基于BP神经网络的设施草莓温室小气候模型技术研究

刘 艺 李 威 王学林 唐婉莹

（1.安徽省长丰县气象局，安徽 长丰 231100；2.安徽省合肥市气象局，安徽 合肥 230000）

近年来，草莓已逐渐成为长丰地区的主要经济作物之一，草莓专项气象服务成为气象部门特色服务项目。长丰草莓主要种植在大设施内，是典型的设施农业。设施农业是通过对作物周围小气候环境进行调节，促进作物高效生产的一种现代农业方式。随着气象预报精准度逐年提高，目前长丰地区的气象预报主要对整个自然环境下（即室外环境）进行气象预报，长丰草莓种植户可通过常规气象预报提前了解设施外常规气象条件，但对设施内未来几天的气象要素无法提前预判，仅通过经验进行机械操作，大大提高了设施草莓的调控成本，增加了莓农的负担。因此，设施内气象因子的定量关系及其随时间变化规律的研究是优化设施草莓相关调控方式的前提条件。近年来，长丰国家气象观测站周边的田峰草莓园建设了农业小气候仪，该农业小气候仪自2018年底开始采集设施大设施内气象数据。通过收集设施内外的气象数据进行研究，了解长丰地区何种气象因子对设施草莓最为重要，并采用合适建模方式，建立预报模型，依据模型所提供的气候因子间的量化关系和预测功能，对草莓种植的温室小气候环境优化调控具有重要作用。

国内、外学者针对温室小气候模型模拟的研究相对较多，但在我国从事草莓大设施内小气候研究较少。目前对大棚草莓气象条件和灾害性分析较多，而建立设施草莓的气象模型寥寥无几。通过分析田峰草莓园数据发现，该农田小气候仪数据有部分缺测，且目前尚无对比观测数据，为了减少缺测数据影响，本文按照气象数据处理方法进行了相关处理。为了得到可用的模型，选用神经网络方法进行建模。1980年起，神经网络才开始用于温室小气候模拟研究；本文参考汪小旵等[3]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，得到使用神经网络比物理模拟在特定情况下预报模型更加精准；李倩等[2]针对草莓和番茄大棚，使用BP神经网络对温室大设施内的气温、湿度数据进行了模拟，预测效果良好。

本文选择晴天模式、阴天模式、阴雨天模式和晴雨相间四种天气情况下，利用长丰地区设施草莓作为研究对象，选取设施内外气象因子，通过SPSS选择显著相关的因子，用该些因子建立四种基于BP神经网络的预报模型，同时对模型预测结果和实际结果进行比对，后期将使用研究结果为长丰地区设施草莓栽培的小气候环境和气象服务提供依据。

1 资料和方法

1.1 资料来源

查阅相关文献，咨询长丰县农技推广中心，选取长丰草莓示范基地田峰草莓园，对该草莓园设施内建有气象观测设备的设施大棚进行草莓关键生育期小气候特征研究。通过研究得出影响设施内草莓关键生育期的气象要素。

收集田峰草莓园2019年-2020年冬春季草莓关键生育期的气象要素作为设施内部气象数据，长丰国家气象观测站（距离田峰草莓园3km）的气温类相关数据、日照、湿度、降水、风速等作为室外数据，运用SPSS软件对上述气象要素进行相关性分析，筛选出设施内外显著相关的气象因子。选取上述显著相关的气象因子作为输入参数，设施内草莓生育期关键气象要素为输出项，运用MATLAB软件构建基于BP神经网络设施草莓关键气候预报模型，并对模拟值与田峰草莓园的实测值进行对比分析，为长丰地区草莓生产和气象服务提供新的突破口。

1.2 BP神经网络

由于设施内温度与棚外气象要素具有复杂的非线性关系，因此采用目前较为成熟的BP神经网络进行预测模型构建。BP神经网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程，这种模拟结果在特定情况下，其精度往往高于物理模型[3]。

2 结果与分析

2.1 输入因子分析

运用SPSS软件对所采集的气象因子进行相关性分析，筛选出显著相关的设施内外气象因子。通过分析得出室外的气象因子，除平均风速外，设施外平均气温、日最高、日最低、平均相对湿度、最小相对湿度、日降水量、日照时数以及前一日、两日、三日平均气温均与设施内各层最低气温显著相关。这可能与草莓种植于大设施内，室外风速与设施内各层温度均无相关性。将设施外各气象因子作为神经网络模型的输入项，将室内的各层气温作为输出项。

