廊坊冬季日光溫室氣溫分析與預報模型研究

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，能為農作物生長提供優良環境，尤其在北方冬春蔬菜和水果種植方面得到廣泛應用[1-2]。日光溫室內氣溫的變化直接影響溫室果蔬的生長發育和品質，因此準確預測溫室內氣溫的變化能為調控溫室環境、促進科學栽培提供幫助[3-4]。

近年來，不少國內外科技工作者通過物理和數學統計等模型對日光溫室內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不同區域溫度分布情況進行了分析；孫樹鵬等[6]基于CFD模型對天津地區冬、春、夏3個季節不同環境溫度條件下，打開通風口時日光溫室內部環境的溫度進行了模擬；Frausto等[7-9]利用神經網絡模型對溫室內氣象要素進行了預測；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下棚內溫濕度預測模型；韋婷婷等[14]采用余弦分段函數、正弦分段函數、正弦—指數分段函數、一次分段函數和神經網絡模型分別模擬南京地區不同季節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神經網絡模型對日光溫室極端氣溫進行了預測。目前，廊坊地區日光溫室小氣候模擬的報道較少。因此，利用日光溫室內外的氣溫要素數據，采用BP神經網絡模型對日光溫室內日最高氣溫和最低氣溫進行模擬，建立溫室內日最高氣溫和最低氣溫模型，以期為指導日光溫室氣溫調控提供參考和技術支撐。

1 材料與方法

1.1 試驗材料

將試驗地設在河北省廣陽區潤寶農業園區（39°30′N，116°46′E）。該地屬于暖溫帶大陸性季風氣候，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。試驗地土質為平原沙壤土，肥力中等，適宜設施毛桃的栽培。

日光溫室為鋼架結構。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油桃樹進行升溫處理，提高溫室內溫度。

1.2.2 觀測方法溫室內小氣候觀測采用便攜式小氣候自動觀測儀，按照《應用氣候手冊》，在日光溫室內選A、B、C共3個觀測點設小氣候站，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，溫室外數據采用多要素自動氣象站觀測數據[18]。對溫室內外氣象數據進行全天候測定，測定內容包括溫室內外1.5 m氣溫、5 cm地溫，每10min采集1次數據，觀測時間2019年12月—2020年4月和2020年12月—2021年4月。

1.2.3 天氣類型標準劃分 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神經網絡模型以溫室外最高氣溫、最低氣溫為BP神經網絡模型的輸入，并選用單隱層的BP神經網絡結構進行日光溫室內最高氣溫和最低氣溫的模擬。模型結構分為3層，第1層為輸入層，2個神經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個神經元分別是溫室內的最高氣溫和最低氣溫。

為解決神經網絡輸入變量間的單位和數量級不一致的問題，采用歸一化方法將樣本數據進行預處理。公式如下：

式（1）中，xi為第i個輸入變量變換后的數據（i=1，2），取值范圍在0～1；xio為試驗數據；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采用S型對數函數Logsig和線性函數Purelin。公式如下：

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

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

將2019年12月—2020年4月的觀測數據作為建模數據，將2020年12月—2021年4月的觀測數據作為檢驗樣本，以提升模型精度。在多次試算的基礎上，模型設隱含層節點數為4，選定的傳輸函數為S型對數函數Logsig和線性函數Purelin，訓練函數為反向傳播訓練函數Trainlm。相關的參數值為：初始學習速率η為0.05，最大迭代次數為1 000次，目標誤差為0.001。BP神經網絡模型采用Matlab2013a軟件通過編程實現，并完成泛化預測。

1.2.5 模型檢驗指標采用符合度指數D（Index of agreement）、均方根誤差RMSE以及絕對誤差AE對模擬值和實測值之間的擬合度進行統計分析，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D是一個歸一化的度量指標，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為預報值與實測值的平均偏差。絕對誤差AE為預報值和實際值的偏差。

1.3 統計分析

所有數據采用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 結果與分析

2.1 溫室內外氣溫的變化

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

圖1 溫室內外逐日平均氣溫變化趨勢

2.1.2 不同天氣類型溫室內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氣溫逐時變化數據，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，呈逐步下降的趨勢，09:00～10:00溫室揭簾后溫室內氣溫迅速升高，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℃。連續的低溫寡照導致溫室內增溫蓄熱不足，容易引發低溫災害。

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氣溫的逐時變化趨勢

2.2 溫室內最高氣溫及最低氣溫預報

2.2.1 溫室內外氣溫的相關性分析 應用常規的數理統計分析方法，分析廣陽區潤寶農業園區溫室內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性。由表1可知，溫室內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系密切。其中，溫室內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系均通過了信度為0.01水平的顯著性檢驗。

表1 溫室內外氣象要素之間的相關系數

2.2.2 最高氣溫預報 選取溫室內外氣象要素日最高氣溫和日最低氣溫作為神經網絡的訓練樣本和檢驗樣本，將訓練樣本輸入神經網絡模型，在完成網絡訓練和網絡檢驗后，得到一組網絡權值和閾值，在此基礎上將預測樣本輸入神經網絡模型。通過上述方法，利用溫室外的氣象數據，模擬得出了溫室內日最高氣溫、日最低氣溫。由圖3可見，溫室內最高氣溫預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D為0.80，預報值與實測值絕對誤差≤3℃的預報準確率分別為77%，小于或等于2℃的預報準確率分別為60%；模擬效果較好。

圖3 溫室內最高氣溫觀測值與模擬值對比

2.2.3 最低氣溫預報由圖4可知，所構建的BP神經網絡對溫室內日最低氣溫預報效果較好，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D為0.93，預報值與實測值絕對誤差小于或等于3℃的預報準確率分別為98%，小于或等于2℃的預報準確率分別為90%；表明BP神經網絡預報模型對溫室內最低氣溫有較強的預報能力，可為溫室低溫預警提供支持。

圖4 溫室內最低氣溫觀測值與模擬值對比

3 小結與討論

本研究基于廊坊地區日光溫室內外實時氣溫觀測資料，利用BP神經網絡模型對日光溫室內日最高氣溫、日最低氣溫進行模擬，對模擬結果和實測值之間的均方根誤差、絕對誤差、符合度指數、準確度等指標進行統計分析，表明該模型可準確地預報溫室內最高、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℃，預測值與實際值≤3℃的準確率分別達到77%和98%，≤2℃的準確率分別達到60%和90%，模型模擬精度較高。說明BP神經網絡模型具有可靠性，可被應用于廊坊地區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氣溫的預測要求。

由于溫室人工管理水平不一，開閉風口過早或過晚，溫室內常出現短時溫度過高或過低的現象，或受白天天氣狀況的影響，使得本研究所模擬的溫室內最高氣溫預測的準確度低于最低氣溫預測的準確度，若對溫室進行規范管理，對溫室實行智能化調節，該BP神經網絡模型對最高氣溫預測精度應會得到極大提高。需在以后的試驗研究中加以驗證。

與傳統模擬方法相比，BP神經網絡模型模擬速度快，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神經網絡模型雖然對最高氣溫、最低氣溫的預報準確度較好，但模型不具有廣泛的擴展性，僅適用于廊坊地區棚型參數相近的日光溫室，無法直接應用于其他不同地區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、開閉風口時間等條件對日光溫室內氣溫的影響，今后將在這些方面進行進一步的研究。