日光溫室作物冠層溫濕度時空分布及預測模型.pdf

北方園藝（）： 設施園藝 第一作者簡介 ：劉琦 （），男 ，碩士研究生 ，研究方向為力學在工程的應用 。：責任作者 ：塔娜 （），女 ，博士 ，教授 ，現主要從事力學在工程中的應用等研究工作 。：基金項目 ：國家自然科學基金資助項目 （）。收稿日期 ：日光溫室作物冠層溫濕度時空分布及預測模型劉琦 ，塔娜 ，焦巍 ，康 宏 源 ，趙 志 勇（內蒙古農業(yè)大學 機電院 ，內蒙古 呼和浩特）摘要 ：為了研究日光溫室內部作物冠層區(qū)域溫濕度分布及變化規(guī)律 ，以內蒙古呼和浩特市內保溫型日光溫室西芹作物冠層為研究對象 ，采用傳感器密集布點的方式測試作物冠層處溫濕度 ，針對日光溫室作物冠層不同位置溫濕度變化規(guī)律相似的情況 ，通過神經網絡預測作物冠層不同位置的溫濕度情況 。結果表明 ：作物冠層垂直溫濕度差可達，。在有光照 （起簾 ）時期 ，作物冠層不同位置溫濕度差異相對較大 ，溫度由上到下總體呈現從高到低 、濕度由低到高的分布 ，在無光照 （閉簾 ）時期則溫濕度差異較小 ，基本與啟簾時期呈現相反分布 。優(yōu)化后的神經網絡能夠較準確預測作物冠層處溫濕度 。該預測模型可在保證溫度 、濕度均方根誤差分別小于、的情況下預測未來一周的作物冠層溫濕度 ，該研究對日光溫室內作物冠層部分溫濕度監(jiān)測與控制具有指導意義 。關鍵詞 ：作物冠層 ；溫濕度 ；分布 ；預測模型中圖分類號 ： 文獻標識碼 ： 文章編號 ：（）日光溫室內適宜的溫濕度環(huán)境對作物的生長發(fā)育具有極為重要的作用 ，必須保證適宜的溫濕度環(huán)境才能保證作物的生長。日光溫室內部溫濕度的預測是對溫室內環(huán)境控制的前提 ，也可減少傳感器測量時間與數量 ，對研究溫室內環(huán)境具有重要意義 。左志宇等采用時序分析法建立了溫室溫度預測模型 。許童羽等選取網絡作為預測網絡 ，提出一種適用于北方日光溫室空氣相對濕度的模擬與預測模型 。任守綱等用方法對不同通風條件下溫室氣溫的時空變化進行了預測 ，并通過試驗驗證了模型的有效性 。鄒偉東等基于改進型極限學習機對日光溫室內的溫度和濕度等環(huán)境因子進行預測 。秦琳琳等提出一種基于切換系統(tǒng)的溫室溫濕度系統(tǒng)建模與預測控制方法 。作物冠層作為一種生物多孔介質 ，溫度 、水分及應力之間存在復雜的耦合關系，對氣流有著阻礙作用且溫濕度分布不均，目前對作物多孔介質的研究多用于數值模擬方面。神經網絡作為一種反饋神經網絡 ，非常適合時間序列的預測問題 ，具有動態(tài)記憶功能和對歷史數據敏感等優(yōu)點 ，目前主要是用來預測交通 、電力等方面。綜上所述 ，眾多學者都針對日光溫室內部溫濕度預測進行了深入研究 ，但對預測作物冠層溫濕度方面進行的研究較少 ，且暫無使用神經網絡針對作物多孔介質的溫濕度方面的研究 。因此該文對寒冷干旱地區(qū)日光溫室內部西芹作物冠層不同位置處的溫濕度進行測試 ，研究其分布情況及變化規(guī)律 ，并用測試數據對神經網絡進行訓練 ，嘗試用少數傳感器的測試數據對作物冠層不同位置處的溫濕度情況進行預測 。 材料與方法 試驗材料試驗溫室位于內蒙古呼和浩特市土默特左圖 試驗溫室示意圖 旗 ，溫室坐北朝南 ，南北跨度，東西長，后墻高，脊 高 約，主 要 采 光 面 約，是有內外層棚架的新型內保溫型日光溫室。該溫室種植的作物為西芹 。 