玻璃溫室和塑料大棚內(nèi)逐時(shí)氣溫模擬模型

韋婷婷，楊再強(qiáng),2**，王 琳，趙和麗，李佳帥

?

玻璃溫室和塑料大棚內(nèi)逐時(shí)氣溫模擬模型

韋婷婷1，楊再強(qiáng)1,2**，王 琳1，趙和麗1，李佳帥1

（1．南京信息工程大學(xué)氣象災(zāi)害預(yù)報(bào)預(yù)警與評(píng)估協(xié)同創(chuàng)新中心，南京 210044；2．江蘇省農(nóng)業(yè)氣象重點(diǎn)實(shí)驗(yàn)室，南京 210044）

2014?2016年在江蘇省不同地區(qū)選擇塑料大棚和玻璃溫室進(jìn)行設(shè)施內(nèi)氣溫監(jiān)測(cè)，基于設(shè)施內(nèi)日最高和最低氣溫，采用余弦分段函數(shù)、正弦分段函數(shù)、正弦?指數(shù)分段函數(shù)、一次分段函數(shù)和神經(jīng)網(wǎng)絡(luò)模型分別模擬不同季節(jié)和不同天氣狀況（晴天和陰雨天）下的逐時(shí)氣溫日變化，探究利用室內(nèi)最高和最低氣溫模擬計(jì)算逐時(shí)氣溫的方法，以及設(shè)施內(nèi)逐時(shí)氣溫日變化規(guī)律。結(jié)果表明：5種模型均可通過當(dāng)日最高、最低氣溫模擬逐時(shí)氣溫變化，其中神經(jīng)網(wǎng)絡(luò)模擬精度較高（RMSE=0.69℃），并且受溫室類型、天氣狀況和季節(jié)變化的影響較小，普適性較高；正弦?指數(shù)分段函數(shù)模擬效果最好（RMSE=0.43℃），且受天氣和季節(jié)的影響較小，但其受溫室本身特性和地區(qū)的影響較大；余弦分段函數(shù)（RMSE=0.85℃）和正弦分段函數(shù)（RMSE=0.78℃）模擬效果相近，且受天氣和地區(qū)的影響；一次分段函數(shù)準(zhǔn)確度較低（RMSE=0.90℃）且誤差變化較大。各方法對(duì)塑料大棚內(nèi)逐時(shí)氣溫的模擬精度均高于玻璃溫室。模型模擬精度的季節(jié)變化因模型和溫室類型有一定差異，但通常情況下，春季和冬季的模擬誤差大于秋季，夏季誤差最小。

塑料大棚；玻璃溫室；溫度模擬；溫室；氣溫日變化

在中國(guó)南方地區(qū)，塑料大棚和玻璃溫室已經(jīng)在蔬菜和水果種植中得到廣泛應(yīng)用。溫室內(nèi)氣溫的變化不僅關(guān)系到室內(nèi)作物的生長(zhǎng)發(fā)育以及產(chǎn)量形成，對(duì)果實(shí)的品質(zhì)也有重要影響。故研究溫室內(nèi)氣溫的變化對(duì)調(diào)節(jié)溫室環(huán)境，防御相關(guān)氣象災(zāi)害有一定幫助，同時(shí)也可以為人工氣候箱試驗(yàn)的動(dòng)態(tài)氣溫設(shè)置[1?2]提供理論依據(jù)。

近年來，不少學(xué)者通過物理模型和統(tǒng)計(jì)模型對(duì)溫室氣溫的日變化進(jìn)行了模擬。物理方法主要包括能量平衡方法[3?4]和流體動(dòng)力學(xué)方法[5?6]，這些方法具有很強(qiáng)的機(jī)理性，可釋度高，但是需要大量的相關(guān)參數(shù)作支持，通常情況下，所需參數(shù)的值難以準(zhǔn)確計(jì)算，導(dǎo)致模擬過程復(fù)雜，結(jié)果出現(xiàn)誤差。同時(shí)，也有大量學(xué)者嘗試?yán)媒y(tǒng)計(jì)模型通過室外氣象要素對(duì)溫室氣溫進(jìn)行預(yù)測(cè)，主要集中在對(duì)溫室最高、最低氣溫的預(yù)測(cè)[7?12]。楊文剛等[13]研究了春季不同類型溫室氣溫的回歸預(yù)測(cè)方程。劉淑梅等[14?15]運(yùn)用BP神經(jīng)網(wǎng)絡(luò)的方法分別建立了對(duì)日光溫室和塑料大棚內(nèi)氣溫的預(yù)測(cè)模型。李倩等[16?17]對(duì)南方地區(qū)單棟塑料大棚和雙膜塑料大棚內(nèi)氣溫進(jìn)行了諧波模擬，得到了較好的結(jié)果。但在模擬計(jì)算室內(nèi)逐時(shí)氣溫時(shí)，通常要求有長(zhǎng)期的室外逐時(shí)氣象數(shù)據(jù)作為支持，這對(duì)大部分溫室而言是一個(gè)難點(diǎn)。

對(duì)于室外氣溫，Reicosky等[18]提出并總結(jié)了用最高、最低氣溫模擬室外逐時(shí)氣溫的方法，并得到廣泛應(yīng)用。余衛(wèi)東等[19]運(yùn)用正弦?指數(shù)分段函數(shù)對(duì)室外氣溫的日變化進(jìn)行了模擬。姜會(huì)飛等[20]應(yīng)用正弦分段法對(duì)氣溫的日變化進(jìn)行了模擬。徐凡等[21]也使用了數(shù)學(xué)方法對(duì)溫室外的氣溫日變化進(jìn)行了模擬，得到華北地區(qū)室外氣溫的轉(zhuǎn)化系數(shù)。有研究表明溫室內(nèi)氣溫變化與室外氣溫變化總體上一致[22]，但是在冬季可能會(huì)出現(xiàn)延遲。所以適用于模擬室外逐時(shí)氣溫的方法對(duì)溫室內(nèi)氣溫可能也同樣適用，但是目前并沒有相關(guān)研究證明這一點(diǎn)。

