基于機器學習的保溫被應(yīng)用性能分析

摘要：為滿足裝配式日光溫室夜間保溫需要以及研發(fā)新型溫室保溫材料，探索了機器學習在溫室環(huán)境評價方面的應(yīng)用，比較分析了駱駝絨和橡塑板為保溫芯材的兩種新型保溫被保溫性能。結(jié)果表明，高斯回歸過程和神經(jīng)網(wǎng)絡(luò)算法在溫室溫度預(yù)測方面具有良好的應(yīng)用潛力。相較于駱駝絨保溫被，橡塑板保溫被能使溫室夜間薄膜內(nèi)表面平均溫度提高0.8 ℃，最低夜間薄膜內(nèi)表面溫度平均提高0.6 ℃。對于橡塑板芯材，應(yīng)當加強防風措施管理以保證實際保溫效果。

關(guān)鍵詞：保溫被；薄膜內(nèi)表面溫度；機器學習；高斯過程回歸；神經(jīng)網(wǎng)絡(luò)算法

中圖分類號：S626" " " " "文獻標識碼：A

文章編號：0439-8114（2025）01-0162-06

DOI：10.14088/j.cnki.issn0439-8114.2025.01.026 開放科學（資源服務(wù)）標識碼（OSID）：

Performance analysis of insulation blanket application based on machine learning

ZHU Yin-bin1，2， LUO Qian-liang1，2， LEI Xi-hong3， NIU Man-li3，WANG Ping-zhi1，2，CHENG Jie-yu1，2，ZHAO Shu-mei1，2

（1. College of Water Resources and Civil Engineering， China Agricultural University， Beijing" 100083， China； 2. Key Laboratory of Agricultural Engineering in Structure and Environment， Ministry of Agriculture and Rural Affairs， Beijing" 100083， China； 3. Beijing Agricultural Technology Extension Station， Beijing" 100029， China）

Abstract： To satisfy the nighttime insulation needs of prefabricated greenhouses and to develop novel insulation materials， the use of machine learning for evaluating greenhouse environments was investigated and the insulation efficacy of two new types of blankets was compared， one with camel hair and the other with rubber-plastic board as the core material. The findings indicated that both the Gaussian process regression and neural network algorithm held promise for predicting greenhouse temperatures. Compared to the camel hair blanket， the rubber-plastic insulation blanket increased the average night-time inner film surface temperature by 0.8 ℃ and the average minimum night-time temperature by 0.6 ℃. For the rubber-plastic board material， it was necessary to implement measures to mitigate wind resistance in greenhouses to guarantee the insulation’s effectiveness.

Key words： insulation blanket； film inner surface temperature； machine learning； Gaussian regression process； neural network algorithm

日光溫室是中國北方地區(qū)冬季蔬菜越冬生產(chǎn)的主要設(shè)施，在豐富市民菜籃子、促進農(nóng)民增收方面發(fā)揮了重要作用。近年來，北京市陸續(xù)引進裝配式日光溫室用于蔬菜生產(chǎn)，但這類溫室存在蓄熱保溫能力弱等問題，因此提高其冬季生產(chǎn)過程中設(shè)施保溫能力極為關(guān)鍵。溫室圍護結(jié)構(gòu)散熱是導(dǎo)致冬季溫室熱損失的最主要因素，占溫室總熱量損失的60%以上［1-4］。研發(fā)新型、高效保溫被材料及配套技術(shù)，是提高日光溫室保溫能力的重要方向。

橡塑板材料是建筑領(lǐng)域常用的保溫材料，其具有質(zhì)輕、柔軟、防水性能好、導(dǎo)熱系數(shù)小等優(yōu)點［5］，逐步應(yīng)用于保溫被開發(fā)［6］，常用于服裝、紡織品領(lǐng)域的駱駝絨等保暖材料，因其蓬松、質(zhì)輕等特點，也應(yīng)用于保溫被生產(chǎn)中。此外，傳統(tǒng)的保溫被評價往往通過實驗室試驗［7，8］、傳統(tǒng)理論模型［9］等方法，但是溫室栽培是一個囊括了多種物理、化學及生物過程相互耦合的生產(chǎn)系統(tǒng)，難以通過定量的數(shù)學方法精確描述。隨著數(shù)據(jù)分析手段的不斷成熟，機器學習方法越來越受到科研人員的關(guān)注［10-13］。機器學習方法的特點在于利用“黑盒模型”，通過算法自行挖掘數(shù)據(jù)之間的內(nèi)在聯(lián)系而發(fā)現(xiàn)傳統(tǒng)的統(tǒng)計學無法完全總結(jié)的特征［14］。相比于傳統(tǒng)研究方法對采集數(shù)據(jù)精度要求極高的需求，機器學習方法僅要求數(shù)據(jù)在一定時間內(nèi)保持良好的穩(wěn)定性即可，對于溫室實際生產(chǎn)環(huán)境下的數(shù)據(jù)獲取而言更具有可操作性［15］。因此，本研究采用機器學習方法對以橡塑板和駱駝絨為芯材的兩種新型保溫被在日光溫室中的應(yīng)用效果進行分析，以期為實際生產(chǎn)提供借鑒與指導(dǎo)。

