基于bp神经网络的杨梅大棚内气温预测模型

基于bp神经网络的杨梅大棚内气温预测模型

杨梅主要分布在长江流域南部和海南岛北部，即20n-31n。杨梅的经济栽培主要集中在浙江、福建、江苏、广东、湖南、云南等省,其中浙江省杨梅的栽培面积、产量、品质均居全国之首。杨梅传统栽培方式都是露天种植,低温冰冻、高温热害、暴雨、台风、大雪等极端灾害性天气造成的减产和劣质果屡有发生,特别是果实成熟期,恰逢浙江省梅汛期,频繁出现的暴雨不仅推迟果实成熟,而且极易造成异常落果、烂果,经济损失严重。近年来,设施大棚杨梅因避雨栽培、提早成熟等优势,取得了较好的经济效益,得以较快发展。但设施杨梅生长发育和优质高产与大棚内小气候关系密切,试验表明,大棚内气温一旦超过35℃,就会造成杨梅大量落花落果,明显减产,甚至绝收。而通常,气象部门仅发布大气环境温度,如何根据棚外天气预测大棚内气象要素值,准确调控大棚内的温度,是目前设施杨梅生产中急待解决的技术问题。国外关于温室小气候数值模拟研究始于20世纪60年代,Businger将温室分为覆盖物、室内空气、作物和土壤4层,并使能流公式化,初步建立了各层稳态能量平衡方程,其方法成为以后各种模型的核心。Walker建立了温室的能量平衡模型,但是其模型较为简单,其中许多热流的计算误差仍然很大。另外还有一些学者通过建立温室热环境的分析模型,描述温室热环境变化的周期性。从90年代开始,国内学者建立了若干关于光、热、空气湿度、土壤温度和力学等数学模型。储长树等分析了塑料大棚内气温等气象要素的变化特征和通风效应,李良晨建立了日光温室和塑料大棚均适用的能量平衡和质量平衡方程组,为温室热量设计提供了理论依据。李元哲等运用热力学、传热学和建筑采光的基本理论,模拟分析日光温室内环境参数的动态过程和分布规律以及不同太阳辐射、不同结构和不同保温覆盖对环境的影响。贾倩等通过试验获取实时动态生成的决策信息,建立了基于作物模型的温室环境管理。金志凤等对大棚内小气候变化特征及其对杨梅生育期的影响进行了分析,但没有针对设施杨梅大棚内小气候进行模拟预测。本研究拟通过试验观测,收集杨梅生育期数据和大棚内小气候数据,建立适于杨梅设施栽培的小气候预报模型,为杨梅成熟期预测、产量预测及设施杨梅气象保障服务提供技术支持。1数据和方法1.1小气候自动观测系统试验时间为2010年冬春季(2009年12月-2010年5月)杨梅大棚盖膜期间,此时杨梅处于花芽萌动至果实成熟期,是产量和品质形成的关键期。试验地点位于浙江省杨梅主产区之一的温州市瓯海区茶山街道舜岙村设施杨梅园区(28°36′N,120°38′E),选择一个中等规模的塑料大棚,大棚呈南北向,长50m,宽12m,高5.2m,棚内有14棵树龄20～30a的杨梅,品种为当地主栽种丁岙梅,树体高约4.2m,冠幅5.6m。地形为丘陵,海拔高度约100m,土质为砂壤土、微酸性、中等肥力。在大棚中间位置选择一棵生长旺盛的树体,在距离地面1.5m、3.0m和4.5m(树冠上方)高度分别放置小气候自动采集器Watchdog2000(CampbellScientific,USA),观测要素为气温和相对湿度,树冠增加太阳总辐射观测,采集频率为每10s1次,存储每30min的平均值。大棚内气温取同一时刻不同高度的气温平均值。大棚外环境气象数据来源于温州市气象局气象观测站逐小时数据,观测要素为气温、相对湿度、辐射、风向、风速,以及地温等。1.2模型建设1.2.1神经网络输入变量的归一化应用常规的数理统计方法,分析杨梅大棚内的日最高气温和日最低气温与外界气象要素(气温、辐射、风速等)的相关性。由表1可知,大棚内的最高气温和最低气温与外界的最高气温、最低气温、太阳辐射和风速的关系密切。其中,大棚内的最高气温和最低气温与外界的最高气温、最低气温和太阳辐射之间关系均通过了信度为0.01水平的显著性检验,与风速间关系通过了信度为0.05水平的显著性检验。基于此,以大棚外最高气温、最低气温、风速、辐射作为BP神经网络模型的输入,并选用单隐层的BP网络结构(见图1)进行冬季和春季杨梅大棚内最高气温和最低气温的模拟。模型结构分为3层:第1层为输入层,4个神经元分别是大棚外的最高气温(Tomax)、最低气温(Tomin)、风速(Wout)和太阳总辐射(Rout);第2层为隐含层,神经元为9个;第3层为输出层,2个神经元分别是大棚内的最高气温(Timax)和最低气温(Timin)。