利用Elman神经网络的华北棚型日光温室室内环境要素模拟

程 陈，冯利平，董朝阳，宫志宏，刘 涛，黎贞发

利用Elman神经网络的华北棚型日光温室室内环境要素模拟

程 陈1，冯利平1※，董朝阳2，宫志宏2，刘 涛2，黎贞发2

（1. 中国农业大学资源与环境学院，北京 100193；2. 天津市气候中心，天津 300074）

准确模拟日光温室内环境的变化过程是实现温室环境精准调控的前提。该研究以3个生长季的日光温室室内实时气象观测资料为基础，利用Elman神经网络建模的方法，对日光温室室内1.5 m气温、0.5 m气温和CO2浓度进行逐时模拟，对日光温室室内平均湿度、平均温度、最高温度和最低温度进行逐日模拟，建立基于Elman神经网络的日光温室室内环境逐时及逐日模拟模型，利用独立的气象观测资料对模型进行验证，并基于逐步回归方法和BP神经网络方法结果进行对比分析。结果表明：1）基于Elman神经网络的日光温室室内环境（1.5 m气温、0.5 m气温和CO2浓度）逐时模拟值与实测值的均方根误差（Root Mean Square Error，RMSE）分别为2.14 ℃、1.33 ℃和55.32mol/mol，归一化均方根误差（Normalized Root Mean Square Error，NRMSE）分别为10.01%、5.87%和10.70%，基于Elman神经网络的日光温室室内环境逐时模拟效果和稳定性最优。2）基于Elman神经网络的日光温室室内环境（日均空气湿度、日均气温、日最高气温和日最低气温）逐日模拟值与实测值的RMSE分别为0.59%、0.88 ℃、2.02 ℃和0.98 ℃，NRMSE分别为0.79%、4.44%、7.02%和6.66%，基于Elman神经网络的日光温室室内环境逐日模拟效果和稳定性最优。研究结果可以准确模拟日光温室室内逐时及逐日环境，也可以为环境模型与作物模型相互耦合提供技术支撑。

温室；温度；空气湿度；CO2浓度；Elman神经网络；逐步回归；BP神经网络

0 引 言

据统计，中国温室总面积由2008年的81万hm²上升至2017年的205万hm²（www.njhs.moa.gov.cn），2015年主要蔬菜的设施栽培面积占比近47.5 %[1]。温室小气候是影响日光温室内作物生长发育以及产量品质的重要因素，主要包括温度[2-3]、相对湿度[4]、CO2浓度[5]和辐射[6]等气象环境因子。温度过高或过低都会对作物正常生长发育造成影响，最终导致减产[3,7]；相对湿度过高易引发病虫害，从而影响作物的产量和品质[4,8]；CO2浓度过低会影响光合作用[9]和根际微生物活性[10]，从而限制了作物光合生产潜力。同时日光温室是一个非线性的多输入、多输出复杂系统[11]，实现对气象环境因子的逐时和逐日模拟，可以及时地采取防灾减灾管理措施，也可为制定合理且节能的温控方案提供决策依据。

华北棚型主要分布在河北中部、陕西中部、天津、宁夏、北京、辽宁、山西、甘肃南部等地区。关于华北棚型环境的研究，温永菁等[12]构建了基于BP神经网络的日光温室温湿度模拟模型；刘洪等[13]构建了基于辐射热理论的北京地区日光温室光环境模拟模型；罗新兰等[14]构建了日光温室内光合有效辐射、温度和CO2浓度的日变化模拟模型，虽然模型能够较准确地模拟日光温室环境的日变化过程，但较少涉及日光温室环境逐时变化过程。关于环境模拟方法的研究，有学者通过能量平衡法的分层法[15]、热量交换过程[16]、流体力学(CFD)[17-18]和有限元与有限体积法[19]等构建温室室内环境因子的预测模拟，虽然能从原理上反映温室内外环境的内在联系，但模型所需的参数较多，常因参数选取不当造成模型计算误差过高。有学者建立温室外易于测量气象要素与室内环境的多输入非线性关联模型，并与主成分分析方法[20]和聚类分析方法[21]等结合，但模型的准确度仍有待提高。有学者通过统计学方法(主要包括回归法和神经网络)构建温室室内环境因子的预测模拟，其中回归法主要包括支持向量机方法[22]和逐步回归法[12,23]等方法，神经网络主要包括BP神经网络[12,24]、模糊神经网络[25]、径向基神经网络[26]和黑箱多层感知神经网络[27]等方法，虽然模型无需考虑温室耗散、热辐射等因素的影响且能较好地反映温室内外环境的内在联系，但较少考虑到作物类型及茬口类型对温室环境的影响，且神经元个数也多为主观经验设置。

