利用Elman神經網絡的華北棚型日光溫室室內環境要素模擬

程 陳，馮利平，董朝陽，宮志宏，劉 濤，黎貞發

利用Elman神經網絡的華北棚型日光溫室室內環境要素模擬

程 陳1，馮利平1※，董朝陽2，宮志宏2，劉 濤2，黎貞發2

（1. 中國農業大學資源與環境學院，北京 100193；2. 天津市氣候中心，天津 300074）

準確模擬日光溫室內環境的變化過程是實現溫室環境精準調控的前提。該研究以3個生長季的日光溫室室內實時氣象觀測資料為基礎，利用Elman神經網絡建模的方法，對日光溫室室內1.5 m氣溫、0.5 m氣溫和CO2濃度進行逐時模擬，對日光溫室室內平均濕度、平均溫度、最高溫度和最低溫度進行逐日模擬，建立基于Elman神經網絡的日光溫室室內環境逐時及逐日模擬模型，利用獨立的氣象觀測資料對模型進行驗證，并基于逐步回歸方法和BP神經網絡方法結果進行對比分析。結果表明：1）基于Elman神經網絡的日光溫室室內環境（1.5 m氣溫、0.5 m氣溫和CO2濃度）逐時模擬值與實測值的均方根誤差（Root Mean Square Error，RMSE）分別為2.14 ℃、1.33 ℃和55.32mol/mol，歸一化均方根誤差（Normalized Root Mean Square Error，NRMSE）分別為10.01%、5.87%和10.70%，基于Elman神經網絡的日光溫室室內環境逐時模擬效果和穩定性最優。2）基于Elman神經網絡的日光溫室室內環境（日均空氣濕度、日均氣溫、日最高氣溫和日最低氣溫）逐日模擬值與實測值的RMSE分別為0.59%、0.88 ℃、2.02 ℃和0.98 ℃，NRMSE分別為0.79%、4.44%、7.02%和6.66%，基于Elman神經網絡的日光溫室室內環境逐日模擬效果和穩定性最優。研究結果可以準確模擬日光溫室室內逐時及逐日環境，也可以為環境模型與作物模型相互耦合提供技術支撐。

溫室；溫度；空氣濕度；CO2濃度；Elman神經網絡；逐步回歸；BP神經網絡

0 引 言

據統計，中國溫室總面積由2008年的81萬hm2上升至2017年的205萬hm2（www.njhs.moa.gov.cn），2015年主要蔬菜的設施栽培面積占比近47.5 %[1]。溫室小氣候是影響日光溫室內作物生長發育以及產量品質的重要因素，主要包括溫度[2-3]、相對濕度[4]、CO2濃度[5]和輻射[6]等氣象環境因子。溫度過高或過低都會對作物正常生長發育造成影響，最終導致減產[3,7]；相對濕度過高易引發病蟲害，從而影響作物的產量和品質[4,8]；CO2濃度過低會影響光合作用[9]和根際微生物活性[10]，從而限制了作物光合生產潛力。同時日光溫室是一個非線性的多輸入、多輸出復雜系統[11]，實現對氣象環境因子的逐時和逐日模擬，可以及時地采取防災減災管理措施，也可為制定合理且節能的溫控方案提供決策依據。

華北棚型主要分布在河北中部、陜西中部、天津、寧夏、北京、遼寧、山西、甘肅南部等地區。關于華北棚型環境的研究，溫永菁等[12]構建了基于BP神經網絡的日光溫室溫濕度模擬模型；劉洪等[13]構建了基于輻射熱理論的北京地區日光溫室光環境模擬模型；羅新蘭等[14]構建了日光溫室內光合有效輻射、溫度和CO2濃度的日變化模擬模型，雖然模型能夠較準確地模擬日光溫室環境的日變化過程，但較少涉及日光溫室環境逐時變化過程。關于環境模擬方法的研究，有學者通過能量平衡法的分層法[15]、熱量交換過程[16]、流體力學(CFD)[17-18]和有限元與有限體積法[19]等構建溫室室內環境因子的預測模擬，雖然能從原理上反映溫室內外環境的內在聯系，但模型所需的參數較多，常因參數選取不當造成模型計算誤差過高。有學者建立溫室外易于測量氣象要素與室內環境的多輸入非線性關聯模型，并與主成分分析方法[20]和聚類分析方法[21]等結合，但模型的準確度仍有待提高。有學者通過統計學方法(主要包括回歸法和神經網絡)構建溫室室內環境因子的預測模擬，其中回歸法主要包括支持向量機方法[22]和逐步回歸法[12,23]等方法，神經網絡主要包括BP神經網絡[12,24]、模糊神經網絡[25]、徑向基神經網絡[26]和黑箱多層感知神經網絡[27]等方法，雖然模型無需考慮溫室耗散、熱輻射等因素的影響且能較好地反映溫室內外環境的內在聯系，但較少考慮到作物類型及茬口類型對溫室環境的影響，且神經元個數也多為主觀經驗設置。