2.2 模型构建

2.2.1 设置训练样本和检测样本

为构建预测模型，训练数据为由田峰草莓园中农田小气候仪观测的设施内50cm、100cm和200cm共3个不同高度层气温数据和室外气象国家站观测的棚外常规地面观测气象数据，包括日最高气温、日最低气温、日平均气温、日平均相对湿度、日最小相对湿度、日照时数和日降水量，由于设施薄膜具有滞后性，为加入设施外前一日平均气温、前两日平均气温和前三日平均气温作为模型输入以提高模型预测精确度，即设施外气象要素共10个。

为了四种不同天气模式下BP神经网络对设施草莓大设施内温度的模拟能力，因此分4种天气模式分别构建BP神经网络预测模型﹐输入层为棚外常规地面观测气象数据，晴天和晴雨相间模式输入要素为10个，阴雨天输入要素为9个（无日照数据），阴天输入要素为8个（无日照、降水数据）。各天气模式下数据总样本数为592个，其中晴天、阴天、晴雨相间、阴雨相间分别有样本量403、31、84、72个，分别选取前300、20、60、50个作为输出要素要素建立预测模型，后103、11、24、22个独立样本用于模型验证。

2.2.2 BP神经网络模型创建

本文采用MATLAB软件newff函数进行模型创建，第一层输入棚外气象要素为8～10个，第三层输出设施内不同高度层平均、最高和最低气温共9个，隐含层节点数参照经验公式（1），最终确定晴天、阴天、阴雨天和晴雨相间四种天气模式的模型分别为10-5-9结构、8-6-9、9-5-9结构和10-7-9结构。

m=sqrt（n+l）+α （1）

注：m为隐藏层节点数，n为输入层节点，l为输出层节点数，α为1–10之间的常数。

通过不断调节，增加了训练次数，并在训练前针对样本数据进行归一化处理﹐预测结束后对输出预测结果进行反归一化处理。

2.2.3 训练结果分析

对模型训练得到的输出值变换到实际的变化范围，拟合效果图如图1所示。可以看出，各天气模式下，BP神经网络预测模型的拟合效果均较好，样本量越小模型拟合效果越好，阴天、阴雨相间和晴雨相间三种模式的决定系数均在0.98以上，晴天模式决定系数最低，但也超过了0.9。

图1 四种模式下的拟合效果图

2.2.4 预测结果分析

根据训练得到的4类预测值，分别使用草莓园内晴天、阴天、阴雨天和晴雨相间不同天气的实际数据，求取预测值与实际值的均方根误差。

晴天天气下设施内50cm、100cm气温最大值均方根误差为5℃，200cm气温最大值为7℃左右，其他各层气温最小值和平均值的均方根误差为3℃左右。晴雨相间天气下设施内50cm、100cm气温最大值均方根误差值为6℃左右，200cm气温最大值为7℃左右，而各层最小值和平均温度的均方根误差为4℃左右。阴雨天气下设施内各层气温最大值均方根在7～8℃，而各层的气温最小值和平均温度的均方根误差在2～3℃。阴天天气情况下各层温度的均方根误差均在5～10℃。

3 结论与讨论

（1）根据上述结论可以得四种模式下晴天模式和阴雨天模式气温预测总体较好，阴天和晴雨相间这两种天气模式下预测模型结果不理想。原因可能有以下两点：一方面可能晴雨相间天气在一天内气温变化较为复杂，而使用的设施内小气候仪数据仅为日极值和日均值，未使用同样具有变化性的小时数据，无法体现设施内外各要素的相关性；另一方面可能由于晴雨相间和阴天两种天气样本量较少，因此构建的模型精度不够高，相关性表现不理想。晴天模式和阴雨天模式下，气温日变化具有规律性，且样本数量相对较多，因此模型预测表现较好。

（2）在晴天和阴雨天模式下，设施内各层日最高气温均方根误差较大，而日最低气温和日平均气温均方根误差较小。原因可能为以下两点：一是设施大棚本身具有良好的保温性能且最高气温具有滞后性，因此传感器位于大设施内会具有天然的加温情况，受大棚薄膜影响，可能造成设施内日最高气温与室外相关气象因子相关性不显著。

本文建立的晴天、阴天、阴雨天和阴雨相间四种模型的参数仅针对长丰地区特定的设施大棚，今后将持续收集数据，不断优化各种天气下的预报模型。