本研究使用余弦分段函數(shù)（WAVE）、正弦分段函數(shù)（WCALC）、正弦?指數(shù)分段函數(shù)（TEMP）、一次分段函數(shù)（SAWTOOTH）以及近年來常用的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型模擬了江蘇地區(qū)常見溫室類型（塑料大棚和玻璃溫室）在不同季節(jié)、不同天氣條件下的氣溫逐時(shí)變化，并對(duì)模型的精度進(jìn)行比較，擬在證明在不同天氣和溫室類型下利用設(shè)施內(nèi)日最高、最低氣溫模擬氣溫動(dòng)態(tài)變化的可行性，并且分析不同模型在不同條件下的模擬特點(diǎn)，以選取普適性較高的模型。

1 材料與方法

1.1 研究區(qū)域和資料獲取

選取江蘇省句容、泰州、南京3個(gè)地區(qū)的2棟塑料大棚和2棟玻璃溫室（表1），于2014?2016年在各溫室內(nèi)距地面1.5m處架設(shè)CR-3000數(shù)據(jù)采集器（美國(guó)），觀測(cè)要素包括氣溫、相對(duì)濕度、日照時(shí)數(shù)、太陽總輻射，數(shù)據(jù)采集頻率為每10s一次，存儲(chǔ)每小時(shí)的平均值。以3月1日?5月31日為春季，6月1日?8月31日為夏季，9月1日?11月30日為秋季，12月1日?翌年2月28日為冬季，在每個(gè)季節(jié)根據(jù)日照百分率以及室外降水情況選取一個(gè)典型晴天和典型陰雨天進(jìn)行模擬，其中典型晴天日照百分率超過90%且無降水，陰雨天氣日照百分率低于10%或有降水。

表1 研究地點(diǎn)概況

1.2 模擬方法及相關(guān)參數(shù)的計(jì)算

1.2.1 余弦分段函數(shù)（WAVE）

該方法認(rèn)為氣溫的日變化是關(guān)于最高、最低氣溫和時(shí)間的余弦函數(shù)，且認(rèn)為當(dāng)日最低氣溫出現(xiàn)在日出前后，最高氣溫出現(xiàn)在午后，只需輸入當(dāng)日最高、最低氣溫，即可模擬其逐時(shí)變化過程[18，23]。

1.2.2正弦分段函數(shù)（WCALC）

該方法需要連續(xù)3d的最高、最低氣溫作為輸入值，可以模擬出中間一天的逐時(shí)氣溫，它將一天分為3段，認(rèn)為午夜至日出后2h氣溫逐漸呈線性降低，日出后2h至日落時(shí)刻氣溫的變化可以用一個(gè)正弦函數(shù)表示，日落后至午夜氣溫呈線性降低[24?25]。日出時(shí)間和日落時(shí)間由測(cè)點(diǎn)經(jīng)緯度計(jì)算得到，為便于計(jì)算逐時(shí)氣溫，認(rèn)為江蘇地區(qū)春夏季節(jié)日出時(shí)間為6：00，日落時(shí)間為19：00；秋冬季節(jié)日出時(shí)間為7：00，日落時(shí)間為18：00。

1.2.3 正弦?指數(shù)分段函數(shù)（TEMP）

此方法認(rèn)為日出時(shí)?日落時(shí)，氣溫按正弦曲線變化，日落后氣溫按指數(shù)曲線減小[18,20,25]。日落時(shí)間和日出時(shí)間的確定方法與正弦分段函數(shù)法相同。

1.2.4 一次分段函數(shù)（SAWTOOTH）

該方法認(rèn)為氣溫的日變化是直線遞增（遞減）的，呈鋸齒狀波動(dòng)，用3個(gè)一次函數(shù)即可模擬[18]。對(duì)觀測(cè)樣本進(jìn)行統(tǒng)計(jì)后，認(rèn)為春秋季節(jié)最低溫出現(xiàn)在6：00，最高溫出現(xiàn)在15：00，夏季最低溫出現(xiàn)的時(shí)間提前1h，冬季則延后1h，最高溫出現(xiàn)時(shí)間不變。

1.2.5 神經(jīng)網(wǎng)絡(luò)法（BP）

將觀測(cè)期間第一年的室內(nèi)氣溫?cái)?shù)據(jù)作為建模數(shù)據(jù)，每個(gè)季節(jié)隨機(jī)選取77d逐時(shí)氣溫?cái)?shù)據(jù)作為訓(xùn)練樣本，經(jīng)過歸一化處理后，隱含層中設(shè)置最高、最低氣溫和時(shí)刻3個(gè)節(jié)點(diǎn)，隱含層和輸出層傳遞函數(shù)采用S型對(duì)數(shù)函數(shù)Logsig[26]，之后用剩余15d的逐時(shí)氣溫?cái)?shù)據(jù)作為檢驗(yàn)樣本，以提高模型精度。神經(jīng)網(wǎng)絡(luò)的相關(guān)參數(shù)分別設(shè)置為：初始學(xué)習(xí)速率η為0.1，慣量因子α為0.9，最大迭代次數(shù)為1000次，目標(biāo)誤差為0.00004。神經(jīng)網(wǎng)絡(luò)模型采用 Matlab2016a軟件通過編程實(shí)現(xiàn)。在模型使用過程中，只需要輸入當(dāng)天的最高、最低氣溫就可以模擬任意時(shí)刻的室內(nèi)氣溫。