为了提高日光温室环境小气候模型的模拟精度和稳定性，有必要尝试结合新的方法模拟温室内不同环境指标。Elman神经网络具有预测准确、收敛迅速、学习记忆稳定和动态特性好等优势，且已应用到长期记忆信息能力和模块化使用能力[28]、线椒株高预测[29]等研究中，并达到较好的预测结果。本研究利用2018－2020年日光温室内气象环境观测数据，建立基于Elman神经网络日光温室室内逐时及逐日模拟模型，确定模型参数，并与逐步回归和BP神经网络模型的模拟效果进行比较，研究结果可作为作物生长发育模型中的关键模块，并与作物模型相互耦合，最终达到作物生长发育过程的精准预测。

1 材料与方法

1.1 试验设计

试验于2018－2020年在天津市武清区农业科技创新基地园区（116°58′E，39°26′N，海拔8 m）华北日光温室内进行。日光温室冬至日正午太阳高度角为27.14°，作物吊质量为15 kg/m2，基础雪压为0.40 kN/m2，基础风压为0.50 kN/m2，屋面荷载为1.50 kN/m2，恒载为0.50 kN/m2，基础埋深为1.0 m(标准冻土深度为0.69 m)，极端最低温度为–22.9 ℃，温室整体采光率≥75%，温室跨度为8 m，前屋面角为30°，其余温室结构参数如表1所示。茬口设置时间与设施内栽培作物种类有关，春茬（Spring Stubble, SS）设为3－4月定植，9－10月收获；秋冬茬（Autumn and Winter stubble, AW）设为10－11月定植，次年2－3月收获。试验包括2018－2019年秋冬茬、2019年春茬和2019－2020年秋冬茬。

表1 温室结构参数

1.2 数据获取

温室内小气候观测选用小气候观测仪（CAWS2000型，北京华云尚通科技有限公司），每10 min自动记录温室室内中部的空气温湿度、CO2浓度等气象数据，仪器安装的垂直位置可测定0.5和1.5 m的气温，水平位置于温室中部（图1）。温室内空气加密辅助观测选用小气候观测仪（Hobo型，美国ONSET公司），每5 min自动记录温室室内不同位置的空气温湿度、CO2浓度等气象数据，各仪器安装的垂直位置均为1.5 m，水平位置分别安装于温室两端及中部（图1）。温度观测分辨率：±0.2 ℃，测量范围–40～50 ℃。温室外环境由天津市气象局的气象观测场提供，逐日自动记录温室室外空气温湿度等气象数据。

温室管理同常规，9:00－9:30揭帘，15:30－16:30盖帘，温室夜间覆盖物为保温被。若11:00前温室内气温高于32 ℃，则进行揭膜通风；若11:00前温室内气温在26～32 ℃之间，则于11:00－13:00通风10～30 min；若11:00前温度在16～26 ℃之间，则仅在12:00通风10～30 min，若11:00前气温低于16 ℃则不通风。

1.3 模型检验统计变量

2 模型描述

2.1 建模因子

构建模拟逐时室内气象要素（0.5、1.5 m温度和CO2浓度）模型中，在建模之前筛选了9个气象因子（时刻、与模拟指标相关的室内温度及CO2浓度值、该时刻开始的前1 h、前2 h、前3 h室内该指标瞬时值、该日该指标最值出现时刻、9:00室内该指标瞬时值、茬口系数和该指标日均值），保留值小于0.05的气象因子进行建模。构建模拟逐日室内气象要素（日均空气湿度、日均气温、日最高气温和日最低气温）模型中，在建模之前筛选了17个气象因子（日序、与模拟指标对应的室外温度、该日开始的前1 d、前2 d、前3 d室内外该指标的日均值、前5 d室内外该指标的滑动均值、该日室外平均地温、该日室外平均5 cm地温、该日室外平均10 cm地温、该日室外平均20 cm地温、该日室外平均40 cm地温、室内外该指标的日均值比值、作物系数），保留值小于0.05的气象因子进行建模。根据罗新兰等[14]温室内揭苫至盖苫的温度和CO2浓度变化的研究结果（式（1）～式（2）），计算出气象要素变化幅度系数。

表2 日光温室室内环境逐时模拟模型茬口系数和作物系数

温室内种植不同类型的作物会对室内的气象要素产生不同程度的影响，包括温度和CO2浓度。本研究按最小二乘法的原理拟合出以秋冬茬为自变量，春茬为因变量的逐时气象要素比值作为茬口系数，同理拟合出以瓜类作物为自变量，其他作物为因变量的逐日气象要素比值作为作物系数（表2）。

2.2 Elman神经网络

Elman神经网络（Elman Neural Network）是一种带有反馈的两层BP网络结构，由输入层、隐含层（中间层）、承接层和输出层组成。输入层单元的作用是传输信号；输出层单元的作用是线性加权[30]；中间层单元可使用非线性或线性的传递函数，是从隐含层的输出到其输入端，这种反馈方式使得Elman 网络能够探测和识别时变模式；承接层作为一步延时算子，它把中间层单元上一时刻的输出值返回给输入。这种特殊的两层网络可以任意精度逼近任意函数，唯一的要求是其隐含层必须具有足够的神经元数目。

