温室小气候温度和湿度动态模型预测及验证

韦玉翡，赵建贵，高安琪，白云飞，李志伟

（山西农业大学农业工程学院，山西 太谷 030801）

温室技术水平的高低直接影响着农作物的产量和品质，要对温室环境因子进行综合控制，创造作物生长发育的最适宜条件，实现作物的增产、稳产，就需要建立温室小气候模型［1］。温室小气候模型的建立是优化温室结构、优化综合控制以及智能决策的有力工具。通过分析温室小气候模型可以深入了解室内环境因子间的关系及不同因子间的相互作用，并预测下一时刻的因子值，为温室环境的控制策略提供必要依据及为温室作物提供最佳的生长环境［2］。

对温室环境调控而言，温室小气候动态预测模型有着举足轻重的意义，主要分为2 种：一种是以能量平衡方程和质量平衡方程为依据的温室模型；另一种是基于输入输出数据的模型（包括线性模型、非线性模型、黑箱模型等），该法仅需采集温室内外环境因子的数据，与温室结构类型无关。在国内外研究中，基于能量守恒定律，Businger［2］建立了首个依据室内环境因素来确定室温的温室小气候模型；Ra⁃sheed 等［3］建立多跨度温室的模拟模型，并采用瞬态系统模拟程序来模拟温室微环境；Marina 等［4］综合考虑温室特点，以温度及内部湿度为参数，创造有利于植物的生产条件。澳大利亚Kerstin 等［5］提出了多环境中对产量相关性状的多季重复测量、遥感技术在田间监测中的误差和关键表型的高通量分析等表型研究瓶颈问题。郁莹珺［6］、温永菁［7］、苏春杰［8］等利用环境因子建立了不同条件下温室环境模型；宿文［9］、刘晓艳等［10］根据温室能量和质量平衡原理建立模型；张园园［11］采用ELM 的方法建立温室预测模型；周洁［12］、李献军等［13］、范琼［14］通过无线传感器网络实时获取温室环境数据建立模型；邹秋滢等［15］采用自适应神经模糊推理系统（ANFIS）对温室小气候环境因子进行辨识建立预测模型；徐立鸿等［16］、秦琳琳等［17］对现有的温室系统模型进行分析，指出各自的不足和局限性。由以上研究可以看出，机理模型在温室小气候动态预测方面切实可行。由于早期温室受资金及技术条件的约束，并未配备气候调节设施，在温室小气候的建模中主要考虑室外天气变化影响［17，18］，未考虑气候调节设备动作的影响，且目前预测模型多数只考虑一部分环境因素进行预测，并未涵盖一些重要的影响因素以致预测精度不高，影响后续智能决策和综合控制的效果。本模型充分考虑温室构造、温室内外部各项环境因子及介入设施的影响，有效提高了预测精度。

1 材料与方法

1.1 试验地概况

为实现研究目标，在山西农业大学工学院（东经112°34′，北纬37°25′）旁建造了一个玻璃温室。温室为东西走向，总占地面积为125 m（212.5 m×10.0 m）。温室四周底部由钢筋混凝土作基础垫层（室外地面0.5 m 下），四周采用砌体结构（砖、石，距室外地面0.6 m），四根边柱搭建玻璃结构，玻璃框架采用铝合金作为玻璃连接体，玻璃采用有机玻璃（厚2.5 cm）。温室东西侧设置前后门，南侧设置湿帘（共4 扇），北侧设置风机（共2 台），西北方向设置天窗（共4 扇），顶部设有保温被、遮阳帘，内有加热管道（表面积为43 m2）、热风机等加热设施。温室内设备由计算机控制，包括热风机的开关，湿帘、保温被、遮阳帘、风机组等的开启，天窗开启角度等。

1.2 试验材料

温室内种植番茄（Solanum lycopersicumSolyc）欧美佳。该品种为高抗TY 病毒、强耐寒、低温弱光下能正常彭果、每节生4~6 果的无限生长型番茄。由育苗公司采用穴盘育苗，于9 月26 日移栽至实验温室培养槽的椰糠基质袋中，每袋长100 cm，宽20 cm，高7 cm，每袋均匀定植4 株，种植深度5 cm，种植3行，行距为90 cm，株距为25 cm。试验期间，侧蔓和卷须摘除及下部老叶去除保持一致。

1.3 试验方法

试 验 时 间 为 2019 年 10 月 1 日 至 2020 年 1 月 20日，自11 月开始启用加热设施（热水管道、暖风机）。利用温室监测系统的采集节点采集室内外太阳全辐射、室内外温湿度、二氧化碳浓度、风速、风向、热水管道进出水温度、基质温度、土壤温度（土壤5 cm处）等参数，均匀将采集节点部署于温室内外，网关定时向采集节点发送“同步巡检”指令，对覆盖范围内所有采集节点巡检，自动建立与解除通信链路，若出现网络故障，系统将自修复运行和采集、传送数据。采集数据和传输过程具有延迟性，故网关设置为每隔6 min 向采集节点发送“点名轮询”指令，即所有数据通过计算机控制系统自动记录并保存数据，计算机每隔6 min 对采集的数据记录并保存一次。