為了提高日光溫室環境小氣候模型的模擬精度和穩定性，有必要嘗試結合新的方法模擬溫室內不同環境指標。Elman神經網絡具有預測準確、收斂迅速、學習記憶穩定和動態特性好等優勢，且已應用到長期記憶信息能力和模塊化使用能力[28]、線椒株高預測[29]等研究中，并達到較好的預測結果。本研究利用2018－2020年日光溫室內氣象環境觀測數據，建立基于Elman神經網絡日光溫室室內逐時及逐日模擬模型，確定模型參數，并與逐步回歸和BP神經網絡模型的模擬效果進行比較，研究結果可作為作物生長發育模型中的關鍵模塊，并與作物模型相互耦合，最終達到作物生長發育過程的精準預測。

1 材料與方法

1.1 試驗設計

試驗于2018－2020年在天津市武清區農業科技創新基地園區（116°58′E，39°26′N，海拔8 m）華北日光溫室內進行。日光溫室冬至日正午太陽高度角為27.14°，作物吊質量為15 kg/m2，基礎雪壓為0.40 kN/m2，基礎風壓為0.50 kN/m2，屋面荷載為1.50 kN/m2，恒載為0.50 kN/m2，基礎埋深為1.0 m(標準凍土深度為0.69 m)，極端最低溫度為–22.9 ℃，溫室整體采光率≥75%，溫室跨度為8 m，前屋面角為30°，其余溫室結構參數如表1所示。茬口設置時間與設施內栽培作物種類有關，春茬（Spring Stubble, SS）設為3－4月定植，9－10月收獲；秋冬茬（Autumn and Winter stubble, AW）設為10－11月定植，次年2－3月收獲。試驗包括2018－2019年秋冬茬、2019年春茬和2019－2020年秋冬茬。

表1 溫室結構參數

1.2 數據獲取

溫室內小氣候觀測選用小氣候觀測儀（CAWS2000型，北京華云尚通科技有限公司），每10 min自動記錄溫室室內中部的空氣溫濕度、CO2濃度等氣象數據，儀器安裝的垂直位置可測定0.5和1.5 m的氣溫，水平位置于溫室中部（圖1）。溫室內空氣加密輔助觀測選用小氣候觀測儀（Hobo型，美國ONSET公司），每5 min自動記錄溫室室內不同位置的空氣溫濕度、CO2濃度等氣象數據，各儀器安裝的垂直位置均為1.5 m，水平位置分別安裝于溫室兩端及中部（圖1）。溫度觀測分辨率：±0.2 ℃，測量范圍–40～50 ℃。溫室外環境由天津市氣象局的氣象觀測場提供，逐日自動記錄溫室室外空氣溫濕度等氣象數據。

溫室管理同常規，9:00－9:30揭簾，15:30－16:30蓋簾，溫室夜間覆蓋物為保溫被。若11:00前溫室內氣溫高于32 ℃，則進行揭膜通風；若11:00前溫室內氣溫在26～32 ℃之間，則于11:00－13:00通風10～30 min；若11:00前溫度在16～26 ℃之間，則僅在12:00通風10～30 min，若11:00前氣溫低于16 ℃則不通風。

1.3 模型檢驗統計變量

2 模型描述

2.1 建模因子

構建模擬逐時室內氣象要素（0.5、1.5 m溫度和CO2濃度）模型中，在建模之前篩選了9個氣象因子（時刻、與模擬指標相關的室內溫度及CO2濃度值、該時刻開始的前1 h、前2 h、前3 h室內該指標瞬時值、該日該指標最值出現時刻、9:00室內該指標瞬時值、茬口系數和該指標日均值），保留值小于0.05的氣象因子進行建模。構建模擬逐日室內氣象要素（日均空氣濕度、日均氣溫、日最高氣溫和日最低氣溫）模型中，在建模之前篩選了17個氣象因子（日序、與模擬指標對應的室外溫度、該日開始的前1 d、前2 d、前3 d室內外該指標的日均值、前5 d室內外該指標的滑動均值、該日室外平均地溫、該日室外平均5 cm地溫、該日室外平均10 cm地溫、該日室外平均20 cm地溫、該日室外平均40 cm地溫、室內外該指標的日均值比值、作物系數），保留值小于0.05的氣象因子進行建模。根據羅新蘭等[14]溫室內揭苫至蓋苫的溫度和CO2濃度變化的研究結果（式（1）～式（2）），計算出氣象要素變化幅度系數。

表2 日光溫室室內環境逐時模擬模型茬口系數和作物系數

溫室內種植不同類型的作物會對室內的氣象要素產生不同程度的影響，包括溫度和CO2濃度。本研究按最小二乘法的原理擬合出以秋冬茬為自變量，春茬為因變量的逐時氣象要素比值作為茬口系數，同理擬合出以瓜類作物為自變量，其他作物為因變量的逐日氣象要素比值作為作物系數（表2）。