描述Elman神经网络的非线性状态空间表达式见式（3）～（5）

()=(3()) （3）

()=(1()+2((–1))) （4）

c()=(–1) （5）

式中，，，分别为维输入矢量、维隐含层节点单元矢量、维反馈状态矢量和维输出节点矢量；1，2，3分别是状态层到隐含层、输入层到隐含层、隐含层到输出层的连接权值；是隐含层神经元传递函数；是输出神经元传递函数，是隐含层输出的线性组合。

利用Elman神经网络与逐步回归法和BP神经网络环境模拟效果进行比较，对于相同环境要素的模拟，BP和Elman神经网络的算法参数（训练函数、隐藏层神经元个数、最大训练次数、初始学习速率和目标误差）保持一致。

3 结果与分析

3.1 日光温室室内环境逐时模拟模型

3.1.1 日光温室室内环境逐时模拟模型参数确定

根据逐时模拟模型的目标模拟指标与相关指标之间的回归参数，保留了值小于0.05的气象环境因子进行建模，并确定各气象环境因子的回归系数（式（6））。

式中inside_time表示逐时模拟模型的目标模拟指标，包括室内CO2浓度、1.5和0.5 m气温。利用逐步回归法筛选出通过显著性检验的气象环境因子，并计算得出和α的值。为模型常数项，1.5、0.5 m气温和CO2浓度分别为0.048 4 ℃、189.042 0℃和35.960 3mol/mol。为建模的气象环境因子指标个数，3个目标模拟指标的气象环境因子个数均为7。α为与目标模拟指标相关的气象环境因子回归系数（表3）。Index为建模的气象环境因子。表3中时刻表示该日中的时间点，取值范围在0～24之间。日均值代表该时刻对应日期该指标的日均值。

表3 基于逐步回归法的环境逐时模型回归系数

注：**表示显著性通过0.01水平，呈极显著关系。

Note: ** indicates that the significance passes the level of 0.01, showing a very significant relationship.

本研究中神经网络的训练函数均采用trainlm（L-M反向传播算法，Levenberg-Marquardt backpropagation）函数，1.5m气温、0.5m气温和CO2浓度逐时变化模型隐藏层神经元个数分别设为4、5和8，最大训练次数为100，初始学习速率为0.10，目标误差为0.000 04。

3.1.2日光温室室内环境逐时模拟模型验证

由图2可知，2号温室种植期间的平均1.5 m处温度为（21.39±6.58）℃，平均0.5 m处温度为（22.63±4.35）℃，平均CO2浓度为（516.95±101.00）mol/mol。基于Elman神经网络的日光温室室内环境（1.5 m、0.5 m气温和CO2浓度）逐时模拟值与实测值的值分别为0.98、0.94和1.02，值分别为0.31、1.24和6.02，2分别为0.89、0.91和0.72，RMSE分别为2.14 ℃、1.33 ℃和55.32mol/mol，NRMSE分别为10.01%、5.87%和10.70%，值均为1.00。说明基于Elman神经网络的日光温室室内环境逐时模拟值与实测值有很好的线性关系，3个指标模拟模型的模拟精度大小依次为0.5 m气温、1.5 m气温、CO2浓度。

由表4可知，对不同茬口（2018－2019年秋冬茬、2019年春茬和2019－2020年秋冬茬）日光温室室内环境逐时模拟模型具有不同的模拟效果。0.5 m气温逐时模拟值与实测值的RMSE在1.20～1.37 ℃之间，NRMSE在4.14%～6.66%。1.5 m气温逐时模拟值与实测值的RMSE在1.49～2.41 ℃之间，NRMSE在5.46%～12.63%之间。CO2浓度逐时模拟值与实测值的RMSE在52.41～57.56mol/mol之间，NRMSE在10.44%～11.12%之间。综上所述，基于Elman神经网络方法的不同茬口日光温室室内环境逐时模拟模型具有较高的模拟效果。

本研究同时构建了基于逐步回归法和BP神经网络的日光温室室内环境逐时模拟模型，并将2种模型与基于Elman神经网络的逐时模拟模型进行统计比较。3种0.5 m气温逐时模拟模型(逐步回归法、BP神经网络和Elman神经网络)的模拟值与实测值的RMSE分别为0.41、0.28和1.33 ℃，NRMSE分别为1.80%、1.22%和5.87%。3种1.5 m气温逐时模拟值与实测值的RMSE分别为2.41、2.27和2.14 ℃，NRMSE分别为11.25%、10.59%和10.01%。3种CO2浓度逐时模拟值与实测值的RMSE分别为68.92、73.52和55.32mol/mol，NRMSE分别为13.33%、14.22%和10.70%。日光温室室内1.5 m气温和CO2浓度逐时模拟模型中Elman神经网络最优，日光温室室内0.5 m气温逐时模拟模型中BP神经网络最优。综上所述，基于Elman神经网络的日光温室室内环境逐时模拟模型的模拟效果和稳定性最优。

