田芳明，李歡，朱培培

（黑龍江八一農(nóng)墾大學(xué)電氣與信息學(xué)院，大慶 163319）

現(xiàn)代棚室可以有效調(diào)控棚室內(nèi)部環(huán)境因子，創(chuàng)造與外界氣候相對(duì)可控制的小氣候環(huán)境。與大田生產(chǎn)相比，能較大程度上滿足不同作物在不同季節(jié)的生長(zhǎng)條件，從而被廣泛使用[1-4]。目前在北方的冬季蔬菜生產(chǎn)中，由棚室種植的作物占據(jù)主要地位。影響大棚內(nèi)作物生長(zhǎng)發(fā)育的主要因素是棚室溫度，溫度的高低將直接影響產(chǎn)量與品質(zhì)[5-9]。因此，提高農(nóng)業(yè)大棚溫度預(yù)測(cè)的準(zhǔn)確性，不僅可以提前采取相應(yīng)措施預(yù)防突發(fā)氣象災(zāi)害，也可為農(nóng)技人員制定相應(yīng)棚室調(diào)控方案提供理論依據(jù)[10]。

近年來(lái)，國(guó)內(nèi)外學(xué)者主要應(yīng)用兩大類(lèi)方法對(duì)棚室預(yù)測(cè)模型進(jìn)行研究。一是機(jī)理方程建模法，用棚室內(nèi)外能量守恒的思想對(duì)棚室溫度變化進(jìn)行建模，研究光輻射、熱傳導(dǎo)、通風(fēng)散熱等機(jī)制對(duì)棚內(nèi)溫度的影響，建立棚室溫度機(jī)理模型[11-17]。Roni Avissar 等[18]以日光棚室為基礎(chǔ)，通過(guò)研究?jī)?nèi)外熱傳導(dǎo)變化趨勢(shì)，模擬計(jì)算熱交換系數(shù)、熱通量等數(shù)值，建立小氣候熱平衡方程較好的模擬棚內(nèi)氣溫變化。Wang 等[19]以日然通風(fēng)的塑料大棚為前提，在地中海氣候條件下通過(guò)23 d 自然通風(fēng)試驗(yàn)，建立自然通風(fēng)下的動(dòng)態(tài)棚室溫度模型。李小芳等[20]通過(guò)建立棚室能量平衡方程，模擬室內(nèi)溫濕度、棚膜表面的溫度變化?；麸w等[21]利用熱平衡理論，結(jié)合黃瓜生長(zhǎng)過(guò)程的作物模型，建立了應(yīng)用于塑料連棟溫室的熱環(huán)境模型。由于從機(jī)理的角度考慮棚室溫度變化，涉及的影響因子較多，導(dǎo)致所建模型參數(shù)多、參數(shù)值難以選取、計(jì)算難度大，預(yù)測(cè)效果不理想[22-23]。二是系統(tǒng)辨識(shí)方法，主要是根據(jù)采集的數(shù)據(jù)選擇輸入輸出量建立模型?，F(xiàn)有研究主要是利用神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)回歸模型等[24-25]。周翔宇等[26]運(yùn)用經(jīng)驗(yàn)?zāi)B(tài)分解方法（EMD）對(duì)采集的室外環(huán)境因素進(jìn)行分解，利用改進(jìn)的深度信念網(wǎng)絡(luò)（DBN）算法進(jìn)行多屬性特征提取，建立門(mén)控循環(huán)單元網(wǎng)絡(luò)對(duì)分解的信號(hào)特征進(jìn)行預(yù)測(cè)并重構(gòu)出預(yù)測(cè)結(jié)果，進(jìn)而預(yù)測(cè)棚室溫度。楊雷等[27]將每5 分鐘采集的棚外相關(guān)因素作為輸入，輸出為棚內(nèi)溫度。經(jīng)主成分分析法（PCA）降維，利用粒子群算法（PSO）優(yōu)化最小二乘支持向量機(jī)（LSSVM）的方法，提出了基于PCAPSO-LSSVM 的溫度預(yù)測(cè)模型。王紅君等[28]選取棚室內(nèi)主要的7 個(gè)因素，對(duì)其進(jìn)行主成分分析。按貢獻(xiàn)率大小依次提取影響日光棚室溫度的前3 個(gè)成分作為BP 神經(jīng)網(wǎng)絡(luò)模型的輸入變量，采用貝葉斯正則化算法對(duì)三層BP 神經(jīng)網(wǎng)絡(luò)優(yōu)化。建立改進(jìn)的BP 神經(jīng)網(wǎng)絡(luò)棚室溫度模型。

