基于LSTM 神经网络的温室气候环境因子预测
2023-12-19梁志超宋华鲁樊阳阳齐康康徐浩王帅
梁志超，宋华鲁，樊阳阳，齐康康，徐浩，王帅
（山东省农业科学院农业信息与经济研究所，山东 济南 250100）
温室气候环境因子调控在我国农业生产中扮演重要的角色，其中温室气候环境因子预测是当前温室气候环境控制的核心[1]。良好的温室气候环境因子预测模型不仅可以提高温室大棚的作物产量，同时也能够节省能源消耗。然而，目前很多温室只能采集当前传感器的数据，并不能对温室气候环境的变化趋势进行预测，容易产生温室气候环境调控效果较差的问题[2]。为解决温室气候环境因子调控滞后以及模型建立问题，许多国内外学者进行了大量研究，并且已经有实际应用的案例[3]。如余朝刚等[4]、汪小旵等[5]基于BP 神经网络构建的温室气候环境预测建模，现有的BP 神经网络学习速度慢、网络推广能力有限、容易陷入局部极小值等缺点[6]，使得其在小气候建模中的应用受到限制。为此张建超等[7]、张园园等[8]提出了基于Elman 神经网络的气候环境因子预测方法，对比传统的BP 神经网络构建的预测模型具有更好的预测效果。长短期记忆网络（Long short term memory,LSTM）是一种特殊的循环神经网络（Recurrent neural network, RNN），能够解决循环神经网络训练时出现的梯度爆炸和梯度消失等问题，有效提高了循环神经网络的准确性，因而大量应用到不同领域的预测模型中。MOON 等[9]通过建立的LSTM 预测模型有效地预测了在闭环无土栽培条件下作物根区营养液的电导率；JIMENEZ 等[10]在获取的土壤基质势数据基础上建立了LSTM 模型，有效地预测了土壤水分吸收情况，更好地节省了灌溉投入；周瑞等[11]在温室气候环境数据的基础上建立了番茄目标产量的LSTM 预测模型，该模型具有较高的准确性；谢家兴等[12]在气象数据集基础上，建立了柑橘果园蒸散量LSTM 预测模型，该模型具有较高的精度；谢秋菊等[13]采集了猪舍室内的气候环境数据，在此基础上建立了猪舍室内的LSTM 环境预测模型，能够比较精确地预测猪舍内气候环境因子变化趋势。
通过国外内预测模型的研究分析，笔者发现LSTM 神经网络模型因其较好的训练性能以及预测精度，可以广泛应用到各个领域中，然而利用LSTM神经网络对温室气候环境因子预测的实际应用案例相对较少。为此，本研究基于深度学习算法，结合传感器监测的大量历史数据，建立具有多层结构的LSTM 温室气候环境因子变化预测模型，以期通过建立的预测模型，能够为温室环境调控提供一定的决策支持，更好地指导实际的生产实践。
1 材料与方法
1.1 长短时记忆神经网络
LSTM 由Hochreiter 等[14]发表于1997 年，2012年Alex Graves[15]对其进行了改良，并得以广泛推广。因其独特的设计结构，在处理延迟和时间间隔非常长的事件预测中，LSTM 具有较大的优势。
LSTM 模型由输入门、遗忘门、输出门组成。输入门将新的信息选择性地记录到细胞状态中，遗忘门将细胞状态中的信息选择性地遗忘，输出门控制需要输出的信息并且更新细胞状态，LSTM 细胞模型结构见图1。
图1 LSTM 细胞内部模型
LSTM 细胞更新计算方法如下：
式中，I表示LSTM 细胞中的输入门；f表示遗忘门；c表示当前细胞状态；o表示输出门；h
1.2 基于LSTM 的温室气候环境因子预测模型
基于LSTM 模型算法，构建温室气候环境因子预测模型（图2），构建流程主要包括获取模型数据、数据预处理、模型网络训练、气候因子预测。
图2 LSTM 预测模型构建流程
（1）通过传感器采集温室中的温度、湿度、二氧化碳浓度，组成原始数据集，对数据进行缺失补充以及归一化处理，将原始数据划分为预测模型的训练集及测试集。
（2）对LSTM 模型设置初始化参数，将训练数据集输入到模型中，不断调整学习率、隐藏层节点数等模型参数，直到获取最优的模型参数设置。
（3）将最优网络参数设置组合代入到LSTM 预测模型中，得到最终的温室气候环境因子预测模型。
1.3 数据预处理
试验数据的预处理包括对异常值和缺失值处理、数据标准化处理。因为数据每5 s 获取1 次，前后数据差异较小，所以对于缺失值和异常值均选取该值前后2 个时刻的平均值代替该时刻的值。为提高模型训练的准确性、加快网络训练收敛速度，将数据进行了标准化处理。标准化处理所用公示如下：
式中，Xnorm为标准化处理之后的数据；X代表原始的数据；Xmax是原始数据集合中的最大值；Xmin为原始数据集合中的最小值。
1.4 模型评价
采用平均绝对误差（MAE）、均方根误差（RMSE）、决定系数（R2）作为模型评价指标。
式中，yi表示真实值；y表示预测值；为平均值。
1.5 数据来源
