长江下游防虫网覆盖塑料大棚内温湿度模拟

为了对防虫网覆盖塑料大棚内空气温度和相对湿度进行预测,该文根据能量平衡和质量平衡原理,建立了以塑料大棚外气象要素（太阳辐射、温度、相对湿度、风速、气压）为驱动变量,以塑料大棚结构（容积、表面积、通风窗面积、棚内地表面积）、覆盖材料（塑料薄膜透光率、防虫网目数）、小白菜（叶宽、叶面积指数）等为参数的塑料大棚内温湿度模拟模型,并根据试验观测资料对模型进行了检验。结果表明：模型能较好地预测长江下游地区防虫网覆盖塑料大棚内温度和相对湿度。模型对该地区夏季晴天、多云天和阴天覆盖防虫网塑料大棚内温度预测值与实测值的决定系数（R2）分别为0.93、0.92和0.87,回归估计标准误差（RMSE）分别为1.3、1.4和0.9℃,相对误差（RE）分别为5.8%、6.5%和4.1%;夏季晴天、多云天和阴天大棚内相对湿度预测值与实测值的R2分别为0.91、0.90和0.89,RMSE分别为4.1%、4.7%和3.2%,RE分别为4.8%、5.6%和3.8%。模型的建立也为防虫网覆盖塑料大棚结构优化和管理提供参考。     

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。     

基于谐波法的塑料大棚内气温日变化模拟

依据浙江省慈溪市2006-2009年塑料大棚小气候数据进行季节和天气状况分类,以棚外气象要素为自变量进行逐步回归模拟得到棚内气温二阶谐波模型所需参数,据此构建冬春季晴、昙、阴3种天气状况下塑料大棚内24h气温谐波预测模型并进行验证。结果表明:晴天和昙天的气温预测值与实测值间拟合直线方程的决定系数均在0.92以上,预测值与实测值间的均方根误差(RMSE)在3.0℃以内,绝对误差在2.4℃以内;阴天气温预测值与实测值间拟合直线方程的决定系数均在0.79左右,RMSE在3.0℃以内,绝对误差在2.0℃左右。从均方根误差和绝对误差来看,昙天预测模型精度最高,阴天次之,晴天最低;相同天气状况下冬季预测模型精度均略低于春季,两季相差在0.1~0.4℃。棚内预测气温相位均略提前于棚外,晴、昙天比阴天明显,冬季比春季明显;棚内日最低气温始终低于棚外,以晴天尤其明显,昙天次之,阴天基本持平;相同天气状况下春季均明显低于冬季。本研究论证了谐波分析方法在特定条件的塑料大棚气温日变化模拟方面的可行性,可为大棚小规模种植管理工作提供参考。     

集中通风式分娩母猪舍温湿度数值模拟与试验验证

为研究集中通风式猪舍温湿度场的分布规律,利用计算流体力学技术,对云南省某规模猪场的地沟进风、中央排风式分娩母猪舍进行温湿度场耦合模拟研究,并通过试验进行验证。本研究采用四面体非结构网格进行网格划分,运用重整化群RNG k-ε湍流模型进行稳态模拟,通过实测值与模拟值的对比,对模型进行验证。研究结果表明,温度模拟值与实测值最大差值不超过4 ℃,平均相对误差为6.5%;相对湿度模拟值与实测值最大差值不超过10%RH,平均相对误差为7.3%,验证了模型的准确性。温度、相对湿度和风速在垂直高度上的分布差异较大,温度随着垂直高度的增加而增加,且温度梯度逐渐增大;相对湿度随着垂直高度的增加而减小;而风速则随着垂直高度的增加而逐渐减小。本研究揭示了集中通风式分娩母猪舍的温湿度场分布规律,并为分娩舍温湿度场的优化提供参考。     

