日光温室作物冠层温湿度时空分布及预测模型.pdf

北方园艺２０１９（１７）５６－６５ Ｎｏｒｔｈｅｒｎ Ｈｏｒｔｉｃｕｌｔｕｒｅ设施园艺 第一作者简介 刘琦 （１９９４－），男 ，硕士研究生 ，研究方向为力学在工程的应用 。Ｅ－ｍａｉｌｌｑｖｉｃｔ３６５２＠１６３．ｃｏｍ．责任作者 塔娜 （１９６７－），女 ，博士 ，教授 ，现主要从事力学在工程中的应用等研究工作 。Ｅ－ｍａｉｌｊｄｔａｎａ＠１６３．ｃｏｍ．基金项目 国家自然科学基金资助项目 （６１６６３０３８）。收稿日期 ２０１９－０３－２７ｄｏｉ１０．１１９３７／ｂｆｙｙ．２０１９０１２６日光温室作物冠层温湿度时空分布及预测模型刘琦 ，塔娜 ，焦巍 ，康 宏 源 ，赵 志 勇（内蒙古农业大学 机电院 ，内蒙古 呼和浩特０１００１１）摘要 为了研究日光温室内部作物冠层区域温湿度分布及变化规律 ，以内蒙古呼和浩特市内保温型日光温室西芹作物冠层为研究对象 ，采用传感器密集布点的方式测试作物冠层处温湿度 ，针对日光温室作物冠层不同位置温湿度变化规律相似的情况 ，通过Ｅｌｍａｎ神经网络预测作物冠层不同位置的温湿度情况 。结果表明 作物冠层垂直温湿度差可达１０．２４℃，１２．９７％。在有光照 （起帘 ）时期 ，作物冠层不同位置温湿度差异相对较大 ，温度由上到下总体呈现从高到低 、湿度由低到高的分布 ，在无光照 （闭帘 ）时期则温湿度差异较小 ，基本与启帘时期呈现相反分布 。优化后的Ｅｌｍａｎ神经网络能够较准确预测作物冠层处温湿度 。该预测模型可在保证温度 、湿度均方根误差分别小于０．８、１．５的情况下预测未来一周的作物冠层温湿度 ，该研究对日光温室内作物冠层部分温湿度监测与控制具有指导意义 。关键词 作物冠层 ；温湿度 ；分布 ；预测模型中图分类号 Ｓ ６２６．５０６＋．１ 文献标识码 Ａ 文章编号 １００１－０００９（２０１９）１７－００５６－１０日光温室内适宜的温湿度环境对作物的生长发育具有极为重要的作用 ，必须保证适宜的温湿度环境才能保证作物的生长［１－２］。日光温室内部温湿度的预测是对温室内环境控制的前提 ，也可减少传感器测量时间与数量 ，对研究温室内环境具有重要意义 。左志宇等［３］采用时序分析法建立了温室温度预测模型 。许童羽等［４］选取ＲＢＦ网络作为预测网络 ，提出一种适用于北方日光温室空气相对湿度的模拟与预测模型 。任守纲等［５］用ＣＦＤ方法对不同通风条件下温室气温的时空变化进行了预测 ，并通过试验验证了模型的有效性 。邹伟东等［６］基于改进型极限学习机对日光温室内的温度和湿度等环境因子进行预测 。秦琳琳等［７］提出一种基于切换系统的温室温湿度系统建模与预测控制方法 。作物冠层作为一种生物多孔介质 ，温度 、水分及应力之间存在复杂的耦合关系［８］，对气流有着阻碍作用且温湿度分布不均［９］，目前对作物多孔介质的研究多用于数值模拟方面［１０－１２］。Ｅｌｍａｎ神经网络作为一种反馈神经网络 ，非常适合时间序列的预测问题 ，具有动态记忆功能和对历史数据敏感等优点 ，目前主要是用来预测交通 、电力等方面［１３－１５］。综上所述 ，众多学者都针对日光温室内部温湿度预测进行了深入研究 ，但对预测作物冠层温湿度方面进行的研究较少 ，且暂无使用Ｅｌｍａｎ神经网络针对作物多孔介质的温湿度方面的研究 。因此该文对寒冷干旱地区日光温室内部西芹作物冠层不同位置处的温湿度进行测试 ，研究其分布情况及变化规律 ，并用测试数据对Ｅｌｍａｎ神经网络进行训练 ，尝试用少数传感器的测试数据对作物冠层不同位置处的温湿度情况进行预测 。１ 材料与方法１．１ 试验材料试验温室位于内蒙古呼和浩特市土默特左图 １试验温室示意图Ｆｉｇ．１ Ｓｃｈｅｍａｔｉｃ ｄｉａｇｒａｍ ｏｆ ｅｘｐｅｒｉｍｅｎｔａｌ ｇｒｅｅｎｈｏｕｓｅ旗 ，温室坐北朝南 ，南北跨度８．５ｍ，东西长７０ｍ，后墙高３．５ｍ，脊 高 约４．７５ｍ，主 要 采 光 面 约２７，是有内外２层棚架的新型内保温型日光温室［１６］。该温室种植的作物为西芹 。１．