表4 基于Elman神经网络的不同茬口日光温室室内环境逐时模拟值与实测值比较

3.2 日光温室室内环境逐日模拟模型

3.2.1 日光温室室内环境逐日模拟模型参数确定

根据模型的目标模拟指标与相关指标之间的回归参数，保留了值小于0.05的气象环境因子进行建模，并确定各气象环境因子的回归系数（式（7））。

式中inside_day表示日变化模型的目标模拟指标，包括日均空气湿度、日均气温、日最高气温和日最低气温。利用逐步回归法筛选出通过显著性检验的气象环境因子，并计算得出和b的值。日均空气湿度、日均气温、日最高气温和日最低气温分别为77.270 2%、0.988 6 ℃、 8.930 0 ℃和–0.346 4 ℃。日均空气湿度指标个数为11、日均气温指标个数为12、日最高气温指标个数为13和日最低气温为12。b为与目标模拟指标相关的气象环境因子回归系数（表5）。Indexj为建模的气象环境因子。本研究按最小二乘法的原理拟合出以室外气象因子为自变量，室内气象因子为因变量的日均气象要素比值作为室内外气象因子系数。

本研究中神经网络的训练函数均采用trainlm（L-M反向传播算法，Levenberg-Marquardt backpropagation）函数，日均空气湿度、日均气温、日最高气温和日最低气温逐日模拟模型隐藏层神经元个数均设为7，最大训练次数为200，初始学习速率为0.10，目标误差为0.000 04。

表5 基于逐步回归法的环境逐日模型回归系数

注：*表示显著性通过0.05水平，呈显著关系；**表示显著性通过0.01水平，呈极显著关系。

Note: * indicates that the significance passes the level of 0.05, showing a significant relationship; ** indicates that the significance passes the level of 0.01, showing a very significant relationship.

3.2.2 日光温室室内环境逐日模拟模型验证

由图3可知，1号和2号温室种植期间的日平均空气湿度为（75.19±13.46） %，日平均气温为（19.87±5.24）℃，日平均日最高气温为（28.81±6.24）℃，日平均日最低气温为（14.71±4.79）℃。基于Elman神经网络的日光温室室内环境（日均空气湿度、日均气温、日最高气温和日最低气温）逐日模拟值与实测值的值分别为0.99、0.97、0.90和0.94，值分别为0.08、0.53、2.86和0.96，2分别为1.00、0.97、0.91和0.96，RMSE分别为0.59%、0.88 ℃、2.02 ℃和0.98 ℃，NRMSE分别为0.79%、4.44%、7.02%和6.66%，值均为1.00。说明基于Elman神经网络的日光温室室内环境逐日模拟值与实测值有很好的线性关系，4个指标模拟模型的模拟精度大小依次为日均空气湿度、日均气温、日最高气温、日最低气温。

由表6可知，对不同温室（1号和2号）日光温室室内环境逐日模拟模型具有不同的模拟效果。1号温室室内环境（日均空气湿度、日均气温、日最高气温和日最低气温）逐日模拟值与实测值的RMSE分别为0.79%、0.77 ℃、1.87 ℃和0.72 ℃，NRMSE在1.01%～6.82%之间。2号温室室内环境逐日模拟值与实测值的RMSE分别为0.25%、0.99 ℃、2.17 ℃和1.19 ℃，NRMSE在0.35%～7.59%之间。综上所述，基于Elman神经网络方法的日光温室室内环境逐日模拟模型具有较高的模拟效果。

表6 基于Elman神经网络的日光温室室内环境逐日模拟值与实测值比较

本研究同时构建了基于逐步回归法和BP神经网络的日光温室室内环境逐日模拟模型，并将2种模型与基于Elman神经网络的逐日模拟模型进行统计比较。3种日均空气湿度逐日模拟模型（逐步回归法、BP神经网络和Elman神经网络）模拟值与实测值的RMSE分别为3.01%、2.21%和0.59%，NRMSE分别为4.00%、2.93%和0.79%。3种日均气温逐日模拟值与实测值的RMSE分别为1.10、0.97和0.88 ℃，NRMSE分别为5.56%、4.89%和4.44%。3种日最高气温逐日模拟值与实测值的RMSE分别为2.21、1.60和2.02 ℃，NRMSE分别为7.68%、5.56%和7.02%。3种日最低气温逐日模拟值与实测值的RMSE分别为0.98、1.27和0.98 ℃，NRMSE分别为6.66%、8.60%和6.66%。日光温室室内日均空气湿度、日均气温和日最低气温逐日模拟模型中Elman神经网络最优，日光温室室内日最高气温逐日模拟模型中BP神经网络最优。综上所述，基于Elman神经网络的日光温室室内环境逐日模拟模型的模拟效果和稳定性最优。