多數(shù)學(xué)者選用外界環(huán)境因素作輸入，研究外界環(huán)境與內(nèi)部溫度之間的關(guān)系。鮮有將天氣預(yù)報(bào)的預(yù)報(bào)信息與棚室內(nèi)外環(huán)境數(shù)據(jù)結(jié)合到模型中的研究。而北方地區(qū)的棚室種植一般在秋末到初春期間，由于大氣環(huán)流季的影響，導(dǎo)致氣溫多變[29]。天氣預(yù)報(bào)的使用，可以提前預(yù)知外界環(huán)境的突變，進(jìn)而可影響棚室內(nèi)溫度的變化。所以，通過(guò)構(gòu)建溫度動(dòng)態(tài)模型，找出與試驗(yàn)棚室溫度變化有關(guān)的因素。設(shè)計(jì)試驗(yàn)，根據(jù)試驗(yàn)棚室內(nèi)外相關(guān)環(huán)境變量，引入中國(guó)氣象網(wǎng)發(fā)布的溫度預(yù)報(bào)結(jié)論，建立GA-LM-BP 神經(jīng)網(wǎng)絡(luò)溫度預(yù)測(cè)模型，實(shí)現(xiàn)對(duì)北方初春試驗(yàn)棚室溫度的準(zhǔn)確預(yù)測(cè)，進(jìn)一步為棚內(nèi)溫度調(diào)控提供參考。

1 棚室溫度機(jī)理模型

1.1 溫度機(jī)理模型構(gòu)建

構(gòu)建棚室溫度機(jī)理模型，從機(jī)理的角度研究棚室溫度變化的原因。模型以內(nèi)部物質(zhì)平衡和能量平衡為根據(jù)，棚室熱量的變化主要通過(guò)覆蓋層、土壤、太陽(yáng)的熱量、自然通風(fēng)等進(jìn)行交換[30]。因此，依據(jù)棚室傳熱和室外氣候?qū)ε锸覂?nèi)氣候的影響程度，選取主要影響棚室內(nèi)溫度變化的因素，構(gòu)建棚室溫度動(dòng)態(tài)平衡關(guān)系式。

式中T0為棚室內(nèi)溫度，℃；C0為空氣熱容量，J·℃-1；Q1為太陽(yáng)短波輻射熱量，W；Q2為通過(guò)覆蓋材料、圍護(hù)材料進(jìn)行的棚室內(nèi)外空氣熱交換，W；Q3為棚室內(nèi)空氣與土壤進(jìn)行的熱交換，W；

公式（1）中各項(xiàng)的計(jì)算公式如下：

式中ρa(bǔ)為空氣密度，在標(biāo)準(zhǔn)條件下（0 ℃，1 個(gè)標(biāo)準(zhǔn)大氣壓）；空氣密度約為1.29 kg·m-3；Ca為空氣恒壓比熱容，1 000 J/（kg·℃）；V0為棚室體積，m3。

式中η 為太陽(yáng)輻射熱量轉(zhuǎn)換系數(shù)，無(wú)量綱。與棚室所覆蓋材料的透射率、太陽(yáng)照射棚室時(shí)室內(nèi)各組分的吸收率以及作物冠層所吸收的太陽(yáng)輻射轉(zhuǎn)換為空氣熱量的轉(zhuǎn)換率等有關(guān)；Isolar為外界環(huán)境總太陽(yáng)輻射通量，W/m2；A0為棚室地表面積，m2。