２ 试验方法内蒙古地处我国北方寒冷干旱地区 ，为了研究寒冷干旱条件下作物冠层温湿度变化情况 ，将试验时间定为２０１７年１２月至２０１８年３月 ，在温室作物冠层中间截面上布置温湿度传感器 ，温湿度传感器采用大连哲勤公司生产的ＦＬＥＸ１０００温湿度传感器 ，湿度测量范围０％～１００％ＲＨ，温度测量范围－２０～８５℃，每３０ｍｉｎ记录１次 ，在温室中间截面由南向北布置３组传感器 ，每组传感器为４个 ，根据作物生长高度调整传感器高度 ，在垂直方向上分为作物冠层上 、中 、下和冠层上方空气４个部分 ，选取１０ｄ的数据进行分析 ，此时期作物冠层平均高度约为０．９５ｍ，平均株距为０．６０ｍ，且作物长势良好 ，因此将该时期高度调整为０．１５、０．４５、０．８０、１．００ｍ观察作物冠层温湿度 ，传感器布点如图２所示 。注 ①～瑏瑢为传感器 。Ｎｏｔｅ①－瑏瑢ａｒｅ ｓｅｎｓｏｒ ｐｌａｃｅｍｅｎｔ．图 ２传感器布点示意图Ｆｉｇ．２ Ｓｃｈｅｍａｔｉｃ ｄｉａｇｒａｍ ｏｆ ｓｅｎｓｏｒ ｐｌａｃｅｍｅｎｔ１．３ 作物冠层结构作物冠层可看作是由植物为固体骨架 ，植物中的干空气 、水蒸气等为流体的多孔介质结构 ，作物冠层由于其多孔介质特性 ，导致其存在受通风影响延迟 、不同的位置受到太阳辐射强度不等 、传热速率减慢等特点 ，且由于下方冠层离土壤较近 ，受土壤的温湿度影响较大 ，因此不同位置的温湿度会呈现出显著差异 。该文研究对象为西芹冠层 ，如图３所示 ，是一种典型的生物质多孔介质 。１．４ 数据分析利用Ｏｒｉｇｉｎ ９．１软件 ，选取具有代表性的温湿度数据进行分析 ，如表１所示 。７５ 第 １７期北方园艺图 ３作物冠层Ｆｉｇ．３ Ｃｒｏｐ ｃａｎｏｐｉｅｓ表 １特定天气条件下的室外气候参数Ｔａｂｌｅ １ Ｔｈｅ ｓｕｒｒｏｕｎｄｉｎｇ ｅｎｖｉｒｏｎｍｅｎｔ ａｒｏｕｎｄ ｇｒｅｅｎｈｏｕｓｅ ｉｎ ｔｙｐｉｃａｌ ｗｅａｔｈｅｒ日期 Ｄａｔｅ／（年－月－日 ）天气Ｗｅａｔｈｅｒ气温Ｔｅｍｐｅｒａｔｕｒｅ／℃最大风速Ｍａｘｉｍｕｍ ｗｉｎｄ ｖｅｌｏｃｉｔｙ／（ｍｓ－１）最大辐射值Ｍａｘｉｍｕｍ ｒａｄｉａｔｉｏｎ ｖａｌｕｅ／（Ｗｍ－２）２０１７－１２－１４ 小雪 ０～－１３ ３．５ ６５８２０１７－１２－２０ 晴天 －１～－１２ ３．６ １ ４２２２０１７－１２－２２ 晴天 ０～－１１ ３．０ １ ３８６选择２０１７年１２月１４日 （小雪 ）与１２月２１日 （晴天 ）２ｄ的数据进行分析 ，为了观察作物冠层垂直方向上１ｄ中温湿度变化情况 ，选取中间部分的４个传感器 （２，５，８，１１号 ），观察从００００至次日００００的温湿度变化情况如图４、５所示 。图４、５反映了在２种不同天气条件下垂直方向的作物冠层温湿度在一天中的变化情况 ，可以看出 ，在０００００８３０与１６３０００００的闭帘（无光照 ）条件下 ，离地面较近的位置温度较高 ，冠层顶部与底部温度差基本保持在１℃以下 ，且随着时间的推移温度呈现缓慢下降趋势 ，湿度则大体相反 ，冠层顶部与底部相对湿度差基本小于３．８％；在０８３０１６３０的启帘条件下 ，基本情况为离地面越远 ，温度越高 ，湿度越低 。这是由于受到的太阳辐射与外界气候条件的不同 ，使垂直方向上的温湿度差变大 ，２ｄ冠层顶部与底部最大温图 ４小雪天气条件下作物冠层温度 （左 ）、湿度 （右 ）２４ｈ变化Ｆｉｇ．４ Ｃｈａｎｇｅｓ ｏｆ ｃｒｏｐ ｃａｎｏｐｙ ｔｅｍｐｅｒａｔｕｒｅ（ｌｅｆｔ）ａｎｄ ｈｕｍｉｄｉｔｙ（ｒｉｇｈｔ）ｉｎ ２４ｈｏｕｒｓ ｕｎｄｅｒ ｌｉｇｈｔ ｓｎｏｗ ｗｅａｔｈｅｒ ｃｏｎｄｉｔｉｏｎｓ８５北方园艺９月 （上 ）图 ５晴天天气条件下作物冠层温度 （左 ）、湿度 （右 ）２４ｈ变化Ｆｉｇ．５ Ｃｈａｎｇｅｓ ｏｆ ｃｒｏｐ ｃａｎｏｐｙ ｔｅｍｐｅｒａｔｕｒｅ（ｌｅｆｔ）ａｎｄ ｈｕｍｉｄｉｔｙ（ｒｉｇｈｔ）ｉｎ ２４ｈｏｕｒｓ ｕｎｄｅｒ ｓｕｎｎｙ ｗｅａｔｈｅｒ ｃｏｎｄｉｔｉｏｎｓ度差分别在３．