溫室小氣候溫度和濕度動態模型預測及驗證

韋玉翡，趙建貴，高安琪，白云飛，李志偉

（山西農業大學農業工程學院，山西 太谷 030801）

溫室技術水平的高低直接影響著農作物的產量和品質，要對溫室環境因子進行綜合控制，創造作物生長發育的最適宜條件，實現作物的增產、穩產，就需要建立溫室小氣候模型［1］。溫室小氣候模型的建立是優化溫室結構、優化綜合控制以及智能決策的有力工具。通過分析溫室小氣候模型可以深入了解室內環境因子間的關系及不同因子間的相互作用，并預測下一時刻的因子值，為溫室環境的控制策略提供必要依據及為溫室作物提供最佳的生長環境［2］。

對溫室環境調控而言，溫室小氣候動態預測模型有著舉足輕重的意義，主要分為2 種：一種是以能量平衡方程和質量平衡方程為依據的溫室模型；另一種是基于輸入輸出數據的模型（包括線性模型、非線性模型、黑箱模型等），該法僅需采集溫室內外環境因子的數據，與溫室結構類型無關。在國內外研究中，基于能量守恒定律，Businger［2］建立了首個依據室內環境因素來確定室溫的溫室小氣候模型；Ra?sheed 等［3］建立多跨度溫室的模擬模型，并采用瞬態系統模擬程序來模擬溫室微環境；Marina 等［4］綜合考慮溫室特點，以溫度及內部濕度為參數，創造有利于植物的生產條件。澳大利亞Kerstin 等［5］提出了多環境中對產量相關性狀的多季重復測量、遙感技術在田間監測中的誤差和關鍵表型的高通量分析等表型研究瓶頸問題。郁瑩珺［6］、溫永菁［7］、蘇春杰［8］等利用環境因子建立了不同條件下溫室環境模型；宿文［9］、劉曉艷等［10］根據溫室能量和質量平衡原理建立模型；張園園［11］采用ELM 的方法建立溫室預測模型；周潔［12］、李獻軍等［13］、范瓊［14］通過無線傳感器網絡實時獲取溫室環境數據建立模型；鄒秋瀅等［15］采用自適應神經模糊推理系統（ANFIS）對溫室小氣候環境因子進行辨識建立預測模型；徐立鴻等［16］、秦琳琳等［17］對現有的溫室系統模型進行分析，指出各自的不足和局限性。由以上研究可以看出，機理模型在溫室小氣候動態預測方面切實可行。由于早期溫室受資金及技術條件的約束，并未配備氣候調節設施，在溫室小氣候的建模中主要考慮室外天氣變化影響［17，18］，未考慮氣候調節設備動作的影響，且目前預測模型多數只考慮一部分環境因素進行預測，并未涵蓋一些重要的影響因素以致預測精度不高，影響后續智能決策和綜合控制的效果。本模型充分考慮溫室構造、溫室內外部各項環境因子及介入設施的影響，有效提高了預測精度。

1 材料與方法

1.1 試驗地概況

為實現研究目標，在山西農業大學工學院（東經112°34′，北緯37°25′）旁建造了一個玻璃溫室。溫室為東西走向，總占地面積為125 m（212.5 m×10.0 m）。溫室四周底部由鋼筋混凝土作基礎墊層（室外地面0.5 m 下），四周采用砌體結構（磚、石，距室外地面0.6 m），四根邊柱搭建玻璃結構，玻璃框架采用鋁合金作為玻璃連接體，玻璃采用有機玻璃（厚2.5 cm）。溫室東西側設置前后門，南側設置濕簾（共4 扇），北側設置風機（共2 臺），西北方向設置天窗（共4 扇），頂部設有保溫被、遮陽簾，內有加熱管道（表面積為43 m2）、熱風機等加熱設施。溫室內設備由計算機控制，包括熱風機的開關，濕簾、保溫被、遮陽簾、風機組等的開啟，天窗開啟角度等。