試驗方法內蒙古地處我國北方寒冷干旱地區(qū) ，為了研究寒冷干旱條件下作物冠層溫濕度變化情況 ，將試驗時間定為年月至年月 ，在溫室作物冠層中間截面上布置溫濕度傳感器 ，溫濕度傳感器采用大連哲勤公司生產的溫濕度傳感器 ，濕度測量范圍，溫度測量范圍，每記錄次 ，在溫室中間截面由南向北布置組傳感器 ，每組傳感器為個 ，根據作物生長高度調整傳感器高度 ，在垂直方向上分為作物冠層上 、中 、下和冠層上方空氣個部分 ，選取的數據進行分析 ，此時期作物冠層平均高度約為，平均株距為，且作物長勢良好 ，因此將該時期高度調整為、觀察作物冠層溫濕度 ，傳感器布點如圖所示 。注 ：瑏瑢為傳感器 。：瑏瑢 圖 傳感器布點示意圖 作物冠層結構作物冠層可看作是由植物為固體骨架 ，植物中的干空氣 、水蒸氣等為流體的多孔介質結構 ，作物冠層由于其多孔介質特性 ，導致其存在受通風影響延遲 、不同的位置受到太陽輻射強度不等 、傳熱速率減慢等特點 ，且由于下方冠層離土壤較近 ，受土壤的溫濕度影響較大 ，因此不同位置的溫濕度會呈現出顯著差異 。該文研究對象為西芹冠層 ，如圖所示 ，是一種典型的生物質多孔介質 。 數據分析利用 軟件 ，選取具有代表性的溫濕度數據進行分析 ，如表所示 。 第 期北方園藝圖 作物冠層 表 特定天氣條件下的室外氣候參數 日期 （年月日 ）天氣氣溫最大風速 （）最大輻射值 （） 小雪 晴天 晴天 選擇年月日 （小雪 ）與月日 （晴天 ）的數據進行分析 ，為了觀察作物冠層垂直方向上中溫濕度變化情況 ，選取中間部分的個傳感器 （，號 ），觀察從：至次日：的溫濕度變化情況如圖、所示 。圖、反映了在種不同天氣條件下垂直方向的作物冠層溫濕度在一天中的變化情況 ，可以看出 ，在：與：的閉簾（無光照 ）條件下 ，離地面較近的位置溫度較高 ，冠層頂部與底部溫度差基本保持在以下 ，且隨著時間的推移溫度呈現緩慢下降趨勢 ，濕度則大體相反 ，冠層頂部與底部相對濕度差基本小于；在：的啟簾條件下 ，基本情況為離地面越遠 ，溫度越高 ，濕度越低 。這是由于受到的太陽輻射與外界氣候條件的不同 ，使垂直方向上的溫濕度差變大 ，冠層頂部與底部最大溫圖 小雪天氣條件下作物冠層溫度 （左 ）、濕度 （右 ）變化 （） （） 北方園藝月 （上 ）圖 晴天天氣條件下作物冠層溫度 （左 ）、濕度 （右 ）變化 （） （） 度差分別在、，最大濕度差、，可見光照條件可直接影響冠層溫濕度分布 。作物冠層處溫濕度雖然在空間上呈現較明顯差別 ，但就其變化規(guī)律來看趨勢較為相似 ，因此 ，預想可通過其中少部分位置的數據進而預測其它位置的溫濕度數據 。為了更直觀的觀察溫室中部作物冠層處溫濕度在某一時刻分布情況 ，使用 軟件繪制溫濕度等高線圖 ，選擇年月日的圖處個傳感器數據進行分析 ，結果如圖所示 。由圖可知 ，溫室土壤與北墻體白天吸熱夜間放熱 ，：時作物冠層受到土壤與墻體的放熱作用 ，且由于作物的多孔介質性質使熱量散失速度減緩 ，因此溫度分布出現了北高南低 ，下高上低的情況 。：時溫室處于快速升溫階段 ，此時溫度分布變成了上高下低 ，這是由于冠層的遮擋作用使其接受太陽輻射的程度不同導致 。：時為開始通風階段 ，此時溫室內溫度快速下降 ，但是此時太陽輻射為一天最強時刻 ，因此受到輻射高的部分溫度相對較高 。濕度方面 ，作物冠層起著對水分散發(fā)的阻礙作用等 ，在大體上與溫度分布呈相反狀態(tài) 。