利用Elman神经网络的华北棚型日光温室室内环境要素模拟

准确模拟日光温室内环境的变化过程是实现温室环境精准调控的前提。该研究以3个生长季的日光温室室内实时气象观测资料为基础,利用Elman神经网络建模的方法,对日光温室室内1.5 m气温、0.5 m气温和CO_2浓度进行逐时模拟,对日光温室室内平均湿度、平均温度、最高温度和最低温度进行逐日模拟,建立基于Elman神经网络的日光温室室内环境逐时及逐日模拟模型,利用独立的气象观测资料对模型进行验证,并基于逐步回归方法和BP神经网络方法结果进行对比分析。结果表明:1)基于Elman神经网络的日光温室室内环境(1.5m气温、0.5m气温和CO_2浓度)逐时模拟值与实测值的均方根误差(Root Mean Square Error,RMSE)分别为2.14℃、1.33℃和55.32μmol/mol,归一化均方根误差(Normalized Root Mean Square Error,NRMSE)分别为10.01%、5.87%和10.70%,基于Elman神经网络的日光温室室内环境逐时模拟效果和稳定性最优。2)基于Elman神经网络的日光温室室内环境(日均空气湿度、日均气温、日最高气温和日最低气温)逐日模拟值与实测值的RMSE分别为0.59%、0.88℃、2.02℃和0.98℃,NRMSE分别为0.79%、4.44%、7.02%和6.66%,基于Elman神经网络的日光温室室内环境逐日模拟效果和稳定性最优。研究结果可以准确模拟日光温室室内逐时及逐日环境,也可以为环境模型与作物模型相互耦合提供技术支撑。     

玻璃温室和塑料大棚内逐时气温模拟模型

2014-2016年在江苏省不同地区选择塑料大棚和玻璃温室进行设施内气温监测,基于设施内日最高和最低气温,采用余弦分段函数、正弦分段函数、正弦-指数分段函数、一次分段函数和神经网络模型分别模拟不同季节和不同天气状况（晴天和阴雨天）下的逐时气温日变化,探究利用室内最高和最低气温模拟计算逐时气温的方法,以及设施内逐时气温日变化规律。结果表明：5种模型均可通过当日最高、最低气温模拟逐时气温变化,其中神经网络模拟精度较高（RMSE=0.69℃）,并且受温室类型、天气状况和季节变化的影响较小,普适性较高;正弦-指数分段函数模拟效果最好（RMSE=0.43℃）,且受天气和季节的影响较小,但其受温室本身特性和地区的影响较大;余弦分段函数（RMSE=0.85℃）和正弦分段函数（RMSE=0.78℃）模拟效果相近,且受天气和地区的影响;一次分段函数准确度较低（RMSE=0.90℃）且误差变化较大。各方法对塑料大棚内逐时气温的模拟精度均高于玻璃温室。模型模拟精度的季节变化因模型和温室类型有一定差异,但通常情况下,春季和冬季的模拟误差大于秋季,夏季误差最小。     

基于四种算法比较分析Venlo型玻璃温室气温季节预报模型

利用2021年2月27日-2023年3月4日南京信息工程大学Venlo型玻璃温室内、外气象观测数据,基于多元回归(Multiple regression,MR)、BP人工神经网络(BP artificial neural networks,BPANN)、随机森林(Random forest,RF)和支持向量机(Support vector machine,SVM)构建温室内日平均气温、日最低气温和日最高气温的季节预报模型,并进行验证。结果表明：温室内日平均气温、日最低气温季节预报模型的拟合精度明显高于日最高气温季节预报模型;各模型对春、夏、秋季温室内气温的拟合精度高于冬季。对于日平均气温和日最低气温季节预报模型而言,4种算法构建的春、夏、秋季预报模型的拟合精度均较高,RF模型模拟效果更为稳定,其模拟值与实际观测值决定系数(R²)均值均在0.94以上,均方根误差(RMSE)、绝对误差(MAE)均值在1.5℃以内;对于日最高气温季节预报模型,RF模型对春、夏、秋季的拟合精度整体高于其他模型,R²均值均在0.75以上。MR模型对冬季室内气温的拟合精...     

