基于逐步回歸與BP神經(jīng)網(wǎng)絡的日光溫室溫濕度預測模型對比分析_溫永菁.pdf

中國農(nóng)學通報 2018ChineseAgricultural Science Bulletin2018,34(16):115-125基于逐步回歸與BP神經(jīng)網(wǎng)絡的日光溫室溫濕度預測模型對比分析溫永菁1,2，李 春2，薛慶禹2，董朝陽2，黎貞發(fā)2，李秀芬1，陳思寧2（1沈陽農(nóng)業(yè)大學，沈陽110866；2天津市氣候中心，天津300074）摘 要：為構(gòu)建較準確的日光溫室溫濕度預測模型，于20112014年冬季（1月、2月、12月）在天津市寶坻區(qū)開展溫室內(nèi)外環(huán)境監(jiān)測試驗，并建立3種天氣類型（晴、多云、陰）下3個時段（08時、817時、1723時）逐步回歸與BP神經(jīng)網(wǎng)絡溫室內(nèi)溫濕度預測模型。結(jié)果表明；（1）溫室內(nèi)氣溫逐步回歸模型9種情況下模擬值與實際值的絕對誤差小于3的平均準確率(3)為88%，平均均方根誤差(RMSE)為2；BP神經(jīng)網(wǎng)絡模型9種情況下模擬值與實際值的絕對誤差小于3的平均準確率(3)為94%，平均均方根誤差(RMSE)為1.6。應用BP神經(jīng)網(wǎng)絡建立的氣溫預測模型相對更為準確穩(wěn)定；（2）相對濕度逐步回歸模型9種情況下模擬值與實際值的絕對誤差小于6%的平均準確率(6%)為81%，平均均方根誤差(RMSE)為5.7%；BP神經(jīng)網(wǎng)絡模型9種情況下模擬值與實際值的絕對誤差小于6%的平均準確率(6%)為80%，平均均方根誤差(RMSE)為6.7%。2類模型均不適宜預測817時日光溫室相對濕度，而1723時與08時應用逐步回歸建立的濕度預測模型相對更準確穩(wěn)定。關(guān)鍵詞：日光溫室；逐步回歸；BP神經(jīng)網(wǎng)絡；溫濕度模型中圖分類號：S625 文獻標志碼：A 論文編號：casb17060118Temperature and Humidity Prediction Models in Solar Greenhouse:Comparative Analysis Based on Stepwise Regression and BP Neural NetworkWen Yongjing1,2, Li Chun2, Xue Qingyu2, Dong Chaoyang2, Li Zhenfa2, Li Xiufen1, Chen Sining2(1Shenyang Agricultural University, Shenyang 110866;2Tianjin Climate Center, Tianjin 300074)Abstract: To build a more accurate model for predicting temperature and humidity in solar greenhouse, amicroclimatic observing experiment was carried out at Baodi District of Tianjin from 2011 to 2014 in winter(January, February and December). The temperature and humidity prediction models in greenhouse by usingstepwise regression and BP neural network were established at 3 periods (0:00-8:00, 8:00-17:00, 17:00-23:00)of 3 kinds of weather types (sunny, cloudy, overcast). The results showed that: (1) the average accuracy rate ofthe absolute error of simulated and actual values less than 3 was 88%, and the root-mean-square error(REMS) was 2 under 9 conditions in greenhouse by using stepwise regression model of