玻璃溫室和塑料大棚內逐時氣溫模擬模型

韋婷婷，楊再強,2**，王 琳，趙和麗，李佳帥

?

玻璃溫室和塑料大棚內逐時氣溫模擬模型

韋婷婷1，楊再強1,2**，王 琳1，趙和麗1，李佳帥1

（1．南京信息工程大學氣象災害預報預警與評估協同創新中心，南京 210044；2．江蘇省農業氣象重點實驗室，南京 210044）

2014?2016年在江蘇省不同地區選擇塑料大棚和玻璃溫室進行設施內氣溫監測，基于設施內日最高和最低氣溫，采用余弦分段函數、正弦分段函數、正弦?指數分段函數、一次分段函數和神經網絡模型分別模擬不同季節和不同天氣狀況（晴天和陰雨天）下的逐時氣溫日變化，探究利用室內最高和最低氣溫模擬計算逐時氣溫的方法，以及設施內逐時氣溫日變化規律。結果表明：5種模型均可通過當日最高、最低氣溫模擬逐時氣溫變化，其中神經網絡模擬精度較高（RMSE=0.69℃），并且受溫室類型、天氣狀況和季節變化的影響較小，普適性較高；正弦?指數分段函數模擬效果最好（RMSE=0.43℃），且受天氣和季節的影響較小，但其受溫室本身特性和地區的影響較大；余弦分段函數（RMSE=0.85℃）和正弦分段函數（RMSE=0.78℃）模擬效果相近，且受天氣和地區的影響；一次分段函數準確度較低（RMSE=0.90℃）且誤差變化較大。各方法對塑料大棚內逐時氣溫的模擬精度均高于玻璃溫室。模型模擬精度的季節變化因模型和溫室類型有一定差異，但通常情況下，春季和冬季的模擬誤差大于秋季，夏季誤差最小。

塑料大棚；玻璃溫室；溫度模擬；溫室；氣溫日變化

在中國南方地區，塑料大棚和玻璃溫室已經在蔬菜和水果種植中得到廣泛應用。溫室內氣溫的變化不僅關系到室內作物的生長發育以及產量形成，對果實的品質也有重要影響。故研究溫室內氣溫的變化對調節溫室環境，防御相關氣象災害有一定幫助，同時也可以為人工氣候箱試驗的動態氣溫設置[1?2]提供理論依據。

近年來，不少學者通過物理模型和統計模型對溫室氣溫的日變化進行了模擬。物理方法主要包括能量平衡方法[3?4]和流體動力學方法[5?6]，這些方法具有很強的機理性，可釋度高，但是需要大量的相關參數作支持，通常情況下，所需參數的值難以準確計算，導致模擬過程復雜，結果出現誤差。同時，也有大量學者嘗試利用統計模型通過室外氣象要素對溫室氣溫進行預測，主要集中在對溫室最高、最低氣溫的預測[7?12]。楊文剛等[13]研究了春季不同類型溫室氣溫的回歸預測方程。劉淑梅等[14?15]運用BP神經網絡的方法分別建立了對日光溫室和塑料大棚內氣溫的預測模型。李倩等[16?17]對南方地區單棟塑料大棚和雙膜塑料大棚內氣溫進行了諧波模擬，得到了較好的結果。但在模擬計算室內逐時氣溫時，通常要求有長期的室外逐時氣象數據作為支持，這對大部分溫室而言是一個難點。

對于室外氣溫，Reicosky等[18]提出并總結了用最高、最低氣溫模擬室外逐時氣溫的方法，并得到廣泛應用。余衛東等[19]運用正弦?指數分段函數對室外氣溫的日變化進行了模擬。姜會飛等[20]應用正弦分段法對氣溫的日變化進行了模擬。徐凡等[21]也使用了數學方法對溫室外的氣溫日變化進行了模擬，得到華北地區室外氣溫的轉化系數。有研究表明溫室內氣溫變化與室外氣溫變化總體上一致[22]，但是在冬季可能會出現延遲。所以適用于模擬室外逐時氣溫的方法對溫室內氣溫可能也同樣適用，但是目前并沒有相關研究證明這一點。

本研究使用余弦分段函數（WAVE）、正弦分段函數（WCALC）、正弦?指數分段函數（TEMP）、一次分段函數（SAWTOOTH）以及近年來常用的BP神經網絡預測模型模擬了江蘇地區常見溫室類型（塑料大棚和玻璃溫室）在不同季節、不同天氣條件下的氣溫逐時變化，并對模型的精度進行比較，擬在證明在不同天氣和溫室類型下利用設施內日最高、最低氣溫模擬氣溫動態變化的可行性，并且分析不同模型在不同條件下的模擬特點，以選取普適性較高的模型。

