玻璃温室和塑料大棚内逐时气温模拟模型.pdf
<p>中国农业气象（ Chinese Journal of Agrometeorology） 2018年 doi:10.3969/j.issn.1000-6362.2018.10.003 韦婷婷 ,杨再强 ,王琳 ,等 .玻璃温室和塑料大棚内逐时气温模拟模型 J.中国农业气象 ,2018,39(10):644655 玻璃温室和塑料大棚内逐时气温模拟模型 * 1韦婷婷 1 ，杨再强 1,2* ，王 琳 1 ，赵和丽 1 ，李佳帅 1（ 1南京信息工程大学气象灾害预报预警与评估协同创新中心，南京 210044； 2江苏省农业气象重点实验室，南京 210044） 摘要： 20142016年在江苏省不同地区选择塑料大棚和玻璃温室进行设施内气温监测，基于设施内日最高和 最低气温，采用余弦分段函数、正弦分段函数、正弦 指数分段函数、一次分段函数和神经网络模型分别模 拟不同季节和不同天气状况（晴天和阴雨天）下的逐时气温日变化，探究利用室内最高和最低气温模拟计算 逐时气温的方法，以及设施内逐时气温日变化规律。结果表明： 5种模型均可通过当日最高、最低气温模拟 逐时气温变化，其中神经网络模拟精度较高（ RMSE=0.69） ，并且受温室类型、天气状况和季节变化的影 响较小，普适性较高；正弦 指数分段函数模拟效果最好（ RMSE=0.43） ，且受天气和季节的影响较小，但 其受温室本身特性和地区的影响较大；余弦分段函数（ RMSE=0.85）和正弦分段函数（ RMSE=0.78）模 拟效果相近，且受天气和地区的影响；一次分段函数准确度较低（ RMSE=0.90）且误差变化较大。各方法 对塑料大棚内逐时气温的模拟精度均高于玻璃温室。模 型模拟精度的季节变化因模型和温室类型有一定差 异，但通常情况下，春季和冬季的模拟误差大于秋季，夏季误差最小。 关键词： 塑料大棚；玻璃温室；温度模拟；温室；气温日变化 Simulation Model of Hourly Air Temperature inside Glass Greenhouse and Plastic Greenhouse WEI Ting-ting 1 , YANG Zai-qiang 1,2 , WANG Lin 1 , ZHAO He-li 1 , LI Jia-shuai 1(1. Collaborative Innovation Center on Forecast and Evaluation of Meteorological Disasters, Nanjing University of Information Science 2. Jiangsu Provincial Key Laboratory of Agrometeorology, Nanjing 210044) Abstract: In 20142016, 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 *收稿日期： 20180301 * 通讯作者。 E-mail： yzqnuist.edu.cn 基金项目：国家自然科学基金面上项目（ 41775104）；江苏省科技支撑计划社会发展项目（ BE2015693）； 2018年度江苏 省研究生科研创新计划（ KYCX18_1028） 作者简介：韦婷婷（ 1996），女，研究方向为设施农业气象。 E-mail： 2843717682qq.com 第 10期 韦婷婷等：玻璃温室和塑料大棚内逐时气温模拟模型 ·645· was greater than in autumn, and the error in summer was the smallest. Key words: Plastic greenhouse;Glass greenhouse; Simulation of air temperature； Greenhouse； Daily variation of temperature 在中国南方地区，塑料大棚和玻璃温室已经在 蔬菜和水果种植中得到广泛应用。温室内气温的变 化不仅关系到室内作物的生长发育以及产量形成， 对果实的品质也有重要影响。故研究温室内气温的 变化对调节温室环境，防御相关气象灾害有一定帮 助， 同时也可以为人工气候箱试验的动态气温设置 12 提供理论依据。 