1 材料與方法

1.1 試驗材料

試驗于2023年2月至3月在北京市密云區(qū)凈鮮園基地（40°13′N，116°39′E）內(nèi)進行。園區(qū)裝配式日光溫室于2022年12月建成，整體呈東西走向，長" 85 m，跨度12 m，屋脊高5.8 m。溫室的屋架主要由DN20、壁厚為2.75 mm的熱鍍鋅鋼管組成，北墻和山墻采用100 mm（長）×80 mm（寬）×3 mm（厚）的矩形鋼管焊接，每面墻體采用兩層墻架，由2層棚膜、" 2層駱駝絨保溫被和2層黑氈組成，墻體外側(cè)覆蓋金屬網(wǎng)，總厚度為10 cm。溫室前屋面采用厚度0.15 mm的PO膜覆蓋。試驗選取了兩棟相鄰的裝配式日光溫室，其中一棟為14號溫室，前屋面采用駱駝絨芯材保溫被覆蓋，下文簡稱駱駝絨溫室；另一棟為15號溫室，采用橡塑板芯材保溫被，下文簡稱橡塑板溫室（圖1）。試驗期間溫室內(nèi)種植的作物均為番茄，平均高度為1.2 m，其他生產(chǎn)管理完全相同。

1.2 試驗方法

研究旨在分析和評價兩種材質(zhì)的前屋面保溫被保溫性能，因此重點關(guān)注與保溫性能相關(guān)的環(huán)境因素，主要包括室內(nèi)外空氣溫度、室外風速，前屋面薄膜表面溫度。溫度傳感器采用PT100型（精度為±0.1 ℃）且進行防輻射處理。風速傳感器的型號為RS-FSJT-I20（精度為±0.2 m/s）。溫度數(shù)據(jù)使用電阻模塊進行采集，型號為YC1002，風速數(shù)據(jù)使用電流模塊進行采集，型號為YC100。數(shù)據(jù)采集時間間隔為10 min，采集數(shù)據(jù)通過485-4G無線模塊上傳至云平臺，實現(xiàn)遠程實時采集與存儲。

沿溫室長度方向中部偏東的位置（避開中間固定保溫被影響）選擇了一個測試斷面，測點布置圖如圖2所示，在走道以外的種植區(qū)內(nèi)，沿南北方向設(shè)置了3個測試位置，每個位置在距離地面1.50 m高度處布置空氣溫度測點，標號分別是T1～T3；在溫室前屋面薄膜內(nèi)表面距離地面1.65 m高度處布置薄膜內(nèi)表面溫度測點T；在室外距離北墻1.50 m、高1.50 m處布置了1個溫度測點To和1個風速測點V。

1.3 機器學習模型的構(gòu)建

為降低不同溫室外界環(huán)境對兩種類型保溫被性能比較分析時產(chǎn)生影響，研究選取一個溫室為模型溫室，以試驗數(shù)據(jù)建立機器學習模型；另一個溫室為環(huán)境預(yù)測溫室，將相關(guān)環(huán)境參數(shù)作為數(shù)據(jù)集輸入至訓練完成的機器學習模型中，預(yù)測在環(huán)境預(yù)測溫室工況下模型溫室下的薄膜內(nèi)表面溫度，以評估兩種新型保溫被實際生產(chǎn)性能。本研究選取15號橡塑板溫室為模型溫室來構(gòu)建機器學習模型，14號溫室作為環(huán)境預(yù)測溫室。