1.3 模擬結(jié)果檢驗(yàn)參數(shù)

相關(guān)系數(shù)（皮爾遜相關(guān)系數(shù)R）是衡量?jī)山M數(shù)據(jù)之間線性相關(guān)程度的量，R越趨近于1，則表示模擬結(jié)果與實(shí)測(cè)值相關(guān)性越好，結(jié)果越精確。均方根誤差（Root Mean Square Error，RMSE）可以反應(yīng)誤差的離散程度，RMSE越小表示模擬效果越好。平均偏差（Mean Bias Error，MBE）主要考慮了誤差的正負(fù)，可以反映模型高估或低估了實(shí)際情況，MBE越接近0，模擬效果越好。相應(yīng)計(jì)算式為

2 結(jié)果與分析

2.1 塑料大棚室內(nèi)逐時(shí)氣溫變化過程模擬結(jié)果比較

2.1.1 各季節(jié)模擬結(jié)果的比較

在句容和盤城地區(qū)，基于2016年逐日觀測(cè)數(shù)據(jù)，分別利用5種模型模擬塑料大棚溫室內(nèi)逐時(shí)氣溫的變化過程，每日同一時(shí)刻室內(nèi)氣溫平均后得到各季節(jié)逐時(shí)氣溫的變化過程，與相應(yīng)實(shí)測(cè)數(shù)據(jù)的平均值進(jìn)行對(duì)比，結(jié)果見圖1。由圖可見，5種模型模擬的逐時(shí)氣溫變化過程與實(shí)測(cè)數(shù)據(jù)分布特點(diǎn)基本一致，均表現(xiàn)為0：00?9：00逐漸降低，9：00?15：00快速升高，15：00?24：00逐漸降低的過程，只是各模型曲線與實(shí)測(cè)曲線的擬合程度略有不同。表2為5種模型對(duì)塑料大棚內(nèi)四季逐時(shí)平均氣溫模擬精度。為便于比較模型總體誤差，計(jì)算句容地區(qū)5種模型全年的平均模擬誤差（忽略季節(jié)影響，取四季平均值，后同）分別為0.86、0.78、0.31、0.92和0.76℃（分別對(duì)應(yīng)余弦分段函數(shù)WAVE、正弦分段函數(shù)WCALC、正弦?指數(shù)分段函數(shù)TEMP、一次分段函數(shù)SAWTOOH和神經(jīng)網(wǎng)絡(luò)模型BP，下同），其中TEMP模擬效果最好，夏季誤差最小，且其平均偏差（MBE）為負(fù)值，表明預(yù)測(cè)結(jié)果略高于實(shí)際氣溫；BP的模擬效果在整體上僅次于TEMP模型，但其在不同季節(jié)模擬效果差異較大，在夏季模擬效果最差，秋季模擬效果較好，預(yù)測(cè)結(jié)果也稍高于實(shí)際氣溫；WCALC的模擬精度較高，其隨季節(jié)變化并不明顯，其MBE較低，且通常為正值，即模擬結(jié)果稍低于實(shí)際氣溫；WAVE的模擬效果一般，在春夏季稍好，MBE也為負(fù)值，且在夏季絕對(duì)值最?。籗AWTOOH的模擬效果較差，特別是在春季和冬季。對(duì)于盤城地區(qū)，5種模型全年的平均誤差分別為0.24、0.41、0.34、0.22和0.40℃，與句容地區(qū)相比，盤城塑料大棚的模擬結(jié)果更好一些，并且不同模型的精度提高程度也不同，但各模型模擬結(jié)果的MBE的特點(diǎn)并未改變。SAWTOOH對(duì)盤城地區(qū)的模擬效果最好，與句容地區(qū)相比誤差減小了76.1%，模型在4個(gè)季節(jié)均有良好的模擬精度，特別是在夏季；WAVE的模擬精度也有較大提高，誤差減少了72.1%，在春夏季節(jié)的模擬情況好于秋冬季節(jié)；TEMP模型的模擬情況與句容地區(qū)相似，誤差較小且在夏季誤差最?。籅P模型的誤差也減少了47.3%，同樣在秋季的模擬效果最好；WCALC函數(shù)的模擬誤差與BP模型相近，與句容地區(qū)相比，誤差減少了47.4%，且在冬春季節(jié)的誤差較大。

綜上，5種模型均可根據(jù)日最高、最低氣溫模擬塑料大棚內(nèi)氣溫的逐時(shí)日變化，5種模型的平均誤差分別為0.55、0.59、0.32、0.57、0.58℃。對(duì)于不同的塑料大棚，TEMP模型都有較良好的擬合效果，預(yù)測(cè)結(jié)果稍高于實(shí)際氣溫；SAWTOOH和WAVE對(duì)不同塑料大棚的模擬效果差異較大，預(yù)測(cè)結(jié)果高于實(shí)際氣溫；WCALC和BP對(duì)不同塑料大棚的模擬效果有一定差異，并且WCALC的模擬結(jié)果略低于實(shí)際氣溫，BP則高估實(shí)際氣溫。從季節(jié)變化而言，5種模型的擬合效果在冬季都要稍差一些，TEMP在夏季模擬效果最好，BP在秋季模擬效果最好，WAVE在春夏季節(jié)模擬效果較好，WCALC和SAWTOOH則無季節(jié)差異。