葡萄大棚小气候预测模型研究

为精准把控并及时调节葡萄大棚棚内小气候,利用清徐县葡萄大棚农田小气候站观测数据及气象站、辐射站、土壤水分站资料,建立以棚外气温、相对湿度、风速、总辐射、土壤湿度为输入变量,棚内气温、相对湿度、土壤温度为输出变量的基于BP神经网络葡萄大棚小气候预测模型。为了对比分析BP神经网络的精确度和稳定性,同时建立多元线性回归模型。结果表明,基于BP神经网络建立的预测模型,其训练值和实测值之间的绝对误差分别为1.55 ℃、4.46%、0.77 ℃,标准误差分别为2.18 ℃、5.94%、1.00 ℃;预测值和实测值之间的绝对误差分别为1.37 ℃、2.84%、0.42 ℃,标准误差分别为1.96 ℃、4.60%、0.53 ℃。预测效果明显优于多元线性回归模型,预测精度满足棚内小气候要素预报要求。     

温室环境分析中冬季室外气温日变化及数学表达

在温室热环境准确的动态分析中室外逐时气象数据是不可缺少的,但系统完整的室外逐时气温气象观测资料相对较少,为此,该文研究了2009－2011年冬季1月份室外气温的日变化规律。根据连续2 a的观测数据,分析了华北5省区2009－2011年1月份室外气温的逐时变化情况,并归纳出根据日最高气温和日最低气温采用温度逐时变化系数计算逐时气温的方法。结果表明,该方法所得的室外逐时气温模拟结果与实测温度较为吻合。在此基础上,采用傅立叶级数展开的方法,给出了推算冬季任意时刻室外气温的数学表达式。该文为温室环境的精确模拟分析提供详尽的室外温度数据。     

南方塑料大棚冬春季温湿度的神经网络模拟

利用浙江省慈溪市草莓塑料大棚和南京信息工程大学农业气象试验站番茄塑料大棚的小气候观测数据及气象站资料,建立3个以棚外辐射、温度、相对湿度和风速为输入变量,棚内温度和相对湿度为输出变量的BP神经网络预测模型。结果表明,3个模型气温训练值与实测值的均方根误差(RMSE)都在2℃以内,相对误差都在4%左右;相对湿度训练值的RMSE都在7个百分点以内,相对误差不超过7%。利用此模型得到的气温预测值与实测值的RMSE都在2℃左右,冬季气温的相对误差较大,春季通风和不通风模型气温的相对误差不超过6%;相对湿度预测值的RMSE都在7个百分点以内,相对误差不超过9%。说明所建BP神经网络模型对于不同季节、不同通风条件、不同作物的大棚温湿度模拟都有较高的精度,能够满足棚内温湿度的预测要求,且对温度的模拟精度高于对相对湿度的模拟。     

黄淮冬麦区晚霜冻易发时段冠层内最低气温分布及估算

利用2016年和2017年3月中旬?4月下旬两次典型低温过程中,冬小麦田间不同高度逐小时气象观测数据,分析晚霜冻易发时段冬小麦冠层内最低气温出现高度及其变化规律,构建基于150cm高度处气象因子和地表0cm温度的冠层内最低气温估算模型。结果表明：（1）与150cm高度相比,两次典型低温过程中0℃以下气温在冠层高度附近出现时间更早,持续时间更长且温度更低;（2）最低气温总是出现在4/5冠层高度附近,并在2：00?6：00时段,尤以5：00左右发生频率最高;（3）冠层内最低气温与150cm高度处相对湿度、风速的相关性通过了0.01水平的显著性检验,与不同高度气温、不同土壤深度地温的相关性也通过了0.001水平的显著性检验,与地温的相关性随着土壤深度的增加而逐渐降低;（4）冠层内最低气温与150cm高度处气温、风速、相对湿度,以及0cm地温的偏相关系数大小排序表现为,气温＞风速＞地温＞相对湿度;利用以上因子构建基于多元线性回归函数的冠层内最低气温估测模型,其估测值与实测值拟合结果的决定系数达到0.967,均方根误差为0.915。说明基于气象台站常规观测数据构建冠层内最低气温估测模型具备一定可行性,可为冬小麦晚霜冻害的监测预报提供数据支持。     