如图1所示。为解决神经网络输入变量间的单位以及数量级不一致的问题,采用归一化方法将样本数据进行预处理,即xi=Xio-XminXmax-Xmin(1)xi=Xio−XminXmax−Xmin(1)式中,xi为第i个输入变量变换后的数据(i=1,2,3,4),取值范围在0～1;Xio为试验数据;Xmax、Xmin分别为观测值中最大值和最小值。隐含层和输出层传递函数采用S型对数函数Logsig,即f(xi)=11+exp(-xi/c)2(2)f(xi)=11+exp(−xi/c)2(2)式中,xi为输入层的输入变量值,c为常数,在此取1。输出层神经单元的输出信号为yinij=∑i(wij⋅xi)(3)yinij=∑i(wij⋅xi)(3)youtkoutk=f0(yinijinij)(4)uk=f1∑j(wjk⋅youtk)(5)式中,xi为输入层第i个神经元的输入数据,yinij是隐含层第j个神经元(j=1,2,…,9)从输入层第i个神经元接收到的输入信号,wij是输入层第i个神经元到隐含层第j个神经元的权重,youtk是输出层第k个神经单元(k=1,2)接受到的输出信号,wjk是隐含层第j个神经元到输出层第k个神经元的权重,uk是输出层第k个神经单元的输出信号。f0、f1分别表示隐含层和输出层函数。模型选定相关的参数值为:初始学习速率η为0.1,惯量因子α为0.9,最大迭代次数为10000次,目标误差为0.0001。模型的训练样本和检验样本数据见表2,神经网络模型采用Matlab7.8软件通过编程实现。1.2.2模型a:nxn+6式为了对比分析BP神经网络模型的精确度,应用数理统计方法建立了基于外界气象要素的大棚内气温的多元回归模型。即Y=b0+b1X1+b2X2+…+bnXn+ε(6)式中,b0是常数,X1、…、Xn为逐步回归中选入模型的变量,n为变量的个数,b1、…、bn为变量的回归系数,ε为随机误差。外界的气象因子对大棚内气温有着直接或间接的影响,因此选取大棚外前1日及当日的气温、相对湿度、地表温度和5cm、10cm、20cm地温的平均值、最高值、最低值,以及风速、日照时数等气象要素作为自变量,大棚内最高气温和最低气温为因变量,应用数理统计方法建立大棚内气温统计预测模型。1.3气温转化系数以上输出的是日最高气温和日最低气温,而设施栽培时大棚内的瞬时气温也是非常重要的因素。因此,利用预测出的日最高气温和日最低气温,转化为逐小时的气温值。第i时刻的气温为Ti=(Tmax-Tmin)Hi+Tmin(7)式中,Ti为第i时刻的气温(℃),Hi为第i时刻(1:00-24:00)的气温转化系数,Tmax为日最高气温(℃),Tmin为日最低气温(℃)。根据表2,选用训练样本期间的小时气温、日最高气温和日最低气温,应用公式(7)计算得到不同时刻的转换系数,见表3。1.4拟合度的分析借用回归估计标准误差(RootMeanSquaredError,RMSE)对模拟值和观测值之间的拟合度进行统计分析,以验证模型的精确度。RΜSE=√n∑i=1(ΟBSi-SΙΜi)2n(8)式中,OBSi为实际观测值,SIMi为模型模拟值,n为样本数。2结果与分析2.1不同天气条件下大、天气形势分析由图2可知,整个试验期内,大棚内的日平均气温均较棚外高,平均偏高3.0℃。棚外日平均气温越低,大棚内外日平均气温的差异就越大。不同月份大棚内外平均气温差异也不同,1-3月大棚内的日平均气温较棚外偏高了3～5℃,4月偏高2～3℃,5月偏高1～2℃,6月不足1℃。不同天气条件下,大棚内外日较差的差异显著,其中,晴天时大棚内日较差最大可达25℃,多云天时为14℃,而阴天只有5℃。主要是因为冬季外界气温较低,大棚通常处于关闭状态,白天有太阳辐射,导致大棚内的气温升高,夜晚由于薄膜的保温作用,使棚内的气温始终高于棚外。进入4月份后,随着太阳辐射的增强,晴天强光常常导致大棚内的气温迅速上升,而当棚内气温达到30℃或以上时就必须开棚通风降温,因为一旦气温升高到35℃就会造成杨梅异常落果,气温达38～40℃或以上持续15min常常造成杨梅绝收。因此,从3月份开始,随着外界气温的升高,开棚频次和范围逐渐增加,大棚内外气温的差异逐渐缩小。