式中K2為棚室覆蓋材料與維護(hù)材料的熱傳遞系數(shù)；T1為棚室外溫度，℃；A2為覆蓋材料的總面積，m2。

式中K3為棚室表層土壤的熱傳遞系數(shù)；T3為土壤溫度。

式中Aven為棚室通風(fēng)時(shí)的有效面積，m2；Aw為總通風(fēng)面積，m2；α 為通風(fēng)窗開(kāi)啟時(shí)的角度。K4為自然通風(fēng)流密度，m·s-1，其與熱壓通風(fēng)和風(fēng)壓通風(fēng)有關(guān)。K4是判斷室外風(fēng)速和通風(fēng)窗開(kāi)啟與否的函數(shù)，表示為：

式中τ、θ、ν 均為通風(fēng)函數(shù)參數(shù)，無(wú)量綱，與空氣流動(dòng)膨脹、滲透等因素有關(guān)；ν 為室外風(fēng)速，m·s-1；μw為通風(fēng)窗開(kāi)啟與否，取0 為關(guān)閉，1 為開(kāi)啟。

1.2 參數(shù)辨識(shí)

根據(jù)棚室溫度動(dòng)態(tài)模型，將模型中的參數(shù)分為常量參數(shù)和不確定參數(shù)。選取2019 年4 月11、12 日數(shù)據(jù)，采用最小二乘法對(duì)模型參數(shù)進(jìn)行辨識(shí)，2019 年4 月13、14 日數(shù)據(jù)驗(yàn)證模型性能，驗(yàn)證后不確定參數(shù)辨識(shí)值如表1 所示，驗(yàn)證準(zhǔn)則見(jiàn)1.3 節(jié)。

表1 模型參數(shù)辨識(shí)結(jié)果Table 1 Identification results of model parameter

仿真結(jié)果如圖1 所示，辨識(shí)模型能有效跟蹤實(shí)際溫度，溫度模型RMSE 為1.340 7 ℃，F(xiàn)it 為89.94%。結(jié)果表明，棚室溫度動(dòng)態(tài)模型可以有效地反映試驗(yàn)棚室溫度的變化。

圖1 辨識(shí)模型預(yù)測(cè)值與實(shí)測(cè)值對(duì)比Fig.1 Comparison between the predicted and measured values of the identification model

通過(guò)構(gòu)建試驗(yàn)棚室的溫度動(dòng)態(tài)模型，確定試驗(yàn)需要采集的環(huán)境變量有室內(nèi)溫度、土溫，棚外溫度、光輻射值和風(fēng)速。

1.3 模型驗(yàn)證

驗(yàn)證所建立模型的預(yù)測(cè)效果，采用以下三個(gè)指標(biāo)衡量：均方根誤差（RMSE）、模型擬合度（Fit）和決定系數(shù)（R2）。對(duì)預(yù)測(cè)值和實(shí)測(cè)值之間的擬合度進(jìn)行統(tǒng)計(jì)分析，檢驗(yàn)?zāi)Ｐ偷男阅?。若模型性能良好，則RMSE 應(yīng)盡可能接近0，R2應(yīng)趨于1，F(xiàn)it 盡可能達(dá)到100%。

式中：yi表示模型輸出的模擬值，Yi表示實(shí)際試驗(yàn)采集值表示實(shí)際試驗(yàn)采集值的平均值，n 表示樣本數(shù)。

2 材料與方法

2.1 試驗(yàn)設(shè)計(jì)

試驗(yàn)棚室位于黑龍江八一農(nóng)墾大學(xué)電氣與信息學(xué)院前樓空地處，坐北朝南，東西走向，長(zhǎng)度1.5 m，跨度1 m，高0.75 m。試驗(yàn)時(shí)間為2019 年3 月至2019 年4 月。在棚室內(nèi)布置5 個(gè)溫度傳感器和2 個(gè)土壤溫度傳感器。棚外布置1 個(gè)溫度傳感器、太陽(yáng)輻射光照計(jì)和風(fēng)速傳感器，所用傳感器詳細(xì)參數(shù)如表2所示。試驗(yàn)采集系統(tǒng)上位機(jī)由Delphi 語(yǔ)言所編寫(xiě)，設(shè)置試驗(yàn)采集數(shù)據(jù)時(shí)間間隔為1 min。棚內(nèi)溫度和土壤溫度分別取5 個(gè)、2 個(gè)傳感器值的平均數(shù)。同時(shí)在中國(guó)氣象網(wǎng)上記錄試驗(yàn)期間的天氣預(yù)報(bào)數(shù)據(jù)。

