， Shen B. Novel swarm intelligence optimization approach： Sparrow search algorithm [J]. Systems Science & Control Engineering， 2020， 8（1）： 22-34.

[17] 祖林祿， 柳平增， 趙妍平， 等. 基于SSA-LSTM的日光溫室環(huán)境預(yù)測(cè)模型研究[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2023， 54（2）： 351-358.

Zu Linlu， Liu Pingzeng， Zhao Yanping， et al. Study of the greenhouse environment prediction model based on SSA-LSTM [J]. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（2）： 351-358.

[18] 宋成寶， 柳平增， 劉興華， 等. 基于HSIC的日光溫室溫度傳感器優(yōu)化配置策略[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（8）： 200-208.

Song Chengbao， Liu Pingzeng， Liu Xinghua， et al. Optimal configuration strategy for temperature sensors in solar greenhouse based on HSIC [J]. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（8）： 200-208.

[19] 敬如雪， 高玉琢. 基于多傳感器的數(shù)據(jù)融合算法研究[J]. 現(xiàn)代電子技術(shù)， 2020， 43（10）： 10-13.

[20] 劉建偉， 趙會(huì)丹， 羅雄麟， 等. 深度學(xué)習(xí)批歸一化及其相關(guān)算法研究進(jìn)展[J]. 自動(dòng)化學(xué)報(bào)， 2020， 46（6）： 1090-1120.

[21] 許力琴， 周晴， 劉霞. 科技論文“Spearman相關(guān)”表達(dá)中存在的問(wèn)題分析與建議[J]. 編輯學(xué)報(bào)， 2019， 31（4）： 398-400.

[22] 鄭昊南. 平菇溫室溫濕度物聯(lián)網(wǎng)智能測(cè)控系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 泰安： 山東農(nóng)業(yè)大學(xué)， 2022.

[23] Zheng Y， Zhang X， Wang X， et al. Predictive study of tuberculosis incidence by time series method and Elman neural network in Kashgar， China [J]. BMJ Open， 2021， 11（1）： e041040.

[24] 程陳， 馮利平， 董朝陽(yáng)， 等. 利用Elman神經(jīng)網(wǎng)絡(luò)的華北棚型日光溫室室內(nèi)環(huán)境要素模擬[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（13）： 200-208.

Cheng Chen， Feng Liping， Dong Chaoyang， et al. Simulation of inside environmental factors in solar greenhouses using Elman neural network in North China [J]. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（13）： 200-208.

[25] 李雅麗， 王淑琴， 陳倩茹， 等. 若干新型群智能優(yōu)化算法的對(duì)比研究[J]. 計(jì)算機(jī)工程與應(yīng)用， 2020， 56（22）： 1-12.

[26] 趙雪， 顧偉紅. 基于GRA-SSA-Elman的隧洞TBM掘進(jìn)適應(yīng)性評(píng)價(jià)[J]. 隧道建設(shè)（中英文）， 2022， 42（11）： 1879-1888.