2.2 Elman神經網絡

Elman神經網絡（Elman Neural Network）是一種帶有反饋的兩層BP網絡結構，由輸入層、隱含層（中間層）、承接層和輸出層組成。輸入層單元的作用是傳輸信號；輸出層單元的作用是線性加權[30]；中間層單元可使用非線性或線性的傳遞函數，是從隱含層的輸出到其輸入端，這種反饋方式使得Elman 網絡能夠探測和識別時變模式；承接層作為一步延時算子，它把中間層單元上一時刻的輸出值返回給輸入。這種特殊的兩層網絡可以任意精度逼近任意函數，唯一的要求是其隱含層必須具有足夠的神經元數目。

描述Elman神經網絡的非線性狀態空間表達式見式（3）～（5）

()=(3()) （3）

()=(1()+2((–1))) （4）

c()=(–1) （5）

式中，，，分別為維輸入矢量、維隱含層節點單元矢量、維反饋狀態矢量和維輸出節點矢量；1，2，3分別是狀態層到隱含層、輸入層到隱含層、隱含層到輸出層的連接權值；是隱含層神經元傳遞函數；是輸出神經元傳遞函數，是隱含層輸出的線性組合。

利用Elman神經網絡與逐步回歸法和BP神經網絡環境模擬效果進行比較，對于相同環境要素的模擬，BP和Elman神經網絡的算法參數（訓練函數、隱藏層神經元個數、最大訓練次數、初始學習速率和目標誤差）保持一致。

3 結果與分析

3.1 日光溫室室內環境逐時模擬模型

3.1.1 日光溫室室內環境逐時模擬模型參數確定

根據逐時模擬模型的目標模擬指標與相關指標之間的回歸參數，保留了值小于0.05的氣象環境因子進行建模，并確定各氣象環境因子的回歸系數（式（6））。

式中inside_time表示逐時模擬模型的目標模擬指標，包括室內CO2濃度、1.5和0.5 m氣溫。利用逐步回歸法篩選出通過顯著性檢驗的氣象環境因子，并計算得出和α的值。為模型常數項，1.5、0.5 m氣溫和CO2濃度分別為0.048 4 ℃、189.042 0℃和35.960 3mol/mol。為建模的氣象環境因子指標個數，3個目標模擬指標的氣象環境因子個數均為7。α為與目標模擬指標相關的氣象環境因子回歸系數（表3）。Index為建模的氣象環境因子。表3中時刻表示該日中的時間點，取值范圍在0～24之間。日均值代表該時刻對應日期該指標的日均值。

表3 基于逐步回歸法的環境逐時模型回歸系數

注：**表示顯著性通過0.01水平，呈極顯著關系。

Note: ** indicates that the significance passes the level of 0.01, showing a very significant relationship.

本研究中神經網絡的訓練函數均采用trainlm（L-M反向傳播算法，Levenberg-Marquardt backpropagation）函數，1.5m氣溫、0.5m氣溫和CO2濃度逐時變化模型隱藏層神經元個數分別設為4、5和8，最大訓練次數為100，初始學習速率為0.10，目標誤差為0.000 04。

3.1.2日光溫室室內環境逐時模擬模型驗證

由圖2可知，2號溫室種植期間的平均1.5 m處溫度為（21.39±6.58）℃，平均0.5 m處溫度為（22.63±4.35）℃，平均CO2濃度為（516.95±101.00）mol/mol。基于Elman神經網絡的日光溫室室內環境（1.5 m、0.5 m氣溫和CO2濃度）逐時模擬值與實測值的值分別為0.98、0.94和1.02，值分別為0.31、1.24和6.02，2分別為0.89、0.91和0.72，RMSE分別為2.14 ℃、1.33 ℃和55.32mol/mol，NRMSE分別為10.01%、5.87%和10.70%，值均為1.00。說明基于Elman神經網絡的日光溫室室內環境逐時模擬值與實測值有很好的線性關系，3個指標模擬模型的模擬精度大小依次為0.5 m氣溫、1.5 m氣溫、CO2濃度。

由表4可知，對不同茬口（2018－2019年秋冬茬、2019年春茬和2019－2020年秋冬茬）日光溫室室內環境逐時模擬模型具有不同的模擬效果。0.5 m氣溫逐時模擬值與實測值的RMSE在1.20～1.37 ℃之間，NRMSE在4.14%～6.66%。1.5 m氣溫逐時模擬值與實測值的RMSE在1.49～2.41 ℃之間，NRMSE在5.46%～12.63%之間。CO2濃度逐時模擬值與實測值的RMSE在52.41～57.56mol/mol之間，NRMSE在10.44%～11.12%之間。綜上所述，基于Elman神經網絡方法的不同茬口日光溫室室內環境逐時模擬模型具有較高的模擬效果。

本研究同時構建了基于逐步回歸法和BP神經網絡的日光溫室室內環境逐時模擬模型，并將2種模型與基于Elman神經網絡的逐時模擬模型進行統計比較。3種0.5 m氣溫逐時模擬模型(逐步回歸法、BP神經網絡和Elman神經網絡)的模擬值與實測值的RMSE分別為0.41、0.28和1.33 ℃，NRMSE分別為1.80%、1.22%和5.87%。3種1.5 m氣溫逐時模擬值與實測值的RMSE分別為2.41、2.27和2.14 ℃，NRMSE分別為11.25%、10.59%和10.01%。3種CO2濃度逐時模擬值與實測值的RMSE分別為68.92、73.52和55.32mol/mol，NRMSE分別為13.33%、14.22%和10.70%。日光溫室室內1.5 m氣溫和CO2濃度逐時模擬模型中Elman神經網絡最優，日光溫室室內0.5 m氣溫逐時模擬模型中BP神經網絡最優。綜上所述，基于Elman神經網絡的日光溫室室內環境逐時模擬模型的模擬效果和穩定性最優。