０４、１０．２４℃，最大湿度差４．４３％、１２．９７％，可见光照条件可直接影响冠层温湿度分布 。作物冠层处温湿度虽然在空间上呈现较明显差别 ，但就其变化规律来看趋势较为相似 ，因此 ，预想可通过其中少部分位置的数据进而预测其它位置的温湿度数据 。为了更直观的观察温室中部作物冠层处温湿度在某一时刻分布情况 ，使用Ｏｒｉｇｉｎ ９．１软件绘制温湿度等高线图 ，选择２０１７年１２月２０日的图２处９个传感器数据进行分析 ，结果如图６～８所示 。由图６～８可知 ，温室土壤与北墙体白天吸热夜间放热 ，００００时作物冠层受到土壤与墙体的放热作用 ，且由于作物的多孔介质性质使热量散失速度减缓 ，因此温度分布出现了北高南低 ，下高上低的情况 。１０００时温室处于快速升温阶段 ，此时温度分布变成了上高下低 ，这是由于冠层的遮挡作用使其接受太阳辐射的程度不同导致 。１２００时为开始通风阶段 ，此时温室内温度快速下降 ，但是此时太阳辐射为一天最强时刻 ，因此受到辐射高的部分温度相对较高 。湿度方面 ，作物冠层起着对水分散发的阻碍作用等 ，在大体上与温度分布呈相反状态 。湿度与温度在同一时刻整体上保持着相反情况的分布 ，即温度相对高的地方 ，湿度相对低 ，但是并非呈现十分明显的耦合现象 ，因此预想通过作物冠层处温度预测相对湿度难度较大 。图 ６００００时作物冠层温度（左 ）、湿度 （右 ）等高线Ｆｉｇ．６ Ｃｒｏｐ ｃａｎｏｐｙ ｔｅｍｐｅｒａｔｕｒｅ（ｌｅｆｔ）ａｎｄ ｈｕｍｉｄｉｔｙ（ｒｉｇｈｔ）ｃｏｎｔｏｕｒ ｍａｐ ａｔ ００００９５ 第 １７期北方园艺图 ７１０００时作物冠层温度（左 ）、湿度 （右 ）等高线Ｆｉｇ．７ Ｃｒｏｐ ｃａｎｏｐｙ ｔｅｍｐｅｒａｔｕｒｅ（ｌｅｆｔ）ａｎｄ ｈｕｍｉｄｉｔｙ（ｒｉｇｈｔ）ｃｏｎｔｏｕｒ ｍａｐ ａｔ １０００图 ８１２００时作物冠层温度（左 ）、湿度 （右 ）等高线Ｆｉｇ．８ Ｃｒｏｐ ｃａｎｏｐｙ ｔｅｍｐｅｒａｔｕｒｅ（ｌｅｆｔ）ａｎｄ ｈｕｍｉｄｉｔｙ（ｒｉｇｈｔ）ｃｏｎｔｏｕｒ ｍａｐ ａｔ １２００１．５ 基于Ｅｌｍａｎ神经网络的作物冠层温湿度预测模型１．５．１ Ｅｌｍａｎ神经网络简介Ｅｌｍａｎ神经网络是一种反馈神经网络 ，结构如图９所示 ，主要由４层组成 输入层 、隐含层 、承接层 、输出层 ，与Ｂｐ神经网络很相似 ，但多了１个承接层 ，用于构成局部反馈 ，这样使网络具有局部记忆功能 ，因此非常适合时间序列的预测问题 。其中输入层接收外部输入 ，隐含层对信号进行处理 、变换 ，承接层存储隐含层上１次迭代的输出并反馈给隐含层 ，输出层对隐含层的输出信号作线性加权后输出网络［１７］。Ｅｌｍａｎ神经网络非线性空间表达式［１８］为ｘ（ｋ）＝ｆ（ｗ１ ｘ（ｋ）＋ｗ２（ｕ（ｋ－１））＋ｂ１） （１），图 ９Ｅｌｍａｎ神经网络结构Ｆｉｇ．９ Ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｓｔｒｕｃｔｕｒｅｙ（ｋ）＝ｇ（ｗ３ ｘ（ｋ）＋ｂ２） （２），ｘｃ（ｋ）＝ｘ（ｋ－１） （３）。０６北方园艺９月 （上 ）其中 ，ｋ表示时刻 ，ｙ，ｘ，ｕ，ｙｃ分别表示１维输出节点向量 ，ｍ维隐含层节点单元向量 ，ｎ维输入向量和ｍ维状态向量 ；ｗ１，ｗ２，ｗ３分别表示隐含层到输出层 、输入层到隐含层 、关联层到隐含层的连接权值矩阵 ，ｂ１，ｂ２分别为输入层和隐含层的阈值 ，为隐含层神经元的传递函数 ，ｇ为输出层的传递函数 。１．５．２ 样本选取使用ＭＡＴＬＡＢ２０１６ａ平台 ，建立Ｅｌｍａｎ网络模型 ，考虑到数据选取量既要足够多 ，又要体现出此时期作物冠层的温湿度变化特性 ，因此选取２０１７年１２月１４２１日８ｄ的数据进行训练 ，基于作物冠层处不同位置温湿度变化规律相似的特点 ，将作物冠层上方非作物区１００ｃｍ高度的１、２、３号传感器的数据作为输入 ，将作物冠层处所预测的 传 感 器 数 据 作 为 输 出 ，程 序 方 面 选 用ｐｒｅｍｎｍｘ语句对数据进行归一化处理 ，将输入与输出数据处理成 ［－１，１］之间 ，中间层神经元传递函数采用双曲正切传递函数ｔａｎｓｉｇ，输出层神经元采用线性传递函数ｐｕｒｅｌｉｎ，最后用ｐｏｓｔｍｎｍｘ语句将模拟值进行反归一化 。