1.4 项目测定

1.4.1 温室小气候温度动态模型 根据热力学有关理论可知，单位时间温室内热量的积累等于温室内热量储存的变化率［10］，即室内的热量平衡动态模型如下。

式中，Qa为温室内部空气热量，W/m2；Qr为太阳辐射热量，W/m2；Qp为暖气管道供热量，W/m2；Qw为温室围护结构传热量，W/m2；Qs为叶面、土壤与空气的热交换量，W/m2；Ql为灯具散热能量，W/m2；Qv为通风损失热量，W/m2；Qg为温室覆盖层与外界交换的损失热量，W/m2；Qe为蒸腾作用吸收的热量，W/m2；Qh为湿帘风机的热交换吸收热量，W/m2。

具体公式如下：

由于Qh、Qs、Ql在模型验证期间对温室温度的影响微乎其微，故在计算中未做考虑。Ti为温室空气热力学温度，K；T0为温室外空气热力学温度，K；S0为室外太阳辐射，W/m2；τ为温室太阳辐射透射率，其为一天测量的室内辐射总和与一天测量的室内太阳辐射总和之比；TP为管道热水热力学温度，K；hP为热水管道传递系数，W/（m2·K）；G为通风窗的空气交换率，m3/h；hc为温室内部空气透过覆盖层与温室外部空气的热交换系数，hc=A+Bv（单层覆盖物，A=6，B=0.5；双层覆盖物，A=4，B=0.2；v为风速）；As为温室覆盖物表面积，m2。式中其他各参数的意义及具体值详见表1。

1.4.2 温室小气候相对湿度动态模型 相对湿度是温室环境的重要状态变量。根据物质和能量平衡原理，温室内的水汽平衡动态模型如下［10］。

式中，h为温室平均高度（温室容积与地表面积之比，V/Af），m；Et为植物蒸腾作用释放的水气量，即植物的蒸腾速率，kg/（m2·s）；Eshebei为增湿或除湿设备启动后，温室内减少或增加的水分（增湿为正，除湿为负），kg/（m2·s）；Ev为通风换气和空气渗透带走的水分，kg/（m2·s）；Econd为在围护结构和覆盖物上水蒸气的凝结速度，kg/（m2·s）；Wt为水和空气的比率，kg/kg。

具体公式如下：

式中，Ct为经验常数（与叶面指数LAI呈函数关系）；Rn为作物冠层上方的太阳辐射度（Rn=0.55S0，一般略高于室外太阳辐射度的50%），W/m2；ht为作物和空气之间的热量转移系数（与作物冠层上方的太阳辐射度Rn、叶面积指数LAI呈函数关系），W/（m2·K）；β为温度变化对饱和水蒸气压力影响的综合系数；λ为水的蒸发潜热，kJ/kg；γ为在空气相对湿度不变的情况下，水蒸气压力因温度变化的斜率；Q为湿度调节设备的流量，kg/s；Udt为供热设施引发室内每平方米增加的热量，W/m2；ei为温室内部空气的水蒸气压力，Pa；e0为温室外部空气的水蒸气压力，Pa；Tg为覆盖物的内表面热力学温度，℃；xi、x0为相对湿度。

其中，在T摄氏温度下时绝对湿度的计算公式如下：

式中，RH为绝对湿度。

表1 温度和湿度模型参数

1.5 数据分析

为了验证所建冬季温室小气候预测模型的准确度和精确度，采集生长期的温室数据（自9 月26 日开始，幼苗期10 d，开花期28 d，结果期32 d）。各生育期采集的数据先进行预处理，剔除异常和无效数据，再代入温室小气候动态模型计算预测值，并通过Microsoft Excel 2019 计算各类误差。

2 结果与分析

2.1 单天温度和相对湿度动态变化分析

选取10 月11 日内外环境因子的各项数据，并分别绘制该日室内外温度、相对湿度及其相应预测值的曲线分布，结果如图1、图2 所示。由图1 可见，温室内温度昼夜变化为白天高、夜晚低。由于温室热量主要来源于室外温度和太阳辐射量，在白天尤其是14：00 左右二者同时达到最大值，故此刻温度达到一天中的最大值。白天时室外的辐射较大，而夜晚温室热量主要来源于白天室内热量，在夜晚5：00室外温度达最小值，且白天累积热量基本消耗殆尽，故夜晚5：00 温度到达一天中的最小值。经对比10月 11 日的室内温度和预测温度，在 8：00—17：00 预测温度大于室内温度，而18：00 之后基本低于室内温度。温室内的相对湿度也是温室小气候的一个重要组成部分，相对湿度过高或过低对作物的生长都很不利。由图2 可见，与室内温度相反，室内相对湿度昼夜变化呈白天低、夜晚高的规律，这种情况在太阳辐射量大时显得非常突出，故白天加湿、降温是调节温度和湿度的一个方案，夜晚应保持一定的通风、降低湿度，以预防病虫害的发生率。