濕度與溫度在同一時刻整體上保持著相反情況的分布 ，即溫度相對高的地方 ，濕度相對低 ，但是并非呈現十分明顯的耦合現象 ，因此預想通過作物冠層處溫度預測相對濕度難度較大 。圖 ：時作物冠層溫度（左 ）、濕度 （右 ）等高線 （） （） ： 第 期北方園藝圖 ：時作物冠層溫度（左 ）、濕度 （右 ）等高線 （） （） ：圖 ：時作物冠層溫度（左 ）、濕度 （右 ）等高線 （） （） ： 基于神經網絡的作物冠層溫濕度預測模型 神經網絡簡介神經網絡是一種反饋神經網絡 ，結構如圖所示 ，主要由層組成 ：輸入層 、隱含層 、承接層 、輸出層 ，與神經網絡很相似 ，但多了個承接層 ，用于構成局部反饋 ，這樣使網絡具有局部記憶功能 ，因此非常適合時間序列的預測問題 。其中輸入層接收外部輸入 ，隱含層對信號進行處理 、變換 ，承接層存儲隱含層上次迭代的輸出并反饋給隱含層 ，輸出層對隱含層的輸出信號作線性加權后輸出網絡。神經網絡非線性空間表達式為（）（ （）（） （），圖 神經網絡結構 （）（ （） （），（）（） （）。北方園藝月 （上 ）其中 ，表示時刻 ，分別表示維輸出節(jié)點向量 ，維隱含層節(jié)點單元向量 ，維輸入向量和維狀態(tài)向量 ；，分別表示隱含層到輸出層 、輸入層到隱含層 、關聯(lián)層到隱含層的連接權值矩陣 ，分別為輸入層和隱含層的閾值 ，為隱含層神經元的傳遞函數 ，為輸出層的傳遞函數 。 樣本選取使用平臺 ，建立網絡模型 ，考慮到數據選取量既要足夠多 ，又要體現出此時期作物冠層的溫濕度變化特性 ，因此選取年月日的數據進行訓練 ，基于作物冠層處不同位置溫濕度變化規(guī)律相似的特點 ，將作物冠層上方非作物區(qū)高度的、號傳感器的數據作為輸入 ，將作物冠層處所預測的 傳 感 器 數 據 作 為 輸 出 ，程 序 方 面 選 用語句對數據進行歸一化處理 ，將輸入與輸出數據處理成 ，之間 ，中間層神經元傳遞函數采用雙曲正切傳遞函數，輸出層神經元采用線性傳遞函數，最后用語句將模擬值進行反歸一化 。 評價標準預測誤差的評價標準采用均方跟誤差、相對誤差和絕對誤差作為溫濕度預測數據的評價指標，以上個評價指標越大表明誤差越大 。（）槡 （），（）（），（）（）。式中 ，為預測值 ，為實測值 ，為樣本個數 。 結果與分析 西芹作物冠層處溫度預測選取月日共的數據進行訓練（其中月日為小雪多云天氣 ，其 余 為 晴天 ），之后的月（晴天 ）、（多云 ）日的數據作為測試數據 ，首先 ，選取鄰近作物冠層的、號傳感器在日的溫度數據作為輸入數據 ，作物冠層中部位置的、號傳感器的溫度數據作為輸出數據 ，得到的預測值與實測值見圖。其中 ，縱坐標為溫度 （），橫坐標為時間 （代表當日每一個點共個數點 ）。圖 號 （左 ）和 號 （右 ）傳感器 日 溫度預測 （） （） 如圖所示 ，、號傳感器預測值的均方根誤差分別為、，絕對誤差為、，相對誤差、，預測結果較為準確 ，但由于白天 （有光照條件下 ）影響作物溫度的影響因子主要為光照強度與通風時長 、風速 ，而夜間沒有這種影響因子 ，因此有輻射與無輻射階 第 期北方園藝段預測值的準確性呈現較大差異 ，有輻射階段由于溫室受到太陽輻射引起快速升溫 ，與通風時刻造成的劇烈降溫 ，且每日所受到這種影響因子的影響程度不同 ，所以導致預測值誤差相對較大 。因此 ，在無光照時段預測值與實測值基本吻合 ，但在有光照時期出現明顯差異 。