2.1.2 各季節(jié)典型日模擬結(jié)果的比較

在句容和盤城地區(qū)，每各季節(jié)選取一個(gè)典型晴天和典型陰雨天，分別利用5種模型模擬每日塑料大棚溫室內(nèi)逐時(shí)氣溫的變化過程，與相應(yīng)實(shí)測(cè)數(shù)據(jù)進(jìn)行對(duì)比，結(jié)果見圖2、圖3。由圖中可見，典型晴天和陰雨天的氣溫變化趨勢(shì)相似，只是由于晴天和陰雨天云量的不同，陰雨天云量多，大氣保溫效果好，故晴天和陰雨天氣溫變化幅度也不一樣，陰雨天的氣溫通常低于晴天，但全天氣溫較穩(wěn)定，波動(dòng)不明顯。晴天條件下，句容地區(qū)5種模型的平均模擬誤差（忽略季節(jié)影響，取四季平均RMSE）分別為1.56、1.55、0.99、1.48和0.95℃，盤城地區(qū)分別為0.42、0.67、0.45、0.64和0.62℃，從均方根誤差（RMSE）來看，典型晴天下不同塑料大棚的模擬情況與各季節(jié)的總體情況相似，從個(gè)體的角度再次證明了之前的結(jié)論。典型陰雨天條件下，句容地區(qū)5種模型的平均均方根誤差分別為0.80、0.79、0.66、0.86和0.89℃，盤城地區(qū)分別為0.21、0.28、0.26、0.19和0.28℃。可以看出，典型陰雨天的模擬精度與典型晴天相比有明顯的提高，但其相關(guān)系數(shù)（R）較低，晴天條件下，5種模型模擬結(jié)果與實(shí)測(cè)值之間平均相關(guān)系數(shù)=0.95且R＞0.88，即模型可以較好地描述氣溫上升和下降時(shí)的變化趨勢(shì)，而陰雨天條件下模擬結(jié)果與實(shí)測(cè)值之間=0.85且R＞0.53，表明模型雖然可以較準(zhǔn)確地模擬逐時(shí)氣溫，但是對(duì)氣溫的變化情況描述不夠細(xì)致。對(duì)比不同模型在典型晴天和典型陰雨天下的模擬情況可知，正弦?指數(shù)分段函數(shù)（TEMP）在晴天和陰雨天氣中都有較好的模擬結(jié)果，在春夏季節(jié)和陰雨天條件下誤差較??；神經(jīng)網(wǎng)絡(luò)模型（BP）的模擬效果在晴天時(shí)僅次于TEMP，但在陰雨天時(shí)的模擬誤差則無顯著減小，受天氣情況的影響較?。挥嘞曳侄魏瘮?shù)（WAVE）、正弦分段函數(shù)（WCALC）和一次分段函數(shù)（SAWTOOH）在陰雨天的模擬效果明顯好于晴天時(shí)，說明其受天氣和塑料大棚本身的影響較大。

圖1 塑料大棚內(nèi)四季逐時(shí)平均氣溫模擬值與實(shí)測(cè)值的日內(nèi)變化

圖2 四季典型晴天塑料大棚內(nèi)逐時(shí)氣溫模擬值與實(shí)測(cè)值的日內(nèi)變化

圖3 四季典型陰雨天塑料大棚內(nèi)逐時(shí)氣溫模擬值與實(shí)測(cè)值的日內(nèi)變化

表3 四季典型天氣條件五種模型對(duì)塑料大棚內(nèi)逐時(shí)氣溫模擬精度

2.2 玻璃溫室內(nèi)逐時(shí)氣溫變化過程模擬結(jié)果比較

2.2.1 各季節(jié)模擬結(jié)果的比較

泰州和浦口地區(qū)玻璃溫室各季模擬結(jié)果比較見圖4。由圖可見，玻璃溫室內(nèi)的氣溫變化與塑料大棚內(nèi)變化趨勢(shì)一致，5種模型模擬的逐時(shí)氣溫變化過程與實(shí)測(cè)數(shù)據(jù)分布特點(diǎn)基本一致。表4為5種模型對(duì)玻璃溫室內(nèi)四季逐時(shí)平均氣溫模擬精度的比較。對(duì)于泰州地區(qū)，5種模型全年平均模擬誤差分別為1.24、1.06、0.37、1.29和0.81℃，其中正弦?指數(shù)分段函數(shù)（TEMP）和神經(jīng)網(wǎng)絡(luò)模型（BP）的模擬結(jié)果明顯好于其它模型，并且都在春夏季節(jié)模擬較準(zhǔn)確，但從平均偏差（MBE）來看，TEMP的模擬結(jié)果高于實(shí)測(cè)值，而BP的MBE則無明顯規(guī)律；其次，正弦分段函數(shù)（WCALC）的模擬效果僅次于TEMP和BP，其模擬精度隨季節(jié)的變化差異不明顯，預(yù)測(cè)結(jié)果低于實(shí)測(cè)值；余弦分段函數(shù)（WAVE）在春夏季節(jié)較精確，預(yù)測(cè)結(jié)果高于實(shí)際氣溫；一次分段函數(shù)（SAWTOOH）的模擬結(jié)果較差且高于實(shí)際氣溫。浦口地區(qū)全年平均誤差分別為1.05、0.88、0.72、1.15和0.78℃，對(duì)比可知，TEMP的均方根誤差與泰州地區(qū)相比增加了95%，但其模擬效果依舊好于其它模型，但此時(shí)其在秋冬季節(jié)的模擬精度較高；BP模型的模擬結(jié)果地區(qū)間差異并不明顯，但其也表現(xiàn)為在秋冬季節(jié)的模擬效果較好；WCALC模型的模擬誤差相比泰州地區(qū)減少了17%，并且在秋季誤差較??；WAVE和SAWTOOH的模擬誤差相近，均稍高于實(shí)際氣溫并且在夏季誤差最小。

