胡 瑾 雷文曄 盧有琦 魏子朝 劉行行 高茂盛

(1.西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院, 陜西楊凌 712100; 2.農(nóng)業(yè)農(nóng)村部農(nóng)業(yè)物聯(lián)網(wǎng)重點(diǎn)實(shí)驗(yàn)室, 陜西楊凌 712100;3.陜西省農(nóng)業(yè)信息感知與智能服務(wù)重點(diǎn)實(shí)驗(yàn)室,陜西楊凌 712100; 4.楊凌高新農(nóng)業(yè)氣象技術(shù)聯(lián)合研示中心, 陜西楊凌 712100)

0 引言

溫度是影響日光溫室內(nèi)農(nóng)作物產(chǎn)量和品質(zhì)的重要參數(shù)之一,其過(guò)高或過(guò)低均會(huì)對(duì)農(nóng)作物生長(zhǎng)發(fā)育產(chǎn)生危害[1-2]。隨著設(shè)施農(nóng)業(yè)不斷發(fā)展,日光溫室已成為設(shè)施農(nóng)業(yè)的重要組成部分,對(duì)我國(guó)經(jīng)濟(jì)發(fā)展發(fā)揮著顯著作用。溫度調(diào)控是日光溫室環(huán)境調(diào)控的重要手段[3],但溫室溫度不僅是具有時(shí)變性、非線(xiàn)性、周期性[4]等特征的連續(xù)時(shí)間序列,還與溫室內(nèi)外多種環(huán)境因子存在復(fù)雜的耦合關(guān)系。目前,溫室的生產(chǎn)調(diào)控大多依靠生產(chǎn)者相關(guān)經(jīng)驗(yàn)或通過(guò)短時(shí)預(yù)測(cè)模型進(jìn)行調(diào)控決策[5],這種方法會(huì)造成反饋控制存在滯后性,影響作物生長(zhǎng)。研究證明,提前預(yù)測(cè)溫度并進(jìn)行提前的有效控制,對(duì)日光溫室的增產(chǎn)增效具有重要意義[6]。因此,融合溫室內(nèi)外多環(huán)境因子構(gòu)建溫室溫度長(zhǎng)期預(yù)測(cè)模型,是日光溫室溫度精準(zhǔn)高效控制的重要前提。

目前,國(guó)內(nèi)外學(xué)者對(duì)溫室溫度建模的方法可分為基于能量和質(zhì)量平衡的機(jī)理模型和基于數(shù)據(jù)驅(qū)動(dòng)的非機(jī)理模型。機(jī)理模型具有可解釋性強(qiáng)及外推性良好等優(yōu)點(diǎn),但其參數(shù)難以獲取、邊界條件變化程度高的問(wèn)題導(dǎo)致其在長(zhǎng)時(shí)精準(zhǔn)預(yù)測(cè)中難以應(yīng)用。隨著現(xiàn)代信息數(shù)據(jù)的采集越來(lái)越容易,基于數(shù)據(jù)驅(qū)動(dòng)的非機(jī)理模型因其具有精度較高、泛化能力強(qiáng)和參數(shù)易于獲取的特點(diǎn),被廣泛應(yīng)用于溫室溫度預(yù)測(cè)領(lǐng)域。現(xiàn)有數(shù)據(jù)驅(qū)動(dòng)建模方式可分為統(tǒng)計(jì)回歸法[7-8]和淺層神經(jīng)網(wǎng)絡(luò)法[9-10]。其中,統(tǒng)計(jì)回歸法雖然可對(duì)時(shí)序數(shù)據(jù)進(jìn)行預(yù)測(cè),但其處理非線(xiàn)性問(wèn)題能力有限且不考慮時(shí)間序列存在的規(guī)律,導(dǎo)致其擬合精度普遍較低。淺層神經(jīng)網(wǎng)絡(luò)法作為智能算法,雖然在一定程度上提高了模型的預(yù)測(cè)精度,但是難以實(shí)現(xiàn)對(duì)大數(shù)據(jù)量的精準(zhǔn)化預(yù)測(cè)。而溫度變化是一個(gè)累積過(guò)程,當(dāng)前數(shù)據(jù)會(huì)影響后續(xù)數(shù)據(jù)變化規(guī)律,且這種變化規(guī)律受多種因子影響,上述溫度預(yù)測(cè)模型對(duì)多維時(shí)序數(shù)據(jù)處理能力有限[11],僅能實(shí)現(xiàn)對(duì)于短期溫室溫度的精準(zhǔn)預(yù)測(cè),但隨著預(yù)測(cè)時(shí)間的延長(zhǎng),其難以挖掘數(shù)據(jù)中蘊(yùn)含的時(shí)序特征,導(dǎo)致模型預(yù)測(cè)精度快速下降,難以滿(mǎn)足實(shí)際生產(chǎn)過(guò)程中對(duì)精度和時(shí)長(zhǎng)的雙重需求。