利用MATLAB中回歸學習器，構(gòu)建多元線性回歸（Multiple linear regression）、回歸決策樹（Classification and regression tree）、支持向量機（Support vector regression）、高斯過程回歸（Gaussian process regression）、回歸樹集成（Regression tree ensembles）、神經(jīng)網(wǎng)絡(luò)算法（Neural network algorithm）等機器學習模型。隨后對數(shù)據(jù)集進行拆分，在保證不改變數(shù)據(jù)集分布的前提下，隨機選取80%的數(shù)據(jù)集樣本量作為訓練集，剩余20%的樣本量作為測試集，最后選用十折交叉驗證方法在回歸學習器中計算各機器模型的超參數(shù)，選取最優(yōu)超參數(shù)模型、使用測試集對模型進行評估。

1.4 輸入變量的構(gòu)建

保溫被通過熱輻射、對流、熱傳導(dǎo)3種方式進行傳熱，其傳熱量之間應(yīng)滿足能量平衡關(guān)系，即通過上表面的熱流量（qu）與通過保溫被的傳導(dǎo)熱流量（qc）及通過下表面的熱流量（qd）均相等：

[qu=qc=qd] （1）

常用保溫被傳熱系數(shù)（K）評價保溫被的保溫能力，可通過以下公式進行計算［16］：

[K=quti-to=Gu-Ju+qcti-to=εuσbT4u+εbT4vρu-σbT4v+αu（Tu-To）Ti-To] " （2）

其中，Gu為保溫被上表面投射輻射，W/m2；Ju為保溫被上有效輻射，W/m2；qc為保溫被上表面對流換熱，W/m2；εu為保溫被上表面發(fā)射率；σb為黑體輻射常數(shù)，W/（m2·K4）；Tu為保溫被上表面溫度，K；Tv為天空溫度，K；ρu為保溫被上表面反射率；αu為覆蓋層上表面對流換熱系數(shù)，W/（m2·℃）；To為室外氣溫，K；Ti為室內(nèi)氣溫，K。

當保溫被發(fā)射率等參數(shù)確定時，保溫被傳熱系數(shù)可由保溫被上表面溫度、室外風速、室外氣溫和室內(nèi)氣溫等參數(shù)計算獲得。假設(shè)保溫被內(nèi)部的熱傳導(dǎo)過程為一維傳熱過程，那么對于確定的保溫被而言，當熱量一定時，保溫被上、下表面溫度應(yīng)當符合一次函數(shù)關(guān)系。保溫被下表面溫度直接與保溫被的保溫性能相關(guān)，是衡量保溫被性能的重要指標。但是由于薄膜厚度較小，在分析中熱阻可以忽略，且生產(chǎn)現(xiàn)場因保溫被的動態(tài)管理，其下表面溫度難以測試，因此將薄膜內(nèi)表面溫度近似為保溫被下表面溫度，并作為模型因變量，來評價保溫被的保溫性能。熱量流失是熱流量在時間上的積累，因此自變量除了室外風速V、室外氣溫To和室內(nèi)氣溫Ti外，還需要輸入初始參數(shù)［17］，即蓋被后經(jīng)歷的時長τ、蓋被時薄膜內(nèi)表面溫度Tb、蓋被時溫室內(nèi)空氣溫度Ti，c等，輔助描述夜晚溫室的熱環(huán)境變化，以評價保溫被保溫性能。

室內(nèi)空氣溫度Ti采用T1、T2、T3 3個測點平均值，蓋被后經(jīng)歷的時長τ從蓋被時刻開始計時，蓋被時薄膜內(nèi)表面溫度Tb、蓋被時刻溫室內(nèi)空氣溫度Ti，c為蓋被時刻（τ=0）時薄膜內(nèi)表面溫度、空氣溫度，室外風速V和室外氣溫To均由測點直接測量得到。

為避免各變量量綱帶來的影響，優(yōu)化計算內(nèi)存，對變量進行標準化處理。隨后利用SPSS軟件計算變量間的皮爾遜相關(guān)性系數(shù)。多重共線性檢驗采用方差膨脹檢驗（VIF），當VIFgt;10時，則認為存在多重共線性［18，19］。