1 材料與方法

1.1 研究區域和資料獲取

選取江蘇省句容、泰州、南京3個地區的2棟塑料大棚和2棟玻璃溫室（表1），于2014?2016年在各溫室內距地面1.5m處架設CR-3000數據采集器（美國），觀測要素包括氣溫、相對濕度、日照時數、太陽總輻射，數據采集頻率為每10s一次，存儲每小時的平均值。以3月1日?5月31日為春季，6月1日?8月31日為夏季，9月1日?11月30日為秋季，12月1日?翌年2月28日為冬季，在每個季節根據日照百分率以及室外降水情況選取一個典型晴天和典型陰雨天進行模擬，其中典型晴天日照百分率超過90%且無降水，陰雨天氣日照百分率低于10%或有降水。

表1 研究地點概況

1.2 模擬方法及相關參數的計算

1.2.1 余弦分段函數（WAVE）

該方法認為氣溫的日變化是關于最高、最低氣溫和時間的余弦函數，且認為當日最低氣溫出現在日出前后，最高氣溫出現在午后，只需輸入當日最高、最低氣溫，即可模擬其逐時變化過程[18，23]。

1.2.2正弦分段函數（WCALC）

該方法需要連續3d的最高、最低氣溫作為輸入值，可以模擬出中間一天的逐時氣溫，它將一天分為3段，認為午夜至日出后2h氣溫逐漸呈線性降低，日出后2h至日落時刻氣溫的變化可以用一個正弦函數表示，日落后至午夜氣溫呈線性降低[24?25]。日出時間和日落時間由測點經緯度計算得到，為便于計算逐時氣溫，認為江蘇地區春夏季節日出時間為6：00，日落時間為19：00；秋冬季節日出時間為7：00，日落時間為18：00。

1.2.3 正弦?指數分段函數（TEMP）

此方法認為日出時?日落時，氣溫按正弦曲線變化，日落后氣溫按指數曲線減小[18,20,25]。日落時間和日出時間的確定方法與正弦分段函數法相同。

1.2.4 一次分段函數（SAWTOOTH）

該方法認為氣溫的日變化是直線遞增（遞減）的，呈鋸齒狀波動，用3個一次函數即可模擬[18]。對觀測樣本進行統計后，認為春秋季節最低溫出現在6：00，最高溫出現在15：00，夏季最低溫出現的時間提前1h，冬季則延后1h，最高溫出現時間不變。

1.2.5 神經網絡法（BP）

將觀測期間第一年的室內氣溫數據作為建模數據，每個季節隨機選取77d逐時氣溫數據作為訓練樣本，經過歸一化處理后，隱含層中設置最高、最低氣溫和時刻3個節點，隱含層和輸出層傳遞函數采用S型對數函數Logsig[26]，之后用剩余15d的逐時氣溫數據作為檢驗樣本，以提高模型精度。神經網絡的相關參數分別設置為：初始學習速率η為0.1，慣量因子α為0.9，最大迭代次數為1000次，目標誤差為0.00004。神經網絡模型采用 Matlab2016a軟件通過編程實現。在模型使用過程中，只需要輸入當天的最高、最低氣溫就可以模擬任意時刻的室內氣溫。

1.3 模擬結果檢驗參數

相關系數（皮爾遜相關系數R）是衡量兩組數據之間線性相關程度的量，R越趨近于1，則表示模擬結果與實測值相關性越好，結果越精確。均方根誤差（Root Mean Square Error，RMSE）可以反應誤差的離散程度，RMSE越小表示模擬效果越好。平均偏差（Mean Bias Error，MBE）主要考慮了誤差的正負，可以反映模型高估或低估了實際情況，MBE越接近0，模擬效果越好。相應計算式為