本研究所有数据来自山东省农业科学院在济阳基地建立的西红柿温室大棚中的环境监测数据，数据每5 min 更新1 次，数据采集类型包含温室大棚中的湿度、温度、二氧化碳浓度。本研究采集了2023年3 月17 日至5 月19 日共27 351 份数据，将试验数据划分为2 个部分：训练集、测试集，考虑数据规模以及测试集绘图分析效果参照陈亮等[16]的方法，笔者将训练集以及测试集数量比例划分为90%与10%。湿度、温度、二氧化碳训练集、测试集的数据特征如表1 所示。温室大棚中的数据采集装置（中国深圳，矽递，SenseCAP）如图3 所示。
表1 训练集与测试集的数据特征
图3 温室大棚数据采集器
1.6 模型参数改进
在试验仿真过程中，添加了dropout 正则化，用于减少过度拟合对LSTM 预测模型的影响，将丢弃率设置为0.2。本研究采用Adam 算法进行优化，使用RMSE 以及MAE 来计算误差。学习速率是LSTM模型的一个重要参数，参数设置的过大或过小都会直接影响模型的训练速度以及模型的稳定性，隐含层节点数的大小设置则是导致过拟合的直接原因，其他参数设置则不会对模型构建产生较大的影响。为此，本研究在不同学习率以及隐含层不同节点数的组合中寻找最优的组合参数，来获取最优的模型性能。将学习率设置为0.001、0.003、0.005、0.008、0.010，隐含层节点数的设置目前暂无较好的测算公式，结合本次试验模型的复杂度、训练样本数量，将隐含层节点数设置为150、250、500、600、650，将其两两组合，计算不同组合下的模型损失，RSME、MAE具体数值见表2、表3。
表2 不同参数组合下RSME 数值
表3 不同参数组合下MAE 数值
通过分析模型损失值可以看出，当学习速率设置为0.005，隐含层节点数设置为500 时，模型的RSME与MAE值均为最小，模型性能最优。
2 结果与分析
2.1 试验结果
使用本文1.6 模型参数改进中确定的模型最优性能参数，对试验数据中的湿度、温度、二氧化碳训练集依次进行训练，然后用测试集进行测试，依次计算模型的RMSE、MAE、R2误差。湿度、温度、二氧化碳的模型测试结果如图4、图5、图6 所示。
图4 LSTM 模型预测湿度结果（A）及真实值（B）
图5 LSTM 模型预测温度结果（A）及真实值（B）
图6 LSTM 模型预测二氧化碳结果（A）及真实值（B）
湿度、温度、二氧化碳的LSTM 模型损失数据如表4 所示。
表4 不同数据维度下的误差值
从模型拟合结果以及模型损失数据来看，本研究LSTM 模型预测结果均较为准确，误差较小。
2.2 不同预测模型对比
为了更好地说明本文建立的LSTM 模型在温室气候环境因子预测中的优越性，本研究同时建立了GRU、BP 神经网络模型，在相同输入参数条件下进行了试验并做了对比分析。
3 个算法在相同的运算环境的输入参数条件下，湿度、温度、二氧化碳浓度的拟合曲线如图7、图8、图9 所示，3 个算法的模型误差值如表5 所示。
表5 不同模型误差值
图7 不同网络模型预测湿度结果对比
图8 不同模型预测温度结果对比
图9 不同模型预测二氧化碳浓度结果对比
为了更好地说明模型拟合效果，在决定系数（R2）指标上，分别计算了不同数据维度下，LSTM 预测模型与BP 神经网络模型以及GRU 预测模型的数据对比如表6 所示。
表6 R2 对比分析
从图7 至图9 中可以看出，LSTM 和GRU 模型预测的变化趋势一致，并且预测值更加接近真实值，而BP 神经网络模型预测结果偏差较大。在决定系数R2指标上，湿度、温度、二氧化碳浓度3 个数据维度，LSTM 模型比BP 神经网络分别提升了4.55%、6.74%、6.10%，平均提升了5.80%；LSTM 模型比GRU 预测模型分别提升了2.22%、4.40%、4.82%，平均提升了3.81%。从模型拟合效果上看，LSTM 神经网络模型效果最好，模型最优。
3 讨论与结论
针对温室中存在气候环境因子无法预测变化趋势的问题，本研究建立了基于LSTM 的神经网络预测模型。仿真试验结果表明，LSTM 神经网络预测模型能充分地分析温室内温度、湿度、二氧化碳浓度的变化规律，并较好地预测了温室内气候环境因子的变化趋势。
通过LSTM 的神经网络与GRU、BP 神经网络模型进行对比分析，结果表明，基于LSTM 的神经网络预测模型具有更高的预测精度和更好的拟合能力，该模型能够为温室环境调控提供一定的决策支持，具有较大的实际应用价值。
通过与国外内预测模型的研究分析，本研究基于LSTM 神经网络建立的温室气候环境因子预测模型，能够较为准确地预测温室内湿度、温度、二氧化碳浓度的变化趋势，且具有较高的准确度，能够为温室内气候环境因子预测提供具体应用案例。对比前人的研究结果[11-12]，本研究的应用场景相对简单，后续可以基于该模型，考虑更为复杂、更为精细的实际应用场景。
后续可以将LSTM 模型与温室智能控制系统进行软硬件融合，并将预测结果以语音播报、图像等形式展现给用户，更好地指导实际生产工作。