2 結(jié)果與分析

2.1 薄膜內(nèi)表面溫度相關(guān)性分析

薄膜內(nèi)表面溫度T與蓋被后的時長τ、當前室外溫度To、蓋被時薄膜內(nèi)表面溫度Tb、蓋被時溫室內(nèi)空氣溫度Ti，c、當前溫室內(nèi)溫度Ti、當前室外風速V等" "6個變量間皮爾遜相關(guān)性系數(shù)矩陣見圖3。按相關(guān)性大小排序依次是當前溫室內(nèi)溫度Ti（r=0.90，Plt;0.01）、蓋被后經(jīng)歷的時間τ（r=-0.58，Plt;0.01）、蓋被時薄膜溫度Tb（r=0.56，Plt;0.01）、當前室外溫度To（r=0.53，Plt;0.01）、蓋被時溫室內(nèi)空氣溫度Ti，c（r=0.42，Plt;0.01），而室外風速V與薄膜內(nèi)表面溫度T無顯著相關(guān)性。與薄膜內(nèi)表面溫度T具有顯著相關(guān)性的變量VIF均小于10，說明上述變量間不存在顯著多重共線性［20］，可以作為輸入變量。

當前溫室內(nèi)溫度Ti與薄膜表面溫度T呈高度正相關(guān)，是因為薄膜為室內(nèi)空間的邊界，空氣與薄膜直接接觸、夜間溫室內(nèi)空氣流速近乎為零，因此薄膜內(nèi)表面溫度相關(guān)性最高。蓋被后的時長τ與薄膜內(nèi)表面溫度呈負相關(guān)，是由于太陽輻射是溫室熱量的主要來源，蓋被后阻隔了太陽輻射的投射，溫室開始進入熱量流失狀態(tài)，且隨著蓋被后時長的增加，室外溫度逐漸降低，溫室流失的熱量逐漸增加，室內(nèi)溫度逐步減低，因此導(dǎo)致薄膜內(nèi)表面溫度也隨之降低。蓋被時薄膜內(nèi)表面溫度Tb和蓋被時溫室內(nèi)空氣溫度Ti，c反映了蓋被時溫室的初始熱環(huán)境狀態(tài)，當夜間流失相同熱量后，蓋被時溫度越高則當前薄膜內(nèi)表面溫度越高。當前室外溫度To則反映了室外環(huán)境狀況變化，當室外溫度降低時，則溫室內(nèi)熱量將會加速流失，薄膜內(nèi)表面溫度降低。當前室外風速V與薄膜內(nèi)表面溫度T相關(guān)性較弱（r=0.18lt;0.3），或許是由于風速是一個瞬時物理量，單純依靠當前時刻測量的風速無法很好地推斷其在一段時間內(nèi)對熱量流失的影響，因此在后續(xù)建模過程中考慮引入風速累積量來滿足模擬需要。

2.2 機器學習模型的構(gòu)建與評估

薄膜內(nèi)表面溫度與其余參數(shù)的相對關(guān)系在某種程度上反映了保溫被處流失的熱量在溫室夜間流失熱量中的占比情況。通過相關(guān)性分析得到5個與薄膜內(nèi)表面溫度相關(guān)的環(huán)境參數(shù)。但是溫室的熱環(huán)境與之前過程的累積影響密切相關(guān)，僅依靠某個時刻的瞬時物理量難以準確描述夜間室外環(huán)境參數(shù)的變化過程，也難以評估溫室在不同外界環(huán)境變化下的保溫性能。因此，進一步引入室外溫度積累量TA，該物理量是從保溫被覆蓋后開始計算的室外氣溫To的累積值；引入室外風速積累量VA，該物理量是蓋被后室外風速V的累積值。這兩個物理量能夠更客觀地描述夜間室外環(huán)境的變化，從而有助于模擬溫室與外界的熱量交換。

利用多元線性回歸、回歸決策樹、支持向量機、高斯過程回歸、回歸樹集成、神經(jīng)網(wǎng)絡(luò)6種等機器學習算法和7個輸入變量（即蓋被后的時長τ、當前室外溫度To、蓋被時薄膜內(nèi)表面溫度Tb、蓋被時溫室內(nèi)空氣溫度Ti，c、當前溫室內(nèi)溫度Ti、室外溫度積累量TA、室外風速積累量VA），構(gòu)建了6個可用于預(yù)測溫室薄膜內(nèi)表面溫度的機器學習模型。圖 4是6個模型在訓練集上檢測值與預(yù)測值的對比散點圖。從圖4中可以看出，多元線性回歸模型的預(yù)測值偏離檢測值較多，回歸決策樹、支持向量機、回歸樹集成模型有小部分點出現(xiàn)規(guī)律性異常，而高斯過程回歸和神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值與檢測值擬合效果最佳。

