廊坊冬季日光温室气温分析与预报模型研究

石茗化，魏渠成，李雪杉

廊坊市气象局，河北廊坊 065000

日光温室是指以日光为主要能量来源的一种温室形式，其防寒保温的特点，能为农作物生长提供优良环境，尤其在北方冬春蔬菜和水果种植方面得到广泛应用[1-2]。日光温室内气温的变化直接影响温室果蔬的生长发育和品质，因此准确预测温室内气温的变化能为调控温室环境、促进科学栽培提供帮助[3-4]。

近年来，不少国内外科技工作者通过物理和数学统计等模型对日光温室内气温变化进行了诸多的模拟研究。Sharma等[5]利用能量平衡模型对温室内不同区域温度分布情况进行了分析；孙树鹏等[6]基于CFD模型对天津地区冬、春、夏3个季节不同环境温度条件下，打开通风口时日光温室内部环境的温度进行了模拟；Frausto等[7-9]利用神经网络模型对温室内气象要素进行了预测；肖扬等[10-13]通过逐步回归方法建立了不同天气类型或不同季节下棚内温湿度预测模型；韦婷婷等[14]采用余弦分段函数、正弦分段函数、正弦—指数分段函数、一次分段函数和神经网络模型分别模拟南京地区不同季节和不同天气状况下的气温日变化情况；高丽娜等[15-17]基于BP神经网络模型对日光温室极端气温进行了预测。目前，廊坊地区日光温室小气候模拟的报道较少。因此，利用日光温室内外的气温要素数据，采用BP神经网络模型对日光温室内日最高气温和最低气温进行模拟，建立温室内日最高气温和最低气温模型，以期为指导日光温室气温调控提供参考和技术支撑。

1 材料与方法

1.1 试验材料

将试验地设在河北省广阳区润宝农业园区（39°30′N，116°46′E）。该地属于暖温带大陆性季风气候，海拔约13 m，年平均气温12.3℃，极端最高气温40.3℃，极端最低气温-21.8℃，年平均降水量513.7 mm，平均日照2 563.9 h。试验地土质为平原沙壤土，肥力中等，适宜设施毛桃的栽培。

日光温室为钢架结构。东西走向，长70 m、宽10 m、顶高4.5 m，后墙为厚度5 m的土墙，最外层为砖墙，覆盖材料为聚乙烯膜，保温材料为棉被。供试毛桃品种为春雪，株行距1.0 m×1.5 m。

1.2 试验方法

1.2.1 田间管理试 验 于2019年12月—2020年4月 和2020年12月—2021年4月进行，温室于12月底开始升温，至翌年4月底，白天揭开保温被，夜晚覆盖保温被对温室内油桃树进行升温处理，提高温室内温度。

1.2.2 观测方法温室内小气候观测采用便携式小气候自动观测仪，按照《应用气候手册》，在日光温室内选A、B、C共3个观测点设小气候站，A点距东墙18 m，B点距西墙18 m，C点距离东墙、西墙各35 m，温室外数据采用多要素自动气象站观测数据[18]。对温室内外气象数据进行全天候测定，测定内容包括温室内外1.5 m气温、5 cm地温，每10min采集1次数据，观测时间2019年12月—2020年4月和2020年12月—2021年4月。

1.2.3 天气类型标准划分 采用日照百分率划分天气类型，即日照百分率＞60%为晴天、20%～60%为少云—多云天、＜20%为寡照天气。

1.2.4 BP神经网络模型以温室外最高气温、最低气温为BP神经网络模型的输入，并选用单隐层的BP神经网络结构进行日光温室内最高气温和最低气温的模拟。模型结构分为3层，第1层为输入层，2个神经元分别为温室外的最高气温和最低气温；第2层为隐含层；第3层为输出层，2个神经元分别是温室内的最高气温和最低气温。