綜上可知，5種模型均可根據(jù)日最高、最低氣溫模擬玻璃溫室內(nèi)氣溫的逐時(shí)日變化，5種模型的平均誤差分別為1.14、0.97、0.55、1.22、0.79℃。對(duì)比可知，TEMP模型和BP在模擬精度上具有明顯優(yōu)勢(shì)，且其季節(jié)變化特征在不同的玻璃溫室也表現(xiàn)不一；WCALC的模擬效果較好，與其它模型不同的是其模擬結(jié)果通常稍低于實(shí)測(cè)值；WAVE和SAWTOOH的模擬精度較低，且都在夏季模擬效果最好。

2.2.2 各季節(jié)典型日模擬結(jié)果比較

在泰州和浦口地區(qū)，每個(gè)季節(jié)選取一個(gè)典型晴天和典型陰雨天，分別利用5種模型計(jì)算每日玻璃溫室內(nèi)逐時(shí)氣溫，與相應(yīng)實(shí)測(cè)數(shù)據(jù)進(jìn)行對(duì)比，結(jié)果如圖5、圖6所示。由圖可見，玻璃溫室內(nèi)的氣溫分布也符合下降—快速上升—快速下降的基本規(guī)律，并且晴天和陰雨天的氣溫分布也與塑料大棚類似，5種模型模擬的逐時(shí)氣溫變化過程與實(shí)測(cè)數(shù)據(jù)分布特點(diǎn)基本一致。表5為5種模型對(duì)玻璃溫室內(nèi)四季典型晴天和陰雨天逐時(shí)平均氣溫模擬精度的比較。由表可知，晴天條件下，5種模型的平均模擬誤差（忽略季節(jié)影響，取四季平均RMSE）分別為0.99、1.07、0.76、0.75和0.79℃（泰州），1.69、1.40、1.18、1.94和0.92℃（浦口）。對(duì)于泰州玻璃溫室的模擬結(jié)果，一次分段函數(shù)（SAWTOOH）、正弦?指數(shù)分段函數(shù)（TEMP）以及神經(jīng)網(wǎng)絡(luò)模型（BP）的模擬效果較好，并且都在夏秋季節(jié)有較小的誤差；而對(duì)于浦口的玻璃溫室則以BP的模擬效果最好，其次為TEMP模型，這與之前對(duì)總體情況的分析結(jié)果類似。陰雨天氣下，5種模型的平均模擬誤差分別為1.25、1.23、0.65、1.17、0.77℃（泰州），1.39、1.08、1.07、1.41、0.89℃（浦口），可以看出TEMP和BP的誤差較小。對(duì)比典型晴天和陰雨天氣下的模擬結(jié)果可以發(fā)現(xiàn)，玻璃溫室在典型陰雨天下的模擬精度與典型晴天條件下相比并無明顯差異，5種模型在晴天條件下的平均相關(guān)系數(shù)=0.93（R＞0.85）比其在陰雨天氣下的=0.89（R＞0.56）略高，這與塑料大棚的模擬結(jié)果略有不同。對(duì)比不同模型的模擬情況可知，TEMP和BP的模擬效果在晴天和陰雨天均普遍表現(xiàn)較好，但TEMP的模擬精度隨地區(qū)的變化差異較大，BP的模擬情況隨地區(qū)變化不大；WAVE的模擬精度較低且在冬季模擬情況較好。

圖4 玻璃溫室內(nèi)四季逐時(shí)平均氣溫模擬值與實(shí)測(cè)值的日內(nèi)變化

表4 五種模型對(duì)玻璃溫室內(nèi)四季逐時(shí)平均氣溫模擬精度

圖5 四季典型晴天玻璃溫室內(nèi)逐時(shí)氣溫模擬值與實(shí)測(cè)值的日內(nèi)變化

圖6 四季典型陰雨天玻璃溫室內(nèi)逐時(shí)氣溫模擬值與實(shí)測(cè)值的日內(nèi)變化

2.3 塑料大棚與玻璃溫室模擬結(jié)果的比較

與塑料大棚的模擬結(jié)果相比，玻璃溫室的模擬誤差較大，5種模型的平均均方根誤差分別增加107.7%、64.1%、69.4%、115.6%和36.3%，其中神經(jīng)網(wǎng)絡(luò)模型（BP）的誤差變化最小，說明其隨溫室類型的變化模擬差異不明顯，余弦分段函數(shù)（WAVE）和一次分段函數(shù)（SAWTOOH）誤差變化較大，說明其普適性較差，正弦?指數(shù)分段函數(shù)（TEMP）的誤差雖然變化較大，但始終維持在一個(gè)較低的水平。綜合模擬結(jié)果可知，天氣狀況對(duì)5種模型的模擬精度也有一定的影響，且對(duì)塑料大棚的影響大于對(duì)玻璃溫室。5種模型在晴天下都能更好地模擬氣溫的變化過程，但陰雨條件下的誤差較小，就對(duì)氣溫的模擬誤差而言陰雨條件下模擬情況較為理想。就典型天氣下5種模型各自的精度變化來看，TEMP模型的平均誤差最小且其變化也較?。籅P模型的精度變化最小，其模擬精度僅次于TEMP，故這兩種模型的普適性較高；WAVE、WCALC和SAWTOOTH對(duì)塑料大棚進(jìn)行模擬時(shí)模擬精度受天氣的影響較大，對(duì)玻璃溫室模擬時(shí)其精度較為穩(wěn)定。5種模型對(duì)塑料大棚的模擬精度存在一定的季節(jié)變化特征，均表現(xiàn)為在冬季誤差較大，TEMP在夏季模擬效果最好，BP在秋季模擬效果最好，WAVE在春夏季節(jié)模擬效果較好。而5種模型對(duì)玻璃溫室的模擬精度則無沒有明顯的季節(jié)變化特征，但TEMP、WAVE均在夏季模擬較為準(zhǔn)確。