近年来，不少学者通过物理模型和统计模型对 温室气温的日变化进行了模拟。物理方法主要包括 能量平衡方法 34 和流体动力学方法 56 ， 这些方法具 有很强的机理性，可释度高，但是需要大量的相关 参数作支持，通常情况下，所需参数的值难以准确 计算，导致模拟过程复杂，结果出现误差。同时， 也有大量学者尝试利用统计模型通过室外气象要素 对温室气温进行预测，主要集中在对温室最高、最 低气温的预测 712 。 杨文刚等 13 研究了春季不同类型 温室气温的回归预测方程。 刘淑梅等 1415 运 用 BP神 经网络的方法分别 建立 了对日 光 温室和塑料大棚内 气温的预测模型。 李倩 等 1617 对南方地区 单栋 塑料 大棚和 双膜 塑料大棚内气温进行了 谐波 模拟，得到 了较好的结果。但在模拟计算室内逐时气温时，通 常要 求 有长期的室外逐时气象数据作为支持，这对 大 部 分温室 而言 是一 个 难 点 。 对于室外气温， Reicosky 等 18 提出并 总 结了用 最高、最低气温模拟室外逐时气温的方法，并得到 广泛应用。余 卫东 等 19 运 用正弦 指数分段函数对室 外气温的日变化进行了模拟。 姜会飞 等 20 应用正弦 分段法对气温的日变化进行了模拟。 徐凡 等 21 也 使 用了数学方法对温室外的气温日变化进行了模拟， 得到 华北 地区室外气温的 转 化系数。有研究表明温 室内气温变化 与 室外气温变化 总 体 上 一致 22 ，但是 在冬季可能 会 出现 延迟 。所以适用于模拟室外逐时 气温的方法对温室内气温可能也同 样 适用，但是 目 前 并 没 有相关研究 证 明这一 点 。 本研究 使 用余弦分段函数（ WAV E） 、正弦分段 函数（ WCALC） 、正弦 指数分段函数（ TEMP） 、一 次分段函数（ SAWTOOTH）以及近年来常用的 BP 神经网络预测模型模拟了江苏地区常 见 温室类型 （塑料大棚和玻璃温室）在不同季节、不同天气 条件 下的气温逐时变化，并对模型的精度进行 比 较，拟 在 证 明在不同天气和温室类型下利用设施内日最 高、最低气温模拟气温动态变化的可行性，并且分 析 不同模型在不同 条件 下的模拟特 点 ，以选 取 普适 性较高的模型。 1 材料与方法 1.1 研究区域和资料获取 选 取 江苏省 句容 、 泰州 、南 京 3个 地区的 2栋 塑料大棚和 2栋 玻璃温室（表 1），于 20142016年 在各温室内 距 地 面 1.5m处架 设 CR-3000数据采集 器 （ 美 国） ， 观 测要素包括气温、相对 湿 度、日 照 时数、 太阳总辐射 ，数据采集 频率 为 每 10s一次， 存储每 小 时的平均值。以 3月 1日 5月 31日为春季， 6月 1 日 8月 31日为夏季， 9月 1日 11月 30日为秋季， 12月 1日 翌 年 2月 28日为冬季，在 每个 季节 根 据 日 照百 分 率 以及室外 降 水情况选 取 一 个典 型晴天和 典 型阴雨天进行模拟，其中 典 型晴天日 照百 分 率超 过 90%且 无降 水，阴雨天气日 照百 分 率 低于 10%或 有 降 水。 表 1 研究地点概况 Table 1 Overview of the study greenhouses 温室类型 Greenhouse type 地区 Area 经纬度 Longitide and latitude 温室高度 Hight（ m） 温室跨度 Span（ m） 作物 Crop 观测时间 Observe time（ yyyy.mm.dd） 句容 Jurong 119.85°E，31.89°N 3.5 11.0 葡萄Grape 2015.01.012017.02.28 塑料大棚 Plastic 盘城 Pancheng 118.67°E，32.21°N 3.5 11.0 葡萄Grape 2015.01.012017.02.28 泰州 Taizhou 120.26°E，32.02°N 4.5 25.0 葡萄， 甜椒 Grape，pimento 2014.01.012016.02.28 玻璃温室 Glassed 浦口 Pukou 118.71°E，32.21°N 4.5 25.0 葡萄，番茄 Grape， tomato 2015.01.012017.02.28 中 国 农 业 气 象 第 39卷 ·646· 1.2 模拟方法及相关参数的计算 1.2.1 余弦分段函数（ WAV E） 该 方法 认 为气温的日变化是关于最高、最低气 温和时 间 的余弦函数，且 认 为当日最低气温出现在 日出 前后 ，最高气温出现在 午后 ， 只 需 输入 当日最 高、最低气温， 即 可模拟其逐时变化过程 18， 23 。 