表2 試驗(yàn)使用的各類(lèi)儀器Table 2 Various instruments in the test

2.2 LM-BP 神經(jīng)網(wǎng)絡(luò)

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是將信號(hào)由輸入層傳入，通過(guò)隱含層到輸出層，產(chǎn)生的誤差由原路線逐層調(diào)整權(quán)值，直到模型的輸出更接近期望目標(biāo)[31]。BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖2 所示，其中X1，X2…Xm為輸入值，Wij、Wjk為權(quán)值，Y1，Y2…Ym為輸出值。

圖2 BP 神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)Fig.2 Topologic pattern of BP neural network

為了加快網(wǎng)絡(luò)的學(xué)習(xí)速度、解決“局部極值”問(wèn)題，使用Levenberg-Marquardt（LM）算法優(yōu)化網(wǎng)絡(luò)，LM 算法可以利用自適應(yīng)調(diào)整網(wǎng)絡(luò)的權(quán)值，提升網(wǎng)絡(luò)的學(xué)習(xí)速度和泛化能力。

構(gòu)建LM-BP 神經(jīng)網(wǎng)絡(luò)采用的誤差函數(shù)E（ω）計(jì)算公式如（12）所示：

式中：Yj為實(shí)際的網(wǎng)絡(luò)輸出向量；zj為期望的網(wǎng)絡(luò)輸出向量；N 為樣本數(shù)目；ω 為網(wǎng)絡(luò)權(quán)值和閾值所組成的向量。

根據(jù)高斯-牛頓法，第j+1 次權(quán)值向量ωj+1=ωj+Δω調(diào)整為：

其中，J（ω）為雅各比（Jacobian）矩陣；I 為單位矩陣；μ 為調(diào)整值，若Δω使得E（ω）誤差值減小，則將μ減小。反之，則增大μ 值。

LM 算法的描述如下：

（1）初始化網(wǎng)絡(luò)的權(quán)值和閾值向量ω，令j=0，μ=μ0，并根據(jù)試驗(yàn)?zāi)康慕o出誤差允許值ε。

（2）計(jì)算E（ω），若E（ω）＜ε，則轉(zhuǎn)到（5）；反之，繼續(xù)下一步。

（3）根據(jù)上述公式（14），計(jì)算Jacobian 矩陣J（ω）。

（4）利用公式（13）更新網(wǎng)絡(luò)權(quán)值，并跳轉(zhuǎn)到（2）。

（5）算法結(jié)束，保存。

2.3 遺傳算法優(yōu)化LM-BP 網(wǎng)絡(luò)

遺傳算法（Genetic Algorithm，GA）是一個(gè)將生物進(jìn)化原理中的“優(yōu)勝劣汰，適者生存”思想引入的方法[32]。在一定環(huán)境模擬生物進(jìn)化的方式，根據(jù)適應(yīng)度值選擇優(yōu)等個(gè)體進(jìn)化，不斷尋找，從而逼近全局最優(yōu)解[33]。用GA 算法優(yōu)化LM-BP 網(wǎng)絡(luò)，可以增強(qiáng)網(wǎng)絡(luò)搜尋能力，具體的實(shí)現(xiàn)流程如圖3 所示。

圖3 GA-LM-BP 網(wǎng)絡(luò)流程圖Fig.3 Network flow chart of GA-LM-BP

GA 優(yōu)化LM-BP 網(wǎng)絡(luò)的具體實(shí)施步驟如下：

（1）種群初始化

個(gè)體編碼采用二進(jìn)制編碼方法，用{0，1}符號(hào)串表示每個(gè)個(gè)體。二進(jìn)制和自變量間轉(zhuǎn)換公式為：

式中：a 是［amax，amin］之間的自變量；b 為m 位的二進(jìn)制數(shù)。其編碼、解碼操作簡(jiǎn)單，具有一定并行處理能力。

（2）適應(yīng)度函數(shù)F

該函數(shù)是對(duì)在空間中的各個(gè)個(gè)體優(yōu)良程度的判定。

式中：Yi表示真實(shí)值；zi表示網(wǎng)絡(luò)輸出值；m 表示個(gè)體數(shù)量。F 值越小，表示成為下一代的機(jī)會(huì)越大。