2.2冬季和冬季的低温模拟2.2.1模拟结果分析选取不同季节的环境要素作为神经网络的训练样本和检验样本,将训练样本输入神经网络模型,在完成网络训练和网络检验后,得到一组网络权值和阈值,在此基础上将预测样本输入神经网络模型。通过以上方法,利用大棚外的气象数据,模拟得出了大棚内日最高气温、日最低气温和逐时气温,分别利用冬、春季数据进行拟合验证,结果见图3。由图中可见,模型的模拟效果很好,数据基本集中在1∶1线附近;冬季日最高气温、日最低气温和逐时气温的标准误差RMSE分别为:1.3、0.6、0.9℃,春季分别为1.4、0.9、0.9℃;分季节看,冬季的模拟精度高于春季;分要素看,日最低气温模拟精度最高,逐时气温次之,日最高气温模拟误差较大。主要原因是因为冬季大棚通常处于密闭状态,而春季大棚需要经常揭膜通风降温。总的看来,大棚内3个气温的预测值与实测值拟合较好,模型精度较高。2.2.2冬季最低气温及逐时气温模型预测结果应用逐步回归方法分别建立冬春季节大棚内的最高气温、最低气温和逐时气温的多元回归模型,每个模型选入的变量明显不同。最高气温的模拟方程为:式中,X1是棚外的日最高气温(℃),X2是前1日棚内平均气温(℃),X3是前1日棚外的太阳总辐射(MJ/m2),X4是棚外的日平均风速(m/s)。当日大棚外的日最高气温、日最低气温、平均气温和风速等气象要素均可从发布的精细化天气预报数据中获取。最低气温的模拟方程为:式中,X1是前1日棚外0cm平均地温(℃),X2是棚外日最低气温(℃),X3是前1日棚内太阳总辐射(MJ/m2),X4是前1日棚外5cm平均地温(℃)。00:00-07:00的逐时气温的预测方程为:式中,X1为前2h棚外气温(℃),X2为前1日棚外5cm平均地温(℃),X3为前1日棚外最高气温(℃),X4为当日棚外日最低气温(℃)。08:00-17:00的逐时气温的预测方程为:式中,X1为前2h太阳高度角(°),X2为前1日棚内日平均气温(℃),X3为前1日棚外总辐射(MJ/m2),X4为当日棚外最高气温(℃)。18:00-23:00的逐时气温的预测方程为:式中,X1为前2h棚外气温(℃),X2为前1日棚外日平均气温(℃),X3为前1日棚外日最低气温(℃),X4为当日棚外最高气温(℃)。利用模型对冬季的最高、最低和逐时气温进行模拟回代,其标准误差RMSE分别为2.7、0.6和1.6℃,春季RMSE分别为2.9、1.0和1.9℃。逐步回归模拟结果表明(图4),分季节看,冬季气温的模拟精度高于春季;分要素看,日最低气温模拟精度高于逐时气温,逐时气温高于日最高气温。2.2.3预测精度对比为了进一步验证两种方法的精准度,利用试验期间所有样本对BP神经网络模型和逐步回归模型进行模拟结果的对比分析。结果表明,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的标准误差(RMSE)分别为0.8、1.4和0.7℃,精度明显高于逐步回归模型(RMSE)的0.9、2.8和1.9℃。应用逐步回归模型,最低气温的预测精度高于逐时气温,逐时气温模拟精度高于最高气温;但BP神经网络模型较逐步回归模型的精度更高,分别提高了1%、23%和15%。3棚内气温预测模型研究建立了一个基于BP神经网络结构的大棚杨梅的气温模型,可以利用外界环境的最高气温、最低气温、辐射和风速等气象要素作为模型的输入参数,输出参数为大棚内的最高气温和最低气温。结果表明,应用BP神经网络模型预测精度较高,高于常用的统计回归模型。分季节来看,冬季模拟精度高于春季;分要素来看,日最低气温模拟精度高于逐时气温,逐时气温高于日最高气温。主要是由于冬季整个大棚基本都处在密闭状态,白天大棚内最高气温与棚外环境要素关系紧密,夜晚棚内气温除了与棚外环境要素有关外,还与地表辐射等相关。进入春季后,随着太阳辐射的增强,尤其是晴天时,大棚内的气温升高到30℃及以上时就要揭膜通风降温,导致大棚内的高温受人为因素影响较大,在一定程度上影响了最高气温的模拟精度。神经网络模型是建立在大量训练数据的基础上的,模拟某一特定条件下的温室小气候,其精度往往高于物理模型,尤其是采用了改进算法的神经网络模型,更显示了神经网络模型优良的性能。但神经网络训练数据只能是采集于特定环境、特定时间,不具有普遍代表性,因此模型只限于解决某一特定时间、特定环境的小气候问题,其广泛适应性还有待于进一步研究。本文建立的大棚杨梅棚内气温预