葡萄大棚小氣候預(yù)測模型研究

葛黎黎 郭棟 張龍

摘要：為精準(zhǔn)把控并及時調(diào)節(jié)葡萄大棚棚內(nèi)小氣候，利用清徐縣葡萄大棚農(nóng)田小氣候站觀測數(shù)據(jù)及氣象站、輻射站、土壤水分站資料，建立以棚外氣溫、相對濕度、風(fēng)速、總輻射、土壤濕度為輸入變量，棚內(nèi)氣溫、相對濕度、土壤溫度為輸出變量的基于BP神經(jīng)網(wǎng)絡(luò)葡萄大棚小氣候預(yù)測模型。為了對比分析BP神經(jīng)網(wǎng)絡(luò)的精確度和穩(wěn)定性，同時建立多元線性回歸模型。結(jié)果表明，基于BP神經(jīng)網(wǎng)絡(luò)建立的預(yù)測模型，其訓(xùn)練值和實(shí)測值之間的絕對誤差分別為1.55 ℃、4.46%、0.77 ℃，標(biāo)準(zhǔn)誤差分別為2.18 ℃、5.94%、1.00 ℃;預(yù)測值和實(shí)測值之間的絕對誤差分別為1.37 ℃、2.84%、0.42 ℃，標(biāo)準(zhǔn)誤差分別為1.96 ℃、4.60%、0.53 ℃。預(yù)測效果明顯優(yōu)于多元線性回歸模型，預(yù)測精度滿足棚內(nèi)小氣候要素預(yù)報要求。

關(guān)鍵詞：葡萄大棚;BP神經(jīng)網(wǎng)絡(luò);多元線性回歸;小氣候預(yù)測模型

中圖分類號：S639;P463.4? ? ? ? ? 文獻(xiàn)標(biāo)志碼：A? ? ? ? ? 文章編號：1001-1463（2022）06-0061-06

doi：10.3969/j.issn.1001-1463.2022.06.015

Study on the Simulation and Forecast Model of Microclimate inside the Grape Greenhouses

GE Lili 1， GUO Dong 2， ZHANG Long 2

（1. Shanxi Meteorological Information Centre， Taiyuan Shanxi 030006， China; 2. Shanxi Meteorological Service Centre， Taiyuan Shanxi 030002， China）

Abstract： To precisely control and adjust the microclimate inside grenhouses for grape production， with the data of farmland microclimate station， meteorological station， radiation station and soil moisture station， a simulation and forecast model of Back propagation neural network inside the grape greenhouse in Qingxu was built， which took the temperature， relative humidity， wind speed， total radiation and soil moisture content outside the greenhouse as input variables， and the temperature， relative humidity and soil temperature inside the greenhouse as output variables. In order to compare and analyse the accuracy and stability of Back propagation neural network， a multiple linear regression model was built at the same time. The results showed that the absolute errors of the model of Back-propagation neural network， when compared training values with the measured values， were 1.55 ℃， 4.46% and 0.77 ℃， respectively， and the RMSE values were 2.18 ℃， 5.94% and 1.00 ℃， respectively. The absolute errors of the model， when compared the predicted values with the measured values， were 1.37 ℃， 2.84% and 0.42 ℃， respectively， and the RMSE values were 1.96 ℃， 4.60% and 0.53 ℃， respectively. The prediction effect was obviously better than that of the multiple linear regression model， and the prediction accuracy of the model was of satisfactory for the microclimate prediction inside grenhouses.

Key words： Grape greenhouse; Back-propagation neural network; Multiple linear regression; Forecast model for microclimate

葡萄在我國屬于六大水果之一，在果樹種植中有著舉足輕重的作用[1 - 3 ]。清徐縣是山西省葡萄主產(chǎn)區(qū)之一，縣域內(nèi)葡萄種植面積逾1 600 hm2，年產(chǎn)量可達(dá)2.7萬t，擁有“龍眼”“黑雞心”“屏兒”等20多個地方品種和100余個引進(jìn)品種。其主要種植區(qū)域位于清徐西北部，地形以丘陵旱地為主，平均海拔1 150 m，年平均無霜期為180 d左右，年日照時數(shù)逾2 500 h，日照率近60%。獨(dú)特的地理和氣候條件造就了清徐葡萄色彩艷麗、粒大皮薄、含糖量高、味道甘甜等特點(diǎn)，品質(zhì)卓越，馳名省內(nèi)外。