近年來(lái),深度學(xué)習(xí)法成為研究熱點(diǎn),其因具有較強(qiáng)的非線(xiàn)性逼近及深層特征提取能力,為多維時(shí)序數(shù)據(jù)提供良好的理論支撐。然而目前基于深度學(xué)習(xí)的溫室溫度預(yù)測(cè)相關(guān)研究[11-12]多聚焦于單一時(shí)序網(wǎng)絡(luò),無(wú)法挖掘環(huán)境數(shù)據(jù)間深層次有效信息,且模型最大預(yù)測(cè)時(shí)長(zhǎng)僅為1h,仍不能真正實(shí)現(xiàn)模型精度、效率和時(shí)長(zhǎng)的需求。為此,本文引入雙重疊加網(wǎng)絡(luò)長(zhǎng)時(shí)預(yù)測(cè)模型。其中,卷積神經(jīng)網(wǎng)絡(luò)是一種具有卷積計(jì)算能力的深度結(jié)構(gòu)前饋神經(jīng)網(wǎng)絡(luò),可提取時(shí)序數(shù)據(jù)中隱含的復(fù)雜動(dòng)態(tài)變化高維特征[13]。一維卷積神經(jīng)網(wǎng)絡(luò)相比于二維卷積神經(jīng)網(wǎng)絡(luò)保留了原始時(shí)序數(shù)據(jù)各時(shí)刻點(diǎn)間的相關(guān)性及時(shí)域特征,同時(shí)網(wǎng)絡(luò)參數(shù)的減少提升了模型運(yùn)行效率,但一維卷積神經(jīng)網(wǎng)絡(luò)僅保留數(shù)據(jù)間有效信息,難以提取其長(zhǎng)期數(shù)據(jù)的序列信息[14]。門(mén)控循環(huán)單元是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種有效特殊形式,處理具有時(shí)間相關(guān)性且連續(xù)變化的數(shù)據(jù)效果較佳,既充分挖掘了數(shù)據(jù)間的時(shí)間相關(guān)性同時(shí)也提高了數(shù)據(jù)非線(xiàn)性逼近的能力,但其無(wú)法挖掘各維數(shù)據(jù)的內(nèi)部規(guī)律[15]。因此,單獨(dú)采用任何一種方法都無(wú)法實(shí)現(xiàn)對(duì)溫室長(zhǎng)時(shí)溫度的精準(zhǔn)高效預(yù)測(cè),但由于二者優(yōu)勢(shì)互補(bǔ),將二者疊加進(jìn)行溫室長(zhǎng)時(shí)溫度預(yù)測(cè)可能會(huì)提升模型精度[16]。

因此,本文提出一種基于一維卷積神經(jīng)網(wǎng)絡(luò)和門(mén)控循環(huán)單元(GRU)的混合模型溫室溫度預(yù)測(cè)方法。首先搭建溫室內(nèi)外監(jiān)測(cè)平臺(tái),獲取并分析內(nèi)外環(huán)境因子對(duì)室內(nèi)溫度的影響程度,以斯皮爾曼相關(guān)系數(shù)選取相關(guān)性高的特征構(gòu)造特征與時(shí)間步長(zhǎng)的二維矩陣作為CNN層輸入;其次完成模型網(wǎng)絡(luò)設(shè)計(jì)并進(jìn)行參數(shù)優(yōu)化,通過(guò)CNN網(wǎng)絡(luò)挖掘數(shù)據(jù)中蘊(yùn)含反映溫室環(huán)境數(shù)據(jù)相互聯(lián)系的有效特征,將提取特征輸入GRU網(wǎng)絡(luò),構(gòu)建面向冬季的日光溫室溫度預(yù)測(cè)模型;最后為驗(yàn)證本文模型在不同天氣下適用性,以清晰度指數(shù)KT對(duì)天氣進(jìn)行分類(lèi),分別驗(yàn)證在不同KT下模型的預(yù)測(cè)效果,為實(shí)現(xiàn)高效、精準(zhǔn)的溫度預(yù)測(cè)和日光溫室的生產(chǎn)調(diào)控提供依據(jù)。