表5 四季典型天氣條件下五種模型對(duì)玻璃溫室內(nèi)逐時(shí)氣溫模擬精度

3 結(jié)論與討論

利用余弦分段函數(shù)（WAVE）、正弦分段函數(shù)（WCALC）、正弦?指數(shù)分段函數(shù)（TEMP）、一次分段函數(shù)（SAWTOOH）和神經(jīng)網(wǎng)絡(luò)模型（BP）5種模型對(duì)江蘇省句容、盤城、泰州、浦口4個(gè)地區(qū)2個(gè)塑料大棚和2個(gè)玻璃溫室內(nèi)逐時(shí)氣溫進(jìn)行模擬，對(duì)模擬結(jié)果與實(shí)測(cè)值之間相關(guān)性、均方差的比較表明，5種模型均可以通過當(dāng)天的最高、最低氣溫模擬逐時(shí)氣溫變化，其中BP模擬精度較高且受溫室類型、天氣狀況和季節(jié)變化的影響較小，普適性較高；TEMP模擬效果最好，且受天氣和季節(jié)的影響較小，但其受溫室本身特性和地區(qū)的影響較大；WAVE和WCALC模擬效果相近，對(duì)塑料大棚的模擬精度均遠(yuǎn)高于玻璃溫室，SAWTOOH準(zhǔn)確度較低且誤差變化較大。

李倩等[16]所采用的諧波法和楊文剛等[13]所采用的逐步回歸法均可以較好地模擬陰雨天和多云天氣下溫室氣溫的變化，但其在晴天的擬合結(jié)果較差。本研究所使用的方法在晴天和陰雨天均有良好的擬合結(jié)果。另一方面，以往研究對(duì)溫室內(nèi)氣溫的逐時(shí)模擬主要集中在利用室外的相關(guān)參數(shù)，如氣溫、相對(duì)濕度、輻射等數(shù)據(jù)反算出溫室內(nèi)的氣溫，建立在較長(zhǎng)期的數(shù)學(xué)統(tǒng)計(jì)基礎(chǔ)上，但是對(duì)于部分地區(qū)，室外的觀測(cè)數(shù)據(jù)密集度較低，進(jìn)行多種氣象要素的密集觀測(cè)較困難，而通常情況下會(huì)采用最高最低氣溫模擬室外氣溫變化[21]，造成一定的誤差，所以這種方法也有一定的局限性。本研究使用日最高、最低氣溫模擬溫室內(nèi)逐時(shí)氣溫變化，所需要的數(shù)據(jù)量少，模擬精度較高，一定程度上可以彌補(bǔ)諧波法和逐步回歸模型的缺點(diǎn)，提高溫室氣溫模擬的精確度。

TEMP對(duì)溫室逐時(shí)氣溫的模擬誤差最?。≧MSE=0.43℃），小于Reicosky等[18]對(duì)室外氣溫日變化模擬的結(jié)果（RMSE=2.08℃），表明溫室內(nèi)氣溫變化與室外氣溫變化相比更符合正弦?指數(shù)的變化模式。晴天條件下模擬結(jié)果與實(shí)際觀測(cè)的相關(guān)性更好，陰雨天條件下較差，這是因?yàn)楸狙芯坎捎玫臄?shù)學(xué)模型沒有考慮到氣溫變化的連續(xù)性，一次連續(xù)的降溫或者連續(xù)的升溫過程通常情況下可以持續(xù)3d左右，以句容地區(qū)的溫室大棚為例，2015年全年有29d的最低溫出現(xiàn)在當(dāng)日0：00?2：00。在氣溫連續(xù)變化的情況下，利用最高、最低氣溫模擬結(jié)果的準(zhǔn)確度會(huì)受到影響。姜會(huì)飛等[20]在對(duì)室外氣溫進(jìn)行模擬時(shí)，提出了正弦分段模擬法，這種方法對(duì)室外氣溫連續(xù)變化的模擬具有較高的準(zhǔn)確度（RMSE＜0.7℃），朱業(yè)玉等[27]也提出了三段樣條法對(duì)連續(xù)躍變的室外氣溫日變化進(jìn)行模擬，也得到了較好模擬結(jié)果（RMSE＜1.31℃），這兩種方法是否可以直接應(yīng)用于溫室氣溫逐時(shí)日變化的模擬還需進(jìn)一步研究。本研究尚未考慮作物蒸騰作用對(duì)溫室內(nèi)氣溫的影響，這一點(diǎn)也需深入研究。

[1] 王琳,楊再強(qiáng),楊世瓊,等.高溫與不同空氣濕度交互對(duì)設(shè)施番茄苗生長(zhǎng)及衰老特性的影響[J].中國(guó)農(nóng)業(yè)氣象,2017,38(12):761?770.

Wang L,Yang Z Q,Yang S Q,et al.Effects of high temperature and different air humidity on growth and senescence characteristics for tomato seedlings[J].Chinese Journal of Agrometeorology,2017,38(12):761?770.(in Chinese)

[2] 楊世瓊,楊再強(qiáng),王琳,等.高溫高濕交互對(duì)設(shè)施番茄葉片光合特性的影響[J].生態(tài)學(xué)雜志,2018,37(1):57?63.

Yang S Q,Yang Z Q,Wang L,et al.Effect of high humidity and high temperature interaction on photosynthetic characteristics of greenhouse tomato crops[J].Chinese Journal of Ecology,2018,37(1):57?63.(in Chinese)

[3] Sharma P K,Tiwari G N,Sorayan V P S.Temperature distribution in different zones of the micro of a greenhouse:a dynamic model[J]. Energy Conversion & Mangagenment,1999,40:335?348.

[4] 張悅.日光溫室冬季能量分配模型建立與能量分析[D].沈陽:沈陽農(nóng)業(yè)大學(xué),2016.