當(dāng)前，葡萄大棚種植技術(shù)在清徐縣已得到廣泛應(yīng)用。大棚種植的葡萄具有病害少、長勢好、產(chǎn)量高、品質(zhì)卓越等特點(diǎn)，是提高葡萄種植經(jīng)濟(jì)效益的有效手段。相較于露地栽培，棚內(nèi)小氣候是直接影響葡萄生長發(fā)育全過程的重要因素。能否精準(zhǔn)把控并及時調(diào)節(jié)棚內(nèi)小氣候成為大棚種植葡萄的關(guān)鍵技術(shù)。研究表明，室外氣象要素與室內(nèi)氣象要素關(guān)系密切[4 ]，因而可以通過建立大棚內(nèi)外氣象要素的關(guān)系，尋求在外部天氣變化時大棚內(nèi)部小氣候條件的變化規(guī)律。

由于大棚內(nèi)外的氣象要素之間呈復(fù)雜的非線性關(guān)系，而神經(jīng)網(wǎng)絡(luò)具有自組織、自學(xué)習(xí)、非線性動態(tài)處理等特征[5 ]，因此神經(jīng)網(wǎng)絡(luò)是模擬溫室小氣候常用的研究方法。我們通過實(shí)驗(yàn)觀測，收集大棚內(nèi)小氣候數(shù)據(jù)，基于氣象站觀測數(shù)據(jù)，以氣溫、相對濕度、風(fēng)速、總輻射、土壤濕度等5個要素作為輸入變量，運(yùn)用神經(jīng)網(wǎng)絡(luò)模型，建立氣象指標(biāo)體系，預(yù)測清徐葡萄種植區(qū)在同時段葡萄大棚內(nèi)的氣溫、相對濕度和土壤溫度，建立適用于葡萄大棚栽培的小氣候預(yù)測模型，并對預(yù)測效果進(jìn)行分析和評價，開展棚內(nèi)氣象要素預(yù)報，以期為當(dāng)?shù)仄咸汛笈锓N植環(huán)境調(diào)控及科學(xué)栽培管理提供支持。

1? ?材料與方法

1.1? ?資料來源

供試大棚位于山西省清徐縣的葡萄種植區(qū)。大棚長、寬、高分別為38、9、3 m，南北朝向，棚內(nèi)土壤質(zhì)地為沙黏土，為當(dāng)?shù)刂饕临|(zhì)。種植葡萄品種為早黑寶。實(shí)驗(yàn)觀測時間為2020年1 — 4月。觀測要素包括2 m處的氣溫、相對濕度、總輻射、二氧化碳濃度、土壤溫度、土壤濕度，數(shù)據(jù)觀測頻率為1次/2 h。棚外要素為自動氣象站、輻射站、土壤水分站觀測，包括氣溫、相對濕度、風(fēng)速、總輻射、土壤濕度，其中氣溫、相對濕度、風(fēng)速來源于距供試大棚100 m的清徐國家氣象觀測站，總輻射數(shù)據(jù)來源于太原輻射站。土壤水分?jǐn)?shù)據(jù)來源于距供試大棚約2 km的清徐土壤水分站，數(shù)據(jù)觀測頻率為1次/h。

考慮到實(shí)驗(yàn)過程中棚內(nèi)氣溫、濕度和土壤溫度觀測因儀器和人為原因存在缺測現(xiàn)象，實(shí)驗(yàn)數(shù)據(jù)不連續(xù)，且進(jìn)行過2次人工澆灌，與自然狀況不一致，故選取實(shí)驗(yàn)期間處于完全封閉狀態(tài)且不采取任何管理措施條件下的觀測得到的連續(xù)數(shù)據(jù)作為網(wǎng)絡(luò)模型樣本，共408組實(shí)驗(yàn)樣本，其中363組進(jìn)行建模，45組進(jìn)行預(yù)測。

1.2? ?BP神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)在非線性系統(tǒng)預(yù)測方面應(yīng)用極為廣泛。其中，BP神經(jīng)網(wǎng)絡(luò)模型是最重要的人工神經(jīng)網(wǎng)絡(luò)模型之一，又稱為誤差反向傳播神經(jīng)網(wǎng)絡(luò)，是一種多層前饋神經(jīng)網(wǎng)絡(luò)，其主要特點(diǎn)是信號前向傳遞，誤差反向傳播[6 ]。在前向傳遞中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層的神經(jīng)元狀態(tài)。如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，使BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出[7 - 8 ]。采用的BP神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。

1.3? ?模型評價指標(biāo)

采用絕對誤差A(yù)E（Absolute Error）以及標(biāo)準(zhǔn)誤差RMSE（Root Mean Square Error）對模擬值和實(shí)測值之間的擬合度進(jìn)行分析，以驗(yàn)證模型的精確度。