1 平臺(tái)搭建和數(shù)據(jù)獲取

試驗(yàn)于2019年12月2—31日在西北農(nóng)林科技大學(xué)涇陽(yáng)蔬菜試驗(yàn)示范站東五號(hào)日光溫室內(nèi)進(jìn)行。試驗(yàn)地位于北緯34°53′、東經(jīng)108°84′,海拔404 m,屬于暖溫帶大陸性季風(fēng)氣候,年均溫度13℃。溫室為單棟單坡面式,骨架采用輕鋼結(jié)構(gòu),后坡采用PC板和絲綿棉被覆蓋,東側(cè)、西側(cè)與北側(cè)是墻體部分,均采用黏土建造。東西走向,長(zhǎng)50 m,寬10 m,后墻高3 m,脊高1.6 m,具有天窗、風(fēng)機(jī)、卷簾機(jī)、遮陽(yáng)網(wǎng)、濕簾以及噴淋器等設(shè)備,將傳感器放置于其中部,距地面垂直高度1.2 m。由于溫室空氣溫濕度空間分布不均[17],在任何位置放置傳感器均不能準(zhǔn)確表征溫室內(nèi)溫度。為減少監(jiān)測(cè)節(jié)點(diǎn)放置位置對(duì)空氣溫濕度監(jiān)測(cè)結(jié)果的影響,本研究采用繞動(dòng)風(fēng)機(jī)加快溫室內(nèi)的空氣流動(dòng)[18-19],使溫室內(nèi)部溫度趨于均勻,保證作物生產(chǎn)一致性。

試驗(yàn)期間,冬季共包括晴、晴轉(zhuǎn)多云、多云、陰霾及霾轉(zhuǎn)多云5種天氣。為進(jìn)一步分析不同天氣條件下溫度的預(yù)測(cè)效果,以清晰度指數(shù)KT對(duì)上述天氣進(jìn)行分類(lèi)。KT表征太陽(yáng)輻射經(jīng)過(guò)大氣層時(shí)衰減程度,與當(dāng)時(shí)的天氣狀況密切相關(guān)[20]。如表1所示,根據(jù)清晰度指數(shù)對(duì)應(yīng)的天氣現(xiàn)象,將冬季天氣分為4類(lèi)。其中KT≥0.5共15 d、0.5>KT≥0.2共5 d、0.2>KT≥0.1共10 d、KT<0.1共0 d。溫室室內(nèi)栽培作物為番茄,以滴灌方式培育,試驗(yàn)期間每日于08:00—08:30揭蓋保溫被,當(dāng)KT≥0.5及0.5>KT≥0.2時(shí)溫室于10:00—10:30開(kāi)窗換氣通風(fēng);當(dāng)0.2>KT≥0.1時(shí)根據(jù)實(shí)際情況適當(dāng)延后溫室開(kāi)窗時(shí)間。

表1 清晰度指數(shù)對(duì)應(yīng)的天氣現(xiàn)象Tab.1 Weather phenomena corresponding to clarity index

溫室內(nèi)外監(jiān)測(cè)平臺(tái)由信息監(jiān)測(cè)模塊、信息傳輸模塊及農(nóng)業(yè)生產(chǎn)物聯(lián)網(wǎng)監(jiān)測(cè)平臺(tái)組成,每日于00:00—24:00連續(xù)采集,采樣間隔為20 min,共采集10種環(huán)境因子,包括室內(nèi)光照強(qiáng)度(QY-150A型光照強(qiáng)度傳感器,量程:0～200 klx,精度:±1 lx)、室內(nèi)外空氣溫度(PT1000型溫度傳感器,量程:-200～200℃,精度:±0.1℃)、室內(nèi)外空氣相對(duì)濕度(DHT11型濕度傳感器,量程:20%～90%,精度:±5%)、室內(nèi)外土壤溫度(PT1000型溫度傳感器,量程:-200～200℃,精度:±0.1℃)、室內(nèi)外土壤含水率(EC-5型土壤含水率傳感器,量程:0～100%,精度:±3%)及室外CO2濃度(體積比)(T6615型CO2傳感器,量程:0～10 000 μL/L,精度:75 μL/L),各采集30 d,共獲取2 160組樣本數(shù)據(jù)。其中,信息傳輸模塊是將感知信息通過(guò)ZigBee網(wǎng)絡(luò)發(fā)送至網(wǎng)關(guān)節(jié)點(diǎn)對(duì)其進(jìn)行數(shù)據(jù)處理,隨后通過(guò)GPRS 網(wǎng)絡(luò)傳輸至移動(dòng)基站,將獲取的數(shù)據(jù)上傳至農(nóng)業(yè)生產(chǎn)物聯(lián)網(wǎng)監(jiān)測(cè)平臺(tái),具體過(guò)程如圖1所示。