1.2.2 正弦分段函数（ WCALC） 该 方法需要 连续 3d的最高、最低气温作为 输入 值，可以模拟出中 间 一天的逐时气温， 它将 一天分 为 3段， 认 为 午夜至 日出 后 2h气温逐 渐呈线 性 降 低， 日出 后 2h至 日 落 时 刻 气温的变化可以用一 个 正弦函 数表 示 ，日 落后至午夜 气温 呈线 性 降 低 2425 。日出时 间 和日 落 时 间由 测 点 经 纬 度计算得到，为 便 于计算逐 时气温， 认 为江苏地区春夏季节日出时 间 为 6： 00， 日 落 时 间 为 19： 00；秋冬季节日出时 间 为 7： 00， 日 落 时 间 为 18： 00。 1.2.3 正弦 指数分段函数（ TEMP） 此 方法 认 为日出时 日 落 时，气温 按 正弦 曲线 变 化，日 落后 气温 按 指数 曲线减 小 18,20,25 。日 落 时 间 和 日出时 间 的确定方法 与 正弦分段函数法相同。 1.2.4 一次分段函数（ SAWTOOTH） 该 方法 认 为气温的日变化是 直线递增 （ 递减 ） 的， 呈锯齿 状 波 动，用 3个 一次函数 即 可模拟 18 。 对 观 测 样 本进行统计 后 ， 认 为春秋季节最低温出现 在 6： 00，最高温出现在 15： 00，夏季最低温出现的 时 间 提 前 1h，冬季 则延后 1h，最高温出现时 间 不变。 1.2.5 神经网络法（ BP） 将观 测期 间 第一年的室内气温数据作为 建 模数 据， 每个 季节 随 机选 取 77d逐时气温数据作为 训练 样 本，经过归一化 处 理 后 ， 隐含层 中设置最高、最 低气温和时 刻 3个 节 点 ， 隐含层 和 输 出 层传递 函数 采用 S型对数函数 Logsig 26 ， 之后 用 剩 余 15d的逐 时气温数据作为 检 验 样 本，以提高模型精度。神经 网络的相关参数分别设置为： 初始 学 习速率 为 0.1， 惯 量因 子 为 0.9，最大 迭代 次数为 1000次， 目标 误 差为 0.00004。神经网络模型采用 Matlab2016a软件 通过 编 程实现。在模型 使 用过程中， 只 需要 输入 当天 的最高、最低气温 就 可以模拟 任意 时 刻 的室内气温。 1.3 模拟结果检验参数 相关系数（ 皮尔逊 相关系数 R）是衡量 两组 数据 之间线 性相关程度的量， R越趋 近于 1， 则 表 示 模拟 结果 与 实测值相关性 越 好，结果 越 精确。均方 根 误 差（ Root Mean Square Error， RMSE）可以 反 应误差 的 离散 程度， RMSE越 小表 示 模拟效果 越 好。平均 偏 差 （ Mean Bias Error， MBE） 主要 考虑 了误差的正 负 ， 可以 反映 模型高 估或 低 估 了实 际 情况， MBE越接 近 0，模拟效果 越 好。相应计算 式 为 24 ii i1 24 24 22 ii i1 i1 (T T)(T T) R (T T) (T T) = = = （ 1） 24 2 ii i=1 RMSE= (T T) /24 （ 2） 24 2 ii i=1 MBE= (T T) /24 （ 3） 式 中， i表 示 1d内的第 i个 时 刻 （ 1 i 24）， T i 表 示 第 i时 刻 温室内气温的实 际观 测值， T表 示 温室 内 1d实 际 气温的平均值， i T表 示 第 i时 刻 温室内气温 的模拟值， T表 示 1d内温室气温模拟结果的平均值。 2 结果与分析 2.1 塑料大棚室内逐时气温变化过程模拟结果比较 2.1.1 各季节模拟结果的 比 较 在 句容 和 盘城 地区， 基于 2016年逐日 观 测数据， 分别利用 5种模型模拟塑料大棚温室内逐时气温的 变化过程， 每 日同一时 刻 室内气温平均 后 得到各季 节逐时气温的变化过程， 与 相应实测数据的平均值 进行对 比 ，结果 见图 1。 