temperature; theaverage accuracy rate of the absolute error of simulated and actual values less than 3 was 94%, and the root-mean-square error (RMES) was 1.6 under 9 conditions in greenhouse by using BP neural network model oftemperature; the temperature prediction model established by BP neural network was more accurate and stable;(2) the average accuracy rate of the absolute error of simulated and actual values less than 6% was 81%, and基金項目：天津市農(nóng)業(yè)科技成果轉(zhuǎn)化與推廣項目“溫室小氣候資源高效利用及蔬菜茬口搭配技術(shù)集成與應用”(201502150)；天津市科委青年基金“日光溫室黃瓜霜霉病監(jiān)測預警技術(shù)研究”(16JCQNJC14900)；天津市氣象局博士基金“日光溫室番茄低溫寡照影響評估與風險評價研究”(BSJJ201505)。第一作者簡介：溫永菁，女，1993年出生，遼寧葫蘆島人，在讀碩士，主要從事農(nóng)業(yè)氣象研究。通信地址：300000天津市河西區(qū)氣象臺路100號天津市氣象局，E-mail：betterbaymax163.com。通訊作者：黎貞發(fā)，男，1964年出生，廣西橫縣人，正研級高級工程師，主要從事設施農(nóng)業(yè)氣象研究。通信地址：300000天津市河西區(qū)氣象臺路100號天津市氣象局，E-mail：lzfaaa126.com。收稿日期：2017-06-26，修回日期：2017-08-25。中國農(nóng)學通報 http:/www.casb.org.cnthe root-mean-square error (REMS) was 5.7% under 9 conditions in greenhouse by using stepwise regressionmodel of relative humidity; and the average accuracy rate of the absolute error of simulated and actual valuesless than 6% was 80%, and the root-mean-square error (RMES) was 6.7% under 9 conditions in greenhouseby using BP neural network model of relative humidity. Both the 2 models are not suitable for predicting therelative humidity of solar greenhouse at 8:00- 17:00, while the humidity prediction model established bystepwise regression at 17:00-23:00 and 0:00-8:00 is more accurate and stable.Key words: solar greenhouse; stepwise regression; BP neural network; temperature and humidity model0 引言溫室小氣候是影響日光溫室作物生長發(fā)育以及產(chǎn)量品質(zhì)的重要因素1，其中溫度條件是影響作物生命活動的重要因素之一，溫室溫度適宜利于作物正常生長發(fā)育，溫度過高過低都會對作物正常生長發(fā)育產(chǎn)生影響，易導致減產(chǎn)；環(huán)境內(nèi)的水分情況對作物生長發(fā)育影響亦較大，相對濕度是反映溫室內(nèi)水分情況的重要因子，溫室內(nèi)相對濕度的大小不僅直接影響作物蒸騰速率而且影響光合強度，溫室內(nèi)相對濕度過高易引發(fā)病蟲害的發(fā)生影響作物產(chǎn)量和品質(zhì)。