（3）進(jìn)行選擇、交叉、變異操作

選擇操作為了避免基因缺失，提高收斂性，采用隨機(jī)遍歷抽樣法。交叉操作選用簡(jiǎn)單交叉方法組合出新的個(gè)體。為了維持物質(zhì)多樣性，變異操作選用隨機(jī)法。

（4）判斷是否完成參數(shù)優(yōu)化

判斷網(wǎng)絡(luò)是否已達(dá)到滿足的條件（期望誤差值、迭代次數(shù)），達(dá)到要求得到最優(yōu)的染色體，即最優(yōu)權(quán)、閾值。否則轉(zhuǎn)到（2），繼續(xù)進(jìn)行尋找。

（5）構(gòu)建模型

通過(guò)上述步驟找到的最優(yōu)結(jié)果帶入LM-BP 網(wǎng)絡(luò)中，進(jìn)行模型訓(xùn)練。

（6）驗(yàn)證模型

選擇測(cè)試數(shù)據(jù)輸入訓(xùn)練好的LM-BP 網(wǎng)絡(luò)中，預(yù)測(cè)準(zhǔn)確率達(dá)到要求則結(jié)束。則轉(zhuǎn)到1）重復(fù)執(zhí)行。

3 試驗(yàn)數(shù)據(jù)預(yù)處理

3.1 相關(guān)性分析

將所采集的棚室內(nèi)外數(shù)據(jù)進(jìn)行Pearson 相關(guān)性

式中：pi為棚內(nèi)外環(huán)境因素；Ti為棚內(nèi)溫度；m 為試驗(yàn)數(shù)據(jù)個(gè)數(shù)。r 在0～1 之間，有三個(gè)等級(jí)＜0.4，相關(guān)性較弱，0.4≤＜0.7；有顯著相關(guān)性；0.7≤＜1，高度線性相關(guān)[34]。

由于當(dāng)環(huán)境因子改變時(shí)，溫度與時(shí)間呈指數(shù)函數(shù)規(guī)律。所以設(shè)t 為當(dāng)前時(shí)刻，用棚室內(nèi)t+1 時(shí)刻的溫度與t 和t-1 時(shí)刻的棚室內(nèi)外環(huán)境因素做相關(guān)性分析。因?yàn)榕锿鉁囟鹊淖兓绊懪飪?nèi)溫度的變化，天氣預(yù)報(bào)所預(yù)報(bào)的未來(lái)溫度數(shù)據(jù)能為棚外溫度變化做預(yù)判，進(jìn)而影響溫室內(nèi)溫度變化。用天氣預(yù)報(bào)預(yù)報(bào)的t+1 時(shí)刻溫度值與t+1 時(shí)刻的溫室內(nèi)溫度做相關(guān)性分析，如表3 所示。結(jié)果表明，t+1 時(shí)刻的溫度取決于t 時(shí)刻土壤溫度、棚室內(nèi)外溫度、光輻射，t-1 時(shí)刻棚內(nèi)溫度、光輻射，以及天氣預(yù)報(bào)預(yù)測(cè)的t+1 時(shí)刻的溫度有關(guān)。

表3 試驗(yàn)數(shù)據(jù)相關(guān)性分析Table 3 Correlation analysis of test data

3.2 數(shù)據(jù)歸一化

因?yàn)樵囼?yàn)選用的數(shù)據(jù)數(shù)量級(jí)不同，為防止出現(xiàn)數(shù)值問(wèn)題、數(shù)據(jù)被吞食等現(xiàn)象。對(duì)數(shù)據(jù)采用最大最小法，統(tǒng)一量級(jí)，可以加快訓(xùn)練速度，提高模型精度。歸一化公式如下：