由图 可 见 ， 5种模型模拟的 逐时气温变化过程 与 实测数据分 布 特 点 基本一致， 均表现为 0： 009： 00逐 渐降 低， 9： 0015： 00快 速升 高， 15： 0024： 00逐 渐降 低的过程， 只 是各模 型 曲线与 实测 曲线 的拟 合 程度 略 有不同。表 2为 5 种模型对塑料大棚内 四 季逐时平均气温模拟精度。 为 便 于 比 较模型 总 体误差，计算 句容 地区 5种模型 全 年的平均模拟误差（ 忽略 季节影响， 取四 季平均 值， 后 同）分别为 0.86、 0.78、 0.31、 0.92和 0.76 （分别对应余弦分段函数 WAV E、正弦分段函数 WCALC、正弦 指数分段函数 TEMP、一次分段函 数 SAWTOOH 和神经网络模型 BP，下同） ，其中 TEMP模拟效果最好，夏季误差最小，且其平均 偏 差 （ MBE）为 负 值，表明预测结果 略 高于实 际 气温； BP 的模拟效果在 整 体 上 仅次于 TEMP模型，但其在不 同季节模拟效果差异较大，在夏季模拟效果最差， 秋季模拟效果较好，预测结果也 稍 高于实 际 气温； WCALC的模拟精度较高，其 随 季节变化并不明 显 ， 第 10期 韦婷婷等：玻璃温室和塑料大棚内逐时气温模拟模型 ·647· 其 MBE较低，且通常为正值， 即 模拟结果 稍 低于实 际 气温； WAV E 的模拟效果一 般 ，在春夏季 稍 好， MBE也为 负 值，且在夏季 绝 对值最小； SAWTOOH 的模拟效果较差，特别是在春季和冬季。对于 盘城 地区， 5种模型 全 年的平均误差分别为 0.24、 0.41、 0.34、 0.22和 0.40， 与句容 地区相 比 ， 盘城 塑料大 棚的模拟结果 更 好一些，并且不同模型的精度提高 程度也不同，但各模型模拟结果的 MBE的特 点 并 未 改 变。 SAWTOOH 对 盘城 地区的模拟效果最好， 与 句容 地区相 比 误差 减 小了 76.1%， 模型在 4个 季节均 有 良 好的模拟精度，特别是在夏季； WAV E 的模拟 精度也有较大提高，误差 减 少了 72.1%，在春夏季节 的模拟情况好于秋冬季节； TEMP模型的模拟情况 与 句容 地区相 似 ，误差较小且在夏季误差最小； BP模 型的误差也 减 少了 47.3%，同 样 在秋季的模拟效果最 好； WCALC函数的模拟误差 与 BP模型相近， 与句 容 地区相 比 ，误差 减 少了 47.4%，且在冬春季节的误 差较大。 综上 ， 5种模型均可 根 据日最高、最低气温模拟 塑料大棚内气温的逐时日变化， 5种模型的平均误差 分别为 0.55、 0.59、 0.32、 0.57、 0.58。对于不同 的塑料大棚， TEMP模型 都 有较 良 好的拟 合 效果，预 测结果 稍 高于实 际 气温； SAWTOOH和 WAV E对不 同塑料大棚的模拟效果差异较大，预测结果高于实 际 气温； WCALC和 BP对不同塑料大棚的模拟效果 有一定差异，并且 WCALC的模拟结果 略 低于实 际 气温， BP则 高 估 实 际 气温。 从 季节变化 而言 ， 5种 模型的拟 合 效果在冬季 都 要 稍 差一些， TEMP在夏季 模拟效果最好， BP在秋季模拟效果最好， WAV E在 春夏季节模拟效果较好， WCALC和 SAWTOOH则 无 季节差异。 2.1.2 各季节 典 型日模拟结果的 比 较 在 句容 和 盘城 地区， 每 各季节选 取 一 个典 型晴 天和 典 型阴雨天，分别利用 5种模型模拟 每 日塑料 大棚温室内逐时气温的变化过程， 与 相应实测数据 进行对 比 ，结果 见图 2、 图 3。 由图 中可 见 ， 典 型晴 天和阴雨天的气温变化 趋势 相 似 ， 只 是 由 于晴天和 阴雨天 云 量的不同，阴雨天 云 量 多 ，大气 保 温效果 好，故晴天和阴雨天气温变化 幅 度也不一 样 ，阴雨 天的气温通常低于晴天，但 全 天气温较 稳 定， 波 动 不明 显 。晴天 条件 下， 句容 地区 5种模型的平均模 拟误差（ 忽略 季节影响， 取四 季平均 RMSE）分别为 1.56、 1.55、 0.99、 1.48和 0.95， 盘城 地区分别为 0.42、 0.67、 0.45、 0.64 和 0.62， 从 均方 根 误差 （ RMSE）来 看 ， 典 型晴天下不同塑料大棚的模拟情 况 与 各季节的 总 体情况相 似 ， 从个 体的 角 度 再 次 证 明了 之前 的结论。 