式（1）、（2）中，OBSi為實(shí)際觀測值，指由棚內(nèi)農(nóng)田小氣候站實(shí)測的氣溫、相對濕度和土壤溫度;SIMi為相應(yīng)模擬值;n為樣本容量。AE、RMSE的值越小，模擬值與實(shí)測值之間的偏差越小，模型的模擬精度越高。

1.4? ?棚內(nèi)外要素相關(guān)性分析

應(yīng)用數(shù)理統(tǒng)計方法，分析棚內(nèi)氣溫、相對濕度、土壤溫度與外界氣象要素（氣溫、風(fēng)速、輻射等）的相關(guān)性。由表1可見，棚內(nèi)棚內(nèi)氣溫、相對濕度、土壤溫度與棚外氣溫、相對濕度、風(fēng)速、輻射、土壤濕度的關(guān)系密切，均通過了信度為0.01水平的顯著性檢驗(yàn)，因此可將棚外各要素作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入項。

1.5? ?模型構(gòu)建

基于棚內(nèi)外氣象要素相關(guān)性分析的結(jié)果，以棚外氣溫、相對濕度、風(fēng)速、輻射、土壤濕度為輸入變量，以棚內(nèi)氣溫、相對濕度、土壤溫度為輸出變量，構(gòu)建了單隱層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò)模型（圖1）并進(jìn)行模擬預(yù)測實(shí)驗(yàn)。模型結(jié)構(gòu)分為3層：第1層為輸入層，5個神經(jīng)元分別是大棚外的氣溫、相對濕度、風(fēng)速、總輻射、土壤濕度;第2層為隱含層;第3層為輸出層，3個神經(jīng)元分別是大棚內(nèi)氣溫、相對濕度、土壤溫度。為了提高神經(jīng)網(wǎng)絡(luò)訓(xùn)練的效率和網(wǎng)絡(luò)的泛化能力，在訓(xùn)練前對所有的樣本數(shù)據(jù)都進(jìn)行歸一化處理[9 ]，將其壓縮至區(qū)間[-1，1]范圍內(nèi)。

模型運(yùn)行中通過不斷調(diào)節(jié)，最終選定合適的傳遞函數(shù)、隱含層神經(jīng)元數(shù)及相關(guān)的參數(shù)值：拓?fù)浣Y(jié)構(gòu)為5-3-3結(jié)構(gòu)，隱含層傳遞函數(shù)logsig，輸出層傳遞函數(shù)purelin，網(wǎng)絡(luò)訓(xùn)練算法為trainlm，初始學(xué)習(xí)速率為0.1，最大循環(huán)次數(shù)1 000次，目標(biāo)誤差0.001。神經(jīng)網(wǎng)絡(luò)模擬采用MATLAB軟件實(shí)現(xiàn)。

2? ?結(jié)果與分析

2.1? ?訓(xùn)練結(jié)果分析

依據(jù)歸一化逆過程對模型訓(xùn)練所得結(jié)果進(jìn)行還原，將其變換到實(shí)際的變化范圍。模型學(xué)習(xí)訓(xùn)練輸出的棚內(nèi)氣溫、相對濕度、土壤溫度與實(shí)測值之間的對比如圖2所示?？梢钥闯瞿Ｐ偷挠?xùn)練效果較好，棚內(nèi)氣溫、相對濕度及土壤溫度的訓(xùn)練值與實(shí)測值基本集中在1∶1線附近，兩者之間的決定系數(shù)在0.95以上，且通過P < 0.01水平的顯著性檢驗(yàn)。棚內(nèi)氣溫的絕對誤差為1.55 ℃，標(biāo)準(zhǔn)誤差為2.18 ℃;棚內(nèi)相對濕度的絕對誤差為4.46%，標(biāo)準(zhǔn)誤差為5.94%;棚內(nèi)土壤溫度的絕對誤差為0.77 ℃，標(biāo)準(zhǔn)誤差為1.00 ℃。棚內(nèi)氣溫的模擬誤差較大，精度略低，訓(xùn)練值整體較實(shí)測值偏大，主要原因在于棚內(nèi)氣溫受人工調(diào)控影響較大，若天氣晴朗，太陽輻射強(qiáng)，大棚內(nèi)的增溫效應(yīng)明顯[6 ]，則需采取控溫手段，如打開大棚通風(fēng)窗通風(fēng)或遮陽以降低棚內(nèi)氣溫。