圖1 溫室內(nèi)外監(jiān)測(cè)平臺(tái)Fig.1 Monitoring platform inside and outside greenhouse

2 相關(guān)性分析

2.1 斯皮爾曼相關(guān)系數(shù)

溫室內(nèi)部溫度不僅受室內(nèi)空氣相對(duì)濕度、室內(nèi)土壤溫度、室內(nèi)土壤含水率及室內(nèi)光照強(qiáng)度等室內(nèi)環(huán)境因子的影響,還與室外空氣溫度、室外空氣相對(duì)濕度、室外CO2濃度、室外土壤溫度及室外土壤含水率等室外環(huán)境因子有關(guān)[21]。同時(shí)溫室溫度具有時(shí)序性和自相關(guān)性,即前一時(shí)刻的數(shù)據(jù)影響當(dāng)前時(shí)刻的數(shù)據(jù)變化[22]。因此,模型不僅應(yīng)考慮室內(nèi)外環(huán)境因子對(duì)溫度的影響,還應(yīng)考慮歷史溫度數(shù)據(jù)對(duì)當(dāng)前時(shí)刻溫度的影響。為提高模型輸入信息的有效性及減少無(wú)用信息的噪聲干擾,本文采用斯皮爾曼相關(guān)系數(shù)p,分析各因子對(duì)溫室溫度的影響程度,選取相關(guān)性高的因子作為模型輸入。斯皮爾曼相關(guān)系數(shù)p是一種基于單調(diào)方程評(píng)價(jià)兩變量間相關(guān)關(guān)系的方法,范圍為(-1, 1),其絕對(duì)值越趨近于1,相關(guān)性越強(qiáng),其值與相關(guān)程度的關(guān)系如表2所示。

表2 相關(guān)系數(shù)絕對(duì)值與相關(guān)程度的關(guān)系Tab.2 Relationship between absolute value of correlation coefficient and degree of correlation

2.2 溫度與各類(lèi)影響因子分析

利用斯皮爾曼相關(guān)系數(shù)分別計(jì)算室內(nèi)溫度、室內(nèi)空氣相對(duì)濕度、室內(nèi)土壤溫度、室內(nèi)土壤含水率、室內(nèi)光照強(qiáng)度、室外空氣溫度、室外空氣相對(duì)濕度、室外CO2濃度、室外土壤溫度及室外土壤含水率10個(gè)因子與1 h后溫室溫度的相關(guān)系數(shù)絕對(duì)值,其結(jié)果如表3所示。

表3 各因子與溫室溫度的相關(guān)系數(shù)絕對(duì)值Tab.3 Absolute value of correlation coefficient between each factor and greenhouse temperature

由表3可知,室內(nèi)空氣溫度、相對(duì)濕度、土壤溫度、光照強(qiáng)度,以及室外空氣溫度與1 h后溫度屬于強(qiáng)相關(guān);室外空氣相對(duì)濕度、土壤溫度與1 h后溫度屬于中相關(guān);其余因子屬于弱相關(guān)或極弱相關(guān)。其中,室內(nèi)土壤含水率相關(guān)性最低,較室外土壤含水率影響程度更小,這是由于溫室內(nèi)栽培作物采用膜下滴灌方式,室內(nèi)土壤由于覆膜處理導(dǎo)致土壤水分蒸發(fā)減弱,減少了其對(duì)室內(nèi)空氣相對(duì)濕度等因素的影響,而室內(nèi)空氣相對(duì)濕度又是影響溫度的關(guān)鍵因素;而室外土壤由于未覆膜處理導(dǎo)致其影響室外濕度,進(jìn)而影響溫室內(nèi)溫度,所以在本試驗(yàn)條件下,室外土壤含水率相較于室內(nèi)更能影響溫室溫度。

為降低模型復(fù)雜度,本文僅考慮與溫室溫度具有極強(qiáng)相關(guān)、強(qiáng)相關(guān)及中相關(guān)3種相關(guān)程度的因子。因此,日光溫室溫度模型選擇室內(nèi)溫度、室內(nèi)空氣相對(duì)濕度、室內(nèi)土壤溫度、室內(nèi)光照強(qiáng)度、室外空氣溫度、室外空氣相對(duì)濕度及室外土壤溫度7種因子作為輸入。

3 模型構(gòu)建

3.1 1D CNN-GRU網(wǎng)絡(luò)結(jié)構(gòu)