4 讨 论

Elman神经网络不仅弥补了逐步回归线性处理法模拟多因子干扰室内温湿度变化的局限性[12]，还弥补了BP神经网络仅适用于得到局部最优解，而不能得到全局最优解的局限性[12,24,30]。虽然本研究构建的基于Elman神经网络模型的普适性低于毕玉革等[34]构建的基于物理质量平衡原理过程的室内CO2浓度模拟模型，但本模型涉及的参数较少，且模拟精度与其相近，相对误差都在10%左右。由于棚室受过度通风或通风不足的影响，温室内常出现短时温度过高或过低的情况，如果规范通风时间及通风时的天窗开度，可提高最高气温模拟精度。本模型的输入量为气象部门所发布易获取的气象环境因子，不包括辐射等难获取的气象因子，虽然没有考虑辐射对温度的影响[35]，但相较于其他学者构建的模型[24,33]降低了模型的构建难度。通过逐步回归分析发现不同温室结构参数（后墙高、后屋面仰角、后屋面水平投影和脊高）对室内气象因子并没有显著的影响，与许红军等[36]研究结果相结合，说明辐射受到温室结构的影响要大于空气温湿度和CO2浓度受到温室结构的影响。本研究结合罗新兰等[14]温室内揭苫至盖苫CO2浓度变化的研究结果，虽然考虑了CO2浓度最值出现时刻和9：00室内CO2浓度等关键影响因素，构建了通风和不通风条件下温室内CO2浓度逐时模拟模型，但未来还需要考虑风速、通风口面积、通风时长、作物光合强度等因素对CO2浓度的影响，增强模型的机理性。本研究建立的逐时模拟模型实现了温室内逐时气温模拟，可为有加温设施的日光温室的温度调控时间及调控强度提供参考；建立的逐日模拟模型可以通过与日尺度的作物生长发育模型相结合，完善温室内系统的模拟，为产量和品质的精准模拟提供技术支撑。

虽然本模型的模拟精度要优于物理模型，但不具有广泛外推性。未来需要考虑室内污染物、温室材料等因素对温室内环境的影响[30]，以提高华北棚型日光温室模拟模型的精确性和普适性，还需要构建温室内辐射和地温模拟模型[36-37]，耦合辐射和温度模块，以完善华北棚型日光温室模拟模型的功能性。

5 结 论

本研究利用2018－2020年日光温室内气象环境数据，建立基于Elman神经网络日光温室室内逐时及逐日模拟模型，并与逐步回归和BP神经网络模型的模拟效果进行比较，得出以下主要结论：

关于日光温室室内环境逐时模拟模型中，基于Elman神经网络的日光温室室内环境（1.5 m气温、0.5 m气温和CO2浓度）逐时模拟值与实测值的均方根误差分别在2.14 ℃、1.33 ℃和55.32mol/mol，归一化均方根误差分别为10.01%、5.87%和10.70%。基于Elman神经网络的日光温室室内环境逐时模拟模型有较好的模拟效果，3个指标模拟模型的模拟精度大小依次为0.5 m气温、1.5 m气温、CO2浓度。基于Elman神经网络的日光温室室内环境逐时模拟模型的模拟效果和稳定性最优。

关于日光温室室内环境逐日模拟模型中，基于Elman神经网络的日光温室室内环境（日均空气湿度、日均气温、日最高气温和日最低气温）逐日模拟值与实测值的RMSE分别为0.59%、0.88 ℃、2.02 ℃和0.98 ℃，NRMSE分别为0.79%、4.44%、7.02%和6.66%。基于Elman神经网络的日光温室室内环境逐日模拟模型有较好的模拟效果，4个指标模拟模型的模拟精度大小依次为日均空气湿度、日均气温、日最高气温、日最低气温。基于Elman神经网络的日光温室室内环境逐日模拟模型的模拟效果和稳定性最优。

[1] 中华人民共和国统计局. 中国统计年鉴[M]. 北京：中国统计出版社，2015.

[2] 程陈，余卫东，闫锦涛，等. 不同品种郁金香鲜切花物质积累及分配的模拟[J]. 中国农业气象，2019，40(12)：758-771. Cheng Chen, Yu Weidong, Yan Jintao, et al. Simulation model of material accumulation and distribution of fresh cut tulips of different varieties[J]. Chinese Journal of Agrometeorology, 2019, 40(12): 758-771. (in Chinese with English abstract)

[3] 程陈，董朝阳，黎贞发，等. 日光温室芹菜外观形态及干物质积累分配模拟模型[J].农业工程学报，2021，37(10)：142-151.