2.2? ?預(yù)測結(jié)果分析

根據(jù)訓(xùn)練得到的一系列網(wǎng)絡(luò)權(quán)值和閾值，輸入預(yù)測樣本進(jìn)行網(wǎng)絡(luò)預(yù)測，結(jié)果如圖3所示。由圖3可知，棚內(nèi)氣溫、相對濕度及土壤溫度的預(yù)測值與實(shí)測值均集中在1∶1線附近，兩者之間的決定系數(shù)均在0.95以上，且通過P < 0.01水平的顯著性檢驗(yàn)。圖4是棚內(nèi)氣溫、相對濕度、土壤溫度預(yù)測值與實(shí)測值序列對比。可以看出，棚內(nèi)三要素預(yù)測曲線與實(shí)測曲線走勢基本一致，有較好的線性擬合關(guān)系。棚內(nèi)氣溫預(yù)測值與實(shí)測值絕對誤差為1.37 ℃，標(biāo)準(zhǔn)誤差為1.96 ℃;相對濕度預(yù)測值與實(shí)測值絕對誤差為2.84%，標(biāo)準(zhǔn)誤差為4.60;土壤溫度預(yù)測值與實(shí)測值絕對誤差為0.42，標(biāo)準(zhǔn)誤差為0.53 ℃。預(yù)測值和實(shí)測值的精度均高于訓(xùn)練時的棚內(nèi)氣溫、相對濕度、土壤溫度精度，說明所建模型具有一定的預(yù)測能力，可用于大棚內(nèi)小氣候環(huán)境的預(yù)報。

2.3? ?模型對比分析

為了對比分析BP神經(jīng)網(wǎng)絡(luò)的精確度和穩(wěn)定性，建立棚內(nèi)外氣象要素多元線性回歸模型。

Yi=β0i + β1i X1+ β2i? X2+ β 3i X3+ β4i X4+ β 5i X5+ μi（3）

式（3）中，β0i為常數(shù)，X1…X5為回歸模型的變量，β1i…β5i為回歸系數(shù)，μi為隨機(jī)誤差。獲得回歸函數(shù)后與神經(jīng)網(wǎng)絡(luò)模型進(jìn)行模擬和預(yù)測精確度對比。

選取棚外氣溫（X1）、相對濕度溫（X2）、風(fēng)速溫（X3）、輻射溫（X4）、土壤濕度溫（X5）為自變量，棚內(nèi)氣溫溫（Y1）、相對濕度（Y3）、土壤溫度（Y3）為因變量，應(yīng)用數(shù)理統(tǒng)計方法分別建立預(yù)測模型，回歸函數(shù)如式（4）、（5）、（6）所示。

Y1=0.14 + 1.01X1 + 0.02X2 - 0.16X3 + 0.03X4 - 0.03X5（4）

Y2=38.34-0.38X1 +0.58X2 +0.34X3 -0.04X4 -0.08X5

（5）

Y3=4.86+0.40X1 -0.02X2 -0.23X1 +0.13X5 （6）

多元線性回歸模型中，棚內(nèi)土壤溫度回歸函數(shù)中總輻射變量被排除，表明該變量對土壤溫度回歸模型的作用較小;而BP神經(jīng)網(wǎng)絡(luò)模型采用所有變量，說明其處理具有復(fù)雜模糊映射關(guān)系的數(shù)據(jù)時效果較好。多元線性回歸模型模擬時棚內(nèi)氣溫絕對誤差為1.56 ℃、標(biāo)準(zhǔn)誤差為2.28 ℃、相對濕度絕對誤差為5.12%、標(biāo)準(zhǔn)誤差為6.61%，土壤溫度的絕對誤差為0.94 ℃，標(biāo)準(zhǔn)誤差分別為1.21 ℃，均高于神經(jīng)網(wǎng)絡(luò)模擬時的誤差。分析回歸模型的預(yù)測效果，棚內(nèi)氣溫、相對濕度和土壤溫度的絕對誤差分別為2.00 ℃、7.28%、0.93 ℃，標(biāo)準(zhǔn)誤差分別為2.84 ℃、8.82%、1.14 ℃，較回歸模擬時誤差增大，預(yù)測精度降低。神經(jīng)網(wǎng)絡(luò)模擬效果（以標(biāo)準(zhǔn)誤差計算）較回歸模型棚內(nèi)三要素分別提高了4%、10%、17%，預(yù)測效果較回歸模型棚內(nèi)三要素分別提高了31%、48%、119%?？傊?，BP神經(jīng)網(wǎng)絡(luò)模型較線性回歸模型預(yù)測精度更高、更穩(wěn)定。

3? ?小結(jié)