１．５．３ 评价标准预测误差的评价标准采用均方跟误差ＲＭＳＥ、相对误差ＲＥ和绝对误差ＡＥ作为温湿度预测数据的评价指标［１９］，以上３个评价指标越大表明误差越大 。ＲＭＳＥ＝∑ｎｉ＝１（Ｐｉ－Ａｉ）２槡 ｎ（４），ＲＥ＝∑ｎｉ＝１｜（Ｐｉ－Ａｉ）／Ａｉ１００％｜ｎ（５），ＡＥ＝∑ｎｉ＝１｜（Ｐｉ－Ａｉ）｜ｎ（６）。式中 ，Ｐ为预测值 ，Ａ为实测值 ，ｎ为样本个数 。２ 结果与分析２．１ 西芹作物冠层处温度预测选取１２月１４２１日共８ｄ的数据进行训练（其中１２月１４日为小雪－多云天气 ，其 余 为 晴天 ），之后的１２月２２（晴天 ）、２３（多云 ）日２ｄ的数据作为测试数据 ，首先 ，选取邻近作物冠层的１、２、３号传感器在２２日２４ｈ的温度数据作为输入数据 ，作物冠层中部位置的５、１１号传感器的温度数据作为输出数据 ，得到的预测值与实测值见图１０。其中 ，纵坐标为温度 （℃），横坐标为时间 （１～４８代表当日２４ｈ每３０ｍｉｎ一个点共４８个数点 ）。图 １０５号 （左 ）和 １１号 （右 ）传感器 ２２日 ２４ｈ温度预测Ｆｉｇ．１０ ２４ｈｏｕｒｓ ｔｅｍｐｅｒａｔｕｒｅ ｐｒｅｄｉｃｔｉｏｎ ｆｏｒ ｓｅｎｓｏｒ Ｎｏ．５（ｌｅｆｔ）ａｎｄ Ｎｏ．１１（ｒｉｇｈｔ）ｏｎ ２２ｎｄ如图１０所示 ，５、１１号传感器预测值的均方根误差分别为０．５８９、０．７４７，绝对误差为２．８９％、４．１５％，相对误差０．３６、０．４９１，预测结果较为准确 ，但由于白天 （有光照条件下 ）影响作物温度的影响因子主要为光照强度与通风时长 、风速 ，而夜间没有这２种影响因子 ，因此有辐射与无辐射阶１６ 第 １７期北方园艺段预测值的准确性呈现较大差异 ，有辐射阶段由于温室受到太阳辐射引起快速升温 ，与通风时刻造成的剧烈降温 ，且每日所受到这２种影响因子的影响程度不同 ，所以导致预测值误差相对较大 。因此 ，在无光照时段预测值与实测值基本吻合 ，但在有光照时期出现明显差异 。因此 ，将１ｄ的时间分为有辐射阶段与无辐射阶段２个阶段分别进行预测 ，在有辐射阶段将温室内部各时刻所受辐射强度 ，与通风时平均风速也作为输入数据 ，得到优化后的网络模型 ，优化前与优化后的网络模型在有辐射阶段预测结果如图１１所示 。如表２所示 ，比较２种方法的预测结果 ，显然第２种方法预测温度误差更低 ，因此按照第２种方法将２２日和２３日作物冠层不同位置处所有传感器在２４ｈ的温度进行预测 ，预测误差如表３所示 。图 １１５（左 ）、１１（右 ）号传感器辐射阶段优化前与优化后预测值Ｆｉｇ．１１ Ｔｈｅ ｐｒｅｄｉｃｔｉｏｎ ｖａｌｕｅ ｏｆ Ｎｏ．５（ｌｅｆｔ），Ｎｏ．１１（ｒｉｇｈｔ）ｓｅｎｓｏｒ ｂｅｆｏｒｅ ａｎｄ ａｆｔｅｒ ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｒａｄｉａｔｉｏｎ ｓｔａｇｅ表 ２有辐射阶段优化前与优化后的温度预测误差对比Ｔａｂｌｅ ２ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｔｅｍｐｅｒａｔｕｒｅ ｐｒｅｄｉｃｔｉｏｎ ｅｒｒｏｒｓ ｂｅｔｗｅｅｎ ｐｒｅ－ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ ｐｏｓｔ－ｏｐｔｉｍｉｚａｔｉｏｎ ｉｎ ｒａｄｉａｔｉｏｎ ｓｔａｇｅ预测方法Ｐｒｅｄｉｃｔｉｏｎ ｍｅｔｈｏｄ优化前Ｐｒｅ ｏｐｔｉｍｉｚａｔｉｏｎ优化后Ａｆｔｅｒ ｏｐｔｉｍｉｚａｔｉｏｎ传感器 Ｓｅｎｓｏｒ５号 １１号 ５号 １１号ＲＭＳＥ ０．６４８ １．２９１ ０．６５４ ０．８８７ＲＥ／％ ４．５９ ９．１２ ３．３１ ４．４３ＡＥ ０．５３９ １．０４３ ０．