基于BP神经网络的杨梅大棚内气温预测模型研究

利用2009年12月-2010年5月塑料大棚内外观测的气象数据,构建了基于BP神经网络的杨梅生产大棚内的最高、最低气温预测模型,根据逐时转化系数计算出棚内相应的逐时气温,达到逐时预报大棚内气温的目的。通过模拟回代和对独立试验数据的验证,基于BP神经网络模型对大棚内日最低气温、日最高气温和逐时气温预测值与实际值的回归估计标准误差（RMSE）分别为0.8℃、1.4℃和0.7℃,精度明显高于同时利用逐步回归法建立的模型。该模型所需参数少,实用性强,模拟精度高,可为设施杨梅气象服务和环境调控提供依据。     

BP神经网络和SVM模型对施加生物炭土壤水分预测的适用性

生物炭作为土壤改良剂对半干旱区土壤水分有良好的吸持作用,为确定施加生物炭对土壤水分预测模型适用性的影响,依托黄土高原半干旱区固原生态站开展了小区定位试验。向土壤中施加不同种类及比例的生物炭,定期监测土壤水分含量;考虑土壤含水量的非线性特征以及生物炭对土壤水分的影响,选取BP神经网络和SVM支持向量机两种模型,建立施加生物炭土壤水分预测模型。计算预测值,并与实测值对比,分析相对误差;利用RMSE、MRE、MAE和R2评估BP神经网络和SVM模型的精度。结果表明;BP神经网络预测值的平均相对误差为3.78%,最大误差为13.14%;SVM模型的平均相对误差为0.56%,最大误差为2.42%。SVM模型的RMSE、MRE、MAE值(分别为0.34~0.17,0.07,0.56~1.27)均小于BP神经网络的(分别为1.04~1.16,0.47~0.68,3.78~4.57),且决定系数R2值SVM模型(0.96~0.99)大于BP神经网络(0.56~0.64)。BP神经网络和SVM模型均能很好地预测施加生物炭的土壤水分,但SVM模型预测结果更加稳定,精度较高,更适于施加生物炭土壤水分的预测。该研究可为半干旱地区生物炭还田土壤水分的预测及管理提供理论依据。     

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。     

基于作物生长模型参数调整动态估测夏玉米生物量

针对如何利用作物生长模型定量解析区域夏玉米生物量动态变化的热点问题,该文在沿东海岸的江苏省盐城市大丰区设置大田夏玉米生物量估测试验,在构建夏玉米生物量过程模拟模型的基础上,对夏玉米多个生育阶段的生物量(指地上部生物量)及其变化特征进行分析,并结合试验实测数据探讨利用实测叶面积指数和生物量数据调整生物量模拟模型参数的可行性。结果表明:夏玉米生物量过程模拟模型可以对夏玉米从出苗到灌浆期间的多个生育阶段生物量动态变化进行估测。出苗到拔节前的生长阶段,生物量积累主要来源于叶片形成,模拟模型可以对生物量进行有效预测,预测值与实测值之间的均方根差(root mean square error,RMSE)为18.31 kg/hm~2,相对误差为3.35%。拔节到抽雄前的生长阶段,由于茎节伸长与节数增加,生物量积累加快,预测值与实测值之间的差异较大。拔节初期生物量预测值为535.5 kg/hm~2,实测值为480 kg/hm~2,相对误差11.56%。抽雄前生物量预测值为7 036.46 kg/hm~2,实测值为5 794 kg/hm~2,相对误差21.44%。拔节到抽雄前生长阶段预测值与实测值之间的RMSE为825.94 kg/hm~2。经过模型参数调整,抽雄前生物量预测值为6 036 kg/hm~2,与实测值较为接近,RMSE为219.43 kg/hm~2,相对误差4.18%。利用参数调整后的模拟模型继续对抽雄到灌浆前生长期间生物量进行预测,预测值与实测值较为一致,灌浆期生物量预测值为11 156 kg/hm~2,实测值为10 785 kg/hm~2,相对误差3.44%,而参数调整前预测值为12 492 kg/hm~2,相对误差15.83%。在玉米拔节期进行模型参数调整,对拔节到抽雄和抽雄到灌浆2生长阶段的生物量预测效果较好。该研究可为县域夏玉米不同生长阶段生物量及其动态变化预测提供参考,可辅助县域农业管理部门进行适时生产措施调整。     