基于BP神經(jīng)網(wǎng)絡(luò)建立的清徐葡萄大棚氣溫、相對濕度、土壤溫度預(yù)測模型，訓(xùn)練精度較高，其訓(xùn)練值和實(shí)測值之間的絕對誤差分別為1.55 ℃、4.46%、0.77 ℃，標(biāo)準(zhǔn)誤差分別為2.18 ℃、5.94%、1.00 ℃;預(yù)測值和實(shí)測值之間的絕對誤差分別為1.37 ℃、2.84%、0.42 ℃，標(biāo)準(zhǔn)誤差分別為1.96 ℃、4.60%、0.53 ℃。滿足模型對精度的要求;總體趨勢與預(yù)測一致，有較好的線性擬合關(guān)系，相較于線性回歸模型有明顯優(yōu)勢。利用氣象部門天氣預(yù)報作為輸入，每24 h可提供2次1 h棚內(nèi)小氣候預(yù)測服務(wù)產(chǎn)品，便于提前掌握棚內(nèi)環(huán)境變化趨勢并制定相關(guān)生產(chǎn)管理計劃。特別是農(nóng)田小氣候觀測站在當(dāng)?shù)仄咸汛笈锷a(chǎn)中并未普及的情況下，為當(dāng)?shù)仄咸汛笈锝?jīng)營主體提供智慧農(nóng)業(yè)氣象直通服務(wù)，達(dá)到節(jié)約成本、防災(zāi)減災(zāi)、增產(chǎn)增效的目的。總體而言該模型具備較高的實(shí)用價值。

神經(jīng)網(wǎng)絡(luò)模型是建立在大量訓(xùn)練數(shù)據(jù)的基礎(chǔ)上的，模擬某一特定條件下的溫室小氣候，其精度往往高于物理模型，顯示了神經(jīng)網(wǎng)絡(luò)模型優(yōu)良的性能。但神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)只能是采集于特定環(huán)境、特定時間，不具有普遍代表性，其廣泛適應(yīng)性還有待于進(jìn)一步研究。

參考文獻(xiàn)：

[1] 邊彩燕，姜寒玉，朱永永，等.? 河西地區(qū)赤霞珠葡萄果實(shí)發(fā)育期糖代謝及相關(guān)酶活性的變化[J].? 甘肅農(nóng)業(yè)科技，2021，52（6）：42-48.

[2] 鄭立龍.? 離體嫁接紅地球葡萄試管苗的光合特性日變化[J].? 甘肅農(nóng)業(yè)科技，2018（11）：84-87.

[3] 徐美蓉，李曉蓉，李? ?婷.? 響應(yīng)面分析優(yōu)化蒽酮硫酸法測定葡萄葉片中可溶性糖的含量[J].? 甘肅農(nóng)業(yè)科技，2017（11）：25-29.

[4] 符國槐，張? ?波，楊再強(qiáng)，等.? 塑料大棚小氣候特征及預(yù)報模型的研究[J].? 中國農(nóng)學(xué)通報，2011，27（13）：242-248.

[5] 鄒學(xué)智，申雙和，曹? ?雯，等.? 基于公眾天氣預(yù)報預(yù)測塑料大棚逐日極端氣溫[J].? 氣象科學(xué)，2014，34（2）：187-192.

[6] 何? ?如，管兆勇，金? ?龍.? 一種神經(jīng)網(wǎng)絡(luò)的云圖短時預(yù)測方法[J].? 大氣科學(xué)學(xué)報，2010，33（6）：725-730.

[7] 李? ?倩，申雙和，曹? ?雯，等.? 南方塑料大棚冬春季溫濕度的神經(jīng)網(wǎng)絡(luò)模擬[J].? 中國農(nóng)業(yè)氣象，2012，33（2）：190-196.

[8] 閻平凡，張長水.? 人工神經(jīng)網(wǎng)絡(luò)與模擬進(jìn)化計算[M].? 北京：清華大學(xué)出版社，2000.

[9] 蔣名淑，商兆堂，劉? ?青，等.? 鹽城地區(qū)大棚反季節(jié)蔬菜生產(chǎn)的溫度調(diào)節(jié)及其應(yīng)用[J].? 氣象科學(xué)，2002，22（2）：236-240.

收稿日期：2022 - 03 - 26

基金項目：山西省科學(xué)技術(shù)廳重點(diǎn)研發(fā)計劃項目（201803D221001-3）。

作者簡介：葛黎黎（1987 — ），女，江蘇泗陽人，工程師，碩士，研究方向?yàn)閿?shù)據(jù)分析及質(zhì)量控制。Email：gll_nuist@163.com。