4 試驗(yàn)結(jié)果分析

4.1 LM-BP 模型參數(shù)選擇

根據(jù)試驗(yàn)數(shù)據(jù)相關(guān)性分析，天氣預(yù)報(bào)預(yù)報(bào)的數(shù)據(jù)與棚內(nèi)溫度也有較高的相關(guān)性。整理數(shù)據(jù)后，選用2019 年3 月13～17 日每分鐘數(shù)據(jù)進(jìn)行訓(xùn)練。訓(xùn)練好網(wǎng)絡(luò)后，再將2019 年3 月18 日的分鐘數(shù)據(jù)選取小時(shí)數(shù)據(jù)做預(yù)測(cè)。構(gòu)建以t 時(shí)刻棚內(nèi)外空氣溫度、土壤溫度、太陽(yáng)輻射與t-1 時(shí)刻棚內(nèi)空氣溫度、太陽(yáng)輻射，以及加入天氣預(yù)報(bào)預(yù)報(bào)t+1 時(shí)數(shù)據(jù)，選用7 個(gè)環(huán)境參數(shù)作為輸入，輸出為t+1 時(shí)刻棚內(nèi)溫度。

表4 部分歸一化后的試驗(yàn)數(shù)據(jù)Table 4 Test data of partially normalized

雖然隱含層越多，可以提高網(wǎng)絡(luò)訓(xùn)練精度，但是使得網(wǎng)絡(luò)復(fù)雜化，訓(xùn)練速度也會(huì)隨之增加，所以結(jié)合前人研究，選取3 層網(wǎng)絡(luò)建立模型。同時(shí)，隱含層神經(jīng)元個(gè)數(shù)也決定了模型的好壞。數(shù)目少難以完成訓(xùn)練，數(shù)目多增加迭代次數(shù)及訓(xùn)練時(shí)間，泛化能力下降致使預(yù)測(cè)效果下降。根據(jù)公式（19）的計(jì)算確定隱含層神經(jīng)元范圍。

式中：i 為隱含層神經(jīng)元的個(gè)數(shù)，n 為輸入層神經(jīng)元的個(gè)數(shù)，m 為輸出層神經(jīng)元的個(gè)數(shù)，a 為常數(shù)且1＜a＜10。通過(guò)對(duì)不同神經(jīng)元數(shù)的網(wǎng)絡(luò)進(jìn)行訓(xùn)練對(duì)比，最終確定試驗(yàn)選用的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為7-6-1。其他參數(shù)如表5 所示。

表5 LM-BP 模型參數(shù)選擇Table 5 Selection of LM-BP model parameter

4.2 LM-BP 模型預(yù)測(cè)結(jié)果

將訓(xùn)練好的網(wǎng)絡(luò)保存，代入2019 年3 月18 日整理的數(shù)據(jù)與同期數(shù)據(jù)實(shí)測(cè)值進(jìn)行驗(yàn)證，驗(yàn)證準(zhǔn)則見(jiàn)1.3 節(jié)。LM-BP 模型的RMSE 為1.16 ℃，模型擬合度達(dá)到91.98%。模型預(yù)測(cè)每小時(shí)溫度與真實(shí)值的對(duì)比如圖4 所示。

4.3 GA-LM-BP 模型預(yù)測(cè)結(jié)果

通過(guò)上述試驗(yàn)確定LM-BP 神經(jīng)網(wǎng)絡(luò)是7-6-1的三層網(wǎng)絡(luò)結(jié)構(gòu)，并確定GA 相關(guān)參數(shù)。進(jìn)化代數(shù)設(shè)為50，種群規(guī)模大小設(shè)為40，交叉概率設(shè)為0.7，變異概率設(shè)為0.01，采用二進(jìn)制編碼，權(quán)值和閾值個(gè)數(shù)如表6 所示。

模型根據(jù)GA 算法迭代50 次后找到最優(yōu)個(gè)體，將優(yōu)選的權(quán)、閾值賦值給LM-BP 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，再利用測(cè)試集對(duì)訓(xùn)練好的GA-LM-BP 模型進(jìn)行驗(yàn)證。模型輸出值經(jīng)過(guò)反歸一化得到預(yù)測(cè)值與實(shí)際值進(jìn)行對(duì)比，如圖5 所示。

圖4 LM-BP 模型預(yù)測(cè)值與真實(shí)值對(duì)比Fig.4 Comparison of predicted and actual values of LM-BP model

表6 權(quán)值和閾值的個(gè)數(shù)Table 6 Number of weights and thresholds

圖5 GA-LM-BP 模型預(yù)測(cè)值與真實(shí)值對(duì)比Fig.5 Comparison of predicted and actual values of GA-LM-BP model