進一步使用測試集對上述機器學習模型測試集進行預(yù)測性能評估，超參數(shù)柱狀圖如圖5所示。高斯過程回歸算法（RMSE=0.155，MSE=0.024，MAE=0.075，R2=1.00）和神經(jīng)網(wǎng)絡(luò)算法（RMSE=0.158，MSE=0.025，MAE=0.107，R2=1.00）在預(yù)測性能方面上表現(xiàn)最為理想，支持向量機算法和回歸樹集成算法次之，多元線性回歸算法與回歸決策樹算法預(yù)測結(jié)果最不理想。

因此，本研究選用高斯過程回歸算法建立溫室薄膜內(nèi)表面溫度模型，用于分析環(huán)境預(yù)測溫室環(huán)境下的薄膜內(nèi)表面溫度。

2.3 薄膜內(nèi)表面溫度預(yù)測分析

在實際生產(chǎn)中，當外界環(huán)境相同時，薄膜內(nèi)表面溫度與外界溫度的差值更大，認為保溫被具有更好的保溫性能。而在冬季時，夜間室外溫度往往低于溫室內(nèi)氣溫，因此認為薄膜內(nèi)表面溫度更高時，保溫被的保溫性能更好。

將環(huán)境預(yù)測溫室（即駱駝絨溫室）的相關(guān)環(huán)境參數(shù)代入所建立的機器學習預(yù)測模型中，得到模型溫室（即橡塑板溫室）在環(huán)境預(yù)測溫室夜間工況下的薄膜內(nèi)表面溫度Tp。圖6分別是典型晴天、多云天、雪天情況下，在環(huán)境預(yù)測溫室工況下駱駝絨溫室薄膜內(nèi)表面溫度實測值T與橡塑板溫室預(yù)測值Tp。預(yù)測值與實測值變化規(guī)律類似，說明所建立的薄膜內(nèi)表面溫度預(yù)測模型能夠模擬不同日光溫室夜間環(huán)境變化，具有良好的普適性和魯棒性，能夠適應(yīng)多變的室外環(huán)境。

模擬預(yù)測采用與駱駝絨溫室相同的環(huán)境條件，等同于將駱駝絨芯材保溫被替換為橡塑板芯材保溫被，并對比預(yù)測值Tp與駱駝絨溫室的實測值T。預(yù)測的薄膜內(nèi)表面溫度平均值為11.1 ℃，與實際測試的薄膜內(nèi)表面溫度平均值（10.3 ℃）相比提高了0.8 ℃，表明當前環(huán)境及溫室條件下，橡塑板芯材保溫被的理論保溫效果優(yōu)于駱駝絨芯材保溫被，理論上更換保溫被可以將溫室前屋面的保溫能力平均提升0.8 ℃。

圖7為2023年2月3—24日期間橡塑板溫室夜間最低薄膜溫度Tmin與駱駝絨溫室預(yù)測夜間最低薄膜溫度Tp，min。從圖7可以看出，預(yù)測的夜間薄膜表面最低溫度平均值為8.6 ℃，比實際夜間薄膜內(nèi)表面最低溫度（8.0 ℃）高0.6 ℃，且有81.25%的模擬時間中預(yù)測的薄膜內(nèi)表面溫度高于實際測試溫度，可見橡塑板保溫被在改善溫室夜間熱環(huán)境方面具有較好的應(yīng)用潛力。

3 討論與結(jié)論

從預(yù)測模型角度，基于熱力學公式等方法建立的傳統(tǒng)數(shù)學模型在選擇輸入變量時往往比較固定且存在局限性。如果需要的變量難以觀測，則需要用近似、假設(shè)等手段進行替代，其結(jié)果往往會帶入系統(tǒng)誤差，與實際測量結(jié)果不符。機器學習模型輸入變量是靈活多變的，在建模前即可選取更方便測量的變量。本研究基于6種機器學習算法構(gòu)建了模型，并對模型進行了對比與評估，結(jié)果顯示，高斯回歸過程和神經(jīng)網(wǎng)絡(luò)算法的模擬與預(yù)測性能最佳（RMSE均小于0.16），且在不同環(huán)境下具有良好的普適性和魯棒性，能夠有效應(yīng)對復(fù)雜多變的室外環(huán)境。同時，該方法對室內(nèi)氣溫等變量的預(yù)測精度較高，表明該方法在溫室環(huán)境預(yù)測方面具有良好的應(yīng)用潛力。

