日光温室关键环境因子预测模型研究综述＊

吕东洋，李爱传，李 岐（黑龙江八一农垦大学信息与电气工程学院，黑龙江大庆 163319）

随着设施园艺在世界各地的蓬勃发展，日光温室作为主流设施农业类型也在不断地发展壮大。据统计，中国温室大棚面积已达370 万hm2，居世界第一。主要分布在山东、辽宁、黑龙江等北方省份，大大促进了农业的发展[1]。温室内各环境因子复杂多样且相互影响，耦合度高，共同决定了作物的生长状况[2]。在智能控制技术飞速发展的今天和农业信息化的大环境之下，如何建立精准的温室环境因子预测模型来取代以往依靠人为经验和传统的滞后性极强的简单阈值控制方法，成为了近几年日光温室领域学者们所需攻克的一大难题[3-4]。荷兰等设施园艺发达国家一直注重温室内环境模型研究。在“互联网+”的背景下，许多复杂的温室环境因子的研究仍有很大空间。文章对国内外具有代表性的温室预测模型进行总结分析，研究温室关键环境因子影响作物生长的规律性问题，为找到更为科学合理的预测模型构建方法提供依据。

国外研究现状

荷兰是目前国际公认的温室领域中的佼佼者[5]。20 世纪70 年代，荷兰学者Businger[6]根据温室环境因素以热平衡稳定状态法建立了静态的温室热环境模型。另一位荷兰学者Gerard P.A.Bot[7]认为温室整体相当于一个高阶系统，用光投射、热量交换和物质交换等子模型建立含多因子的动态模型，这一模型建立实现了温室环境因子预测模型从静态到动态的一大飞跃。葡萄牙的Boaventura Cunha[8]以杜罗大学的室内温度为研究对象，利用一年中两个不同时间段的数据，确定了气候离散时间动态模型的结构和参数，并采用一种随机辨识技术解决了参数随操作条件变化而变化的问题。

21 世纪计算机技术迅猛发展，温室环境因子预测模型迈向了新的台阶。葡萄牙的P.M.Ferreira 和比利时的Hugo 基于系统辨识理论，分别选取了晴朗条件下不同的室内外环境因子作为网络的输入输出端，建立了神经网络预测模型且预测效果较精准[9-10]。西班牙的Litago[11]以无加热、自然通风温室的温湿度为研究目标，利用番茄生长季连续4 个月的外部和内部气候数据构建时间序列模型，尽管涉及参数较多，但该模型能良好的预测温室内部条件。摩洛哥的N.Bennis 等人[12]提出了基于鲁棒控制的温室内部高效调控，运用离线最小二乘法估算了模型参数。德国的Patil 和泰国的Salokhe 对热带温室内空气温度变化进行了深层研究并通过大量时间的记录整理，建立了误差极小的自回归神经网络预测模型[13]。西班牙的Molina-Azi 和法国的Fatnassi 用两种不同的离散化方法(有限元法与有限体积法) 建立了自然通风温室的模拟模型[14]。突尼斯的F.Fourati 等人[15]利用一种动态递归神经网络，即Elman 神经网络，针对空气温湿度建立6-3-1 结构的预测模型，实验得到温度误差值仅0.3℃，湿度误差仅4%。韩国的Sang Yeob Kim 等人[16]在算法上进行优化，利用反向传播算法建立温室内气温预测模型。伊朗的Homa Esmaeli 等人[17]建立动态的热环境模型来预测室内温度，优化了日光温室的性能。

国内研究现状

同国外相比，温室关键环境因子的建模预测技术进入中国较晚。20 世纪90 年代，李元哲、吴德让等人[18]根据热力学和采光学基础建立了能够预测不同结构温室内部温湿度的数学模型，并研究了温室内各环境参数随时间变化的规律性问题，开创了国内此领域研究的先河。陈青云、汪政富等人[19]以传热学和生物环境工程学的理论作为核心研究基础，建立了一个完整的、动态的日光温室热环境模型，通过求解来总结日光温室环境因子的一般变化规律。

21 世纪初，王定成[20]提出了一种基于SVM 算法的支持向量机回归建模方法。较早的引入了算法来替代传统建模方法。辛本胜、乔晓辉等人[21]以热力学原理为基础，根据日光温室的时延性特点建模，通过软件开发求解程序，实现对日光温室关键环境因子的实时在线预测。李晋、秦琳琳等人[22]将统计假设检验和模型拟合度检验相结合确定模型结构，使用递推增广最小二乘法估算了模型的参数，大幅度优化了模型的自适应性。何芬、马承伟[23]利用实数编码的遗传算法优化BP 神经网络，建成的模型具有精度更高，收敛速度更快等优点。柳芳、王铁等人[24]构建时间序列，选取四种气象要素模拟方程偏回归系数建立预测模型，可用于预防温室灾害。邹秋滢[25]基于ANFIS 网络，以系统辨识方法建立温室小气候预测模型。李爱传、衣淑娟等人[26]充分考虑环境因子对水稻用水量的影响，建立寒地水稻用水模型。王鑫、魏瑞江等人[27]选取石家庄市高邑县代表日光温室大棚为研究对象，构建湿度预测时间序列模型。袁静，李树军等人[28]采用逐步回归分析方法，建立日光温室最低温度预测模型。邹伟东、张百海等人[29]利用基于正交基函数的改进型ELM，对日光温室内温湿度因子进行辨识，建成模型的预测值与实测值拟合度极高。夏爽、李丽宏[30]在梯度下降法建模收敛速度较慢方面做出突破，用粒子群算法优化了RBF 神经网络，实验结果表明该模型预测精度要远超传统模型。陈亮、裴晓辉等人[31]提出了一种基于LSTM 神经网络模型的温室关键环境因子的预测方法，与以往传统的RNN 和GRU 预测模型相比，鲁棒性更强、精度更高。张海辉[32]通过时序分析法小波神经网络温度预测模型对温度精准预测，为温室卷帘机智能控制系统的优化控制提供可靠依据。姚鑫鑫[33]面向热带文心兰的栽培，建立基于BP 神经网络构建3-12-3结构的环境预测模型；面向蝴蝶兰的栽培，建立基于BP 神经网络构建3-10-3 结构的环境预测模型。任守纲、刘鑫等人[34]提出一种基于滚动的反向传播神经网络来建立温室关键环境因子的多步滚动预测模型。王红君、史丽荣等人[35-36]基于贝叶斯正则化算法建立日光温室温湿度因子神经网络预测模型。侯思宇[37]基于计算流体力学（CFD）建模技术建立夏秋冬三个季节的气候模型，通过MATLAB 和FLUENT协同平台对大量参数进行辨识，搭建平台进行并行计算，对比得到最优结果。张晓月、李荣平等人[38]利用气象站的自动观测数据，建立基于逐步回归方法的预测模型。于学儒[39]利用狼群算法的出色寻优能力优化小波神经网络的初始参数，提高了模型寻找最优解的概率和效率。李欢、田芳明等人[40]将食品检测和农机检测方面应用较多的思维进化算法（MEA）与BP 神经网络相结合建立预测温室内部温度变化的模型。韦玉翡、赵建贵等人[41]以番茄为讲究对象，利用番茄3 个月的生长温室内部环境数据，基于热力学原理并改进质能平衡方程，建立含多种环境因素的动态模型。