Cheng Chen, Dong Chaoyang, Li Zhenfa, et al. Simulation model of external morphology and dry matter accumulation and distribution of celery in solar greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(10): 142-151. (in Chinese with English abstract)

[4] Zhang Y Q, Wen Y, Bai Q, et al. Spatio-temporal effects of canopy microclimate on fruit yield and quality ofGaertn[J]. Scientia Horticulturae, 2019, 251: 136-149.

[5] Lansink A O, Bezlepkin I. The effect of heating technologies on CO2and energy efficiency of Dutch greenhouse firms[J]. Journal of Environmental Management, 2003, 68(1): 73-82.

[6] 程陈，冯利平，薛庆禹，等. 日光温室黄瓜生长发育模拟模型[J]. 应用生态学报，2019，30(10)：3491-3500.

Cheng Chen, Feng Liping, Xue Qingyu, et al. Simulation model for cucumber growth and development in sunlight greenhouse[J]. Chinese Journal of Applied Ecology, 2019, 30(10): 3491-3500. (in Chinese with English abstract)

[7] Jha U C, Bohra A, Jha R. Breeding approaches and genomics technologies to increase crop yield under low-temperature stress[J]. Plant Cell Reports, 2017, 36(1): 1-35.

[8] Winspear K W, Postlethwaite J D, Cotton R F. The restriction ofand, attacking glasshouse tomatoes, by automatic humidity control[J]. Annals of Applied Biology, 2010, 65(1): 75-83.

[9] Tartachnyk I I, Blanke M. Photosynthesis and transpiration of tomato and CO2fluxes in a greenhouse under changing environmental conditions in winter[J]. Annals of Applied Biology, 2007, 150(2): 149-156.

[10] 陈静，陈欣，唐建军. 大气二氧化碳浓度升高对植物根际微生物及菌根共生体的影响[J]. 应用生态学报，2004，15(12)：2388-2392.

Chen Jing, Chen Xin, Tang Jianjun. Influence of elevated atmospheric CO2on rhizosphere microbes and arbuscular mycorrhizae[J]. Chinese Journal of Applied Ecology, 2004, 15(12): 2388-2392. (in Chinese with English abstract)

[11] 左志宇，毛罕平，张晓东，等. 基于时序分析法的温室温度预测模型[J]. 农业机械学报，2010，41(11)：173-177，182.

Zuo Zhiyu, Mao Hanping, Zhang Xiaodong, et al. Forecast model of greenhouse temperature based on time series method[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(11): 173-177, 182. (in Chinese with English abstract)

[12] 温永菁，李春，薛庆禹，等. 基于逐步回归与BP神经网络的日光温室温湿度预测模型对比分析[J]. 中国农学通报，2018，34(16)：115-125.

Wen Yongjing, Li Chun, Xue Qingyu, et al. Temperature and humidity prediction models in solar greenhouse: Comparative analysis based on stepwise regression and BP neural network[J]. Chinese Agricultural Science Bulletin, 2018, 34(16): 115-125. (in Chinese with English abstract)

[13] 刘洪，郭文利，李慧君. 北京地区日光温室光环境模拟及分析[J]. 应用气象学报，2008，19(3)：350-355.

Liu Hong, Guo Wenli, Li Huijun. Simulation and analysis on light environment of greenhouse in Beijing area[J]. Journal of Applied Meteorological Science, 2008, 19(3): 350-355. (in Chinese with English abstract)

[14] 罗新兰，李天来，姚运生，等. 日光温室气象要素及番茄单叶光合速率日变化模拟的研究[J]. 园艺学报，2004，31(5)：607-612.

Luo Xinlan, Li Tianlai, Yao Yunsheng, et al. Simulation of diurnal variation of weather factors and photosynthesis of individual tomato leaves in greenhouse[J]. Acta Horticulturae Sinica, 2004, 31(5): 607-612. (in Chinese with English abstract)

[15] Haller M Y, Yazdanshenas E, Andersen E, et al. A method to determine stratification efficiency of thermal energy storage processes independently from storage heat losses[J]. Solar Energy, 2010, 84(6): 997-1007.

[16] Baxevanou C, Fidaros D, Bartzanas T, et al. Numerical simulation of solar radiation, air flow and temperature distribution in a naturally ventilated tunnel greenhouse[J]. Agricultural Engineering International: CIGR Journal, 2010, 12(3): 48-67.

[17] Ali H B, Bournet P E, Cannavo P, et al. Using CFD to improve the irrigation strategy for growing ornamental plants inside a greenhouse[J]. Biosystems Engineering, 2019, 186: 130-145.

[18] 周伟，李永博，汪小旵. 基于CFD非稳态模型的温室温度预测控制[J]. 农业机械学报，2014，45(12)：335-340.

Zhou Wei, Li Yongbo, Wang Xiaochan. Model predictive control of air temperature in greenhouse based on CFD unsteady model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12): 335-340. (in Chinese with English abstract)

[19] Nebbali R, Roy J C, Boulard T. Dynamic simulation of the distributed radiative and convective climate within a cropped greenhouse[J]. Renewable Energy, 2012, 43: 111-129.