在保溫被性能影響因素方面，溫室夜間薄膜內(nèi)表面溫度與當前溫室內(nèi)空氣溫度、蓋被后經(jīng)歷的時長、蓋被時薄膜內(nèi)表面溫度、當前室外空氣溫度以及蓋被時溫室內(nèi)空氣溫度之間存在顯著相關(guān)性。而本研究中風速對薄膜內(nèi)表面溫度影響不大，與前人研究有所差異［21］。造成差異原因主要在于：①橡塑板保溫被的導(dǎo)熱系數(shù)較小，自身熱阻相對較高，且外表面保護面層為白色抗老化PE膜、發(fā)射率較低，因此保溫被外表面與室外氣溫差異較小，進而導(dǎo)致風速變化對保溫被外表面與空氣對流換熱影響較小。②橡塑板依靠材料內(nèi)部封閉空氣泡實現(xiàn)保溫，且該保溫被幅與幅之間的連接采用橡塑芯材膠黏對接、PE膜面層搭接現(xiàn)場熱合方式［4］，該方式極大程度避免了空氣在保溫被內(nèi)部流動導(dǎo)致的熱量流失。因此，此類橡塑板保溫被的傳熱系數(shù)受風速影響不大。

在保溫被保溫性能方面，依據(jù)NY/T 1831—2009《溫室覆蓋材料保溫性測定方法》，利用溫室覆蓋材料傳熱性能測試臺［22］對兩種保溫被的保溫性（傳熱系數(shù)）進行了測定。結(jié)果顯示，橡塑板保溫被的傳熱系數(shù)僅為0.78 W/（m2·℃），相較于駱駝絨芯材保溫被，其傳熱系數(shù)降低42.2%，說明橡塑板芯材保溫被保溫性能明顯優(yōu)于駱駝絨芯材保溫被。同時，根據(jù)建模分析結(jié)果，理論上橡塑板保溫被能使夜間薄膜平均溫度升高0.8 ℃，在實際生產(chǎn)中，相比于駱駝絨保溫材料，橡塑板保溫材料應(yīng)具有更優(yōu)異的保溫性能。由于氣溫對作物的生長發(fā)育影響較大，橡塑板溫室應(yīng)該在夜間具有更高的空氣溫度。本研究實測結(jié)果顯示兩種保溫被使用下的溫室空氣溫度相差不大，其原因可能是：①兩棟試驗溫室均為柔性保溫材料墻體的裝配式日光溫室，其中15號為橡塑板保溫被溫室，位于整個園區(qū)的最北側(cè)，其后為空曠的露地，而14號駱駝絨保溫被溫室位于15號溫室南側(cè)，四周均有溫室或建筑物，15號溫室圍護結(jié)構(gòu)整體熱量損失更大，雖然使用了理論性能更為優(yōu)越的橡塑板保溫被，但是對其前屋面的保溫提升效果基本上用于平衡墻體及屋面的過多散熱影響。②相對于駱駝絨保溫被，橡塑板保溫被的整體質(zhì)量更輕，對表面防風的壓被措施更為敏感，當夜間風力增大時，保溫被可能出現(xiàn)側(cè)面灌風現(xiàn)象，影響保溫被與薄膜的貼合度，進而影響保溫性能［23］。因此，在實際生產(chǎn)中，除了要選用保溫性能優(yōu)越的材質(zhì)外，還要根據(jù)保溫被材質(zhì)特性，在相關(guān)配套技術(shù)及日常管理上進行全方位強化，才能營造良好的溫室環(huán)境。

參考文獻：

［1］ NAHAR N M，MARSHALL R H，BRINKWORTH B J. Investigations of flat plate collectors using transparent insulation materials［J］. International journal of solar energy，1995，17（2-3）：117-134.

［2］ GARZOLI K， BLACKWELL J. An analysis of the nocturnal heat loss from a single skin plastic greenhouse［J］. Journal of agricultural engineering research， 1981， 26：203-214.

［3］ 陳端生， 鄭海山， 劉步洲. 日光溫室氣象環(huán)境綜合研究Ⅰ.墻體、覆蓋物熱效應(yīng)研究初報［J］. 農(nóng)業(yè)工程學報， 1990，6（2）： 77-81.