2 結果與分析

2.1 塑料大棚室內逐時氣溫變化過程模擬結果比較

2.1.1 各季節模擬結果的比較

在句容和盤城地區，基于2016年逐日觀測數據，分別利用5種模型模擬塑料大棚溫室內逐時氣溫的變化過程，每日同一時刻室內氣溫平均后得到各季節逐時氣溫的變化過程，與相應實測數據的平均值進行對比，結果見圖1。由圖可見，5種模型模擬的逐時氣溫變化過程與實測數據分布特點基本一致，均表現為0：00?9：00逐漸降低，9：00?15：00快速升高，15：00?24：00逐漸降低的過程，只是各模型曲線與實測曲線的擬合程度略有不同。表2為5種模型對塑料大棚內四季逐時平均氣溫模擬精度。為便于比較模型總體誤差，計算句容地區5種模型全年的平均模擬誤差（忽略季節影響，取四季平均值，后同）分別為0.86、0.78、0.31、0.92和0.76℃（分別對應余弦分段函數WAVE、正弦分段函數WCALC、正弦?指數分段函數TEMP、一次分段函數SAWTOOH和神經網絡模型BP，下同），其中TEMP模擬效果最好，夏季誤差最小，且其平均偏差（MBE）為負值，表明預測結果略高于實際氣溫；BP的模擬效果在整體上僅次于TEMP模型，但其在不同季節模擬效果差異較大，在夏季模擬效果最差，秋季模擬效果較好，預測結果也稍高于實際氣溫；WCALC的模擬精度較高，其隨季節變化并不明顯，其MBE較低，且通常為正值，即模擬結果稍低于實際氣溫；WAVE的模擬效果一般，在春夏季稍好，MBE也為負值，且在夏季絕對值最小；SAWTOOH的模擬效果較差，特別是在春季和冬季。對于盤城地區，5種模型全年的平均誤差分別為0.24、0.41、0.34、0.22和0.40℃，與句容地區相比，盤城塑料大棚的模擬結果更好一些，并且不同模型的精度提高程度也不同，但各模型模擬結果的MBE的特點并未改變。SAWTOOH對盤城地區的模擬效果最好，與句容地區相比誤差減小了76.1%，模型在4個季節均有良好的模擬精度，特別是在夏季；WAVE的模擬精度也有較大提高，誤差減少了72.1%，在春夏季節的模擬情況好于秋冬季節；TEMP模型的模擬情況與句容地區相似，誤差較小且在夏季誤差最小；BP模型的誤差也減少了47.3%，同樣在秋季的模擬效果最好；WCALC函數的模擬誤差與BP模型相近，與句容地區相比，誤差減少了47.4%，且在冬春季節的誤差較大。

綜上，5種模型均可根據日最高、最低氣溫模擬塑料大棚內氣溫的逐時日變化，5種模型的平均誤差分別為0.55、0.59、0.32、0.57、0.58℃。對于不同的塑料大棚，TEMP模型都有較良好的擬合效果，預測結果稍高于實際氣溫；SAWTOOH和WAVE對不同塑料大棚的模擬效果差異較大，預測結果高于實際氣溫；WCALC和BP對不同塑料大棚的模擬效果有一定差異，并且WCALC的模擬結果略低于實際氣溫，BP則高估實際氣溫。從季節變化而言，5種模型的擬合效果在冬季都要稍差一些，TEMP在夏季模擬效果最好，BP在秋季模擬效果最好，WAVE在春夏季節模擬效果較好，WCALC和SAWTOOH則無季節差異。

2.1.2 各季節典型日模擬結果的比較

在句容和盤城地區，每各季節選取一個典型晴天和典型陰雨天，分別利用5種模型模擬每日塑料大棚溫室內逐時氣溫的變化過程，與相應實測數據進行對比，結果見圖2、圖3。由圖中可見，典型晴天和陰雨天的氣溫變化趨勢相似，只是由于晴天和陰雨天云量的不同，陰雨天云量多，大氣保溫效果好，故晴天和陰雨天氣溫變化幅度也不一樣，陰雨天的氣溫通常低于晴天，但全天氣溫較穩定，波動不明顯。晴天條件下，句容地區5種模型的平均模擬誤差（忽略季節影響，取四季平均RMSE）分別為1.56、1.55、0.99、1.48和0.95℃，盤城地區分別為0.42、0.67、0.45、0.64和0.62℃，從均方根誤差（RMSE）來看，典型晴天下不同塑料大棚的模擬情況與各季節的總體情況相似，從個體的角度再次證明了之前的結論。典型陰雨天條件下，句容地區5種模型的平均均方根誤差分別為0.80、0.79、0.66、0.86和0.89℃，盤城地區分別為0.21、0.28、0.26、0.19和0.28℃。可以看出，典型陰雨天的模擬精度與典型晴天相比有明顯的提高，但其相關系數（R）較低，晴天條件下，5種模型模擬結果與實測值之間平均相關系數=0.95且R＞0.88，即模型可以較好地描述氣溫上升和下降時的變化趨勢，而陰雨天條件下模擬結果與實測值之間=0.85且R＞0.53，表明模型雖然可以較準確地模擬逐時氣溫，但是對氣溫的變化情況描述不夠細致。對比不同模型在典型晴天和典型陰雨天下的模擬情況可知，正弦?指數分段函數（TEMP）在晴天和陰雨天氣中都有較好的模擬結果，在春夏季節和陰雨天條件下誤差較小；神經網絡模型（BP）的模擬效果在晴天時僅次于TEMP，但在陰雨天時的模擬誤差則無顯著減小，受天氣情況的影響較小；余弦分段函數（WAVE）、正弦分段函數（WCALC）和一次分段函數（SAWTOOH）在陰雨天的模擬效果明顯好于晴天時，說明其受天氣和塑料大棚本身的影響較大。