[20] Lan H, Zhang C, Hong Y Y, et al. Day-ahead spatiotemporal solar irradiation forecasting using frequency-based hybrid principal component analysis and neural network[J]. Applied Energy, 2019, 247: 389-402.

[21] 陈昕，唐湘璐，李想，等. 二次聚类与神经网络结合的日光温室温度二步预测方法[J]. 农业机械学报，2017，48(增刊)：353-358.

Chen Xin, Tang Xianglu, Li Xiang, et al. An air temperature predict model based on BP neural networks for solar greenhouse in North China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(Supp.): 353-358. (in Chinese with English abstract)

[22] 王定成. 温室环境的支持向量机回归建模[J]. 农业机械学报，2004，35(5)：106-109.

Wang Dingcheng. SVM regression modeling for greenhouse environment[J]. Transactions of the Chinese Society for Agricultural Machinery, 2004, 35(5): 106-109. (in Chinese with English abstract)

[23] Zhang Y H, Sun C T, Yang H B. PM10concentration forecast model based on stepwise regression analysis[J]. Environmental ence & Technology, 2009, 32(5): 100-102.

[24] 汪小旵，丁为民，罗卫红，等. 利用BP神经网络对江淮地区梅雨季节现代化温室小气候的模拟与分析[J]. 农业工程学报，2004，20(2)：235-238.

Wang Xiaochan, Ding Weimin, Luo Weihong, et al. Estimation on winter wheat scab based on combination of temperature, humidity and remote sensing vegetation index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(2): 235-238. (in Chinese with English abstract)

[25] Zhang X Y. A novel greenhouse control system based on fuzzy neural network[J]. Applied Mechanics & Materials, 2014, 668-669: 415-418.

[26] Ferreira P M, Faria E A, Ruano A E. Neural network models in greenhouse air temperature prediction[J]. Neurocomputing, 2002, 43(1): 51-75.

[27] Linker R, Seginer I. Greenhouse temperature modeling: A comparison between sigmoid neural networks and hybrid models[J]. Mathematics & Computers in Simulation, 2004, 65(1): 19-29.

[28] Portegys T E. A maze learning comparison of Elman, long short-term memory, and Mona neural networks[J]. Neural Networks, 2010, 23(2): 306-313.

[29] 张瑜，汪小旵，孙国祥，等. 基于集合经验模态分解与Elman神经网络的线椒株高预测[J]. 农业工程学报，2015，31(18)：169-174.

Zhang Yu, Wang Xiaochan, Sun Guoxiang, et al. Prediction of cayenne pepper plant height based on ensemble empirical mode decomposition and Elman neural network [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(18): 169-174. (in Chinese with English abstract)

[30] 刘淑梅，薛庆禹，黎贞发，等. 基于BP神经网络的日光温室气温预报模型[J]. 中国农业大学学报，2015，20(1)：176-184.

Liu Shumei, Xue Qingyu, Li Zhenfa, et al. An air temperature predict model based on BP neural networks for solar greenhouse in North China[J]. Journal of China Agricultural University, 2015, 20(1): 176-184. (in Chinese with English abstract)

[31] 夏克文，李昌彪，沈钧毅. 前向神经网络隐含层节点数的一种优化算法[J]. 计算机科学，2005，32(10)：143-145.

Xia Kewen, Li Changbiao, Shen Junyi. An optimization algorithm on the number of hidden layer nodes in feed-forward neural network[J]. Computer Science, 2005, 32(10): 143-145. (in Chinese with English abstract)

[32] 李彬，张云，王立平，等. 基于遗传算法优化小波神经网络数控机床热误差建模[J]. 机械工程学报，2019，55(21)：215-220.

Li Bin, Zhang Yun, Wang Liping, et al. Modeling for CNC machine tool thermal error based on genetic algorithm optimization wavelet neural networks[J]. Journal of Mechanical Engineering, 2019, 55(21): 215-220. (in Chinese with English abstract)

[33] 李倩，申双和，曹雯，等. 南方塑料大棚冬春季温湿度的神经网络模拟[J]. 中国农业气象，2012，33(2)：190-196.

Li Qian, Shen Shuanghe, Cao Wen, et al. Neural network simulation on air temperature and relative humidity inside plastic greenhouse during winter and spring in Southern China[J]. Chinese Journal of Agrometeorology, 2012, 33(2): 190-196. (in Chinese with English abstract)

[34] 毕玉革，麻硕士，崔红梅，等. 北方干寒地区日光温室CO2预测模型建立与冬季试验[J]. 农业机械学报，2010，41(12)：183-189.