1.2 試驗材料

溫室內種植番茄（Solanum lycopersicumSolyc）歐美佳。該品種為高抗TY 病毒、強耐寒、低溫弱光下能正常彭果、每節生4~6 果的無限生長型番茄。由育苗公司采用穴盤育苗，于9 月26 日移栽至實驗溫室培養槽的椰糠基質袋中，每袋長100 cm，寬20 cm，高7 cm，每袋均勻定植4 株，種植深度5 cm，種植3行，行距為90 cm，株距為25 cm。試驗期間，側蔓和卷須摘除及下部老葉去除保持一致。

1.3 試驗方法

試 驗 時 間 為 2019 年 10 月 1 日 至 2020 年 1 月 20日，自11 月開始啟用加熱設施（熱水管道、暖風機）。利用溫室監測系統的采集節點采集室內外太陽全輻射、室內外溫濕度、二氧化碳濃度、風速、風向、熱水管道進出水溫度、基質溫度、土壤溫度（土壤5 cm處）等參數，均勻將采集節點部署于溫室內外，網關定時向采集節點發送“同步巡檢”指令，對覆蓋范圍內所有采集節點巡檢，自動建立與解除通信鏈路，若出現網絡故障，系統將自修復運行和采集、傳送數據。采集數據和傳輸過程具有延遲性，故網關設置為每隔6 min 向采集節點發送“點名輪詢”指令，即所有數據通過計算機控制系統自動記錄并保存數據，計算機每隔6 min 對采集的數據記錄并保存一次。

1.4 項目測定

1.4.1 溫室小氣候溫度動態模型 根據熱力學有關理論可知，單位時間溫室內熱量的積累等于溫室內熱量儲存的變化率［10］，即室內的熱量平衡動態模型如下。

式中，Qa為溫室內部空氣熱量，W/m2；Qr為太陽輻射熱量，W/m2；Qp為暖氣管道供熱量，W/m2；Qw為溫室圍護結構傳熱量，W/m2；Qs為葉面、土壤與空氣的熱交換量，W/m2；Ql為燈具散熱能量，W/m2；Qv為通風損失熱量，W/m2；Qg為溫室覆蓋層與外界交換的損失熱量，W/m2；Qe為蒸騰作用吸收的熱量，W/m2；Qh為濕簾風機的熱交換吸收熱量，W/m2。

具體公式如下：

由于Qh、Qs、Ql在模型驗證期間對溫室溫度的影響微乎其微，故在計算中未做考慮。Ti為溫室空氣熱力學溫度，K；T0為溫室外空氣熱力學溫度，K；S0為室外太陽輻射，W/m2；τ為溫室太陽輻射透射率，其為一天測量的室內輻射總和與一天測量的室內太陽輻射總和之比；TP為管道熱水熱力學溫度，K；hP為熱水管道傳遞系數，W/（m2·K）；G為通風窗的空氣交換率，m3/h；hc為溫室內部空氣透過覆蓋層與溫室外部空氣的熱交換系數，hc=A+Bv（單層覆蓋物，A=6，B=0.5；雙層覆蓋物，A=4，B=0.2；v為風速）；As為溫室覆蓋物表面積，m2。式中其他各參數的意義及具體值詳見表1。

1.4.2 溫室小氣候相對濕度動態模型 相對濕度是溫室環境的重要狀態變量。根據物質和能量平衡原理，溫室內的水汽平衡動態模型如下［10］。

式中，h為溫室平均高度（溫室容積與地表面積之比，V/Af），m；Et為植物蒸騰作用釋放的水氣量，即植物的蒸騰速率，kg/（m2·s）；Eshebei為增濕或除濕設備啟動后，溫室內減少或增加的水分（增濕為正，除濕為負），kg/（m2·s）；Ev為通風換氣和空氣滲透帶走的水分，kg/（m2·s）；Econd為在圍護結構和覆蓋物上水蒸氣的凝結速度，kg/（m2·s）；Wt為水和空氣的比率，kg/kg。