圖1 塑料大棚內四季逐時平均氣溫模擬值與實測值的日內變化

圖2 四季典型晴天塑料大棚內逐時氣溫模擬值與實測值的日內變化

圖3 四季典型陰雨天塑料大棚內逐時氣溫模擬值與實測值的日內變化

表3 四季典型天氣條件五種模型對塑料大棚內逐時氣溫模擬精度

2.2 玻璃溫室內逐時氣溫變化過程模擬結果比較

2.2.1 各季節模擬結果的比較

泰州和浦口地區玻璃溫室各季模擬結果比較見圖4。由圖可見，玻璃溫室內的氣溫變化與塑料大棚內變化趨勢一致，5種模型模擬的逐時氣溫變化過程與實測數據分布特點基本一致。表4為5種模型對玻璃溫室內四季逐時平均氣溫模擬精度的比較。對于泰州地區，5種模型全年平均模擬誤差分別為1.24、1.06、0.37、1.29和0.81℃，其中正弦?指數分段函數（TEMP）和神經網絡模型（BP）的模擬結果明顯好于其它模型，并且都在春夏季節模擬較準確，但從平均偏差（MBE）來看，TEMP的模擬結果高于實測值，而BP的MBE則無明顯規律；其次，正弦分段函數（WCALC）的模擬效果僅次于TEMP和BP，其模擬精度隨季節的變化差異不明顯，預測結果低于實測值；余弦分段函數（WAVE）在春夏季節較精確，預測結果高于實際氣溫；一次分段函數（SAWTOOH）的模擬結果較差且高于實際氣溫。浦口地區全年平均誤差分別為1.05、0.88、0.72、1.15和0.78℃，對比可知，TEMP的均方根誤差與泰州地區相比增加了95%，但其模擬效果依舊好于其它模型，但此時其在秋冬季節的模擬精度較高；BP模型的模擬結果地區間差異并不明顯，但其也表現為在秋冬季節的模擬效果較好；WCALC模型的模擬誤差相比泰州地區減少了17%，并且在秋季誤差較小；WAVE和SAWTOOH的模擬誤差相近，均稍高于實際氣溫并且在夏季誤差最小。

綜上可知，5種模型均可根據日最高、最低氣溫模擬玻璃溫室內氣溫的逐時日變化，5種模型的平均誤差分別為1.14、0.97、0.55、1.22、0.79℃。對比可知，TEMP模型和BP在模擬精度上具有明顯優勢，且其季節變化特征在不同的玻璃溫室也表現不一；WCALC的模擬效果較好，與其它模型不同的是其模擬結果通常稍低于實測值；WAVE和SAWTOOH的模擬精度較低，且都在夏季模擬效果最好。