基于1D CNN-GRU深度神經(jīng)網(wǎng)絡(luò)具體結(jié)構(gòu)如圖2所示,整體結(jié)構(gòu)采用逐個(gè)堆疊方式連接,共分為4部分。其中,輸入層X(jué)t+j,i為二維矩陣,i為特征個(gè)數(shù),j為時(shí)間步長(zhǎng);Xt,i～Xt+j,i表示第t時(shí)刻到第t+j時(shí)刻輸入樣本的第i個(gè)特征數(shù)據(jù);Xt,1～Xt,i表示t時(shí)刻樣本數(shù)據(jù)共有1～i個(gè)特征。卷積層采用一維卷積濾波器提取數(shù)據(jù)特征,因樣本數(shù)據(jù)維度較少,未添加池化層。循環(huán)層選擇2層GRU,第1層網(wǎng)絡(luò)返回每個(gè)時(shí)間步輸出的完整序列,第2層網(wǎng)絡(luò)返回每個(gè)輸入序列的最終輸出。最后全連接層作為輸出層輸出目標(biāo)時(shí)刻的預(yù)測(cè)值。

圖2 1D CNN-GRU網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 1D CNN-GRU network structure

其中,1D CNN是深度學(xué)習(xí)中的一種有效學(xué)習(xí)框架,通過(guò)卷積運(yùn)算模擬人腦從局部中提取特征,在計(jì)算機(jī)視覺(jué)方面取得了較好的效果。同時(shí)在序列問(wèn)題中,1D CNN可通過(guò)卷積層的濾波器捕捉輸入數(shù)據(jù)間的相互關(guān)系,并將其組合成更短的特征序列輸入至下一層網(wǎng)絡(luò)中進(jìn)行預(yù)測(cè)。例如,當(dāng)卷積滑動(dòng)窗口尺寸為5時(shí),1D CNN通過(guò)窗口滑動(dòng)依次從序列中提取局部一維序列段與權(quán)重作點(diǎn)積,如圖3所示。

圖3 1D CNN工作原理圖Fig.3 1D CNN working principle

門(mén)控循環(huán)單元(GRU)是一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的優(yōu)化網(wǎng)絡(luò),通過(guò)引入“門(mén)”的概念,優(yōu)化了神經(jīng)元內(nèi)部結(jié)構(gòu),有選擇性地傳遞信息,解決了循環(huán)神經(jīng)網(wǎng)絡(luò)難以學(xué)習(xí)序列中長(zhǎng)距離依賴(lài)關(guān)系問(wèn)題。在隱層中,各神經(jīng)元相互連接,輸入不僅與當(dāng)前時(shí)刻輸入層輸入有關(guān),還與上一時(shí)刻隱層輸出有關(guān)。如圖4a所示,x為總輸入,h為隱層輸出,o為總輸出。在圖4b中,GRU “門(mén)”包括重置門(mén)r和更新門(mén)z,重置門(mén)r融合輸入xt與前一時(shí)刻的歷史數(shù)據(jù)ht-1, 并丟棄與時(shí)間無(wú)關(guān)的歷史數(shù)據(jù),保留短序列數(shù)據(jù)間的依賴(lài)關(guān)系;更新門(mén)z通過(guò)存儲(chǔ)上一時(shí)刻記憶ht-1,選擇性地記憶信息,不斷更新其值來(lái)捕捉長(zhǎng)序列數(shù)據(jù)間的依賴(lài)關(guān)系。

圖4 門(mén)控循環(huán)單元結(jié)構(gòu)Fig.4 GRU structure

3.2 溫室溫度預(yù)測(cè)模型建立

基于上述網(wǎng)絡(luò)結(jié)構(gòu),本文構(gòu)建基于1D CNN-GRU的溫度預(yù)測(cè)模型。模型以室內(nèi)溫度、室內(nèi)空氣相對(duì)濕度、室內(nèi)土壤溫度、室內(nèi)光照強(qiáng)度、室外空氣溫度、室外空氣相對(duì)濕度及室外土壤溫度為輸入,時(shí)間步長(zhǎng)為6,即輸入矩陣尺寸為6×7;以1、2、3、4 h后溫度為輸出,其具體流程圖如圖5所示。

圖5 溫度預(yù)測(cè)模型建立流程圖 Fig.5 Flow chart of establishing temperature prediction model