［4］ 周長吉， 高賀昌， 李 艷， 等. 周博士考察拾零（一百二十七）" 一種自防水無拼縫橡塑保溫被圍護的主動儲放熱組裝結(jié)構(gòu)日光溫室——記北京華美沃龍農(nóng)業(yè)科技有限公司的創(chuàng)新［J］. 農(nóng)業(yè)工程技術(shù)， 2022，42（10）： 36-45.

［5］ 劉河敬， 席時春. 新型保溫材料——橡塑海綿在海洋石油平臺及FPSO上的應(yīng)用［J］. 中國造船， 2007， 48（S）：151-154.

［6］ 馬承偉， 王平智， 趙淑梅， 等. 日光溫室保溫被材料及保溫性能評價［J］. 農(nóng)業(yè)工程技術(shù)， 2018，38（31）： 12-16.

［7］ 張俊芳， 馬承偉， 覃密道， 等. 溫室覆蓋材料傳熱系數(shù)測試臺的研究開發(fā)［J］. 農(nóng)業(yè)工程學報， 2005（11）： 149-153.

［8］ 劉晨霞， 馬承偉， 張錫玉. 山東壽光代表性保溫被保溫性能測試分析［J］. 綠色科技， 2019（24）： 232-235.

［9］ 劉晨霞. 日光溫室保溫被傳熱模型的建立及保溫性影響因素分析［D］. 北京：中國農(nóng)業(yè)大學， 2015.

［10］ WANG D C， WANG M H， QIAO X J. Support vector machines regression and modeling of greenhouse environment［J］. Computers and electronics in agriculture， 2009，66（1）： 46-52.

［11］ ESCAMILLA-GARCIA A，SOTO-ZARAZUA G M， TOLEDANO-AYALA M， et al. Applications of artificial neural networks in greenhouse technology and overview for smart agriculture development［J］. Applied sciences-basel， 2020，10（11）：3835.

［12］ 宗成驥， 王建玉， 宋衛(wèi)堂， 等. 基于天氣預(yù)報的日光溫室夜間逐時氣溫預(yù)測模型構(gòu)建［J］. 農(nóng)業(yè)工程學報， 2022，38（S1）： 218-225.

［13］ LIU Y， LI D， WAN S， et al. A long short-term memory-based model for greenhouse climate prediction［J］. International journal of intelligent systems， 2021（1）：135-151.

［14］ GREENER J G， KANDATHIL S M， MOFFAT L， et al. A guide to machine learning for biologists［J］. Nature reviews molecular cell biology， 2022，23（1）： 40-55.

［15］ 鄭佳運. 模塊化植物工廠內(nèi)環(huán)境智能控制模型研究與系統(tǒng)設(shè)計［D］. 陜西楊凌：西北農(nóng)林科技大學， 2023.

［16］ 劉晨霞， 馬承偉， 王平智， 等. 日光溫室保溫被傳熱的理論解析及驗證［J］. 農(nóng)業(yè)工程學報， 2015，31（2）： 170-176.

［17］ 張軍華， 陳丹艷， 張仲雄， 等. 多因子約束的卷簾機揭蓋被決策方法與控制系統(tǒng)研究［J］. 農(nóng)業(yè)機械學報， 2022，53（9）： 354-364.

［18］ SNEE R. Regression diagnostics： Identifying influential data and sources of collinearity［J］. Journal of quality technology，1983，" " 15（3）：149-153.

［19］ CHAN J Y， LEOW S M， BEA K T， et al. Mitigating the multicollinearity problem and its machine learning approach： A review［J］. Mathematics， 2022， 10（8）：1-17.

［20］ WEISBERG S. Applied linear regression［M］. Wiley， 2013.368.

［21］ 劉晨霞， 馬承偉， 王平智， 等. 日光溫室保溫被保溫性能影響因素的分析［J］. 農(nóng)業(yè)工程學報， 2015，31（20）： 186-193.

［22］ 張俊芳， 馬承偉， 覃密道， 等. 溫室覆蓋材料傳熱系數(shù)測試臺的研究開發(fā)［J］. 農(nóng)業(yè)工程學報， 2005（11）： 149-153.

［23］ 馬承偉， 苗香雯. 農(nóng)業(yè)生物環(huán)境工程［M］. 北京：中國農(nóng)業(yè)出版社， 2005.