2.2.2 各季節典型日模擬結果比較

在泰州和浦口地區，每個季節選取一個典型晴天和典型陰雨天，分別利用5種模型計算每日玻璃溫室內逐時氣溫，與相應實測數據進行對比，結果如圖5、圖6所示。由圖可見，玻璃溫室內的氣溫分布也符合下降—快速上升—快速下降的基本規律，并且晴天和陰雨天的氣溫分布也與塑料大棚類似，5種模型模擬的逐時氣溫變化過程與實測數據分布特點基本一致。表5為5種模型對玻璃溫室內四季典型晴天和陰雨天逐時平均氣溫模擬精度的比較。由表可知，晴天條件下，5種模型的平均模擬誤差（忽略季節影響，取四季平均RMSE）分別為0.99、1.07、0.76、0.75和0.79℃（泰州），1.69、1.40、1.18、1.94和0.92℃（浦口）。對于泰州玻璃溫室的模擬結果，一次分段函數（SAWTOOH）、正弦?指數分段函數（TEMP）以及神經網絡模型（BP）的模擬效果較好，并且都在夏秋季節有較小的誤差；而對于浦口的玻璃溫室則以BP的模擬效果最好，其次為TEMP模型，這與之前對總體情況的分析結果類似。陰雨天氣下，5種模型的平均模擬誤差分別為1.25、1.23、0.65、1.17、0.77℃（泰州），1.39、1.08、1.07、1.41、0.89℃（浦口），可以看出TEMP和BP的誤差較小。對比典型晴天和陰雨天氣下的模擬結果可以發現，玻璃溫室在典型陰雨天下的模擬精度與典型晴天條件下相比并無明顯差異，5種模型在晴天條件下的平均相關系數=0.93（R＞0.85）比其在陰雨天氣下的=0.89（R＞0.56）略高，這與塑料大棚的模擬結果略有不同。對比不同模型的模擬情況可知，TEMP和BP的模擬效果在晴天和陰雨天均普遍表現較好，但TEMP的模擬精度隨地區的變化差異較大，BP的模擬情況隨地區變化不大；WAVE的模擬精度較低且在冬季模擬情況較好。

圖4 玻璃溫室內四季逐時平均氣溫模擬值與實測值的日內變化

表4 五種模型對玻璃溫室內四季逐時平均氣溫模擬精度

圖5 四季典型晴天玻璃溫室內逐時氣溫模擬值與實測值的日內變化

圖6 四季典型陰雨天玻璃溫室內逐時氣溫模擬值與實測值的日內變化

2.3 塑料大棚與玻璃溫室模擬結果的比較

與塑料大棚的模擬結果相比，玻璃溫室的模擬誤差較大，5種模型的平均均方根誤差分別增加107.7%、64.1%、69.4%、115.6%和36.3%，其中神經網絡模型（BP）的誤差變化最小，說明其隨溫室類型的變化模擬差異不明顯，余弦分段函數（WAVE）和一次分段函數（SAWTOOH）誤差變化較大，說明其普適性較差，正弦?指數分段函數（TEMP）的誤差雖然變化較大，但始終維持在一個較低的水平。綜合模擬結果可知，天氣狀況對5種模型的模擬精度也有一定的影響，且對塑料大棚的影響大于對玻璃溫室。5種模型在晴天下都能更好地模擬氣溫的變化過程，但陰雨條件下的誤差較小，就對氣溫的模擬誤差而言陰雨條件下模擬情況較為理想。就典型天氣下5種模型各自的精度變化來看，TEMP模型的平均誤差最小且其變化也較小；BP模型的精度變化最小，其模擬精度僅次于TEMP，故這兩種模型的普適性較高；WAVE、WCALC和SAWTOOTH對塑料大棚進行模擬時模擬精度受天氣的影響較大，對玻璃溫室模擬時其精度較為穩定。5種模型對塑料大棚的模擬精度存在一定的季節變化特征，均表現為在冬季誤差較大，TEMP在夏季模擬效果最好，BP在秋季模擬效果最好，WAVE在春夏季節模擬效果較好。而5種模型對玻璃溫室的模擬精度則無沒有明顯的季節變化特征，但TEMP、WAVE均在夏季模擬較為準確。

表5 四季典型天氣條件下五種模型對玻璃溫室內逐時氣溫模擬精度

3 結論與討論

利用余弦分段函數（WAVE）、正弦分段函數（WCALC）、正弦?指數分段函數（TEMP）、一次分段函數（SAWTOOH）和神經網絡模型（BP）5種模型對江蘇省句容、盤城、泰州、浦口4個地區2個塑料大棚和2個玻璃溫室內逐時氣溫進行模擬，對模擬結果與實測值之間相關性、均方差的比較表明，5種模型均可以通過當天的最高、最低氣溫模擬逐時氣溫變化，其中BP模擬精度較高且受溫室類型、天氣狀況和季節變化的影響較小，普適性較高；TEMP模擬效果最好，且受天氣和季節的影響較小，但其受溫室本身特性和地區的影響較大；WAVE和WCALC模擬效果相近，對塑料大棚的模擬精度均遠高于玻璃溫室，SAWTOOH準確度較低且誤差變化較大。