５８９ ０．７２６表 ３作物冠层处 ２４ｈ温度预测误差Ｔａｂｌｅ ３ Ｐｒｅｄｉｃｔｉｏｎ ｅｒｒｏｒ ｏｆ ２４ｈｏｕｒ ｔｅｍｐｅｒａｔｕｒｅ ｉｎ ｃｒｏｐ ｃａｎｏｐｙ２０１７－１２－２２ ２０１７－１２－２３误差Ｅｒｒｏｒ均方根误差ＲＭＳＥ相对误差ＲＥ／％绝对误差ＡＥ均方根误差ＲＭＳＥ相对误差ＲＥ／％绝对误差ＡＥ４ ０．４２１ ２．４８ ０．２１３ ０．４２７ ４．５５ ０．３０７５ ０．３９８ ２．３０ ０．２７５ ０．３５３ ２．８５ ０．２３７６ ０．３２８ １．８３ ０．２１８ ０．３７７ ２．６７ ０．２５７７ ０．４１８ ２．８０ ０．２５９ ０．４７６ ３．３１ ０．２６３８ ０．３３８ ２．３０ ０．２３１ ０．３８６ ３．２９ ０．２６７９ ０．３７３ ２．０６ ０．２２８ ０．３８８ ３．１３ ０．２５１１０ ０．３８３ ３．０１ ０．２５１ ０．４１４ ３．６０ ０．２４６１１ ０．３６４ １．８５ ０．２２９ ０．２９７ ２．７１ ０．２２１１２ ０．３５５ ２．４９ ０．２２４ ０．３０８ ２．８８ ０．２２２２６北方园艺９月 （上 ）图 １２５、１１号位置相对湿度预测值与实测值对比（左 ）有辐射阶段 、（右 ）无辐射阶段Ｆｉｇ．１２ Ｃｏｍｐａｒｉｓｏｎｓ ｂｅｔｗｅｅｎ ｐｒｅｄｉｃｔｅｄ ａｎｄ ｍｅａｓｕｒｅｄ ｖａｌｕｅｓ ｏｆ ｒｅｌａｔｉｖｅ ｈｕｍｉｄｉｔｙ ａｔ ｐｏｓｉｔｉｏｎｓ Ｎｏ．５ａｎｄＮｏ．１１（ｌｅｆｔ）ｒａｄｉａｔｉｏｎ ｓｔａｇｅ ａｎｄ（ｒｉｇｈｔ）ｎｏｎ－ｒａｄｉａｔｉｏｎ ｓｔａｇｅ２．２ 西芹作物冠层处相对湿度预测同样按照优化后的温度预测方法将相对湿度预测也分为有辐射与无辐射２个阶段 ，将１４日 ２１日８ｄ的相对湿度数据作为训练数据 ，其中相邻作物冠层处的１、２、３号传感器的相对湿度数据作为输入数据 ，将所预测作物冠层处传感器的相对湿度作为输出数据 ，在有光照时段加入室内光照强度与通风时刻平均风速作为输入数据 ，２２日和２３日的数据作为测试数据 ，同样先将位于作物冠层处顶部与底部的５、１１号位置的传感器用于测试 ，得到的测试结果不符合预期 ，２个阶段相对湿度的预测均出现较大误差 ，又根据参考文献［２０］，与温室内部相对湿度相关性最大的影响因子为室内温度 ，故将被预测传感器正上方无作物空气处温度 （１、２、３号传感器其中之一温度 ）也作为输入数据 ，其中２２日５、１１号传感器位置相对湿度的预测结果如图１２所示 。相对湿度的预测结果如图１２所示 ，预测值与实测值曲线较为吻合 ，在２２日５、１１号传感器在有光照时段相对湿度的均方根误差分别为１．４８１、１．６０８，无光照时段为０．３８０、０．２０１，由于作物冠层处相对湿度在白天 （有辐射阶段 ）特别是通风时变化复杂 ，因此预测值除有少数３～４个点误差相对较大 ，整体上基本满足预测的误差要求 ，作物冠层处所有传感器位置在２２、２３日相对湿度预测的误差如表４所示 。２．３ Ｅｌｍａｎ神经网络预测的适用性评价为了确定此Ｅｌｍａｎ网络模型的的使用范围 ，故将预测日期的范围扩大 ，使用相同方法对之后多天作物冠层处的温湿度数据进行预测 ，为简化试表 ４作物冠层处 ２４ｈ湿度预测误差Ｔａｂｌｅ ４ Ｐｒｅｄｉｃｔｉｏｎ ｅｒｒｏｒ ｏｆ ２４ｈｏｕｒ ｈｕｍｉｄｉｔｙ ｉｎ ｃｒｏｐ ｃａｎｏｐｙ２０１７－１２－２２ ２０１７－１２－２３误差Ｅｒｒｏｒ均方根误差ＲＭＳＥ相对误差ＲＥ／％绝对误差ＡＥ均方根误差ＲＭＳＥ相对误差ＲＥ／％绝对误差ＡＥ４ ０．９５４ ０．５０８ ０．３９５ ０．９９３ ０．７４２ ０．６４６５ ０．８５５ ０．６８３ ０．５６９ ０．８９３ ０．６７０ ０．６１５６ ０．９２７ ０．７６５ ０．６４４ ０．９０１ ０．６３９ ０．５６４７ ０．７９７ ０．４４３ ０．３９３ ０．７６５ ０．４３４ ０．３９５８ ０．８７６ ０．４７０ ０．４１７ ０．７５０ ０．６１５ ０．５５４９ ０．６８２ ０．