表4 基于Elman神經網絡的不同茬口日光溫室室內環境逐時模擬值與實測值比較

3.2 日光溫室室內環境逐日模擬模型

3.2.1 日光溫室室內環境逐日模擬模型參數確定

根據模型的目標模擬指標與相關指標之間的回歸參數，保留了值小于0.05的氣象環境因子進行建模，并確定各氣象環境因子的回歸系數（式（7））。

式中inside_day表示日變化模型的目標模擬指標，包括日均空氣濕度、日均氣溫、日最高氣溫和日最低氣溫。利用逐步回歸法篩選出通過顯著性檢驗的氣象環境因子，并計算得出和b的值。日均空氣濕度、日均氣溫、日最高氣溫和日最低氣溫分別為77.270 2%、0.988 6 ℃、 8.930 0 ℃和–0.346 4 ℃。日均空氣濕度指標個數為11、日均氣溫指標個數為12、日最高氣溫指標個數為13和日最低氣溫為12。b為與目標模擬指標相關的氣象環境因子回歸系數（表5）。Indexj為建模的氣象環境因子。本研究按最小二乘法的原理擬合出以室外氣象因子為自變量，室內氣象因子為因變量的日均氣象要素比值作為室內外氣象因子系數。

本研究中神經網絡的訓練函數均采用trainlm（L-M反向傳播算法，Levenberg-Marquardt backpropagation）函數，日均空氣濕度、日均氣溫、日最高氣溫和日最低氣溫逐日模擬模型隱藏層神經元個數均設為7，最大訓練次數為200，初始學習速率為0.10，目標誤差為0.000 04。

表5 基于逐步回歸法的環境逐日模型回歸系數

注：*表示顯著性通過0.05水平，呈顯著關系；**表示顯著性通過0.01水平，呈極顯著關系。

Note: * indicates that the significance passes the level of 0.05, showing a significant relationship; ** indicates that the significance passes the level of 0.01, showing a very significant relationship.

3.2.2 日光溫室室內環境逐日模擬模型驗證

由圖3可知，1號和2號溫室種植期間的日平均空氣濕度為（75.19±13.46） %，日平均氣溫為（19.87±5.24）℃，日平均日最高氣溫為（28.81±6.24）℃，日平均日最低氣溫為（14.71±4.79）℃。基于Elman神經網絡的日光溫室室內環境（日均空氣濕度、日均氣溫、日最高氣溫和日最低氣溫）逐日模擬值與實測值的值分別為0.99、0.97、0.90和0.94，值分別為0.08、0.53、2.86和0.96，2分別為1.00、0.97、0.91和0.96，RMSE分別為0.59%、0.88 ℃、2.02 ℃和0.98 ℃，NRMSE分別為0.79%、4.44%、7.02%和6.66%，值均為1.00。說明基于Elman神經網絡的日光溫室室內環境逐日模擬值與實測值有很好的線性關系，4個指標模擬模型的模擬精度大小依次為日均空氣濕度、日均氣溫、日最高氣溫、日最低氣溫。

由表6可知，對不同溫室（1號和2號）日光溫室室內環境逐日模擬模型具有不同的模擬效果。1號溫室室內環境（日均空氣濕度、日均氣溫、日最高氣溫和日最低氣溫）逐日模擬值與實測值的RMSE分別為0.79%、0.77 ℃、1.87 ℃和0.72 ℃，NRMSE在1.01%～6.82%之間。2號溫室室內環境逐日模擬值與實測值的RMSE分別為0.25%、0.99 ℃、2.17 ℃和1.19 ℃，NRMSE在0.35%～7.59%之間。綜上所述，基于Elman神經網絡方法的日光溫室室內環境逐日模擬模型具有較高的模擬效果。

表6 基于Elman神經網絡的日光溫室室內環境逐日模擬值與實測值比較

本研究同時構建了基于逐步回歸法和BP神經網絡的日光溫室室內環境逐日模擬模型，并將2種模型與基于Elman神經網絡的逐日模擬模型進行統計比較。3種日均空氣濕度逐日模擬模型（逐步回歸法、BP神經網絡和Elman神經網絡）模擬值與實測值的RMSE分別為3.01%、2.21%和0.59%，NRMSE分別為4.00%、2.93%和0.79%。3種日均氣溫逐日模擬值與實測值的RMSE分別為1.10、0.97和0.88 ℃，NRMSE分別為5.56%、4.89%和4.44%。3種日最高氣溫逐日模擬值與實測值的RMSE分別為2.21、1.60和2.02 ℃，NRMSE分別為7.68%、5.56%和7.02%。3種日最低氣溫逐日模擬值與實測值的RMSE分別為0.98、1.27和0.98 ℃，NRMSE分別為6.66%、8.60%和6.66%。日光溫室室內日均空氣濕度、日均氣溫和日最低氣溫逐日模擬模型中Elman神經網絡最優，日光溫室室內日最高氣溫逐日模擬模型中BP神經網絡最優。綜上所述，基于Elman神經網絡的日光溫室室內環境逐日模擬模型的模擬效果和穩定性最優。