使用GA 算法優(yōu)化的LM-BP 網(wǎng)絡(luò)在預(yù)測(cè)結(jié)果方面更準(zhǔn)確。RMSE=0.88 ℃，F(xiàn)it 為93.93%，模型擬合度較高，達(dá)到了比較理想的結(jié)果。表7 為GA-LM-BP 模型預(yù)測(cè)值與采集實(shí)際值的對(duì)比。

4.4 模型對(duì)比

由上述試驗(yàn)分別建立的LM-BP、GA-LM-BP 模型，其預(yù)測(cè)效果如表8 所示，可直觀的反映出不同模型的性能好壞。其中平均相對(duì)誤差為：

式中：yi為用不同模型預(yù)測(cè)得到的溫度值；Yi為實(shí)際測(cè)量值；m 為測(cè)試集數(shù)量。

表7 GA-LM-BP 模型預(yù)測(cè)值與真實(shí)值的對(duì)比Table 7 Comparison of predicted and actual values of the GA-LM-BP model

表8 2 種方法預(yù)測(cè)效果對(duì)比Table 8 Effects of the two prediction methods

由表8 可以得出，利用GA 優(yōu)化的LM-BP 網(wǎng)絡(luò)，RMSE 為0.88℃，MSE 為0.77℃，MRE 為9.07%。相比于單純的使用LM-BP 算法的模型，RMSE、MES 和MRE 分別下降了0.28 ℃、0.57℃和0.44%，模型擬合度提高到93.93%。綜合上述分析，GA-LM-BP 網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確度要更高。

5 結(jié)論

研究構(gòu)建了一個(gè)基于氣象數(shù)據(jù)的試驗(yàn)棚室溫度預(yù)測(cè)模型。通過(guò)采集、處理試驗(yàn)棚室內(nèi)外環(huán)境變量，分別利用GA-LM-BP、LM-BP 網(wǎng)絡(luò)算法，將棚室內(nèi)外環(huán)境相關(guān)變量和下一時(shí)刻天氣預(yù)報(bào)預(yù)測(cè)數(shù)據(jù)為輸入，預(yù)測(cè)下一時(shí)刻棚內(nèi)溫度變化。通過(guò)對(duì)比GA-LMBP 神經(jīng)網(wǎng)絡(luò)和LM-BP 神經(jīng)網(wǎng)絡(luò)所建立的棚室溫度預(yù)測(cè)模型，前者模型預(yù)測(cè)精度更高，RMSE 為0.88 ℃，模型擬合度達(dá)到93.93%。試驗(yàn)表明，利用GA 算法優(yōu)化LM-BP 網(wǎng)路，可以較準(zhǔn)確的預(yù)測(cè)試驗(yàn)棚室下一時(shí)刻棚內(nèi)溫度，縮小了誤差，進(jìn)一步為棚室短期溫度預(yù)警模型提供理論支持。

利用神經(jīng)網(wǎng)絡(luò)算法其預(yù)測(cè)效果往往比機(jī)理建模好，特別是通過(guò)優(yōu)化算法改進(jìn)后。但是，模型也因?yàn)樵囼?yàn)地點(diǎn)、時(shí)間、環(huán)境的不同，不具有普遍代表性。建立的棚室預(yù)測(cè)模型，只是依托于搭建的試驗(yàn)棚室，對(duì)于其他地域的不同棚室還需要通過(guò)采集數(shù)據(jù)重新建模，調(diào)試模型參數(shù)后達(dá)到理想效果。在以后的研究中，還應(yīng)在提高神經(jīng)網(wǎng)絡(luò)算法在棚室溫度預(yù)測(cè)準(zhǔn)確度的同時(shí)，考慮加入相關(guān)執(zhí)行機(jī)構(gòu)的效果。依據(jù)預(yù)測(cè)溫度與作物理想溫度之間的差值，提前計(jì)算出執(zhí)行機(jī)構(gòu)相應(yīng)開(kāi)閉時(shí)間。進(jìn)一步完善棚室預(yù)測(cè)模型，使模型更具適用性、推廣性。