(1)由于不同樣本數(shù)據(jù)間數(shù)值范圍存在較大差異,量綱也有所不同,為加快神經(jīng)網(wǎng)絡(luò)擬合速度并提高模型預(yù)測(cè)精度,故對(duì)樣本數(shù)據(jù)采用歸一化處理縮放至[0,1]之間。

(2)在歸一化后的2 160組數(shù)據(jù)中,選取1 512組數(shù)據(jù)(占樣本總數(shù)據(jù)70%)作為訓(xùn)練集,其余648組數(shù)據(jù)(占樣本總數(shù)據(jù)30%)作為測(cè)試集,最后以訓(xùn)練集數(shù)據(jù)訓(xùn)練模型,測(cè)試集數(shù)據(jù)驗(yàn)證模型的泛化能力及精度。

(3)卷積層將第t個(gè)輸入樣本數(shù)據(jù)st與一維卷積核執(zhí)行卷積操作后,加以偏置bcnn通過(guò)激活函數(shù)進(jìn)入循環(huán)層,即

yt=f(Wcnnst+bcnn)

(1)

式中f——激活函數(shù)

Wcnn——輸入層到卷積層對(duì)應(yīng)的權(quán)值矩陣

st——第t個(gè)輸入樣本數(shù)據(jù)

bcnn——輸入層到卷積層對(duì)應(yīng)的偏置矩陣

yt——第t個(gè)輸出樣本數(shù)據(jù)

在循環(huán)層中樣本數(shù)據(jù)xt通過(guò)重置門(mén)r、更新門(mén)z及t時(shí)刻提供臨時(shí)單元狀態(tài)c點(diǎn)乘運(yùn)算輸出至全連接層,具體計(jì)算過(guò)程為

z=sigmoid(Wzht-1+Uzxt)

(2)

r=sigmoid(Wrht-1+Urxt)

(3)

c=tanh(Wc(ht-1?r)+Ucxt)

(4)

ht=(z?c)⊕((1-z)?ht-1)

(5)

式中ht——當(dāng)下時(shí)間步終時(shí)記憶數(shù)據(jù)

Wz、Wr、Wc、Uz、Ur、Uc——更新門(mén)、重置門(mén)和臨時(shí)輸出的權(quán)值矩陣

(4)每層網(wǎng)絡(luò)均采用線(xiàn)性整流函數(shù)(Rectified linear unit, ReLU)作為激活函數(shù),均方誤差函數(shù)(Mean square error,MSE)為損失函數(shù)。同時(shí)為實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)權(quán)重的更新,利用自適應(yīng)運(yùn)動(dòng)估計(jì)優(yōu)化算法,使模型性能達(dá)到最佳。它是一種結(jié)合自適應(yīng)梯度算法和前向均方根梯度下降算法二者優(yōu)點(diǎn)的智能優(yōu)化算法,優(yōu)勢(shì)在于解決稀疏梯度和非平穩(wěn)問(wèn)題上表現(xiàn)良好。在每次迭代中,以損失函數(shù)最小值為優(yōu)化目標(biāo),通過(guò)計(jì)算梯度的一階動(dòng)量項(xiàng)和二階動(dòng)量項(xiàng)使學(xué)習(xí)率自適應(yīng)地更新。

基于試參法尋優(yōu)得到最優(yōu)的學(xué)習(xí)率為0.001,訓(xùn)練輪數(shù)為500,當(dāng)模型完成規(guī)定的訓(xùn)練輪數(shù)后,判斷其輸出結(jié)果是否滿(mǎn)足模型精度,若不滿(mǎn)足則重新調(diào)整參數(shù)值,繼續(xù)訓(xùn)練直到達(dá)到模型精度;若滿(mǎn)足則輸出結(jié)果。

(5)以測(cè)試集溫度為實(shí)際值,模型輸出值為預(yù)測(cè)值,先對(duì)二者反歸一化,恢復(fù)原有量綱級(jí)別,再以各類(lèi)評(píng)價(jià)指標(biāo)對(duì)模型精度及泛化能力進(jìn)行評(píng)估。

4 算法對(duì)比與模型驗(yàn)證

4.1 不同算法和時(shí)長(zhǎng)對(duì)比

為驗(yàn)證本文算法的預(yù)測(cè)性能,以決定系數(shù)R2、均方根誤差 (Root mean square error, RMSE)、平均絕對(duì)誤差(Mean absolute error, MAE)和絕對(duì)值的最大絕對(duì)誤差(Maximum absolute error, MaAE)為評(píng)價(jià)指標(biāo),參數(shù)優(yōu)化后的多元線(xiàn)性回歸法(Multiple linear regression,MLR)、BP神經(jīng)網(wǎng)絡(luò)算法(Belief propagation neural networks,BPNN)、一維卷積神經(jīng)網(wǎng)絡(luò)(1D CNN)及門(mén)控循環(huán)單元(GRU)與一維卷積門(mén)控循環(huán)單元網(wǎng)絡(luò)(1D CNN-GRU)建模效果進(jìn)行對(duì)比,其預(yù)測(cè)結(jié)果如表4所示。