具體公式如下：

式中，Ct為經驗常數（與葉面指數LAI呈函數關系）；Rn為作物冠層上方的太陽輻射度（Rn=0.55S0，一般略高于室外太陽輻射度的50%），W/m2；ht為作物和空氣之間的熱量轉移系數（與作物冠層上方的太陽輻射度Rn、葉面積指數LAI呈函數關系），W/（m2·K）；β為溫度變化對飽和水蒸氣壓力影響的綜合系數；λ為水的蒸發潛熱，kJ/kg；γ為在空氣相對濕度不變的情況下，水蒸氣壓力因溫度變化的斜率；Q為濕度調節設備的流量，kg/s；Udt為供熱設施引發室內每平方米增加的熱量，W/m2；ei為溫室內部空氣的水蒸氣壓力，Pa；e0為溫室外部空氣的水蒸氣壓力，Pa；Tg為覆蓋物的內表面熱力學溫度，℃；xi、x0為相對濕度。

其中，在T攝氏溫度下時絕對濕度的計算公式如下：

式中，RH為絕對濕度。

表1 溫度和濕度模型參數

1.5 數據分析

為了驗證所建冬季溫室小氣候預測模型的準確度和精確度，采集生長期的溫室數據（自9 月26 日開始，幼苗期10 d，開花期28 d，結果期32 d）。各生育期采集的數據先進行預處理，剔除異常和無效數據，再代入溫室小氣候動態模型計算預測值，并通過Microsoft Excel 2019 計算各類誤差。

2 結果與分析

2.1 單天溫度和相對濕度動態變化分析

選取10 月11 日內外環境因子的各項數據，并分別繪制該日室內外溫度、相對濕度及其相應預測值的曲線分布，結果如圖1、圖2 所示。由圖1 可見，溫室內溫度晝夜變化為白天高、夜晚低。由于溫室熱量主要來源于室外溫度和太陽輻射量，在白天尤其是14：00 左右二者同時達到最大值，故此刻溫度達到一天中的最大值。白天時室外的輻射較大，而夜晚溫室熱量主要來源于白天室內熱量，在夜晚5：00室外溫度達最小值，且白天累積熱量基本消耗殆盡，故夜晚5：00 溫度到達一天中的最小值。經對比10月 11 日的室內溫度和預測溫度，在 8：00—17：00 預測溫度大于室內溫度，而18：00 之后基本低于室內溫度。溫室內的相對濕度也是溫室小氣候的一個重要組成部分，相對濕度過高或過低對作物的生長都很不利。由圖2 可見，與室內溫度相反，室內相對濕度晝夜變化呈白天低、夜晚高的規律，這種情況在太陽輻射量大時顯得非常突出，故白天加濕、降溫是調節溫度和濕度的一個方案，夜晚應保持一定的通風、降低濕度，以預防病蟲害的發生率。

2.2 有無加熱設施介入時溫度和相對濕度動態變化分析

針對2019 年10 月10—19 日溫室小氣候環境在設置加熱設施前后5 d 的溫度和相對濕度預測值與實際值對比分析，得到玻璃溫室在有無加熱設施情況下各時間段溫度和相對濕度的變化情況。圖3、圖4 分別為其溫度和相對濕度的變化曲線。

由圖3可見，加熱設施進入溫室后，在沒有加熱設施下，室內最高溫度為33.44 ℃，最低溫度為6.42 ℃，平均溫度為17.11 ℃，溫度相差最大為27.02 ℃；而在加熱設施工作情況下，最高溫度為35.46 ℃，最低溫度為4.83 ℃，平均溫度為17.73 ℃，溫度相差最大為30.63 ℃。經計算室內溫度預測模型相對誤差在3.30%~10.91%，絕對誤差在0.66~1.75 ℃，均方根誤差在0.83~2.50 ℃。

由圖4 可見，在無加熱設施時，正午時段最小相對濕度維持在48%左右，夜間相對濕度極大值在93%以上。加熱設施工作時，正午時段最小相對濕度在35%左右，夜晚極大值在85%之上。從圖3、圖4 可以看出，室內溫度和相對濕度的預測線與實測線的走勢都很接近，但相對濕度度量值較溫度度量值大得多，故2 條曲線的擬合度不及溫度預測的擬合度。但室內相對濕度預測模型精度還是較高的，它的相對誤差在1.49%~8.99%，絕對誤差在1.05~4.83 個百分點，均方根誤差在0.58%~4.91%。