研究探索準確穩(wěn)定的日光溫室溫濕度預測模型對溫室作物的生產(chǎn)與發(fā)展至關(guān)重要。采用統(tǒng)計回歸法進行線性建模一直被專家學者普遍使用，賀芳芳等2采用線性回歸分析法研究了上海地區(qū)荷蘭玻璃溫室溫濕度與外界氣象條件等影響因子的關(guān)系；李德等3采用逐步回歸法建立了秋季溫室最高與最低氣溫預報模型；張美玲等4采用逐步回歸法建立了日光溫室光合有效輻射預報模型；李寧等5采用主成分分析法建立了日光溫室內(nèi)低溫模型。近年來，BP神經(jīng)網(wǎng)絡在環(huán)境預測模擬方面應用逐漸增多，初期Seginer等6利用神經(jīng)網(wǎng)絡建立了溫室氣候的模擬模型；Ferreira等7建立了溫室內(nèi)氣溫的神經(jīng)網(wǎng)絡模型；金志鳳等8利用BP神經(jīng)網(wǎng)絡法建立了楊梅大棚內(nèi)最高、最低氣溫預報模型；李倩等9利用BP神經(jīng)網(wǎng)絡法對南方塑料大棚不同季節(jié)溫濕度進行了模擬；王春玲等10利用BP神經(jīng)網(wǎng)絡法建立不同天氣狀況下冬季日光溫室內(nèi)小氣候模型；劉淑梅等11利用BP神經(jīng)網(wǎng)絡法研究了日光溫室17天氣溫預報模型。多年來，建立日光溫室溫濕度預測模型普遍采用一種方法，且多為分季節(jié)建模。多數(shù)研究未能體現(xiàn)不同方法建模準確性的偏差以及不同天氣狀況下不同時段日光溫室內(nèi)環(huán)境變化差異較大的情況。本研究選取統(tǒng)計回歸中經(jīng)典的逐步回歸法與BP神經(jīng)網(wǎng)絡為建模方法，根據(jù)20112013年冬季分天氣類型分時段數(shù)據(jù)建模，對比分析2種方法建立的日光溫室溫度濕度預測模型，以期探索建立更準確的溫室溫濕度預測模型。1 資料與方法1.1 試驗時間、地點試驗于20112014年冬季溫室蓋膜期間在天津市寶坻區(qū)圣人莊村(3944N，11717E)進行。1.2 試驗材料1.2.1 日光溫室 天津地區(qū)典型的土墻式溫室，東西長85 m，南北跨度9 m，脊高4.5 m，后墻高4.2 m，溫室內(nèi)種植番茄和黃瓜。1.2.2 資料來源 試驗日光溫室內(nèi)的環(huán)境數(shù)據(jù)由天津市海洋氣象儀器廠生產(chǎn)的DZN1型小氣候儀觀測記錄，儀器安裝于溫室中部（溫室前沿及圍墻所構(gòu)成長方形的中心點），采集間隔為10 min，觀測項目為溫室內(nèi)距地面1.5 m高度的空氣溫度、空氣相對濕度、總輻射，以及5、10、15、20、40 cm處土壤溫度。日光溫室外的氣象數(shù)據(jù)來自天津市寶坻區(qū)氣象局觀測站，要素包括空氣溫度、空氣濕度、平均風速、不同深度土壤溫度。1.3 數(shù)據(jù)處理為保證數(shù)據(jù)的一致性與建模穩(wěn)定準確性，試驗選取20112013年冬季3個月數(shù)據(jù)為建模數(shù)據(jù)，2014年冬季3個月數(shù)據(jù)為檢驗數(shù)據(jù)，并將觀測數(shù)據(jù)間隔處理為1 h，根據(jù)20112013年平均日變化情況（圖1）可知，08時白天溫度變化規(guī)律一致先升后降，817時傍晚溫度緩慢下降，08時夜晚溫度降為平穩(wěn)狀態(tài)，所以將全天分為08時、817時、1723時3個時05101520253001234567891011121314151617181920212223時刻氣溫/圖1 20112013年平均氣溫日變化情況116溫永菁等：基于逐步回歸與BP神經(jīng)網(wǎng)絡的日光溫室溫濕度預測模型對比分析段。根據(jù)氣象上的分類標準將日照百分率100%S60%、20%S60%、0S20%分為晴、多云、陰3種天氣類型12-14。1.4 研究方法1.4.1 逐步回歸 溫室外氣象因子直接或間接影響著溫室內(nèi)環(huán)境條件，因此建模之前篩選了25個溫室外氣象因子（室外1 h前氣溫、室外濕度、室外風速、室外0 cm地溫、室外5 cm地溫、室外10 cm地溫、室外15 cm地溫、室外20 cm地溫、室外40 cm地溫、前1日室外最低氣溫、前1日室外最高氣溫、前1日室外平均氣溫、前1日室外相對濕度、前1日室外0 cm最高地溫、前1日室外0 cm最低地溫、前1日室外5 cm最高地溫、前1日室外5 cm最低地溫、前2日室外最低氣溫、前2日室外最高氣溫、前2日室外平均氣溫、前2日室外相對濕度、前2日室外0 cm最高地溫、前2日室外0 cm最低地溫、前2日室外5 cm最高地溫、前2日室外5 cm最低地溫）與溫室氣溫和溫室相對濕度進行了相關(guān)性分析，保留了相關(guān)系數(shù)絕對值超過0.2的氣象因子進行建模。