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CO2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（1.5 m气温、0.5 m气温和CO2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55.32 μmol/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。     

低屋面横向通风牛舍温湿度场CFD模拟

在中国华东地区最炎热的月份,舍外高温高湿的气候条件,降低了低屋面横向通风(low profile cross ventilated,LPCV)牛舍的环境调控效果。为了研究LPCV牛舍温湿度场的分布规律,该文在现场实测的基础上,采用计算流体动力学CFD(computational fluid dynamics)方法,对LPCV牛舍的温度和相对湿度参数进行了三维数值模拟。现场实测的结果表明,舍外空气温度为36.2℃,相对湿度为55.5%的条件下,舍外空气流经湿帘后的降温幅度为7.7℃,湿帘出口处的相对湿度为99.9%;模拟结果表明,舍内温湿度场受气流场的影响,分布不均匀,风速高的区域温度相对较低,舍内相对湿度与温度呈现强烈的耦合关系。随着空气的流动,沿气流方向平均每米长度温度升高0.014℃、相对湿度下降0.04%,THI增加0.025。模拟值与实测值的对比表明,9个测点温度和相对湿度的测试值与模拟值之间相对误差的平均值分别为0.89%和0.59%,理论计算和数值模拟得到的奶牛显热散热量的相对误差为14.5%,说明现场实测与数值模拟有较好的吻合度。该研究可为中国LPCV牛舍结构优化设计和环境调控提供参考。     

大型连栋温室环境参数的线性时不变系统建模

华北地区大型连栋温室夏季强制通风降温的水、能消耗很大,为了使环境调控既能适宜作物生长又能降低调控消耗,迫切需要精确有效的环境温度和湿度动态模型。该文采用线性时不变系统的ARX模型及系统辨识方法,对华北地区连栋温室夏季强制通风降温动态过程进行室内温度和湿度建模。试验在2003年夏季6－7月进行,以1 min的时间间隔连续采集室内温度、湿度、室外温度、湿度、光照强度、风速、风机运行状态和数据采集时刻8个参数,将采集的数据分成辨识集和证实集两组,用辨识集数据采用最小二乘法进行模型系数回归,用证实集数据进行模型验证,验证指标为最大绝对误差（MAE）、最大相对误差（MRE）、均方误差（RMSE）和可解释方差（vaf）。证实结果显示,温度模型的最大预测误差（MAE）为3.57 ℃,均方误差（RMSE）小于0.198 ℃;湿度模型的最大预测误差（MAE）为7.3%,均方误差（RMSE）小于0.624%;温度和湿度模型的vaf均大于98.9%。说明尽管模型在个别点的预测误差稍大,但总体的预测精度较高,能够满足一般情况下作物栽培对环境预测的要求。     

大跨度保温型温室的热环境模拟

大跨度保温型温室为拱型钢骨架结构,南北走向,相邻温室间距仅2m,相比于传统日光温室土地利用率提高到91%,且仍具有日光温室节能的特点。为分析和评价该温室的蓄热保温性能,基于温室热传导、对流换热、太阳辐射、天空辐射、作物蒸腾、自然通风等热物理过程,构建了温室内热环境变化模型,并利用Matlab软件对其进行求解,模拟在冬季连续4个典型工作日无加温条件下,每10min的室内空气温度和作物根区温度,并将模拟值与实测值进行对比分析。结果表明,模型对大跨度温室内空气温度模拟的平均绝对误差在±1.3℃之内,模拟值与实测值间直线方程的决定系数（R2）为0.99（n=576）,回归估计标准误差（RMSE）和相对误差（RE）分别为1.6℃和16.4%;作物根区温度实测值与模拟值的绝对误差在±0.6℃之内,直线方程的R2为0.91（n=576）,RMSE和RE分别为0.76℃和6.7%。模型模拟值与实测值较为一致,可为温室环境精准调控和结构优化设计提供理论依据。     