李倩等[16]所采用的諧波法和楊文剛等[13]所采用的逐步回歸法均可以較好地模擬陰雨天和多云天氣下溫室氣溫的變化，但其在晴天的擬合結果較差。本研究所使用的方法在晴天和陰雨天均有良好的擬合結果。另一方面，以往研究對溫室內氣溫的逐時模擬主要集中在利用室外的相關參數，如氣溫、相對濕度、輻射等數據反算出溫室內的氣溫，建立在較長期的數學統計基礎上，但是對于部分地區，室外的觀測數據密集度較低，進行多種氣象要素的密集觀測較困難，而通常情況下會采用最高最低氣溫模擬室外氣溫變化[21]，造成一定的誤差，所以這種方法也有一定的局限性。本研究使用日最高、最低氣溫模擬溫室內逐時氣溫變化，所需要的數據量少，模擬精度較高，一定程度上可以彌補諧波法和逐步回歸模型的缺點，提高溫室氣溫模擬的精確度。

TEMP對溫室逐時氣溫的模擬誤差最小（RMSE=0.43℃），小于Reicosky等[18]對室外氣溫日變化模擬的結果（RMSE=2.08℃），表明溫室內氣溫變化與室外氣溫變化相比更符合正弦?指數的變化模式。晴天條件下模擬結果與實際觀測的相關性更好，陰雨天條件下較差，這是因為本研究采用的數學模型沒有考慮到氣溫變化的連續性，一次連續的降溫或者連續的升溫過程通常情況下可以持續3d左右，以句容地區的溫室大棚為例，2015年全年有29d的最低溫出現在當日0：00?2：00。在氣溫連續變化的情況下，利用最高、最低氣溫模擬結果的準確度會受到影響。姜會飛等[20]在對室外氣溫進行模擬時，提出了正弦分段模擬法，這種方法對室外氣溫連續變化的模擬具有較高的準確度（RMSE＜0.7℃），朱業玉等[27]也提出了三段樣條法對連續躍變的室外氣溫日變化進行模擬，也得到了較好模擬結果（RMSE＜1.31℃），這兩種方法是否可以直接應用于溫室氣溫逐時日變化的模擬還需進一步研究。本研究尚未考慮作物蒸騰作用對溫室內氣溫的影響，這一點也需深入研究。

[1] 王琳,楊再強,楊世瓊,等.高溫與不同空氣濕度交互對設施番茄苗生長及衰老特性的影響[J].中國農業氣象,2017,38(12):761?770.

Wang L,Yang Z Q,Yang S Q,et al.Effects of high temperature and different air humidity on growth and senescence characteristics for tomato seedlings[J].Chinese Journal of Agrometeorology,2017,38(12):761?770.(in Chinese)

[2] 楊世瓊,楊再強,王琳,等.高溫高濕交互對設施番茄葉片光合特性的影響[J].生態學雜志,2018,37(1):57?63.

Yang S Q,Yang Z Q,Wang L,et al.Effect of high humidity and high temperature interaction on photosynthetic characteristics of greenhouse tomato crops[J].Chinese Journal of Ecology,2018,37(1):57?63.(in Chinese)

[3] Sharma P K,Tiwari G N,Sorayan V P S.Temperature distribution in different zones of the micro of a greenhouse:a dynamic model[J]. Energy Conversion & Mangagenment,1999,40:335?348.

[4] 張悅.日光溫室冬季能量分配模型建立與能量分析[D].沈陽:沈陽農業大學,2016.

Zhang Y.Numerical modeling and energy distribution analysis of solar greenhuose in winter[D].Shengyang:Shengyang Agricultural University,2016.(in Chinese)

[5] 張芳,方慧,楊其長,等.基于CFD模型的大跨度溫室自然通風熱環境模擬[J].中國農業氣象,2017,38(4):221?229.

Zhang F,Fang H,Yang Q C,et al.Ventilation simulation in a large-scale greenhouse based on CFD[J].Chinese Journal of Agrometeorology,2017,38(4): 221?229.(in Chinese)

[6] 任守綱,楊薇,王浩云,等.基于CFD的溫室氣溫時空變化預測模型及通風調控措施[J].農業工程學報,2015,31(13):207?214.

Ren S G,Yang W,Wang H Y,et al.Prediction model on temporal and spatial variation of air temperature in greenhouse and ventilation control measures based on CFD[J].Transactions of the CSAE,2015,31(13):207?214.(in Chinese)

[7] 李石,張菁,張淑杰,等.沈陽地區日光溫室內最低氣溫變化特征及其預報模型研究[J].氣象與環境學報,2016,32(6):130?136.