4 討 論

Elman神經網絡不僅彌補了逐步回歸線性處理法模擬多因子干擾室內溫濕度變化的局限性[12]，還彌補了BP神經網絡僅適用于得到局部最優解，而不能得到全局最優解的局限性[12,24,30]。雖然本研究構建的基于Elman神經網絡模型的普適性低于畢玉革等[34]構建的基于物理質量平衡原理過程的室內CO2濃度模擬模型，但本模型涉及的參數較少，且模擬精度與其相近，相對誤差都在10%左右。由于棚室受過度通風或通風不足的影響，溫室內常出現短時溫度過高或過低的情況，如果規范通風時間及通風時的天窗開度，可提高最高氣溫模擬精度。本模型的輸入量為氣象部門所發布易獲取的氣象環境因子，不包括輻射等難獲取的氣象因子，雖然沒有考慮輻射對溫度的影響[35]，但相較于其他學者構建的模型[24,33]降低了模型的構建難度。通過逐步回歸分析發現不同溫室結構參數（后墻高、后屋面仰角、后屋面水平投影和脊高）對室內氣象因子并沒有顯著的影響，與許紅軍等[36]研究結果相結合，說明輻射受到溫室結構的影響要大于空氣溫濕度和CO2濃度受到溫室結構的影響。本研究結合羅新蘭等[14]溫室內揭苫至蓋苫CO2濃度變化的研究結果，雖然考慮了CO2濃度最值出現時刻和9：00室內CO2濃度等關鍵影響因素，構建了通風和不通風條件下溫室內CO2濃度逐時模擬模型，但未來還需要考慮風速、通風口面積、通風時長、作物光合強度等因素對CO2濃度的影響，增強模型的機理性。本研究建立的逐時模擬模型實現了溫室內逐時氣溫模擬，可為有加溫設施的日光溫室的溫度調控時間及調控強度提供參考；建立的逐日模擬模型可以通過與日尺度的作物生長發育模型相結合，完善溫室內系統的模擬，為產量和品質的精準模擬提供技術支撐。

雖然本模型的模擬精度要優于物理模型，但不具有廣泛外推性。未來需要考慮室內污染物、溫室材料等因素對溫室內環境的影響[30]，以提高華北棚型日光溫室模擬模型的精確性和普適性，還需要構建溫室內輻射和地溫模擬模型[36-37]，耦合輻射和溫度模塊，以完善華北棚型日光溫室模擬模型的功能性。

5 結 論

本研究利用2018－2020年日光溫室內氣象環境數據，建立基于Elman神經網絡日光溫室室內逐時及逐日模擬模型，并與逐步回歸和BP神經網絡模型的模擬效果進行比較，得出以下主要結論：

關于日光溫室室內環境逐時模擬模型中，基于Elman神經網絡的日光溫室室內環境（1.5 m氣溫、0.5 m氣溫和CO2濃度）逐時模擬值與實測值的均方根誤差分別在2.14 ℃、1.33 ℃和55.32mol/mol，歸一化均方根誤差分別為10.01%、5.87%和10.70%。基于Elman神經網絡的日光溫室室內環境逐時模擬模型有較好的模擬效果，3個指標模擬模型的模擬精度大小依次為0.5 m氣溫、1.5 m氣溫、CO2濃度。基于Elman神經網絡的日光溫室室內環境逐時模擬模型的模擬效果和穩定性最優。

關于日光溫室室內環境逐日模擬模型中，基于Elman神經網絡的日光溫室室內環境（日均空氣濕度、日均氣溫、日最高氣溫和日最低氣溫）逐日模擬值與實測值的RMSE分別為0.59%、0.88 ℃、2.02 ℃和0.98 ℃，NRMSE分別為0.79%、4.44%、7.02%和6.66%。基于Elman神經網絡的日光溫室室內環境逐日模擬模型有較好的模擬效果，4個指標模擬模型的模擬精度大小依次為日均空氣濕度、日均氣溫、日最高氣溫、日最低氣溫。基于Elman神經網絡的日光溫室室內環境逐日模擬模型的模擬效果和穩定性最優。

[1] 中華人民共和國統計局. 中國統計年鑒[M]. 北京：中國統計出版社，2015.

[2] 程陳，余衛東，閆錦濤，等. 不同品種郁金香鮮切花物質積累及分配的模擬[J]. 中國農業氣象，2019，40(12)：758-771. Cheng Chen, Yu Weidong, Yan Jintao, et al. Simulation model of material accumulation and distribution of fresh cut tulips of different varieties[J]. Chinese Journal of Agrometeorology, 2019, 40(12): 758-771. (in Chinese with English abstract)

[3] 程陳，董朝陽，黎貞發，等. 日光溫室芹菜外觀形態及干物質積累分配模擬模型[J].農業工程學報，2021，37(10)：142-151.