多元自适应回归样条算法模拟川中丘陵区参考作物蒸散量

参考作物蒸散量(reference crop evapotranspiration, ET_0)是作物精准灌溉管理与农业高效用水的核心参数。为提高川中丘陵区气象资料缺省下的ET_0预报精度,利用不同的气象因子组合,建立15种基于多元自适应回归样条算法(multivariate adaptive regression splines, MARS)的ET_0预报模型。选取11个代表性气象站点1961—2016年逐日气象资料进行分析,将其与其他ET_0预报模型进行对比,并利用可移植性分析评价MARS模型在川中丘陵区的适用性。结果表明:基于温度和风速项输入的MARS_5(输入大气顶层辐射、最高气温、最低气温、2m处风速)、MARS_9(输入最高气温、最低气温、2 m处风速)和MARS_(13)(输入最高气温、2 m处风速)模型,以及仅基于风速项输入的MARS_(15)模型都具有良好的模拟精度;大气顶层辐射和风速是决定机器学习模型地域性适应能力的关键;引入大气顶层辐射后,MARS_6(输入大气顶层辐射、最高气温、最低气温、相对湿度)、MARS_7(输入大气顶层辐射、最高气温、最低气温、日照时长)、MARS_8(输入大气顶层辐射、最高气温、最低气温)模型均优于相同气象因子依赖下的Irmak-Allen、Irmak、Hargreaves-M4模型;通过可移植性分析发现,在训练站点和测试站点的随机交叉组合下,MARS_5模型保持了较高的精度(纳什效率系数和决定系数均大于0.985),且输出较为稳定的模拟结果,均方根误差变化范围为0.121～0.193 mm/d,平均相对误差变化范围为2.7%～4.2%。因此,基于多元自适应回归样条算法的ET_0预报模型可作为川中丘陵区ET_0预报的推荐模型。     

小时和日步长热时对夏玉米生育期模拟的影响

热时是模拟和预测作物生育期的重要参数,而小时步长热时与日步长热时之间存在差异。该研究利用郑州农业气象试验站2005-2018年逐小时气温数据和同期夏玉米生育期观测资料,南阳、获嘉和黄泛区农场2012-2013年玉米分期播种生育期资料和逐时气温数据,选择线性模型、Logistic模型和Wang-Engel(WE)模型3种作物生育速率温度响应模型,结合玉米三基点温度,分别计算了各模型中夏玉米出苗、拔节、开花和成熟期的小时步长热时和日步长热时的累积值,比较这3种模型的小时步长热时与日步长热时对玉米生育期的模拟效果。结果表明:在夏玉米生长期内,3个温度模型的逐日热时整体上表现为日步长热时大于小时步长热时,气温日变化是造成这种差异的直接原因。日平均气温达到作物生长最适温度附近时,小时步长热时与日步长热时的日差异最大值可达9.7℃·d(线性)、9.1℃·d(Logistic)和7.4℃·d(WE)。线性模型在拔节期、开花期的日步长热时累积比小时步长热时显著偏多(P0.05),Logistic模型在拔节、开花和成熟期的日步长热时累积也比小时步长热时显著偏多(P0.05),而WE模型在各生育期均无显著性差异。在同一温度模型条件下,日步长热时与小时步长热时的生育期模拟差异不大于1 d,生育期时长模拟差异不大于2 d。小时步长热时没有显著提高夏玉米生育期模拟精度。     

杭州冬季塑料大棚内气温变化特征及日最低气温预报模型

利用2010-2012年冬季塑料大棚内外气象资料,分析晴天、多云、寡照3种天气类型下的单、双层棚内气温变化特征,采用逐步回归方法构建适于杭州地区的棚内日最低气温预报模型,并对模型进行拟合和预报试验。结果表明:单、双层棚内气温变化趋势基本一致,晴天、多云条件下日变化剧烈,阴雨寡照下较平缓。棚内日最低气温在晴天、多云条件下比寡照时低,易出现低温危害。棚内外日最低气温温差单层棚平均为2.0℃,双层棚平均3.0℃。日最低气温预报模型拟合结果表明,单、双层棚内日最低气温拟合值与实际值的均方根误差(RMSE)分别小于1.0℃和0.5℃,晴天、多云和寡照3种天气类型下,单层棚分别为0.5℃、1.3℃和0.7℃,双层棚分别为0.4℃、0.3℃和0.5℃;实际预报检验表明,模型具有较高的模拟精度和较强的实用性。     