因此 ，將的時間分為有輻射階段與無輻射階段個階段分別進行預測 ，在有輻射階段將溫室內部各時刻所受輻射強度 ，與通風時平均風速也作為輸入數據 ，得到優(yōu)化后的網絡模型 ，優(yōu)化前與優(yōu)化后的網絡模型在有輻射階段預測結果如圖所示 。如表所示 ，比較種方法的預測結果 ，顯然第種方法預測溫度誤差更低 ，因此按照第種方法將日和日作物冠層不同位置處所有傳感器在的溫度進行預測 ，預測誤差如表所示 。圖 （左 ）、（右 ）號傳感器輻射階段優(yōu)化前與優(yōu)化后預測值 （），（） 表 有輻射階段優(yōu)化前與優(yōu)化后的溫度預測誤差對比 預測方法 優(yōu)化前 優(yōu)化后 傳感器 號 號 號 號 表 作物冠層處 溫度預測誤差 誤差均方根誤差相對誤差絕對誤差均方根誤差相對誤差絕對誤差 北方園藝月 （上 ）圖 、號位置相對濕度預測值與實測值對比（左 ）有輻射階段 、（右 ）無輻射階段 （） （） 西芹作物冠層處相對濕度預測同樣按照優(yōu)化后的溫度預測方法將相對濕度預測也分為有輻射與無輻射個階段 ，將日 日的相對濕度數據作為訓練數據 ，其中相鄰作物冠層處的、號傳感器的相對濕度數據作為輸入數據 ，將所預測作物冠層處傳感器的相對濕度作為輸出數據 ，在有光照時段加入室內光照強度與通風時刻平均風速作為輸入數據 ，日和日的數據作為測試數據 ，同樣先將位于作物冠層處頂部與底部的、號位置的傳感器用于測試 ，得到的測試結果不符合預期 ，個階段相對濕度的預測均出現較大誤差 ，又根據參考文獻，與溫室內部相對濕度相關性最大的影響因子為室內溫度 ，故將被預測傳感器正上方無作物空氣處溫度 （、號傳感器其中之一溫度 ）也作為輸入數據 ，其中日、號傳感器位置相對濕度的預測結果如圖所示 。相對濕度的預測結果如圖所示 ，預測值與實測值曲線較為吻合 ，在日、號傳感器在有光照時段相對濕度的均方根誤差分別為、，無光照時段為、，由于作物冠層處相對濕度在白天 （有輻射階段 ）特別是通風時變化復雜 ，因此預測值除有少數個點誤差相對較大 ，整體上基本滿足預測的誤差要求 ，作物冠層處所有傳感器位置在、日相對濕度預測的誤差如表所示 。 神經網絡預測的適用性評價為了確定此網絡模型的的使用范圍 ，故將預測日期的范圍擴大 ，使用相同方法對之后多天作物冠層處的溫濕度數據進行預測 ，為簡化試表 作物冠層處 濕度預測誤差 誤差均方根誤差相對誤差絕對誤差均方根誤差相對誤差絕對誤差 第 期北方園藝圖 溫度 （左 ）和濕度 （右 ）預測均方根誤差變化 （） （） 試驗僅選取作物冠層頂部與底部位置的、號傳感器進行溫濕度預測 ，預測至確定此網絡模型失效為止 ，預測結果的均方根誤差變化如圖所示 。通過延長作物冠層處溫濕度的預測日期 ，并對得到的誤差進行分析 ，發(fā)現作物冠層處溫度與相對濕度預測值的均方根誤差分別在月日與月日之后發(fā)生明顯升高 ，且這之后預測值與實測值的變化曲線已出現明顯的不相稱 ，可認為是預測失真 ，這是由于隨著植物生長 ，植物的高度 、孔隙率等參數已經發(fā)生了明顯變化 ，之前的訓練結果已不能滿足之后的預測要求 。 