为解决神经网络输入变量间的单位和数量级不一致的问题，采用归一化方法将样本数据进行预处理。公式如下：

式（1）中，xi为第i个输入变量变换后的数据（i=1，2），取值范围在0～1；xio为试验数据；xmax、xmin分别为观测值中的最大值和最小值。隐含层和输出层传递函数采用S型对数函数Logsig和线性函数Purelin。公式如下：

式（2）中，xi为输入层的输入变量值，c为常数，在此取1。输出层神经元的输出信号为：

在式（3）～（5）中，xi为输入层第i个神经元的输入数据，是隐含层第j个神经元（j=1，2，…，9）从输入层第i个神经元接收到的输入信号，ωij是输入层第i个神经元到隐含层第j个神经元的权重，是输出层第k个神经单元（k=1，2）接收到的输出信号，ωij是隐含层第j个神经元到输出层第k个神经元的权重，uk是输出层第k个神经单元的输出信号。f0和f1分别表示隐含层和输出层函数。

将2019年12月—2020年4月的观测数据作为建模数据，将2020年12月—2021年4月的观测数据作为检验样本，以提升模型精度。在多次试算的基础上，模型设隐含层节点数为4，选定的传输函数为S型对数函数Logsig和线性函数Purelin，训练函数为反向传播训练函数Trainlm。相关的参数值为：初始学习速率η为0.05，最大迭代次数为1 000次，目标误差为0.001。BP神经网络模型采用Matlab2013a软件通过编程实现，并完成泛化预测。

1.2.5 模型检验指标采用符合度指数D（Index of agreement）、均方根误差RMSE以及绝对误差AE对模拟值和实测值之间的拟合度进行统计分析，以验证模型的精确度，计算公式如下：

式中，Pi为模拟值，Oi为观测值，为观测值的平均值，′与分别定义为

符合度指数D是一个归一化的度量指标，其值为[0，1]，值越接近于1模拟值与观测值的分布趋势吻合度越高，模型模拟的效果就越好；反之，其值越接近0模拟的效果就越差。均方根误差RMSE为预报值与实测值的平均偏差。绝对误差AE为预报值和实际值的偏差。

1.3 统计分析

所有数据采用Excel软件进行处理，使用Origin软件进行绘图，使用Matlab2013a软件进行模型模拟。

2 结果与分析

2.1 温室内外气温的变化

2.1.1 温室内外气温的日变化图1为广阳区润宝农业园区温室内外逐日平均气温变化特征。由图可以看出：温室内外逐日平均气温变化规律基本一致，且温室具有良好的保温性，温室内气温的波动幅度较小，能为农作物提供稳定的生长环境。温室内外的逐日气温具有很好的相关性，室内外逐日气温的峰值与谷值出现的时间大致相符合。在12月底至翌年3月中旬温室内外温差较大，最大温差出现在1月22日和1月23日，达到17.9℃。随着室外气温的逐步回升，室内对作物进行了通风处理，温室内外的温差逐步缩小，总体来看温室内逐日气温高于室外。

图1 温室内外逐日平均气温变化趋势

2.1.2 不同天气类型温室内气温的逐时变化趋势选取温室晴天、少云—多云和寡照等典型天气条件下的温室内气温逐时变化数据，如图2所示，其中图2a为1月下旬到2月上旬典型天气的逐小时气温变化规律，图2b为3月下旬到4月上旬典型天气的逐小时气温变化规律。从图中可以看出，在晴天及少云—多云天气条件下，09:00之前气温变化较为平稳，呈逐步下降的趋势，09:00～10:00温室揭帘后温室内气温迅速升高，09:30～11:00平均升温速率＞6.0℃/h，温室增温效果明显，即使在室外气温较低的1月下旬到2月上旬，温室内最高气温仍可达到23.0℃以上，夜间气温7.0℃以上，能够满足作物的正常生长。寡照天气条件下，温室内增温降温过程均十分缓慢，温室具有良好的保温作用，最高气温为10.9℃～13.7℃，最低气温在7.0℃以上，气温日较差仅3.0℃～4.8℃。连续的低温寡照导致温室内增温蓄热不足，容易引发低温灾害。