表1中列舉了保留因子及其與模擬因子的相關(guān)系數(shù)。應用經(jīng)典的統(tǒng)計回歸法逐步回歸建立日光溫室的溫濕度預測模型。采用Matlab 7.8軟件編程實現(xiàn)數(shù)據(jù)的相關(guān)性分析與逐步回歸。1.4.2 BP神經(jīng)網(wǎng)絡 BP神經(jīng)網(wǎng)絡又稱誤差反向傳播(Back Propagation)神經(jīng)網(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。其設計思想為信號正向傳播，誤差反向傳播。輸入信號正向傳播從輸入層通過隱藏層逐層處理，直至輸出誤差小于預先設定的目標誤差或迭代次數(shù)超過最大訓練次數(shù)停止，否則反向傳播15-18。設輸入層有n個神經(jīng)元，輸出層有m個神經(jīng)元，隱藏層有l(wèi)個神經(jīng)元；設i為輸入層神經(jīng)元的序號i=1,2,n；設j為隱藏層神經(jīng)元的序號j=1,2,l；設k為輸出層神經(jīng)元的序號k=1,2,m；設從輸入層神經(jīng)元i到隱藏層神經(jīng)元j的連接權(quán)值為wij，從隱藏層神經(jīng)元 j到輸出層神經(jīng)元k的連接權(quán)值為wjk；設第j個隱藏層神經(jīng)元的閾值為aj；設第k個輸出層神經(jīng)元閾值為bk；設第j個隱藏層神經(jīng)元的輸出為Hj；設輸入層第i個神經(jīng)元的值為xi，輸出層第k個神經(jīng)元的值為yk；設Q為調(diào)整激勵函數(shù)形勢的參數(shù)，則BP神經(jīng)網(wǎng)絡單胞元計算方法見公式(1)(8)。激勵函數(shù)：f(x)=11+e-xQ (1)計算第j個隱藏層神經(jīng)元輸出值：Hj=fi=1n( )wijxi-aj (2)計算第k個輸出層神經(jīng)元預測輸出值：Ok=j=1iHjwjk-bk (3)網(wǎng)絡預測誤差：ek=Yk-Qk (4)更新輸入層與隱藏層的連接權(quán)值：wij=wij+Hj( )1-Hjx( )i k=1m( )wjkek (5)更新隱藏層與輸出層的連接權(quán)值：wjk=wjk+Hjek (6)更新隱藏層神經(jīng)元閾值：aj=aj+Hj( )1-Hjk=1m( )wjkek (7)更新輸出層神經(jīng)元閾值：bk=bk+ek (8)反復迭代直至輸出誤差小于預先設定的目標誤差或迭代次數(shù)超過最大訓練次數(shù)為止19。本模型選定的相關(guān)參數(shù)值為：隱藏層神經(jīng)元數(shù)設為5，最大訓練次數(shù)為40，初始學習速率為0.15，目標誤差為0.0002。為提高訓練效率和網(wǎng)絡泛化性能，采相對濕度室外1 h前氣溫OT室外濕度OH室外風速OW室外0 cm地溫OGT0室外5 cm地溫OGT5前1日室外最低氣溫OTmin總輻射GR相關(guān)系數(shù)0.21-0.310.290.580.32-0.280.35氣溫室外1 h前氣溫OT室外濕度OH室外風速OW室外0 cm地溫OGT0前1日室外相對濕度ORH1前2日室外相對濕度ORH2總輻射相關(guān)系數(shù)-0.360.46-0.41-0.670.210.24-0.37表1 日光溫室溫濕度預測模型入選因子相關(guān)系數(shù)注：OT為室外1 h前氣溫，OH為室外濕度，OW為室外風速，OGT0為室外0 cm地溫，OGT5為室外5 cm地溫，OTmin為前1日室外最低氣溫，GR為總輻射，ORH1為前1日室外相對濕度，ORH2為前2日室外相對濕度。117中國農(nóng)學通報 http:/www.casb.org.cn用歸一化方法將樣本數(shù)據(jù)進行預處理。BP神經(jīng)網(wǎng)絡通過Matlab 7.8軟件編程實現(xiàn)。1.4.3 模型檢驗 本試驗采用模擬值與實際值的絕對誤差小于3的準確率(3)和均方根誤差(RMSE)驗證模型的精確度20，見公式(9)。RESE=i=1n( )SIMi-OBSi2n (9)式中：SIMi為模擬值，OBSi為實際值，n為樣本數(shù)。