基于天气预报的日光温室夜间逐时气温预测模型构建

为得到一种可行的日光温室夜间逐时气温预测方法,从而提高主动集放热系统的适应力,该研究尝试从中国天气网发布的天气预报中获取试验地点72 h天气状况、室外气温等气象信息,同时将爬取筛选的天气状况简分为晴天、多云天以及阴天三类,并基于多元线性回归、支持向量机回归和随机森林回归方法,选取2020年11月－2021年2月中晴天、多云天和阴天各25 d的数据作为训练集,选取训练集外的三种天气各10 d的数据作为测试集,分别构建了三种天气状况下温室内夜间逐时气温预测模型。该研究使用均方误差（MSE）和决定系数（R2）对各类模型预测精度进行评价：晴天和多云天时,随机森林回归模型预测精度最高,MSE、R2分别达到了0.37、0.94和0.05、0.98,而阴天时支持向量机回归模型预测精度最高,MSE、R2分别达到了0.40、0.87;根据不同的天气状况选用精度最高的回归模型进行气温预测,经验证预测气温和实测气温的变化曲线拟合度较高,单因素方差分析显示两者间无显著差异（P＞0.05）,在晴天、多云天和阴天MSE分别为0.19、0.19和0.15,R2分别达到了0.98、0.95和0.90,平均绝对误差依次为0.1、0.3和0.3℃。因此,该研究所构建的基于天气预报的日光温室夜间逐时气温预测模型预测精度较高,可以为主动集放热系统放热策略的制定提供指导。     

双膜双被装配式日光温室在郑州地区的小气候测试

2020年11月1日-2021年2月28日,在河南郑州地区对冬春季双膜双被装配式日光温室内外温度、光照和湿度小气候进行测定,以探明其温光性能。在温室内外分别布置环境自动记录仪,每台记录仪均连接温湿度传感器和光照传感器,实现数据的自动监测与传输。结果表明：观测期内,温室内旬平均气温为11.4～21.4℃,旬平均最低气温为9.4～16.7℃;温室内0.1m深处旬平均土壤温度为15.4～22.9℃,旬平均最低土壤温度为15.0～22.1℃,温室内外最大气温差和土温差分别为17.0℃和15.6℃。全年最冷时段（1月上旬）温室外旬平均最低气温为−7.9℃,0.1m处土壤温度旬平均最低值为2.2℃,而此时段温室内旬平均最低气温和0.1m处土壤温度旬平均最低值分别达到9.9℃和15.8℃。11月−翌年2月,温室内光照度逐渐增大,晴天光照度在2000～22000lx,11月、12月、1月和2月晴天日平均透光率分别为42%、52%、49%和45%,12月透光率最高,不同月份透光率存在明显差异;阴天温室光照度在300～4000lx,各月阴天日平均透光率分别为34%、35%、36%和33%,透光率差异不明显。11月下旬−1月下旬,温室内夜间湿度为95.4%～99.0%,夜间叶片沾湿时长占比为89.1%～99.5%,温室内湿度大。观测结果说明双膜双被结构日光温室在黄淮地区冬春季具有较好的保温性能,有利于进行喜温果菜类的越冬生产,具有一定的推广应用价值,但是存在温室透光率偏低、光照弱等问题。     

Venlo型温室外遮阳和屋顶喷淋系统夏季降温效果

该文对荷兰Venlo型连栋温室夏季采用自然通风并结合遮阳网、室外屋顶喷淋的降温效果进行了实验研究。实验中对温室内空气温、湿度,太阳辐照度进行了测试,以比较外遮阳和屋顶喷淋的降温效果。结果表明:Venlo型温室夏季采用自然通风结合外遮阳和屋顶喷淋的降温措施后能够有效降低室内温度。不同于其它蒸发降温系统,屋顶喷淋没有造成温室内湿度的显著增加,室内的温度和湿度分布比较均匀。这种降温措施的能耗小,可以达到温室降温和降低温室夏季生产成本的双重目的     

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。