利用BP神经网络模型对太湖水体叶绿素a含量的估算

利用太湖2001-2006年常规水质监测资料和气象资料进行主成分分析,确定影响太湖水体叶绿素a 含量的主要因子。在此基础上构建BP神经网络模型,利用模型对太湖湖心区水体叶绿素a含量进行估算,并对模型进行敏感度分析;将所建模型运用于太湖梅梁湾、贡湖湾、竺山湾以及东太湖4个湖区叶绿素a含量的估算,以验证其适用性。结果表明：基于主成分分析的BP神经网络模型估算的湖心区叶绿素a含量与实测值的拟合度良好,对已建立的BP神经网络预测模型进行敏感度分析表明,气温和溶解氧与浮游植物叶绿素a含量密切相关;该模型对太湖其它4个湖区水体叶绿素a含量的估算结果与实测值拟合度良好, 表明其适用性也较好,因此,可以运用于对太湖水体叶绿素a含量的估算及预测。     

利用BP神经网络对江淮地区梅雨季节现代化温室小气候的模拟与分析

为对江淮地区现代化温室内梅雨季节的小气候进行模拟与分析，在建立相应的BP神经网络模拟模型的基础上，进一步研究了外部温度、湿度、风速、太阳总辐射和天窗开度5个因素对温室内温度、湿度、风速的影响。研究发现可以使用BP神经网络对梅雨季节的小气候进行模拟，模型具有较高的精度，是对物理模型的有益补充；梅雨季节室内湿度受室外湿度的强烈影响，在5个输入因素中所占比重为51.7%；室内风速主要受室外风速和天窗开度的共同影响，受室外温度的影响较小，所占比重仅为10%；室内温度主要受室外温度和太阳辐射的影响，二者所占比重分别为46.2%和27.9%。     

参考作物腾发量主成分神经网络预测模型

为解决采用神经网络模型预测参考作物蒸发蒸腾最Eto研究中预测能力不足的问题,将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析,提取主成分,建立了基于主成分的三层BP神经网络模型.选取崇川水利科学试验站2001年到2004年的旬气象资料,采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模犁作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与Eto之间的关系,尤其对训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果.     

基于蜣螂算法优化BP的冬夏生菜根区温度预测模型

为解决生菜应用营养液膜技术（nutrient film technique,NFT）在冬夏季根区温度控制的问题,该研究基于机器学习方法,结合温室内外历史环境数据,构建BP神经网络根区温度预测模型。为提高模型精度,采用蜣螂算法（dung beetle optimizer, DBO）优化BP神经网络模型的输入权重和阈值,构建了冬夏两个季节的基于DBO-BP神经网络的栽培槽内根区温度预测模型,并与GA-BP、BP神经网络模型进行对比。结果表明,根区温度预测值与真实值变化趋势较为一致,DBO-BP模型温度预测最大误差为2.21°C,决定系数为0.943,而GA-BP与BP模型决定系数分别为0.928、0.892;DBO-BP模型评价指标的均方根误差、平均绝对误差分别为0.707、0.549°C,均小于其他模型评价指标。DBO-BP神经网络可满足在NFT栽培中根区温度预测精度的需求,能够为生菜栽培根区快速控温提供有效方法。     

基于BP神经网络的冬小麦耗水预测

该文根据中国科学院禹城农业试验站2003－2006年冬小麦季的气象资料和大型称重式蒸渗仪观测资料,把实测作物系数作为作物因子指标,建立了以日最高温度、日净辐射、实测表层60 cm土壤含水率、日序数和作物系数为输入因子,蒸渗仪实测蒸散量为输出因子的BP神经网络预测模型,神经网络拓扑结构为5-9-1,训练函数为Trainbr。检验结果表明冬小麦耗水量模型预测平均相对误差为13.1%,预测值和实测值的均方根误差为0.88 mm,模型预测Nash-Sutcliffe效率指数为0.865,预测效果较好,可满足生产需要。     