Bi Yuge, Ma Shuoshi, Cui Hongmei, et al. Forecasting model of CO2concentration of solar greenhouse in the northern drought cold area and experimental verification in winter[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(12): 183-189. (in Chinese with English abstract)

[35] 张观山，李天华，侯加林. 考虑动态吸收率的玻璃温室覆盖层温度预测模型[J]. 农业工程学报，2020，36(5)：201-211.

Zhang Guanshan, Li Tianhua, Hou Jialin. Model for predicting the temperature of glass greenhouse cover considering dynamic absorptivity[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(5): 201-211. (in Chinese with English abstract)

[36] 许红军，曹晏飞，李彦荣，等. 日光温室太阳辐射模型构建及应用[J]. 农业工程学报，2019，35(7)：160-169.

Xu Hongjun, Cao Yanfei, Li Yanrong, et al. Establishment and application of solar radiation model in solar greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(7): 160-169. (in Chinese with English abstract)

[37] 程陈，黎贞发，董朝阳，等. 日光温室黄瓜和芹菜不同位置消光系数模拟及验证[J]. 农业工程学报，2020，36(21)：243-252.

Cheng Chen, Li Zhenfa, Dong Chaoyang, et al. Simulation and validation of extinction coefficient at different positions of cucumber and celery in solar greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(21): 243-252. (in Chinese with English abstract)

Simulation of inside environmental factors in solar greenhouses using Elman neural network in North China

Cheng Chen1, Feng Liping1※, Dong Chaoyang2, Gong Zhihong2, Liu Tao2, Li Zhenfa2

(1.,,100193,;2.,300074,)

Accurate forecast is critical to the hour- and daily-varying changes of environmental factors in different types of structures in a solar greenhouse, particularly to the high effectiveness of greenhouse environment control system. In this study, a 2-year of greenhouse experiment was carried out from 2018 to 2020 in Agricultural Science and Technology Innovation Base, in Wuqing, Tianjin (east longitude 116.97° north latitude 39.43°, altitude 8 m) in north China. Observation data of inside environment factors were used for the solar greenhouse with 6 structural parameters. A hour- and daily-varying model was also constructed with high accuracy. In the hour-varying model, the weather data in No.1 greenhouse were used as modeling data, and the weather data in No.2 greenhouse were used as verification data. In the daily-varying model, the meteorological data in No.3 to No.6 greenhouses were used as modeling data, and the meteorological data in No.1 and No.2 greenhouses were used as verification data. According to the least-squares method, the change range ratio of meteorological factors under different crops was fitted as the crop parameter and the ratio of daily average meteorological factors in different greenhouses as the crop parameter. Elman neural network was used to predict hour-varying inside temperature of 1.5 m, 0.5 m, and CO2concentration, as well as daily-varying of average humidity, average temperature, the maximum temperature, and minimum temperature in the solar greenhouse. The statistical variables of model validation were also selected to evaluate the accuracy of the model, including the Root Mean Square Error (RMSE), Normalized Root Mean Square Error (NRMSE), and conformity index (). The prediction results were compared with the stepwise regression and BP neural network modeling. The results showed: 1) In Elman neural network, the RMSE of simulated and measured values for the hour-varying model of inside environmental factors (1.5m air temperature, 0.5 m air temperature, and CO2concentration) in the solar greenhouse were 2.14℃, 1.33℃, and 55.32mol/mol, respectively, while the NRMSE were 10.01%, 5.87%, and 10.70%, respectively. There was optimal stability performance of the hour-varying model for the indoor environment factors in the solar greenhouse. 2) The RMSE of simulated and measured values in the daily-varying model of inside environmental factors (daily average air humidity and temperature, the maximum and minimum air temperature) were 0.59%, 0.88℃, 2.02℃ and 0.98℃, respectively, where the NRMSE were 0.79%, 4.44%, 7.02%, and 6.66%, respectively. It also indicated that the optimal stability of the daily-varying model was achieved. Consequently, the Elman neural network can be expected to accurately simulate the hour- and daily-varying environmental elements. The finding can also provide sound technical support to couple the environmental and crop model in the solar greenhouse.

greenhouse; temperature; air humidity; CO2concentration; Elman neural network; stepwise regression; BP neural network

程陈，冯利平，董朝阳，等. 利用Elman神经网络的华北棚型日光温室室内环境要素模拟[J]. 农业工程学报，2021，37(13)：200-208.

10.11975/j.issn.1002-6819.2021.13.023 http://www.tcsae.org

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 (Transactions of the CSAE), 2021, 37(13): 200-208. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.13.023 http://www.tcsae.org

2021-02-03

2021-06-13

天津市蔬菜产业技术体系创新团队科研专项（201716）

程陈，博士，研究方向为事作物模拟与环境调控。Email：chengsir1993@lsu.edu.cn

冯利平，教授，研究方向为农业模型、农业气象与资源利用。Email：fenglp@cau.edu.cn

10.11975/j.issn.1002-6819.2021.13.023

S625.5

A

1002-6819(2021)-13-0200-09