Zhang Y.Numerical modeling and energy distribution analysis of solar greenhuose in winter[D].Shengyang:Shengyang Agricultural University,2016.(in Chinese)

[5] 張芳,方慧,楊其長(zhǎng),等.基于CFD模型的大跨度溫室自然通風(fēng)熱環(huán)境模擬[J].中國(guó)農(nóng)業(yè)氣象,2017,38(4):221?229.

Zhang F,Fang H,Yang Q C,et al.Ventilation simulation in a large-scale greenhouse based on CFD[J].Chinese Journal of Agrometeorology,2017,38(4): 221?229.(in Chinese)

[6] 任守綱,楊薇,王浩云,等.基于CFD的溫室氣溫時(shí)空變化預(yù)測(cè)模型及通風(fēng)調(diào)控措施[J].農(nóng)業(yè)工程學(xué)報(bào),2015,31(13):207?214.

Ren S G,Yang W,Wang H Y,et al.Prediction model on temporal and spatial variation of air temperature in greenhouse and ventilation control measures based on CFD[J].Transactions of the CSAE,2015,31(13):207?214.(in Chinese)

[7] 李石,張菁,張淑杰,等.沈陽地區(qū)日光溫室內(nèi)最低氣溫變化特征及其預(yù)報(bào)模型研究[J].氣象與環(huán)境學(xué)報(bào),2016,32(6):130?136.

Li S,Zhang J,Zhang S J,et al.Variation characteristics and forecasting models of the minimum temperature in solar greenhouse in Shenyang[J].Journal of Meteorology and Environment,2016,32(6):130?136.(in Chinese)

[8] 李瑞英,任崇勇.菏澤冬季日光溫室內(nèi)最低氣溫預(yù)測(cè)方法的對(duì)比研究[J].氣象科學(xué),2016,36(5):697?702.

Li R Y,Ren C Y.Comparative study on forecasting method of minimum temperature in solar greenhouse of Heze in winter[J].Journal of the Meteorological Sciences,2016,36(5): 697?702.(in Chinese)

[9] 李瑞英.菏澤冬季日光溫室內(nèi)氣溫預(yù)測(cè)[J].氣象科技,2015,43(3):551?556.

Li R Y.Forecasting of air temperature in solar greenhouse of Heze in winter[J].Journal of the Meteorological Sciences,2015,43(3):551?556.(in Chinese)

[10]李寧,申雙和,黎貞發(fā),等.基于主成分回歸的日光溫室內(nèi)低溫預(yù)測(cè)模型[J].中國(guó)農(nóng)業(yè)氣象,2013,34(3):306?311.

Li N,Sheng S H,Li Z F,et al.Forecast model of minimum temperature inside greenhouse based on principal component regression[J].Chinese Journal of Agrometeorology,2013,34(3):306?311.(in Chinese)

[11]李國(guó)師,王海東,楊守邦,等.日光溫室最低氣溫的預(yù)測(cè)與調(diào)控[J].中國(guó)農(nóng)業(yè)氣象,1994,15(6):26?28.

Li G S,Wang H D,Yang S B,et al.The forecast and regulation of minimum temperature in solar greenhouse[J].Chinese Journal of Agrometeorology,1994,15(6):26?28.(in Chinese)

[12]李德,張學(xué)賢,祁宦,等.宿州日光溫室內(nèi)部最高和最低氣溫的預(yù)報(bào)模型[J].中國(guó)農(nóng)業(yè)氣象,2013,34(2):170?178.

Li D,Zhang X X,Qi H,et al.Forecast model of the highest and lowest temperature in the sunlight greenhouse in Suzhou[J].Chinese Journal of Agrometeorology,2013,34(2):170?178.(in Chinese)

[13]楊文剛,孟翠麗,胡幼林,等.春季不同結(jié)構(gòu)溫室氣溫變化特征及預(yù)測(cè)模型[J].江蘇農(nóng)業(yè)科學(xué),2015,(6):386?390.

Yang W G,Meng C L,Hu Y L,et al.Variation characteristics and prediction model of greenhouse temperature in different structures in spring[J].Jiangsu Agricultural Sciences,2015,(6):386?390.(in Chinese)

[14]劉淑梅,薛慶禹,黎貞發(fā),等.基于BP神經(jīng)網(wǎng)絡(luò)的日光溫室氣溫預(yù)報(bào)模型[J].中國(guó)農(nóng)業(yè)大學(xué)學(xué)報(bào),2015,20(1):176?184.

Liu S M,Xue Q Y,Li Z F,et al.An air tenperature perdict model based on BP neural networks for solar greenhuose in North China[J].Journal of China Agricultural University,2015,20(1):176?184.(in Chinese)

[15]金志鳳,符國(guó)槐,黃海靜,等.基于BP神經(jīng)網(wǎng)絡(luò)的楊梅大棚內(nèi)氣溫預(yù)測(cè)模型研究[J].中國(guó)農(nóng)業(yè)氣象,2011,32(3): 362?367.

Jin Z F,Fu G H,Huang H J,et al.Simulation and forecast of air temperature inside the greenhouse planted myica rubra based on BP neural network[J].Chinese Journal of Agrometeorology,2011,32(3):362?367.(in Chinese)

[16]李倩,申雙和,陶蘇林,等.基于諧波法的塑料大棚內(nèi)氣溫日變化模擬[J].中國(guó)農(nóng)業(yè)氣象,2014,35(1):33?41.

Li Q,Sheng S H,Tao S L,et al.Simulation of daily air temperature inside plastic greenhouse based on harmonic method[J].Chinese Journal of Agrometeorology,2014,35(1):33?41.(in Chinese)

[17]朱佳敏,楊棟,郭建民,等.南方雙膜塑料大棚內(nèi)氣溫的諧波模擬[J].中國(guó)農(nóng)學(xué)通報(bào),2017,33(9):133?140.