５０７ ０．４４５ ０．６９１ ０．５０３ ０．４６０１０ ０．９２９ ０．６２５ ０．５５８ ０．８０１ ０．５４１ ０．４９１１１ ０．７１５ ０．５９１ ０．５０７ ０．８６３ ０．６４０ ０．５８１１２ ０．６７２ ０．４９９ ０．４５０ ０．５３５ ０．４８７ ０．４４５３６ 第 １７期北方园艺图 １３温度 （左 ）和湿度 （右 ）预测均方根误差变化Ｆｉｇ．１３ Ｔｅｍｐｅｒａｔｕｒｅ（ｌｅｆｔ）ａｎｄ ｈｕｍｉｄｉｔｙ（ｒｉｇｈｔ）ｐｒｅｄｉｃｔｉｏｎ ｏｆ ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒ试验仅选取作物冠层顶部与底部位置的５、１１号传感器进行温湿度预测 ，预测至确定此网络模型失效为止 ，预测结果的均方根误差变化如图１３所示 。通过延长作物冠层处温湿度的预测日期 ，并对得到的误差进行分析 ，发现作物冠层处温度与相对湿度预测值的均方根误差分别在１月３日与１２月２９日之后发生明显升高 ，且这之后预测值与实测值的变化曲线已出现明显的不相称 ，可认为是预测失真 ，这是由于随着植物生长 ，植物的高度 、孔隙率等参数已经发生了明显变化 ，之前的训练结果已不能满足之后的预测要求 。３ 结论与讨论通过对北方寒冷干旱地区日光温室内作物冠层处的温湿度进行测试分析 ，同时使用Ｅｌｍａｎ人工神经网络进行作物冠层温湿度预测 ，并且进行了预测模型的适用性检验 ，经分析得到如下结论 １）西芹作物冠层由于其多孔介质性质改变了自身及周围空气流速 ，使自身传热速率减慢 ，并且对太阳辐射的遮挡作用 ，使空间中不同位置温湿度出现较明显的差异性 ，以平均高度０．９５ｍ的西芹作物冠层为例 ，作物冠层间温度差异最高可达１０℃以上 ，相对湿度差可高于１２％，且在分布上基本呈现出 在闭帘 （无光照 ）条件下 ，离地面较近的位置 ，温度相对较高 ，湿度相对较低 ，启帘 （有光照 ）条件下 ，离地面较远的位置 ，温度相对较高 ，湿度相对较低 。２）Ｅｌｍａｎ神经网络可以通过非作物区少数传感器的温湿度与风速 、室内太阳辐射强度较准确的预测作物冠层处更多的位置的温湿度 ，以２２、２３号的预测结果为例 ，温 度 方 面ＲＭＳＥ均 小 于０．４５，ＲＥ小于４．６％且绝大部分在４％以内 ，ＡＥ小于０．３１，相对湿度方面ＲＭＳＥ均小于１，ＲＥ小于０．８％，ＡＥ小于０．６５。３）延长预测日期对作物冠层处温湿度进行预测误差分析发现 ，温度与相对湿度预测值的均方根误差分别在于１月３日与１２月２９日发生突变 ，可见该模型可以保证一周以内的预测准确性 ，在之后的研究中可通过对更多的数据进行训练 ，或通过训练更加复杂的神经网络来增强预测模型的准确度与适用性 。参考文献［１］王军伟 ．苏北地区日光温室构型优化 、室内温湿度分析及应用效果初探 ［Ｄ］．南京 南京农业大学 ，２０１５．［２］王克安 ，李絮花 ，吕晓惠 ，等 ．不同结构日光温室温湿度变化规律及其对番茄产量和病害的影响 ［Ｊ］．山东农业科学 ，２０１１（３）３３－３６．［３］左志宇 ，毛罕平 ，张晓东 ，等 ．基于时序分析法的温室温度预测模型 ［Ｊ］．农业机械学报 ，２０１０，４１（１１）１７３－１７７．［４］许童羽 ，王泷 ，张晓博 ，等 ．ＲＢＦ神经网络在北方日光温室湿度模拟预测中的应用 ［Ｊ］．沈阳农业大学学报 ，２０１４，４５（６）７２６－７３０． ［５］任守纲 ，杨薇 ，王浩云 ，等 ．基于 ＣＦＤ的温室气温时空变化预测模型及通风调控措施 ［Ｊ］．农业工程学报 ，２０１５，３１（１３）２０７－２１４． ［６］邹伟东 ，张百海 ，姚分喜 ，等 ．基于改进型极限学习机的日光温室温湿度预测与验证 ［Ｊ］．农业工程学报 ，２０１５，３１（２４）１９４－２００． ［７］秦琳琳 ，马国旗 ，储著东 ，等 ．基于灰色预测模型的温室温湿４６北方园艺９月 （上 ）度系统建模与控制 ［Ｊ］．农业工程学报 ，２０１６，３２（ｚ１）２３３－２４１．［８］王会林 ，卢涛 ，姜培学 ．