2 結(jié)果與分析由于結(jié)果中傍晚到夜間的預測效果相近，白天的預測效果差異較大，以下分為817時即白天，1723時和08時即傍晚到夜間2個部分進行分析。2.1 基于逐步回歸與BP神經(jīng)網(wǎng)絡的日光溫室氣溫預測結(jié)果對比分析2.1.1 08時、1723時日光溫室氣溫預測模型 利用20112013年處理后數(shù)據(jù)應用逐步回歸法建立不同天氣條件下傍晚到夜間日光溫室氣溫預測模型，見表2。利用2014年相應時段數(shù)據(jù)進行檢驗，得到模擬值并進行檢驗分析。結(jié)果顯示，08時模擬值與實際值的絕對誤差小于1、2、3的準確率(1、2、3)分別為57%、87.3%、98%，多云天為53%、82%、99%，晴天為52%、84%、95%，陰天為66%、96%、100%；模擬值與實際值的平均均方根誤差為1.3，多云天為1.4，晴天為1.5，陰天為1。1723時模擬值與實際值的絕對誤差小于1、2、3的準確率(1、2、3)分別為44%、80.3%、95.3%，多云天為36%、70%、91%，晴天為45%、81%、95%，陰天為51%、90%、100%；模擬值與實際值的平均均方根誤差為1.5，多云天為1.8，晴天為1.5，陰天為1.2，見表3。結(jié)合預測值與實際值對比圖（見圖2）可以看出，3種天氣類型的預測結(jié)果基本一致，陰天的預測效果好于晴天和多云天，1723時、時段08時1723時天氣類型多云晴陰多云晴陰日光溫室氣溫預測逐步回歸模型y1=20.23+0.18x1-0.07x2-0.23x4+0.41x5y2=15.09+0.42x1-0.01x2-0.44x3-0.3x4+0.59x5-0.23x6+0.01x7y3=14.89+0.4x1-0.02x2-0.21x3-0.39x4+0.95x5-0.29x6y4=19.26+0.32x1-0.04x2-0.91x3-0.11x6y5=18.79+0.28x1-0.04x2-0.16x3+0.25x5-0.2x6y6=14.84+0.29x1-0.02x2-0.12x4+0.63x5-0.21x6不同方法逐步回歸BP神經(jīng)網(wǎng)絡時段08時1723時08時1723時天氣多云晴陰平均值多云晴陰平均值多云晴陰平均值多云晴陰平均值1準確率/%535266573645514434495746.749453944.32準確率/%82849687.370819080.388818785.383807077.73準確率/%999510098919510095.398939896.394959093均方根誤差RMSE1.41.51.01.31.81.51.21.51.51.61.31.51.71.51.91.7樣本數(shù)96394189226.36925221017796394189226.369252210177注：x1為室外1 h前氣溫，x2為室外濕度，x3為室外風速，x4為室外0 cm地溫，x5為室外5 cm地溫，x6為前1日室外最低氣溫，x7為總輻射。表2 不同天氣類型08時、1723時日光溫室氣溫預測逐步回歸模型表3 08時、1723時逐步回歸與BP神經(jīng)網(wǎng)絡日光溫室氣溫預測模型檢驗結(jié)果118溫永菁等：基于逐步回歸與BP神經(jīng)網(wǎng)絡的日光溫室溫濕度預測模型對比分析08時為傍晚到夜間，日光溫室?guī)缀鯙槊荛]狀態(tài)，溫室氣溫變化規(guī)律基本穩(wěn)定，主要受溫室外氣象因素影響，其他因素干擾較少，因此光照影響較弱的陰天預測結(jié)果較其他天氣更好。BP神經(jīng)網(wǎng)絡建模數(shù)據(jù)和預測要素與逐步回歸保持一致，得到的模擬值進行檢驗分析。檢驗結(jié)果為08時模擬值與實際值的絕對誤差小于1、2、3的準確率(1、2、3)分別為46.7%、85.3%、96.3%，多云天為34%、88%、98%，晴天為49%、81%、93%，陰天為57%、87%、98%；模擬值與實際值的平均均方根誤差為1.5，多云天為1.5，晴天為1.6，陰天為1.3。1723時模擬值與實際值的絕對誤差小于1、2、3的準確率(1、2、3)分別為44.3%、77.7%、93%，多云天為49%、83%、94%，晴天為45%、80%、95%，陰天為39%、70%、90%；模擬值與實際值的平均均方根誤差為1.7，多云天為1.7，晴天為1.5，陰天為1.9，見表3。