基于R-BP神经网络的温室小气候多步滚动预测模型

温室高效生产依赖于适宜的温室小气候环境,建立高精度的温室小气候多步预测模型对实现温室环境优化调控具有重要意义。本研究提出一种基于滚动的反向传播神经网络（Rolling Back Propagation Neural Network, R-BP）的温室小气候多步滚动预测模型。模型主要包括两个阶段：（1）建立初始的BP神经网络。采用自动编码器无监督学习方法获取初始网络参数,并利用改进的粒子群算法优化网络参数。（2）建立滚动的BP神经网络群。将前一个网络输出作为后一个网络的部分输入进行滚动训练和预测,实现温室小气候多步滚动预测。为验证R-BP模型的有效性,在阿拉伯联合酋长国阿布扎比市的自控温室和中国苏州市的非自控温室分别进行试验。验证试验表明,与传统BP神经网络相比,在阿布扎比温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低69.9%,预测相对湿度,其平均误差降低47%;在苏州温室试验中,采用R-BP模型预测未来6h室内温度,其平均误差降低43.3%,预测相对湿度,其平均误差降低55.6%。说明R-BP模型能够较准确预测未来6h内温室小气候环境变化,可为制定温室小气候优化调控方案提供依据。     

利用线性和非线性耦合方式建立温室温湿度预测模型

基于蔬菜种植试验温室内温度、相对湿度和光照强度的实测数据，根据ARIMA模型和RBF神经网络对线性和非线性问题的预测能力差异，构建ARIMA-RBF神经网络权重组合的温湿度预测模型，对温室内温度和湿度的动态变化进行预测，并比较各模型预测精度。结果表明：温室内温湿度分别具有更明显的线性和非线性变化特征，对应预测性能较好的单一模型分别为ARIMA模型和RBF模型。相较单一模型，ARIMA-RBF神经网络权重组合模型的预测精度更高、稳定性更好。最佳温度组合模型的MAE、MAPE和RMSE分别为1.04℃、2.95%和1.21℃；最佳湿度组合模型的MAE、MAPE和RMSE分别为0.35个百分点、0.36%和0.55个百分点。权重组合模型通过适当的加权策略充分发挥了单一模型对数据不同特征的处理能力，能较好地评估温室内温湿度状态，可为建立更具普适性的温室环境因子模型提供参考。     

苗期短时高温条件下草莓干物质积累模型的修订

以草莓品种“红颜”为试验材料，分别于2018年和2019年对温室草莓苗期进行不同高温（日最高温/日最低温分别为32/22℃、35/25℃、38/28℃和41/31℃）和不同胁迫天数（2d、5d、8d和11d）处理，以28/18℃为对照（CK），处理结束后将草莓移植到Venlo型玻璃温室进行正常栽培试验。以2018年数据定量分析高温和胁迫天数对温室草莓叶面积指数的影响，构建以生理发育时间为尺度的苗期高温对温室草莓叶面积指数影响模型，并结合已有的光合作用生产模型，构建光合驱动的草莓干物质生产的机理模型。以2019年试验数据对模型进行拟合验证。结果显示，构建的高温影响模型对温室草莓叶面积指数、最大光合速率和干物质生产的模拟值与实测值之间的决定系数（R²）分别为0.98、0.83 和0.91，均方根误差(RMSE)分别为0.04、1.50μmol·m⁻²·s⁻¹和1.38g·m^–2，相对误差（RE）分别为6.43%、13.17%和11.49%，说明所建模型较好地模拟了苗期高温对温室草莓叶面积变化和干物质生产的影响，可为温室草莓的高温环境管理和调控提供理论依据。     

基于L-M优化算法的BP神经网络的作物需水量预测模型

应用L-M优化算法BP神经网络，通过多维气象数据(太阳辐射、空气温度、湿度)与作物需水量的相关分析，来确定网络的拓扑结构，建立作物需水量的人工神经网络模型。用美国田纳西州大学高原实验室所测的100 d气象数据为输入、作物需水量为输出来训练建立好的BP神经网络，仿真表明该神经网络能很好地解决需水量多影响因素之间的不确定性和非线性，模型的预测精度较高，同时通过一组非样本天气环境参数和作物需水量来验证该神经网络，也得到了较好的预测结果，能够满足灌溉的精度要求。