生物多孔介质热风干燥数学模型及数值模拟 ［Ｊ］．农业工程学报 ，２０１４，３０（２０）３２５－３３３．［９］ＢＡＲＴＺＡＮＡＳ Ｔ，ＴＣＨＡＭＩＴＣＨＩＡＮ Ｍ，ＫＩＴＴＡＳ Ｃ．Ｉｎｆｌｕ－ｅｎｃｅ ｏｆ ｔｈｅ ｈｅａｔｉｎｇ ｍｅｔｈｏｄ ｏｎ ｇｒｅｅｎｈｏｕｓｅ ｍｉｃｒｏｃｌｉｍａｔｅ ａｎｄ ｅｎｅｒ－ｇｙ ｃｏｎｓｕｍｐｔｉｏｎ［Ｊ］．Ｂｉｏｓｙｓｔｅｍｓ Ｅｎｇｉｎｅｅｒｉｎｇ，２００５，９１（４）４８７－４９９． ［１０］五十六．日光温室内水热耦合环境的试验研究与数值模拟［Ｄ］．呼和浩特内蒙古农业大学 ，２０１５．［１１］ＮＥＢＢＡＬＩ Ｒ，ＲＯＹ Ｊ Ｃ，ＢＯＵＬＡＲＤ Ｔ．Ｄｙｎａｍｉｃ ｓｉｍｕｌａｔｉｏｎｏｆ ｔｈｅ ｄｉｓｔｒｉｂｕｔｅｄ ｒａｄｉａｔｉｖｅ ａｎｄ ｃｏｎｖｅｃｔｉｖｅ ｃｌｉｍａｔｅ ｗｉｔｈｉｎ ａｃｒｏｐｐｅｄ ｇｒｅｅｎｈｏｕｓｅ［Ｊ］．Ｒｅｎｅｗａｂｌｅ Ｅｎｅｒｇｙ，２０１２，４３１１１－１２９．［１２］程秀花 ，毛罕平 ，倪军 ，等．温室环境 －作物湿热系统 ＣＦＤ模型构建与预测 ［Ｊ］．农业机械学报 ，２０１１，４２（２）１７３－１７９．［１３］石黄霞 ，何颖 ，董晓红．基于 Ｅｌｍａｎ神经网络的电力负荷预测模型研究 ［Ｊ］．工业仪表与自动化装置 ，２０１３（１）８５－８７．［１４］张健美 ，周步祥 ，林楠 ，等．灰色 Ｅｌｍａｎ神经网络的电网中长期负荷预测 ［Ｊ］．电力系统及其自动化学报 ，２０１３，２５（４）１４５－１４９． ［１５］尤马彦 ，凌捷 ，郝彦军．基于 Ｅｌｍａｎ神经网络的网络安全态势预测方法 ［Ｊ］．计算机科学 ，２０１２，３９（１６）６１－６３．［１６］刘晓蕊 ，朱山川 ，刘杰才 ，等．新型内保温日光温室光照和温湿度性能的初步研究 ［Ｊ］．农业工程技术 （温室园艺 ），２０１４（４）６４－６６．［１７］丁硕 ，常晓恒 ，巫庆辉 ，等．基于 Ｅｌｍａｎ神经网络的传感器故障诊断研究 ［Ｊ］．国外电子测量技术 ，２０１４，３３（４）７２－７５．［１８］张靠社 ，杨剑．基于 Ｅｌｍａｎ神经网络的短期风电功率预测［Ｊ］．电网与清洁能源，２０１２，２８（１２）８７－９１．［１９］李宁 ，申双和 ，黎贞发 ，等．基于主成分回归的日光温室内低温预测模型 ［Ｊ］．中国农业气象 ，２０１３，３４（３）３０６－３１１．［２０］何芬 ，马承伟．温室湿度环境的主成分分析人工神经网络建模研究 ［Ｊ］．上海交通大学学报 （农业科学版 ），２００８（５）４２８－４４３．Ｓｐａｔｉａｌ Ｔｅｍｐｏｒａｌ Ｄｉｓｔｒｉｂｕｔｉｏｎ ａｎｄ Ｐｒｅｄｉｃｔｉｏｎ Ｍｏｄｅｌ ｏｆＣａｎｏｐｙ Ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ Ｈｕｍｉｄｉｔｙ ｉｎ ＧｒｅｅｎｈｏｕｓｅＬＩＵ Ｑｉ，ＴＡＮＡ，ＪＩＡＯ Ｗｅｉ，ＫＡＮＧ Ｈｏｎｇｙｕａｎ，ＺＨＡＯ Ｚｈｉｙｏｎｇ（Ｃｏｌｅｇｅ ｏｆ Ｍｅｃｈａｎｉｃａｌ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ Ａｇｒｉｃｕｌｔｕｒａｌ Ｕｎｉｖｅｒｓｉｔｙ，Ｈｏｈｈｏｔ，Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ０１００１１）ＡｂｓｔｒａｃｔＩｎ ｏｒｄｅｒ ｔｏ ｓｔｕｄｙｔｈｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ａｎｄ ｃｈａｎｇｅ ｓｉｔｕａｔｉｏｎ ｏｆ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｈｕｍｉｄｉｔｙｉｎｓｉｄｅ ｔｈｅｃａｎｏｐｙａｒｅａ ｏｆ ｓｏｌａｒ ｇｒｅｅｎｈｏｕｓｅ．