結(jié)合圖2 不同天氣類型08時與1723時逐步回歸日光溫室氣溫預測模型模擬值與實際值對比(a)0null時多云1015202510152025模擬值/實際值/(b)0null時晴1015202510152025模擬值/實際值/(c)0null時陰1015202510152025模擬值/實際值/(d)17null3時多云1015202510152025模擬值/實際值/(e)17null3時晴1015202510152025模擬值/實際值/(f)17null3時陰1015202510152025模擬值/實際值/08時多云 08時晴08時陰 1723時多云1723時晴 1723時陰119中國農(nóng)學通報 http:/www.casb.org.cn圖3可以看出，傍晚到夜間不同天氣類型的預測結(jié)果基本一致，陰天預測結(jié)果最好，多云和晴天較差，與逐步回歸預測模型進行對比分析，BP神經(jīng)網(wǎng)絡預測模型檢驗結(jié)果略差于逐步回歸模型，1723時、08時為傍晚到夜間，日光溫室氣溫變化很穩(wěn)定，影響因素較少，溫室氣溫與溫室外氣象條件基本成線性關(guān)系，2種模型均可以實現(xiàn)日光溫室氣溫的預測。2.1.2 817時日光溫室氣溫預測模型 利用20112013年處理后數(shù)據(jù)應用逐步回歸法建立不同天氣條件下白天日光溫室氣溫預測模型，見表4。利用2014年相應時段數(shù)據(jù)進行檢驗，得到模擬值并進行檢驗分析。結(jié)果顯示，817時模擬值與實際值的絕對誤差小于1、2、3的準確率(1、2、3)分別為27.7%、49.3%、68.7%，多云天為22%、45%、66%，晴天為18%、32%、50%，陰天為43%、71%、90%；模擬值與實際值的平均均方根誤差為3.3，多云天為圖3 不同天氣類型08時與1723時BP神經(jīng)網(wǎng)絡日光溫室氣溫預測模型模擬值與實際值對比(a)0null時多云1015202510152025模擬值/實際值/(b)0null時晴1015202510152025模擬值/實際值/(c)0null時陰1015202510152025模擬值/實際值/(d)17null3時多云1015202510152025模擬值/實際值/(e)17null3時晴1015202510152025模擬值/實際值/(f)17null3時陰1015202510152025模擬值/實際值/08時多云 08時晴08時陰1723時多云1723時晴1723時陰120溫永菁等：基于逐步回歸與BP神經(jīng)網(wǎng)絡的日光溫室溫濕度預測模型對比分析3.2，晴天為5，陰天為1.8，見表5。817時為白天，通風、澆水、施肥、打叉等一系列農(nóng)事活動都在該時段進行，多方面因素影響溫室內(nèi)環(huán)境變化，單純的線性處理無法準確地模擬溫室內(nèi)氣溫情況，晴天多云天預測結(jié)果較差，而陰天部分農(nóng)事活動減少，光照影響較小，預測結(jié)果相對其他天氣較好。BP神經(jīng)網(wǎng)絡預測模型817時檢驗結(jié)果模擬值與實際值的絕對誤差小于1、2、3的準確率(1、2、3)分別為46.7%、82.7%、94%，多云天為34%、75%、88%，晴天為53%、82%、94%，陰天為53%、91%、100%；模擬值與實際值的平均均方根誤差為1.7，多云天為2.3，晴天為1.6，陰天為1.2，見表5。白天3種天氣情況下的預測結(jié)果均較好，對比2個模型的檢驗結(jié)果，BP神經(jīng)網(wǎng)絡遠好于逐步回歸，白天溫室氣溫受多方面因素影響，變化規(guī)律不穩(wěn)定，與溫室外氣象條件成非線性關(guān)系，BP神經(jīng)網(wǎng)絡為非線性處理模型更適宜白天溫室內(nèi)氣溫預測。2.2 基于逐步回歸與BP神經(jīng)網(wǎng)絡的日光溫室相對濕度預測結(jié)果對比分析2.2.1 08時、1723時日光溫室相對濕度預測模型利用20112013年處理后數(shù)據(jù)應用逐步回歸法建立不同天氣條件下傍晚到夜間日光溫室相對濕度預測模型，見表6。2014年數(shù)據(jù)作為檢驗數(shù)據(jù)代入方程，得到模擬值并進行檢驗分析。BP神經(jīng)網(wǎng)絡也利用20112013年數(shù)據(jù)進行訓練建模，預測2014年溫室相對濕度并與實際值進行檢驗分析。