思考总结

通过对诸多文献的整理分析可知，日光温室关键环境因子的预测模型可以分为机理模型和辨识模型两大类型。机理模型的核心是基于能量、质量等平衡方程和各种化学反应定律，根据研究对象内部传递机理所建立的数学模型。该类模型的每一个参数都具有明确的物理意义且容易调整，模型的适应性也比较强。但建立机理模型需要研究者对复杂多变的温室内部气候环境及物理变化过程有深入了解，有些复杂的因素系数确定很困难，需要庞大参数数量，稍有差池就会影响到模型的拟合度。辨识模型则是把温室看作一个拥有多个输入输出的系统，用系统目前可测的输入输出去预测系统未来一段时间的可能性，在各种优异算法层出不穷的背景下，该类模型分析便捷，结构简单，在温室领域的应用中占据十分重要的地位。但辨识模型受温室的地理位置、结构等影响比较大，不能进行广泛的使用推广。

发展建议

一直以来，全球学者对温室气候模型的研究从未停止，并取得了一定的成就，积累了大量文献和资料，为后人的研究奠定了坚实的基础，但随着时代发展，温室模型的建立也应当与时俱进，开拓创新。针对现存模型的一些缺陷和不足以及未来建立完善面向智能控制的温室小气候预测模型，笔者提出以下几点建议：

（1）中国温室小气候预测模型的研究主要集中在温室温度、湿度和CO2浓度等单一环境因子上，实际上温室内部各环境因子耦合度极高并相互干扰、影响。例如在固定时间内的通风量会在不同程度上影响温度、湿度和CO2的浓度等环境因子，不同作物的生长状况不同，和温室内各环境因子相互影响规律也不相同。想要建立精准的温室小气候预测模型需要全面考虑这些因素，今后应以生物学、热动力学等基础理论为研究基点，综合考虑各因子之间的相互作用，建立出更精确的多因子温室模型，从而预测小气候的变化。

（2）由于在实际建模过程中涉及到的参数和物理变量的数量非常多，所以将其应用到实践工程中是很困难的。建立线性参数模型所得结果误差较大。神经网络模型与传统的机器学习算法相比所需要的数据量更大，学习时间更长，“黑盒子”性质使其推理结果存在不可靠的情况，所以在实时系统中基本不会被采用。目前来看，单一的建模方法，由于其不能解决温室气候建模的局限性，已经逐渐向杂交(Hybrid) 模型的方式转变，如线性参数受控自回归模型(ARX)和神经网络相结合组成基于神经网络的线性参数受控自回归模型(NNARX) 系统，采用遗传算法和物理模型，遗传算法和粒子群最优化结合等方式来进行温室建模，可实现面向智能控制的精准预测。在完善温室作物和环境模型，创新理论研究与方法的基础上，还应针对中国的国情和气候条件，研究和开发适合生产实践的温室气候模型。

（3）个别现存模型的复杂度太高，需进行简化或重构处理。然而，经过复杂温室系统模型状态合并和过程简化后，整个过程的输入和输出之间的变量关系发生了显著变化，函数结构也变得更加复杂，有些时候甚至无法从机理建模上确定这种输入输出定量关系。所以建议利用系统辨识理论来优化结构和未知系统建模。针对较为复杂的温室系统，进行状态合并后采用系统辨识的方法来确定合并状态的输入输出关系，例如采用多项式方法来表示这些未知输入输出关系的结构，采用辨识各种关键环境参数的方法来确定多项式的系数，从而达到辨识整个模型的目的。

（4）关于模型是否可靠的检验，目前有两种较为主流的方法。一种是试验检验法，简单来说是利用系统实际的输入数据和输出数据来检测模型在相同输入条件下对输出的逼近程度。此种方法简单有效，但用于检测的数据来自于一定条件下，故不能保证该模型在多种条件下的预测精度。另一种是利用模型的可靠性理论来证明所建模型的可靠性。用这种方法验证的模型可靠性比较高。多采用概率统计理论等方法（t 检验方法、F 检验方法）。建议用第二种方法。总体来说温室复杂系统的研究还是比较浅显，是该领域学者需要重点突破的内容。