Ｔａｋｉｎｇｃｅｌｅｒｙｃａｎｏｐｙｏｆ ｈｅａｔ ｐｒｅｓｅｒｖａｔｉｏｎ ｓｏｌａｒ ｇｒｅｅｎｈｏｕｓｅ ｉｎＨｏｈｈｏｔ，Ｉｎｎｅｒ Ｍｏｎｇｏｌｉａ ａｓ ｔｈｅ ｒｅｓｅａｒｃｈ ｏｂｊｅｃｔ，ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｈｕｍｉｄｉｔｙｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｃｅｌｅｒｙｃａｎｏｐｙｗａｓ ｍｅａｓｕｒｅｄ ａｎｄ ｏｂｓｅｒｖｅｄ ｂｙｍｅａｎｓ ｏｆ ｓｅｎｓｏｒ ｄｅｎｓｅ ｄｉｓｔｒｉｂｕｔｉｏｎ．Ａｃｃｏｒｄｉｎｇｔｏ ｔｈｅ ｓｉｍｉｌａｒ ｒｕｌｅ ｏｆｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｈｕｍｉｄｉｔｙｉｎ ｄｉｆｆｅｒｅｎｔ ｐｏｓｉｔｉｏｎｓ ｏｆ ｇｒｅｅｎｈｏｕｓｅ ｃａｎｏｐｙｉｎ ｓｏｌａｒ ｇｒｅｅｎｈｏｕｓｅ，ｐｒｅｄｉｃｔｉｏｎ ｏｆｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｈｕｍｉｄｉｔｙｉｎ ｄｉｆｆｅｒｅｎｔ ｐｏｓｉｔｉｏｎｓ ｏｆ ｃｒｏｐｃａｎｏｐｙｕｓｉｎｇＥｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ．Ｔｈｅｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｅ ｖｅｒｔｉｃａｌ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｈｕｍｉｄｉｔｙｄｉｆｆｅｒｅｎｃｅ ｏｆ ｃｒｏｐｃａｎｏｐｙｃａｎ ｒｅａｃｈ１０．２４℃，１２．９７％．Ｄｕｒｉｎｇｔｈｅ ｐｅｒｉｏｄ ｏｆ ｉｌｕｍｉｎａｔｉｏｎ（ｃｕｒｔａｉｎ ｏｐｅｎｉｎｇ），ｔｈｅ ｄｉｓｔｒｉｂｕｔｉｏｎ ｏｆ ｔｅｍｐｅｒａｔｕｒｅｆｒｏｍ ｔｏｐｔｏ ｂｏｔｔｏｍ，ｈｕｍｉｄｉｔｙｆｒｏｍ ｌｏｗ ｔｏ ｈｉｇｈ，ａｎｄ ｉｎ ｔｈｅ ｐｅｒｉｏｄ ｏｆ ｎｏ ｉｌｕｍｉｎａｔｉｏｎ（ｃｕｒｔａｉｎ ｃｌｏｓｉｎｇ）ｗａｓ ｂａｓｉｃａｌｙｏｐｐｏｓｉｔｅ．Ｔｈｅ ｏｐｔｉｍｉｚｅｄ Ｅｌｍａｎ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｃｏｕｌｄ ｐｒｅｄｉｃｔ ｔｈｅ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄｈｕｍｉｄｉｔｙｏｆ ｃｒｏｐｃａｎｏｐｙａｃｃｕｒａｔｅｌｙ．Ｔｈｅ ｍｏｄｅｌ ｃｏｕｌｄ ｐｒｅｄｉｃｔ ｔｈｅ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｈｕｍｉｄｉｔｙｏｆ ｃｒｏｐｃａｎｏｐｙｉｎ ｔｈｅ ｃｏｍｉｎｇｗｅｅｋ ｕｎｄｅｒ ｔｈｅ ｃｏｎｄｉｔｉｏｎ ｔｈａｔ ｔｈｅ ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒ ｏｆ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄｈｕｍｉｄｉｔｙｗｅｒｅ ｌｅｓｓ ｔｈａｎ ０．８ａｎｄ １．５ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｉｓ ｓｔｕｄｙｈａｓ ｇｕｉｄｉｎｇｓｉｇｎｉｆｉｃａｎｃｅ ｆｏｒ ｍｏｎｉｔｏｒｉｎｇａｎｄ ｃｏｎｔｒｏｌｉｎｇｔｈｅ ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｈｕｍｉｄｉｔｙｏｆ ｃｒｏｐｓ ｃａｎｏｐｙｉｎ ｓｏｌａｒ ｇｒｅｅｎｈｏｕｓｅ．Ｋｅｙｗｏｒｄｓｃｒｏｐｃａｎｏｐｙ；ｔｅｍｐｅｒａｔｕｒｅ ａｎｄ ｈｕｍｉｄｉｔｙ；ｄｉｓｔｒｉｂｕｔｉｏｎ；ｐｒｅｄｉｃｔｉｏｎ ｍｏｄｅｌ５６ 第 １７期北方园艺