表4 不同算法和時(shí)間結(jié)果對(duì)比Tab.4 Comparison results of different algorithms and durations

由表4可知,在預(yù)測(cè)時(shí)間為1 h時(shí),MLR模型和BP模型的預(yù)測(cè)精度雖均低于深度學(xué)習(xí)模型結(jié)果,但其總體相差不大。但隨著時(shí)間的增加,前兩者的預(yù)測(cè)精度快速下降。在2～4 h期間MLR模型較1D CNN-GRU模型RMSE、MAE和MaAE分別增加3.242～5.535℃、2.443～4.891℃和4.253～9.903℃;BP模型較1D CNN-GRU模型RMSE、MAE和MaAE分別增加1.564～3.167℃、0.739～2.407℃和1.568～3.891℃。上述結(jié)果說(shuō)明,這2類(lèi)方法對(duì)多維時(shí)序數(shù)據(jù)處理能力有限,無(wú)法實(shí)現(xiàn)對(duì)溫室內(nèi)長(zhǎng)時(shí)溫度的精準(zhǔn)預(yù)測(cè)。在深度學(xué)習(xí)法中,1D CNN-GRU模型預(yù)測(cè)效果最好,GRU模型次之,1D CNN模型最差,且誤差隨時(shí)間逐漸變大, 2 h后這3類(lèi)方法的預(yù)測(cè)差距逐步顯現(xiàn)。當(dāng)預(yù)測(cè)時(shí)間超過(guò)3 h后,1D CNN模型和GRU模型MaAE均超過(guò)了2℃,1D CNN模型較1D CNN-GRU模型RMSE、MAE和MaAE分別增加1.920～1.928℃、1.266～1.435℃和1.416～1.986℃;GRU模型較1D CNN-GRU模型RMSE、MAE和MaAE分別增加0.553～ 0.984℃、0.730～1.135℃和0.903～1.391℃。上述結(jié)果說(shuō)明,1D CNN模型雖然相比于MLR模型和BP模型預(yù)測(cè)效果有所提升,但由于其無(wú)法提取序列信息,導(dǎo)致長(zhǎng)時(shí)預(yù)測(cè)精度不高;GRU模型能夠捕獲長(zhǎng)程依賴(lài)關(guān)系,較1D CNN模型更適應(yīng)于時(shí)序數(shù)據(jù),但由于局部特征提取能力不足,導(dǎo)致其較1D CNN模型預(yù)測(cè)精度雖提高,但其精度仍不滿(mǎn)足生產(chǎn)需求。1D CNN-GRU模型結(jié)合1D CNN局部特征提取能力和GRU時(shí)間特征提取能力,在4 h內(nèi)R2均不小于0.970、RMSE均不大于1.358℃、MAE均不大于0.854℃、MaAE均不大于1.959℃,長(zhǎng)期預(yù)測(cè)方面明顯優(yōu)于上述4組對(duì)照模型,其可滿(mǎn)足環(huán)境調(diào)控過(guò)程中對(duì)預(yù)測(cè)溫度精度和時(shí)長(zhǎng)方面的要求。

4.2 日光溫室溫度預(yù)測(cè)模型驗(yàn)證

為驗(yàn)證日光溫室溫度預(yù)測(cè)模型的泛化能力和預(yù)測(cè)性能,以測(cè)試集的648組樣本數(shù)據(jù)對(duì)模型預(yù)測(cè)1、2、3、4 h后溫度進(jìn)行驗(yàn)證。驗(yàn)證結(jié)果表明,模型在測(cè)試集上預(yù)測(cè)1～4 h后的決定系數(shù)為0.970～0.994,均方根誤差為0.612～1.358℃,平均絕對(duì)誤差為0.428～0.854℃,絕對(duì)值的最大絕對(duì)誤差為0.856～1.959℃,其擬合直線(xiàn)分別為y=0.183+1.004x、y=0.049+1.006x、y=0.198+0.977x、y=0.132+0.969x,它們的擬合系數(shù)均接近于1,截距均接近于零,說(shuō)明該模型預(yù)測(cè)值和實(shí)際值幾乎在直線(xiàn)y=x兩側(cè),二者存在較強(qiáng)相關(guān)性,模型達(dá)到理想預(yù)測(cè)精度。