08時、1723時逐步回歸模型晴天模擬值與實際值絕對誤差小于3的準確率(6%)分別為91%和89%，均方根誤差為6.3和4.1；多云天模擬值與實際值絕對誤差小于6%的準確率(6%)為93%和100%，均方根誤差為2.8和2.7；陰天模擬值與實際值絕對誤差小于6%的準確率(6%)為97%和98%，均方根誤差為5和2.2。08時、1723時BP神經(jīng)網(wǎng)絡模型晴天模表4 不同天氣類型817時日光溫室氣溫預測逐步回歸模型注：x1為室外1 h前氣溫，x2為室外濕度，x3為室外風速，x4為室外0 cm地溫，x5為室外5 cm地溫，x6為前1日室外最低氣溫，x7為總輻射。不同方法逐步回歸BP神經(jīng)網(wǎng)絡時段817時817時天氣多云晴陰平均值多云晴陰平均值1準確率/%22184327.734535346.72準確率/%45327149.375829182.73準確率/%66509068.7889410094均方根誤差RMSE3.25.01.83.32.31.61.21.7樣本數(shù)8329914917783299149177時段08時1723時天氣類型多云晴陰多云晴陰日光溫室氣溫預測逐步回歸模型y1=98.46+0.02x5-0.58x7y2=99.48+0.15x1-0.08x7y3=97.7-0.2x1-0.39x3+0.12x4+0.03x5-0.11x7y4=96.26-0.42x1+0.13x4+0.03x5y5=94.97+0.16x1+0.07x2+0.08x5-0.11x6y6=92.26-0.44x1+0.05x2+0.03x5時段817時天氣類型多云晴陰日光溫室氣溫預測逐步回歸模型y7=15.06+0.17x1+0.39x4-0.19x6+0.02x7y8=19.2+0.22x1-0.04x2+0.23x4-0.22x6+0.02x7y9=13.64+0.22x1-0.01x2+0.2x3+0.26x4-0.18x6+0.02x7表5 817時逐步回歸與BP神經(jīng)網(wǎng)絡日光溫室氣溫預測模型檢驗結(jié)果表6 不同天氣類型08時、1723時日光溫室相對濕度預測逐步回歸模型注：x1為室外1 h前氣溫，x2為室外濕度，x3為室外風速，x4為室外0 cm地溫，x5為前1日室外相對濕度，x6為前2日室外相對濕度，x7為總輻射。121中國農(nóng)學通報 http:/www.casb.org.cn擬值與實際值絕對誤差小于6%的準確率(6%)分別為92%和88%，均方根誤差為5.6和4.7；多云天模擬值與實際值絕對誤差小于6%的準確率(6%)為99%和94%，均方根誤差為2.3和3.2；陰天模擬值與實際值絕對誤差小于6%的準確率(6%)均為95%，均方根誤差為7.5和5.7，見表7。結(jié)合圖4和圖5可知，陰天模擬準確率較高，擬合效果較好，好于其他2種天氣類型。2種模型不同精度下準確率大小差異略小，但逐步回歸模型傍晚到夜間的均方根誤差幾乎都小于BP神經(jīng)網(wǎng)絡模型，模擬值與實際值的擬合效果也優(yōu)于BP神經(jīng)網(wǎng)絡。2.2.2 817時日光溫室相對濕度預測模型 表8列舉了白天20112013年處理數(shù)據(jù)建模的結(jié)果，采用以上方程預測2014年冬季1、2、12月同一天氣條件下相同時段溫室相對濕度值。利用相同時段相同室外氣象數(shù)據(jù)對BP神經(jīng)網(wǎng)絡進行訓練建模，預測相同情況下的溫室相對濕度值。逐步回歸模型得到的模擬值與實際值絕對誤差小于6%的準確率(6%)多云天、晴天、陰天分別為48%、圖4 不同天氣類型08時與1723時逐步回歸日光溫室相對濕度預測模型模擬值與實際值對比(a)0null時多云80901008090100模擬值/%實際值/%(b)0null時晴80901008090100模擬值/%實際值/%(c)0null時陰80901008090100模擬值/%實際值/%(d)17null3時多云80901008090100模擬值/%實際值/%(e)17null3時晴80901008090100模擬值/%實際值/%(f)17null3時陰80901008090100模擬值/%實際值/%08時多云 08時晴08時陰1723時多云1723時晴1723時陰122溫永菁等：基于逐步回歸與BP神經(jīng)網(wǎng)絡的日光溫室溫濕度預測模型對比分析34%、77%。模擬值與實際值的均方根誤差多云天、晴天、陰天分別為9.3、12.8、6.5。