Li S,Zhang J,Zhang S J,et al.Variation characteristics and forecasting models of the minimum temperature in solar greenhouse in Shenyang[J].Journal of Meteorology and Environment,2016,32(6):130?136.(in Chinese)

[8] 李瑞英,任崇勇.菏澤冬季日光溫室內最低氣溫預測方法的對比研究[J].氣象科學,2016,36(5):697?702.

Li R Y,Ren C Y.Comparative study on forecasting method of minimum temperature in solar greenhouse of Heze in winter[J].Journal of the Meteorological Sciences,2016,36(5): 697?702.(in Chinese)

[9] 李瑞英.菏澤冬季日光溫室內氣溫預測[J].氣象科技,2015,43(3):551?556.

Li R Y.Forecasting of air temperature in solar greenhouse of Heze in winter[J].Journal of the Meteorological Sciences,2015,43(3):551?556.(in Chinese)

[10]李寧,申雙和,黎貞發,等.基于主成分回歸的日光溫室內低溫預測模型[J].中國農業氣象,2013,34(3):306?311.

Li N,Sheng S H,Li Z F,et al.Forecast model of minimum temperature inside greenhouse based on principal component regression[J].Chinese Journal of Agrometeorology,2013,34(3):306?311.(in Chinese)

[11]李國師,王海東,楊守邦,等.日光溫室最低氣溫的預測與調控[J].中國農業氣象,1994,15(6):26?28.

Li G S,Wang H D,Yang S B,et al.The forecast and regulation of minimum temperature in solar greenhouse[J].Chinese Journal of Agrometeorology,1994,15(6):26?28.(in Chinese)

[12]李德,張學賢,祁宦,等.宿州日光溫室內部最高和最低氣溫的預報模型[J].中國農業氣象,2013,34(2):170?178.

Li D,Zhang X X,Qi H,et al.Forecast model of the highest and lowest temperature in the sunlight greenhouse in Suzhou[J].Chinese Journal of Agrometeorology,2013,34(2):170?178.(in Chinese)

[13]楊文剛,孟翠麗,胡幼林,等.春季不同結構溫室氣溫變化特征及預測模型[J].江蘇農業科學,2015,(6):386?390.

Yang W G,Meng C L,Hu Y L,et al.Variation characteristics and prediction model of greenhouse temperature in different structures in spring[J].Jiangsu Agricultural Sciences,2015,(6):386?390.(in Chinese)

[14]劉淑梅,薛慶禹,黎貞發,等.基于BP神經網絡的日光溫室氣溫預報模型[J].中國農業大學學報,2015,20(1):176?184.

Liu S M,Xue Q Y,Li Z F,et al.An air tenperature perdict model based on BP neural networks for solar greenhuose in North China[J].Journal of China Agricultural University,2015,20(1):176?184.(in Chinese)

[15]金志鳳,符國槐,黃海靜,等.基于BP神經網絡的楊梅大棚內氣溫預測模型研究[J].中國農業氣象,2011,32(3): 362?367.

Jin Z F,Fu G H,Huang H J,et al.Simulation and forecast of air temperature inside the greenhouse planted myica rubra based on BP neural network[J].Chinese Journal of Agrometeorology,2011,32(3):362?367.(in Chinese)

[16]李倩,申雙和,陶蘇林,等.基于諧波法的塑料大棚內氣溫日變化模擬[J].中國農業氣象,2014,35(1):33?41.

Li Q,Sheng S H,Tao S L,et al.Simulation of daily air temperature inside plastic greenhouse based on harmonic method[J].Chinese Journal of Agrometeorology,2014,35(1):33?41.(in Chinese)

[17]朱佳敏,楊棟,郭建民,等.南方雙膜塑料大棚內氣溫的諧波模擬[J].中國農學通報,2017,33(9):133?140.

Zhu J M,Yang D,Guo J M,et al.Harmonic simulation of air temperature in double membrane greenhouses in south China[J].ChineseAgricultural Science Bulletin,2017,33(9):133?140.(in Chinese)

[18]Reicosky D C,Winkelman L J,Baker J M,et al.Accuracy of hourly air temperatures calculated from daily minima and maxima[J].Agricultural and Forest Meteorology,1989,46:193?209.

[19]余衛東,湯新海.氣溫日變化過程的模擬與訂正[J].中國農業氣象,2009,30(1):35?40.