同時(shí),為驗(yàn)證本文模型在不同KT下適用性,以RMSE、MAE和絕對(duì)值的平均相對(duì)誤差(Average relative error,ARE)為評(píng)價(jià)指標(biāo),驗(yàn)證在2019年12月23—31日中的3類(lèi)天氣檢驗(yàn)?zāi)Ｐ皖A(yù)測(cè)效果,其預(yù)測(cè)結(jié)果如表5所示。其中,12月26日(晴)、12月27日(晴轉(zhuǎn)多云)、12月28日(晴)、12月30日(晴)及12月31日(晴)為KT≥0.5;12月25日(多云)為0.5>KT≥0.2;12月23日(陰霾)、12月24日(陰霾)及12月29日(霾轉(zhuǎn)多云)為0.2>KT≥0.1。

表5 不同KT下模型驗(yàn)證結(jié)果Tab.5 Verification results of model under different KT

如表5所示,在不同天氣條件下均方根誤差為0.417～1.766℃,平均絕對(duì)誤差為0.289～1.174℃,絕對(duì)值的平均相對(duì)誤差為2.370%～7.858%。隨著KT的下降A(chǔ)RE逐漸增大,這可能是由于云層及霧霾顆粒的影響[23-24],導(dǎo)致溫室內(nèi)光照產(chǎn)生波動(dòng),從而影響溫度預(yù)測(cè)精度。進(jìn)一步分析RMSE和MAE可以發(fā)現(xiàn),雖然多云天會(huì)出現(xiàn)光照度波動(dòng),但晴天溫室溫度普遍高于其他天氣,因而當(dāng)KT≥0.5時(shí)其RMSE和MAE會(huì)略高于0.5>KT≥0.2條件,但并無(wú)顯著差異。而0.2>KT≥0.1時(shí),雖然其溫度也相對(duì)較低,但其不僅存在溫室內(nèi)光照產(chǎn)生波動(dòng)的影響,而且陰霾天較晴天和多云天存在濕度高且波動(dòng)大的特點(diǎn)[25],由于室內(nèi)濕度本就對(duì)溫度影響程度較大,加之傳感器在高濕環(huán)境下會(huì)出現(xiàn)誤差偏移,因此其精度明顯低于前兩種環(huán)境狀態(tài)。綜合考慮,模型在KT≥0.5(晴)時(shí)預(yù)測(cè)效果最好,在各KT下模型均表現(xiàn)出較高準(zhǔn)確性,說(shuō)明此方法具有適用性,可應(yīng)用于實(shí)際生產(chǎn),在冬季室內(nèi)太陽(yáng)輻射較弱時(shí),可通過(guò)該模型提前預(yù)知溫度,利用加溫設(shè)備為溫室補(bǔ)充加溫,為作物優(yōu)質(zhì)生產(chǎn)提供可靠性依據(jù)。

5 結(jié)論

(1)基于斯皮爾曼相關(guān)系數(shù)選取室內(nèi)溫度、室內(nèi)空氣相對(duì)濕度、室內(nèi)土壤溫度、室內(nèi)光照強(qiáng)度、室外空氣溫度、室外空氣相對(duì)濕度及室外土壤溫度7種因子作為輸入,1、2、3、4 h后溫度為輸出,構(gòu)建日光溫室溫度預(yù)測(cè)模型。結(jié)果表明,模型在測(cè)試集上預(yù)測(cè)1～4 h后的決定系數(shù)為0.970～0.994,均方根誤差為0.612～1.358℃,平均絕對(duì)誤差為0.428～0.854℃,絕對(duì)值的最大絕對(duì)誤差為0.856～1.959℃。相比于統(tǒng)計(jì)學(xué)法和淺層神經(jīng)網(wǎng)絡(luò)法,該模型對(duì)溫度預(yù)測(cè)的精度具有顯著提升。

(2)以KT對(duì)天氣分類(lèi)的驗(yàn)證結(jié)果表明,該模型在KT≥0.5(晴)時(shí)溫度預(yù)測(cè)效果最好,此外不同KT下模型均方根誤差為0.417 ～ 1.766℃,平均絕對(duì)誤差為0.289 ～ 1.174℃,絕對(duì)值的平均相對(duì)誤差為2.370% ～ 7.858%。模型在不同天氣條件下的預(yù)測(cè)精度均符合要求,驗(yàn)證了該模型對(duì)天氣條件的普適性。