图2 1月下旬至2月上旬（a）和3月下旬至4月上旬（b）不同天气类型温室内气温的逐时变化趋势

2.2 温室内最高气温及最低气温预报

2.2.1 温室内外气温的相关性分析 应用常规的数理统计分析方法，分析广阳区润宝农业园区温室内的日最高气温和日最低气温与温室外日最高气温和日最低气温的相关性。由表1可知，温室内的最高气温和最低气温与温室外的最高气温和最低气温的关系密切。其中，温室内的最高气温和最低气温与温室外的最高气温和最低气温之间关系均通过了信度为0.01水平的显著性检验。

表1 温室内外气象要素之间的相关系数

2.2.2 最高气温预报 选取温室内外气象要素日最高气温和日最低气温作为神经网络的训练样本和检验样本，将训练样本输入神经网络模型，在完成网络训练和网络检验后，得到一组网络权值和阈值，在此基础上将预测样本输入神经网络模型。通过上述方法，利用温室外的气象数据，模拟得出了温室内日最高气温、日最低气温。由图3可见，温室内最高气温预报值与实测值均方根误差（RMSE）为3.1℃，绝对误差（AE）为2.4℃，符合度指数D为0.80，预报值与实测值绝对误差≤3℃的预报准确率分别为77%，小于或等于2℃的预报准确率分别为60%；模拟效果较好。

图3 温室内最高气温观测值与模拟值对比

2.2.3 最低气温预报由图4可知，所构建的BP神经网络对温室内日最低气温预报效果较好，温室最低气温模拟均方根误差（RMSE）为1.2℃，绝对误差（AE）为0.9℃，符合度指数D为0.93，预报值与实测值绝对误差小于或等于3℃的预报准确率分别为98%，小于或等于2℃的预报准确率分别为90%；表明BP神经网络预报模型对温室内最低气温有较强的预报能力，可为温室低温预警提供支持。

图4 温室内最低气温观测值与模拟值对比

3 小结与讨论

本研究基于廊坊地区日光温室内外实时气温观测资料，利用BP神经网络模型对日光温室内日最高气温、日最低气温进行模拟，对模拟结果和实测值之间的均方根误差、绝对误差、符合度指数、准确度等指标进行统计分析，表明该模型可准确地预报温室内最高、最低气温，模拟的均方根误差（RMSE）分别为3.1℃和1.2℃，绝对误差（AE）分别为2.4℃和0.9℃，预测值与实际值≤3℃的准确率分别达到77%和98%，≤2℃的准确率分别达到60%和90%，模型模拟精度较高。说明BP神经网络模型具有可靠性，可被应用于廊坊地区冬季日光温室最高气温、最低气温的模拟，其模拟精度能够满足温室内气温的预测要求。

由于温室人工管理水平不一，开闭风口过早或过晚，温室内常出现短时温度过高或过低的现象，或受白天天气状况的影响，使得本研究所模拟的温室内最高气温预测的准确度低于最低气温预测的准确度，若对温室进行规范管理，对温室实行智能化调节，该BP神经网络模型对最高气温预测精度应会得到极大提高。需在以后的试验研究中加以验证。

与传统模拟方法相比，BP神经网络模型模拟速度快，较物理模型和一般的线性模型精度更高。本研究所建立的BP神经网络模型虽然对最高气温、最低气温的预报准确度较好，但模型不具有广泛的扩展性，仅适用于廊坊地区棚型参数相近的日光温室，无法直接应用于其他不同地区或不同棚型的日最高气温、日最低气温的模拟。本研究尚未考虑其他气象因素、开闭风口时间等条件对日光温室内气温的影响，今后将在这些方面进行进一步的研究。