Zhu J M,Yang D,Guo J M,et al.Harmonic simulation of air temperature in double membrane greenhouses in south China[J].ChineseAgricultural Science Bulletin,2017,33(9):133?140.(in Chinese)

[18]Reicosky D C,Winkelman L J,Baker J M,et al.Accuracy of hourly air temperatures calculated from daily minima and maxima[J].Agricultural and Forest Meteorology,1989,46:193?209.

[19]余衛(wèi)東,湯新海.氣溫日變化過程的模擬與訂正[J].中國(guó)農(nóng)業(yè)氣象,2009,30(1):35?40.

Yu W D,Tang X H.Simulation and modification of daily variation of air temperature[J].Chinese Journal of Agrometeorology,2009,30(1):35?40.(in Chinese)

[20]姜會(huì)飛,溫德永,李楠,等.利用正弦分段法模擬氣溫日變化[J].氣象與減災(zāi)研究,2010,33(3):61?65.

Jiang H F,Wen D Y,Li N,et al.Simulation of the daily change of temperature by sine subsection method[J].Meteorology and Disaster Reduction Research,2010,33(3):61?65.(in Chinese)

[21]徐凡,馬承偉.溫室環(huán)境分析中冬季室外氣溫日變化及數(shù)學(xué)表達(dá)[J].農(nóng)業(yè)工程學(xué)報(bào),2013,29(12):203?209.

Xu F,Ma C W.Daily change and math-expression method of outside temperature in winter for greenhouse environmental analysis[J].Transactions of the CSAE,2013,29(12):203?209.(in Chinese)

[22]吳敏,孫軍波,徐文文,等.慈溪地區(qū)日光溫室氣溫變化規(guī)律[J].農(nóng)學(xué)學(xué)報(bào),2013,3(7):30?32,56.

Wu M,Sun J B,Xu W W,et al.Change laws of air temperature in solar greenhouse in Cixi[J].Journal of Agriculture,2013,3(7):30?32,56.(in Chinese)

[23]Det W C T.Simulation of assimilation, respiration and transpiration of crops[J].Agricultural Systems,1982,9(1):74?75.

[24]Wilkerson G G,Jones J W,Boote K J,et al.Modeling soybean growth for crop management[J].Transactions of the ASAE,1983,26:63?73.

[25]Parton W J,Logan J A.A model for diurnal variation in soil and air temperature[J].Agricultural Meteorology,1981,23:205?216.

[26]Ferreira P M,Faria E A,Ruano A E.Neural network models in greenhouse air temperature prediction[J].Neurocomputing,2002,43(4):51?75.

[27]朱業(yè)玉,宋麗莉,姬興杰,等.基于分段三次樣條函數(shù)逐時(shí)氣象資料模擬方法研究[J].氣象與環(huán)境學(xué)報(bào),2017,33(2):44?52.

Zhu Y Y,Song L L,Ji X J,et al.Modeling method of hourly meterorological data based on piecewise cubic spline function[J].Journal of Meteorology and Environment,2017,33(2):44?52.(in Chinese)

Simulation Model of Hourly Air Temperature inside Glass Greenhouse and Plastic Greenhouse

WEI Ting-ting1, YANG Zai-qiang1,2, WANG Lin1, ZHAO He-li1, LI Jia-shuai1

(1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science & Technology, Nanjing 210044, China; 2. Jiangsu Provincial Key Laboratory of Agrometeorology, Nanjing 210044)

In 2014?2016, plastic greenhouses and glass greenhouses in different districts of Jiangsu Province were selected for monitoring. Cosine segmentation function, sinusoidal piecewise function, sine-exponential piecewise function, first-order function and neural network model were used to simulate inside hourly temperature in different seasons and different weather conditions (clear day and rainy day). The results showed that all five models can simulate hourly air temperature inside greenhouse through the highest and lowest temperature of the day. The neural network simulation accuracy was the higher (RMSE=0.69℃) and was less affected by the type of greenhouse, weather conditions, and seasonal changes, the universality was higher. The sinusoidal-exponential piecewise function had the best accuracy (RMSE=0.43℃) and was less affected by weather and seasons, but it was affected by the characteristics of the greenhouse itself and the region. The cosine piecewise function (RMSE=0.8℃) and the sinusoidal function (RMSE=0.78℃) had similar simulation results and was affected by the weather and region. The accuracy of a piecewise function is low (RMSE=0.90℃) and the error varies greatly. Models had higher simulation accuracy in plastic greenhouses then it in glass greenhouses. Seasonal variation of the model's simulation accuracy was different between the models and the types of greenhouse, but usually, the simulation error in spring and winter was greater than in autumn, and the error in summer was the smallest.

Plastic greenhouse;Glass greenhouse; Simulation of air temperature；Greenhouse；Daily variation of temperature

2018?03?01

。E-mail：yzq@nuist.edu.cn

國(guó)家自然科學(xué)基金面上項(xiàng)目（41775104）；江蘇省科技支撐計(jì)劃社會(huì)發(fā)展項(xiàng)目（BE2015693）；2018年度江蘇省研究生科研創(chuàng)新計(jì)劃（KYCX18_1028）

韋婷婷（1996?），女，研究方向?yàn)樵O(shè)施農(nóng)業(yè)氣象。E-mail：2843717682@qq.com

10.3969/j.issn.1000-6362.2018.10.003

韋婷婷,楊再強(qiáng),王琳,等.玻璃溫室和塑料大棚內(nèi)逐時(shí)氣溫模擬模型[J].中國(guó)農(nóng)業(yè)氣象,2018,39(10):644?655