2.3 生育期試驗分析

為進一步探究模型的精確度，在各生育期各取5 d（幼苗期 10 月 1—5 日，開花期 10 月 27—31 日，結果期11 月11—15 日）來驗證。圖5、圖6 分別為各生育期溫度、相對濕度的曲線分布。

由圖5 可知，整個生育期，溫度預測值和實際值曲線趨勢基本一致，由于冬季室外溫度的逐漸降低，基本關閉通風窗（正午時小幅開啟），故預測值溫度也呈下降趨勢（加熱設施介入，趨勢并不大）。溫度在整個時期最高達35.73 ℃，最低為3.62 ℃，各時期最大絕對誤差分別達1.76、1.67、1.30 ℃，最大相對誤差分別達9.79%、8.91%、7.18%，最大均方根誤差分別達2.50、1.87、1.51 ℃，絕對誤差、相對誤差和均方根誤差的平均值均在結果期數值最小，幼苗期最大（表2）。

表2 預測溫度和相對濕度誤差統計分析

相比室內溫度變化，室內相對濕度變化更為劇烈，最大值和最小值出現多次振蕩且差值較大，但總體上相對濕度預測值與實際值的變化趨勢是一致的。相對濕度在整個時期最高達98.41%，最低為29.64%，各時期最大相對誤差分別為4.83%、2.66%、1.73%，最大絕對誤差分別為8.99、4.89、2.36 個百分點，最大均方根誤差分別為4.91%、2.71%、1.82%，三者與溫度誤差類型的變化趨勢相同。

溫度、相對濕度動態模型的預測值與實際值曲線如圖1 至圖6 所示，二者有著較好的擬合關系。在整個生育期內，溫度和相對濕度的絕對誤差分別為1.18 ℃、1.19 個百分點；相對誤差分別為7.49%、2.86%；均方根誤差溫度為1.36 ℃、相對濕度為1.96%。由此可見，運用擴充后的機理模型對溫室小氣候進行環境因子預測是行之有效的，建立的機理模型考慮因素較為全面有效，對溫室小氣候環境因子預測效果較好，為后續溫室小氣候環境智能控制奠定了基礎。

3 小結與討論

由本研究結果可知，隨室外溫度及室外太陽輻射量的增加，室內溫度亦逐漸增加，總體趨勢與室外溫度一致，但略滯后于太陽輻射量（太陽輻射正午達最大值，溫度下午14 時達最大值）。無加熱設施時，室內溫度直接由室外高溫導致，而冬季室內溫度主要依靠室外溫度及加熱設施提供溫度。從2 條溫度曲線可見，正午時分的預測溫度高于實際值，這主要是由于正午的太陽輻射量高，室外溫度持續處在高溫下使得預測溫度略高于正常值。在夜間無太陽輻射，室內外溫度的測量較為一致，預測值無太陽輻射量這部分數值，故總體低于室內溫度。溫室室內濕度改變主要受植物蒸騰速率、室內溫度以及通風換氣的影響。正午時分隨室溫不斷上升到最大值，室內相對濕度會下降，維持在36%左右。在夜間隨氣溫逐漸降低使空氣中容納的飽和水氣壓降低，致使相對濕度下降，當溫度降至最低時，相對濕度往往上升至最高。

對于改善溫室環境的控制和管理效率，溫室小氣候模型有著顯著的效果［19］。一方面，它是認識溫室機理的理論基礎，另一方面，溫室的氣候預測和控制依據也取決于它［20-23］。通過分析溫室內外影響溫濕度的環境因子、溫室結構、作物生理作用以及介入設施來建立溫室溫濕度動態平衡方程，結果顯示建立的模型方法簡單有效，進一步提高了精度且能有效降低試驗成本。根據實際采集的數據，此模型能很好地預測溫濕度動態變化，為后續溫室智能控制以達到作物生長發育的適宜條件打下基礎，從而實現作物高產、穩產及利潤最大化。