Cheng Chen, Dong Chaoyang, Li Zhenfa, et al. Simulation model of external morphology and dry matter accumulation and distribution of celery in solar greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(10): 142-151. (in Chinese with English abstract)

[4] Zhang Y Q, Wen Y, Bai Q, et al. Spatio-temporal effects of canopy microclimate on fruit yield and quality ofGaertn[J]. Scientia Horticulturae, 2019, 251: 136-149.

[5] Lansink A O, Bezlepkin I. The effect of heating technologies on CO2and energy efficiency of Dutch greenhouse firms[J]. Journal of Environmental Management, 2003, 68(1): 73-82.

[6] 程陳，馮利平，薛慶禹，等. 日光溫室黃瓜生長發育模擬模型[J]. 應用生態學報，2019，30(10)：3491-3500.

Cheng Chen, Feng Liping, Xue Qingyu, et al. Simulation model for cucumber growth and development in sunlight greenhouse[J]. Chinese Journal of Applied Ecology, 2019, 30(10): 3491-3500. (in Chinese with English abstract)

[7] Jha U C, Bohra A, Jha R. Breeding approaches and genomics technologies to increase crop yield under low-temperature stress[J]. Plant Cell Reports, 2017, 36(1): 1-35.

[8] Winspear K W, Postlethwaite J D, Cotton R F. The restriction ofand, attacking glasshouse tomatoes, by automatic humidity control[J]. Annals of Applied Biology, 2010, 65(1): 75-83.

[9] Tartachnyk I I, Blanke M. Photosynthesis and transpiration of tomato and CO2fluxes in a greenhouse under changing environmental conditions in winter[J]. Annals of Applied Biology, 2007, 150(2): 149-156.

[10] 陳靜，陳欣，唐建軍. 大氣二氧化碳濃度升高對植物根際微生物及菌根共生體的影響[J]. 應用生態學報，2004，15(12)：2388-2392.

Chen Jing, Chen Xin, Tang Jianjun. Influence of elevated atmospheric CO2on rhizosphere microbes and arbuscular mycorrhizae[J]. Chinese Journal of Applied Ecology, 2004, 15(12): 2388-2392. (in Chinese with English abstract)

[11] 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[J]. 農業機械學報，2010，41(11)：173-177，182.

Zuo Zhiyu, Mao Hanping, Zhang Xiaodong, et al. Forecast model of greenhouse temperature based on time series method[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(11): 173-177, 182. (in Chinese with English abstract)

[12] 溫永菁，李春，薛慶禹，等. 基于逐步回歸與BP神經網絡的日光溫室溫濕度預測模型對比分析[J]. 中國農學通報，2018，34(16)：115-125.

Wen Yongjing, Li Chun, Xue Qingyu, et al. Temperature and humidity prediction models in solar greenhouse: Comparative analysis based on stepwise regression and BP neural network[J]. Chinese Agricultural Science Bulletin, 2018, 34(16): 115-125. (in Chinese with English abstract)

[13] 劉洪，郭文利，李慧君. 北京地區日光溫室光環境模擬及分析[J]. 應用氣象學報，2008，19(3)：350-355.

Liu Hong, Guo Wenli, Li Huijun. Simulation and analysis on light environment of greenhouse in Beijing area[J]. Journal of Applied Meteorological Science, 2008, 19(3): 350-355. (in Chinese with English abstract)

[14] 羅新蘭，李天來，姚運生，等. 日光溫室氣象要素及番茄單葉光合速率日變化模擬的研究[J]. 園藝學報，2004，31(5)：607-612.

Luo Xinlan, Li Tianlai, Yao Yunsheng, et al. Simulation of diurnal variation of weather factors and photosynthesis of individual tomato leaves in greenhouse[J]. Acta Horticulturae Sinica, 2004, 31(5): 607-612. (in Chinese with English abstract)

[15] Haller M Y, Yazdanshenas E, Andersen E, et al. A method to determine stratification efficiency of thermal energy storage processes independently from storage heat losses[J]. Solar Energy, 2010, 84(6): 997-1007.

[16] Baxevanou C, Fidaros D, Bartzanas T, et al. Numerical simulation of solar radiation, air flow and temperature distribution in a naturally ventilated tunnel greenhouse[J]. Agricultural Engineering International: CIGR Journal, 2010, 12(3): 48-67.

[17] Ali H B, Bournet P E, Cannavo P, et al. Using CFD to improve the irrigation strategy for growing ornamental plants inside a greenhouse[J]. Biosystems Engineering, 2019, 186: 130-145.

[18] 周偉，李永博，汪小旵. 基于CFD非穩態模型的溫室溫度預測控制[J]. 農業機械學報，2014，45(12)：335-340.