Yu W D,Tang X H.Simulation and modification of daily variation of air temperature[J].Chinese Journal of Agrometeorology,2009,30(1):35?40.(in Chinese)

[20]姜會飛,溫德永,李楠,等.利用正弦分段法模擬氣溫日變化[J].氣象與減災研究,2010,33(3):61?65.

Jiang H F,Wen D Y,Li N,et al.Simulation of the daily change of temperature by sine subsection method[J].Meteorology and Disaster Reduction Research,2010,33(3):61?65.(in Chinese)

[21]徐凡,馬承偉.溫室環境分析中冬季室外氣溫日變化及數學表達[J].農業工程學報,2013,29(12):203?209.

Xu F,Ma C W.Daily change and math-expression method of outside temperature in winter for greenhouse environmental analysis[J].Transactions of the CSAE,2013,29(12):203?209.(in Chinese)

[22]吳敏,孫軍波,徐文文,等.慈溪地區日光溫室氣溫變化規律[J].農學學報,2013,3(7):30?32,56.

Wu M,Sun J B,Xu W W,et al.Change laws of air temperature in solar greenhouse in Cixi[J].Journal of Agriculture,2013,3(7):30?32,56.(in Chinese)

[23]Det W C T.Simulation of assimilation, respiration and transpiration of crops[J].Agricultural Systems,1982,9(1):74?75.

[24]Wilkerson G G,Jones J W,Boote K J,et al.Modeling soybean growth for crop management[J].Transactions of the ASAE,1983,26:63?73.

[25]Parton W J,Logan J A.A model for diurnal variation in soil and air temperature[J].Agricultural Meteorology,1981,23:205?216.

[26]Ferreira P M,Faria E A,Ruano A E.Neural network models in greenhouse air temperature prediction[J].Neurocomputing,2002,43(4):51?75.

[27]朱業玉,宋麗莉,姬興杰,等.基于分段三次樣條函數逐時氣象資料模擬方法研究[J].氣象與環境學報,2017,33(2):44?52.

Zhu Y Y,Song L L,Ji X J,et al.Modeling method of hourly meterorological data based on piecewise cubic spline function[J].Journal of Meteorology and Environment,2017,33(2):44?52.(in Chinese)

Simulation Model of Hourly Air Temperature inside Glass Greenhouse and Plastic Greenhouse

WEI Ting-ting1, YANG Zai-qiang1,2, WANG Lin1, ZHAO He-li1, LI Jia-shuai1

(1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China; 2. Jiangsu Provincial Key Laboratory of Agrometeorology, Nanjing 210044)

In 2014?2016, plastic greenhouses and glass greenhouses in different districts of Jiangsu Province were selected for monitoring. Cosine segmentation function, sinusoidal piecewise function, sine-exponential piecewise function, first-order function and neural network model were used to simulate inside hourly temperature in different seasons and different weather conditions (clear day and rainy day). The results showed that all five models can simulate hourly air temperature inside greenhouse through the highest and lowest temperature of the day. The neural network simulation accuracy was the higher (RMSE=0.69℃) and was less affected by the type of greenhouse, weather conditions, and seasonal changes, the universality was higher. The sinusoidal-exponential piecewise function had the best accuracy (RMSE=0.43℃) and was less affected by weather and seasons, but it was affected by the characteristics of the greenhouse itself and the region. The cosine piecewise function (RMSE=0.8℃) and the sinusoidal function (RMSE=0.78℃) had similar simulation results and was affected by the weather and region. The accuracy of a piecewise function is low (RMSE=0.90℃) and the error varies greatly. Models had higher simulation accuracy in plastic greenhouses then it in glass greenhouses. Seasonal variation of the model's simulation accuracy was different between the models and the types of greenhouse, but usually, the simulation error in spring and winter was greater than in autumn, and the error in summer was the smallest.

Plastic greenhouse;Glass greenhouse; Simulation of air temperature；Greenhouse；Daily variation of temperature

2018?03?01

。E-mail：yzq@nuist.edu.cn

國家自然科學基金面上項目（41775104）；江蘇省科技支撐計劃社會發展項目（BE2015693）；2018年度江蘇省研究生科研創新計劃（KYCX18_1028）

韋婷婷（1996?），女，研究方向為設施農業氣象。E-mail：2843717682@qq.com

10.3969/j.issn.1000-6362.2018.10.003

韋婷婷,楊再強,王琳,等.玻璃溫室和塑料大棚內逐時氣溫模擬模型[J].中國農業氣象,2018,39(10):644?655