相應的表9中BP神經(jīng)網(wǎng)絡模型模擬值與實際值絕對誤差小于6%的準確率(6%)多云天、晴天、陰天分別為41%、43%、66%，均方根誤差多云天、晴天、陰天分別為10.6、12、8.6，見表9。2種模型的模擬準確率均過低，均方根誤差也過大。說明817時日光溫室內(nèi)濕度變化規(guī)律易受澆水、施肥、通風、打藥、開關(guān)棚門等一系列不確定因素影響，受室外環(huán)境條件影響較小，所建的2種模型均無法準確預測溫室內(nèi)相對濕度。3 結(jié)論與討論（1）日光溫室氣溫受多種因素影響，要建立準確且穩(wěn)定的預測模型有一定難度。本研究應用逐步回歸和BP神經(jīng)網(wǎng)絡2種模型預測溫室內(nèi)氣溫，逐步回歸模型的白天晴好天氣預測準確率較差，夜間陰雨天預測準確率較高，預測模型穩(wěn)定性較差；BP神經(jīng)網(wǎng)絡模型具圖5 不同天氣類型08時與1723時BP神經(jīng)網(wǎng)絡日光溫室相對濕度預測模型模擬值與實際值對比(a)0null時多云80901008090100模擬值/%實際值/%(b)0null時晴80901008090100模擬值/%實際值/%(c)0null時陰80901008090100模擬值/%實際值/%(d)17null3時多云80901008090100模擬值/%實際值/%(e)17null3時晴80901008090100模擬值/%實際值/%(f)17null3時陰80901008090100模擬值/%實際值/%08時多云08時晴08時陰 1723時多云1723時晴1723時陰123中國農(nóng)學通報 http:/www.casb.org.cn有處理非線性問題的能力，更適合溫室內(nèi)溫度預測建模，在不同天氣不同時段預測準確率均較高且變化不大，其日光溫室氣溫預測模型準確率較高穩(wěn)定性較好。（2）除去白天較晴好條件下，運用BP神經(jīng)網(wǎng)絡與逐步回歸建立的日光溫室相對濕度預報模型模擬值與實際值絕對誤差小于等于6%的準確率(6%)均達到94%，均方根誤差(RMSE)均在6%以內(nèi)。說明在傍晚到夜間陰天多云天，溫室內(nèi)濕度變化很規(guī)律，影響因子相對較少，運用2種方法均可預測溫室內(nèi)相對濕度值。白天特別是晴好天氣，通風時間較長，農(nóng)事活動較多，人為等其他因素干擾較大，因此外界氣象條件對溫室相對濕度模擬效果較差。（3）本研究選擇了冬季3個月溫室外數(shù)據(jù)進行不同天氣類型不同時段的劃分，時段的劃分是主要考慮不同方法逐步回歸BP神經(jīng)網(wǎng)絡時段08時1723時08時1723時天氣多云晴陰平均值多云晴陰平均值多云晴陰平均值多云晴陰平均值2%準確率/%72639275.735186840.380678075.746296747.34%準確率/%9189969290559078.397869392877491846%準確率/%93919793.7100899895.799929595.394889592.3均方根誤差RMSE2.86.35.04.72.74.12.232.35.67.55.13.24.75.74.5樣本數(shù)157753310406.7125577238313.3157753310406.7125577238313.3時段817時天氣類型多云晴陰日光溫室氣溫預測逐步回歸模型y7=91.58-x1-0.71x4-0.04x7y8=87.25-0.55x3-0.76x4-0.04x7y9=91.37+0.05x2-0.53x4+0.17x5-0.13x6-0.06x7不同方法逐步回歸BP神經(jīng)網(wǎng)絡時段817時817時天氣多云晴陰平均值多云晴陰平均值2%準確率/%23114626.713153721.74%準確率/%33226439.7323058406%準確率/%4834775341436650均方根誤差RMSE9.312.86.59.510.612.08.610.4樣本數(shù)153710338400.3153710338400.3表7 08時、1723時逐步回歸日光溫室相對濕度預測模型檢驗結(jié)果表8 不同天氣類型817時日光溫室相對濕度預測逐步回歸模型注：x1為室外1 h前氣溫，x2為室外濕度，x3為室外風速，x4為室外0 cm地溫，x5為前一日室外相對濕度，x6為前2日室外相對濕度，x7為總輻射。表9 817時逐步回歸與BP神經(jīng)網(wǎng)絡日光溫室相對濕度預測模型檢驗結(jié)果124