Zhou Wei, Li Yongbo, Wang Xiaochan. Model predictive control of air temperature in greenhouse based on CFD unsteady model[J]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(12): 335-340. (in Chinese with English abstract)

[19] Nebbali R, Roy J C, Boulard T. Dynamic simulation of the distributed radiative and convective climate within a cropped greenhouse[J]. Renewable Energy, 2012, 43: 111-129.

[20] Lan H, Zhang C, Hong Y Y, et al. Day-ahead spatiotemporal solar irradiation forecasting using frequency-based hybrid principal component analysis and neural network[J]. Applied Energy, 2019, 247: 389-402.

[21] 陳昕，唐湘璐，李想，等. 二次聚類與神經網絡結合的日光溫室溫度二步預測方法[J]. 農業機械學報，2017，48(增刊)：353-358.

Chen Xin, Tang Xianglu, Li Xiang, et al. An air temperature predict model based on BP neural networks for solar greenhouse in North China[J]. Transactions of the Chinese Society for Agricultural Machinery, 2017, 48(Supp.): 353-358. (in Chinese with English abstract)

[22] 王定成. 溫室環境的支持向量機回歸建模[J]. 農業機械學報，2004，35(5)：106-109.

Wang Dingcheng. SVM regression modeling for greenhouse environment[J]. Transactions of the Chinese Society for Agricultural Machinery, 2004, 35(5): 106-109. (in Chinese with English abstract)

[23] Zhang Y H, Sun C T, Yang H B. PM10concentration forecast model based on stepwise regression analysis[J]. Environmental ence & Technology, 2009, 32(5): 100-102.

[24] 汪小旵，丁為民，羅衛紅，等. 利用BP神經網絡對江淮地區梅雨季節現代化溫室小氣候的模擬與分析[J]. 農業工程學報，2004，20(2)：235-238.

Wang Xiaochan, Ding Weimin, Luo Weihong, et al. Estimation on winter wheat scab based on combination of temperature, humidity and remote sensing vegetation index[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2004, 20(2): 235-238. (in Chinese with English abstract)

[25] Zhang X Y. A novel greenhouse control system based on fuzzy neural network[J]. Applied Mechanics & Materials, 2014, 668-669: 415-418.

[26] Ferreira P M, Faria E A, Ruano A E. Neural network models in greenhouse air temperature prediction[J]. Neurocomputing, 2002, 43(1): 51-75.

[27] Linker R, Seginer I. Greenhouse temperature modeling: A comparison between sigmoid neural networks and hybrid models[J]. Mathematics & Computers in Simulation, 2004, 65(1): 19-29.

[28] Portegys T E. A maze learning comparison of Elman, long short-term memory, and Mona neural networks[J]. Neural Networks, 2010, 23(2): 306-313.

[29] 張瑜，汪小旵，孫國祥，等. 基于集合經驗模態分解與Elman神經網絡的線椒株高預測[J]. 農業工程學報，2015，31(18)：169-174.

Zhang Yu, Wang Xiaochan, Sun Guoxiang, et al. Prediction of cayenne pepper plant height based on ensemble empirical mode decomposition and Elman neural network [J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2015, 31(18): 169-174. (in Chinese with English abstract)

[30] 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 Shumei, Xue Qingyu, Li Zhenfa, et al. An air temperature predict model based on BP neural networks for solar greenhouse in North China[J]. Journal of China Agricultural University, 2015, 20(1): 176-184. (in Chinese with English abstract)

[31] 夏克文，李昌彪，沈鈞毅. 前向神經網絡隱含層節點數的一種優化算法[J]. 計算機科學，2005，32(10)：143-145.

Xia Kewen, Li Changbiao, Shen Junyi. An optimization algorithm on the number of hidden layer nodes in feed-forward neural network[J]. Computer Science, 2005, 32(10): 143-145. (in Chinese with English abstract)

[32] 李彬，張云，王立平，等. 基于遺傳算法優化小波神經網絡數控機床熱誤差建模[J]. 機械工程學報，2019，55(21)：215-220.

Li Bin, Zhang Yun, Wang Liping, et al. Modeling for CNC machine tool thermal error based on genetic algorithm optimization wavelet neural networks[J]. Journal of Mechanical Engineering, 2019, 55(21): 215-220. (in Chinese with English abstract)

[33] 李倩，申雙和，曹雯，等. 南方塑料大棚冬春季溫濕度的神經網絡模擬[J]. 中國農業氣象，2012，33(2)：190-196.

Li Qian, Shen Shuanghe, Cao Wen, et al. Neural network simulation on air temperature and relative humidity inside plastic greenhouse during winter and spring in Southern China[J]. Chinese Journal of Agrometeorology, 2012, 33(2): 190-196. (in Chinese with English abstract)

[34] 畢玉革，麻碩士，崔紅梅，等. 北方干寒地區日光溫室CO2預測模型建立與冬季試驗[J]. 農業機械學報，2010，41(12)：183-189.