結論與討論通過對北方寒冷干旱地區(qū)日光溫室內作物冠層處的溫濕度進行測試分析 ，同時使用人工神經網絡進行作物冠層溫濕度預測 ，并且進行了預測模型的適用性檢驗 ，經分析得到如下結論 ：）西芹作物冠層由于其多孔介質性質改變了自身及周圍空氣流速 ，使自身傳熱速率減慢 ，并且對太陽輻射的遮擋作用 ，使空間中不同位置溫濕度出現較明顯的差異性 ，以平均高度的西芹作物冠層為例 ，作物冠層間溫度差異最高可達以上 ，相對濕度差可高于，且在分布上基本呈現出 ：在閉簾 （無光照 ）條件下 ，離地面較近的位置 ，溫度相對較高 ，濕度相對較低 ，啟簾 （有光照 ）條件下 ，離地面較遠的位置 ，溫度相對較高 ，濕度相對較低 。）神經網絡可以通過非作物區(qū)少數傳感器的溫濕度與風速 、室內太陽輻射強度較準確的預測作物冠層處更多的位置的溫濕度 ，以、號的預測結果為例 ，溫 度 方 面均 小 于，小于且絕大部分在以內 ，小于，相對濕度方面均小于，小于，小于。）延長預測日期對作物冠層處溫濕度進行預測誤差分析發(fā)現 ，溫度與相對濕度預測值的均方根誤差分別在于月日與月日發(fā)生突變 ，可見該模型可以保證一周以內的預測準確性 ，在之后的研究中可通過對更多的數據進行訓練 ，或通過訓練更加復雜的神經網絡來增強預測模型的準確度與適用性 。參考文獻王軍偉 蘇北地區(qū)日光溫室構型優(yōu)化 、室內溫濕度分析及應用效果初探 南京 ：南京農業(yè)大學 ，王克安 ，李絮花 ，呂曉惠 ，等 不同結構日光溫室溫濕度變化規(guī)律及其對番茄產量和病害的影響 山東農業(yè)科學 ，（）：左志宇 ，毛罕平 ，張曉東 ，等 基于時序分析法的溫室溫度預測模型 農業(yè)機械學報 ，（）：許童羽 ，王瀧 ，張曉博 ，等 神經網絡在北方日光溫室濕度模擬預測中的應用 沈陽農業(yè)大學學報 ，（）： 任守綱 ，楊薇 ，王浩云 ，等 基于 的溫室氣溫時空變化預測模型及通風調控措施 農業(yè)工程學報 ，（）： 鄒偉東 ，張百海 ，姚分喜 ，等 基于改進型極限學習機的日光溫室溫濕度預測與驗證 農業(yè)工程學報 ，（）： 秦琳琳 ，馬國旗 ，儲著東 ，等 基于灰色預測模型的溫室溫濕北方園藝月 （上 ）度系統(tǒng)建模與控制 農業(yè)工程學報 ，（）：王會林 ，盧濤 ，姜培學 生物多孔介質熱風干燥數學模型及數值模擬 農業(yè)工程學報 ，（）： ， ， ，（）： 五十六日光溫室內水熱耦合環(huán)境的試驗研究與數值模擬呼和浩特：內蒙古農業(yè)大學 ， ， ， ，：程秀花 ，毛罕平 ，倪軍 ，等溫室環(huán)境 作物濕熱系統(tǒng) 模型構建與預測 農業(yè)機械學報 ，（）：石黃霞 ，何穎 ，董曉紅基于 神經網絡的電力負荷預測模型研究 工業(yè)儀表與自動化裝置 ，（）：張健美 ，周步祥 ，林楠 ，等灰色 神經網絡的電網中長期負荷預測 電力系統(tǒng)及其自動化學報 ，（）： 尤馬彥 ，凌捷 ，郝彥軍基于 神經網絡的網絡安全態(tài)勢預測方法 計算機科學 ，（）：劉曉蕊 ，朱山川 ，劉杰才 ，等新型內保溫日光溫室光照和溫濕度性能的初步研究 農業(yè)工程技術 （溫室園藝 ），（）：丁碩 ，常曉恒 ，巫慶輝 ，等基于 神經網絡的傳感器故障診斷研究 國外電子測量技術 ，（）：張靠社 ，楊劍基于 神經網絡的短期風電功率預測電網與清潔能源，（）：李寧 ，申雙和 ，黎貞發(fā) ，等基于主成分回歸的日光溫室內低溫預測模型 中國農業(yè)氣象 ，（）：何芬 ，馬承偉溫室濕度環(huán)境的主成分分析人工神經網絡建模研究 上海交通大學學報 （農業(yè)科學版 ），（）： ， ， ， （ ， ， ）： ， ， ， ， （ ）， ， ， （ ） ：； ； 第 期北方園藝