2.2 有无加热设施介入时温度和相对湿度动态变化分析

针对2019 年10 月10—19 日温室小气候环境在设置加热设施前后5 d 的温度和相对湿度预测值与实际值对比分析，得到玻璃温室在有无加热设施情况下各时间段温度和相对湿度的变化情况。图3、图4 分别为其温度和相对湿度的变化曲线。

由图3可见，加热设施进入温室后，在没有加热设施下，室内最高温度为33.44 ℃，最低温度为6.42 ℃，平均温度为17.11 ℃，温度相差最大为27.02 ℃；而在加热设施工作情况下，最高温度为35.46 ℃，最低温度为4.83 ℃，平均温度为17.73 ℃，温度相差最大为30.63 ℃。经计算室内温度预测模型相对误差在3.30%~10.91%，绝对误差在0.66~1.75 ℃，均方根误差在0.83~2.50 ℃。

由图4 可见，在无加热设施时，正午时段最小相对湿度维持在48%左右，夜间相对湿度极大值在93%以上。加热设施工作时，正午时段最小相对湿度在35%左右，夜晚极大值在85%之上。从图3、图4 可以看出，室内温度和相对湿度的预测线与实测线的走势都很接近，但相对湿度度量值较温度度量值大得多，故2 条曲线的拟合度不及温度预测的拟合度。但室内相对湿度预测模型精度还是较高的，它的相对误差在1.49%~8.99%，绝对误差在1.05~4.83 个百分点，均方根误差在0.58%~4.91%。

2.3 生育期试验分析

为进一步探究模型的精确度，在各生育期各取5 d（幼苗期 10 月 1—5 日，开花期 10 月 27—31 日，结果期11 月11—15 日）来验证。图5、图6 分别为各生育期温度、相对湿度的曲线分布。

由图5 可知，整个生育期，温度预测值和实际值曲线趋势基本一致，由于冬季室外温度的逐渐降低，基本关闭通风窗（正午时小幅开启），故预测值温度也呈下降趋势（加热设施介入，趋势并不大）。温度在整个时期最高达35.73 ℃，最低为3.62 ℃，各时期最大绝对误差分别达1.76、1.67、1.30 ℃，最大相对误差分别达9.79%、8.91%、7.18%，最大均方根误差分别达2.50、1.87、1.51 ℃，绝对误差、相对误差和均方根误差的平均值均在结果期数值最小，幼苗期最大（表2）。

表2 预测温度和相对湿度误差统计分析

相比室内温度变化，室内相对湿度变化更为剧烈，最大值和最小值出现多次振荡且差值较大，但总体上相对湿度预测值与实际值的变化趋势是一致的。相对湿度在整个时期最高达98.41%，最低为29.64%，各时期最大相对误差分别为4.83%、2.66%、1.73%，最大绝对误差分别为8.99、4.89、2.36 个百分点，最大均方根误差分别为4.91%、2.71%、1.82%，三者与温度误差类型的变化趋势相同。

温度、相对湿度动态模型的预测值与实际值曲线如图1 至图6 所示，二者有着较好的拟合关系。在整个生育期内，温度和相对湿度的绝对误差分别为1.18 ℃、1.19 个百分点；相对误差分别为7.49%、2.86%；均方根误差温度为1.36 ℃、相对湿度为1.96%。由此可见，运用扩充后的机理模型对温室小气候进行环境因子预测是行之有效的，建立的机理模型考虑因素较为全面有效，对温室小气候环境因子预测效果较好，为后续温室小气候环境智能控制奠定了基础。

3 小结与讨论

由本研究结果可知，随室外温度及室外太阳辐射量的增加，室内温度亦逐渐增加，总体趋势与室外温度一致，但略滞后于太阳辐射量（太阳辐射正午达最大值，温度下午14 时达最大值）。无加热设施时，室内温度直接由室外高温导致，而冬季室内温度主要依靠室外温度及加热设施提供温度。从2 条温度曲线可见，正午时分的预测温度高于实际值，这主要是由于正午的太阳辐射量高，室外温度持续处在高温下使得预测温度略高于正常值。在夜间无太阳辐射，室内外温度的测量较为一致，预测值无太阳辐射量这部分数值，故总体低于室内温度。温室室内湿度改变主要受植物蒸腾速率、室内温度以及通风换气的影响。正午时分随室温不断上升到最大值，室内相对湿度会下降，维持在36%左右。在夜间随气温逐渐降低使空气中容纳的饱和水气压降低，致使相对湿度下降，当温度降至最低时，相对湿度往往上升至最高。

对于改善温室环境的控制和管理效率，温室小气候模型有着显著的效果［19］。一方面，它是认识温室机理的理论基础，另一方面，温室的气候预测和控制依据也取决于它［20-23］。通过分析温室内外影响温湿度的环境因子、温室结构、作物生理作用以及介入设施来建立温室温湿度动态平衡方程，结果显示建立的模型方法简单有效，进一步提高了精度且能有效降低试验成本。根据实际采集的数据，此模型能很好地预测温湿度动态变化，为后续温室智能控制以达到作物生长发育的适宜条件打下基础，从而实现作物高产、稳产及利润最大化。