Bi Yuge, Ma Shuoshi, Cui Hongmei, et al. Forecasting model of CO2concentration of solar greenhouse in the northern drought cold area and experimental verification in winter[J]. Transactions of the Chinese Society for Agricultural Machinery, 2010, 41(12): 183-189. (in Chinese with English abstract)

[35] 張觀山，李天華，侯加林. 考慮動態吸收率的玻璃溫室覆蓋層溫度預測模型[J]. 農業工程學報，2020，36(5)：201-211.

Zhang Guanshan, Li Tianhua, Hou Jialin. Model for predicting the temperature of glass greenhouse cover considering dynamic absorptivity[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(5): 201-211. (in Chinese with English abstract)

[36] 許紅軍，曹晏飛，李彥榮，等. 日光溫室太陽輻射模型構建及應用[J]. 農業工程學報，2019，35(7)：160-169.

Xu Hongjun, Cao Yanfei, Li Yanrong, et al. Establishment and application of solar radiation model in solar greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(7): 160-169. (in Chinese with English abstract)

[37] 程陳，黎貞發，董朝陽，等. 日光溫室黃瓜和芹菜不同位置消光系數模擬及驗證[J]. 農業工程學報，2020，36(21)：243-252.

Cheng Chen, Li Zhenfa, Dong Chaoyang, et al. Simulation and validation of extinction coefficient at different positions of cucumber and celery in solar greenhouse[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(21): 243-252. (in Chinese with English abstract)

Simulation of inside environmental factors in solar greenhouses using Elman neural network in North China

Cheng Chen1, Feng Liping1※, Dong Chaoyang2, Gong Zhihong2, Liu Tao2, Li Zhenfa2

(1.,,100193,;2.,300074,)

Accurate forecast is critical to the hour- and daily-varying changes of environmental factors in different types of structures in a solar greenhouse, particularly to the high effectiveness of greenhouse environment control system. In this study, a 2-year of greenhouse experiment was carried out from 2018 to 2020 in Agricultural Science and Technology Innovation Base, in Wuqing, Tianjin (east longitude 116.97° north latitude 39.43°, altitude 8 m) in north China. Observation data of inside environment factors were used for the solar greenhouse with 6 structural parameters. A hour- and daily-varying model was also constructed with high accuracy. In the hour-varying model, the weather data in No.1 greenhouse were used as modeling data, and the weather data in No.2 greenhouse were used as verification data. In the daily-varying model, the meteorological data in No.3 to No.6 greenhouses were used as modeling data, and the meteorological data in No.1 and No.2 greenhouses were used as verification data. According to the least-squares method, the change range ratio of meteorological factors under different crops was fitted as the crop parameter and the ratio of daily average meteorological factors in different greenhouses as the crop parameter. Elman neural network was used to predict hour-varying inside temperature of 1.5 m, 0.5 m, and CO2concentration, as well as daily-varying of average humidity, average temperature, the maximum temperature, and minimum temperature in the solar greenhouse. The statistical variables of model validation were also selected to evaluate the accuracy of the model, including the Root Mean Square Error (RMSE), Normalized Root Mean Square Error (NRMSE), and conformity index (). The prediction results were compared with the stepwise regression and BP neural network modeling. The results showed: 1) In Elman neural network, the RMSE of simulated and measured values for the hour-varying model of inside environmental factors (1.5m air temperature, 0.5 m air temperature, and CO2concentration) in the solar greenhouse were 2.14℃, 1.33℃, and 55.32mol/mol, respectively, while the NRMSE were 10.01%, 5.87%, and 10.70%, respectively. There was optimal stability performance of the hour-varying model for the indoor environment factors in the solar greenhouse. 2) The RMSE of simulated and measured values in the daily-varying model of inside environmental factors (daily average air humidity and temperature, the maximum and minimum air temperature) were 0.59%, 0.88℃, 2.02℃ and 0.98℃, respectively, where the NRMSE were 0.79%, 4.44%, 7.02%, and 6.66%, respectively. It also indicated that the optimal stability of the daily-varying model was achieved. Consequently, the Elman neural network can be expected to accurately simulate the hour- and daily-varying environmental elements. The finding can also provide sound technical support to couple the environmental and crop model in the solar greenhouse.

greenhouse; temperature; air humidity; CO2concentration; Elman neural network; stepwise regression; BP neural network

程陳，馮利平，董朝陽，等. 利用Elman神經網絡的華北棚型日光溫室室內環境要素模擬[J]. 農業工程學報，2021，37(13)：200-208.

10.11975/j.issn.1002-6819.2021.13.023 http://www.tcsae.org

Cheng Chen, Feng Liping, Dong Chaoyang, et al. Simulation of inside environmental factors in solar greenhouses using Elman neural network in North China[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(13): 200-208. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.13.023 http://www.tcsae.org

2021-02-03

2021-06-13

天津市蔬菜產業技術體系創新團隊科研專項（201716）

程陳，博士，研究方向為事作物模擬與環境調控。Email：chengsir1993@lsu.edu.cn

馮利平，教授，研究方向為農業模型、農業氣象與資源利用。Email：fenglp@cau.edu.cn

10.11975/j.issn.1002-6819.2021.13.023

S625.5

A

1002-6819(2021)-13-0200-09