典 型阴雨天 条件 下， 句容 地区 5种 图 1 塑料大棚内四季逐时平均气温模拟值与实测值的日内变化 Fig. 1 Daily variation of the simulated by five models and observed values of the average hourly temperature in the four seasons inside the plastic greenhouse 中 国 农 业 气 象 第 39卷 ·648· 表 2 五种模型对塑料大棚内四季逐时平均气温的模拟精度 Table 2 Simulation accuracy of five models for seasonal average hourly temperature in the plastic greenhouse 春 Spring 夏 Summer 秋 Autumn 冬 Winter 地区 Area 模型 Model R RMSE （ ） MBE （ ） R RMSE （ ） MBE （ ） R RMSE （ ） MBE （ ） R RMSE （ ） MBE （ ） WAVE 0.96 0.72 0.30 0.92 0.85 0.16 0.87 1.00 0.35 0.95 0.87 0.39 WCALC 0.96 0.61 0.02 0.92 0.86 0.15 0.88 0.87 0.02 0.95 0.78 0.06 TEMP 0.99 0.33 0.21 0.99 0.21 0.11 0.99 0.33 0.16 0.99 0.35 0.20 SAWTOOH 0.92 0.96 0.30 0.93 0.84 0.16 0.93 0.80 0.35 0.91 1.07 0.39 句容 Jurong BP 0.97 0.77 0.46 0.96 1.07 0.38 0.99 0.47 0.13 0.98 0.76 0.29 WAVE 0.99 0.21 0.09 0.97 0.16 0.02 0.98 0.26 0.18 0.97 0.33 0.14 WCALC 0.92 0.46 0.09 0.87 0.35 0.08 0.95 0.28 0.04 0.88 0.53 0.12 TEMP 0.97 0.32 0.09 0.95 0.21 0.05 0.95 0.32 0.12 0.90 0.51 0.19 SAWTOOH 0.99 0.21 0.09 0.99 0.14 0.02 0.98 0.26 0.18 0.99 0.25 0.14 盘城 Pancheng BP 0.98 0.41 0.14 0.82 0.40 0.06 0.95 0.34 0.17 0.93 0.43 0.00 模型的平均均方 根 误差分别为 0.80、 0.79、 0.66、 0.86 和 0.89， 盘城 地区分别为 0.21、 0.28、 0.26、 0.19 和 0.28。可以 看 出， 典 型阴雨天的模拟精度 与典 型 晴天相 比 有明 显 的提高，但其相关系数（ R）较低， 晴天 条件 下， 5种模型模拟结果 与 实测值 之间 平均相 关系数 =0.95且 R 0.88， 即 模型可以较好地 描述 气温 上升 和下 降 时的变化 趋势 ， 而 阴雨天 条件 下模拟结果 与 实测值 之间 =0.85且 R 0.53，表明模型 虽然 可以较 准确地模拟逐时气温，但是对气温的变化情况 描述 不 够细 致。对 比 不同模型在 典 型晴天和 典 型阴雨天下的 模拟情况可 知 ，正弦 指数分段函数（ TEMP）在晴天 和阴雨天气中 都 有较好的模拟结果，在春夏季节和阴 雨天 条件 下误差较小；神经网络模型（ BP）的模拟效 果在晴天时仅次于 TEMP，但在阴雨天时的模拟误差 则无显著减 小，受天气情况的影响较小；余弦分段函 数（ WAV E） 、正弦分段函数（ WCALC）和一次分段 函数（ SAWTOOH）在阴雨天的模拟效果明 显 好于晴 天时， 说 明其受天气和塑料大棚本身的影响较大。 图 2 四季典型晴天塑料大棚内逐时气温模拟值与实测值的日内变化 Fig. 2 Variation of the simulated by five models and observed values of hourly temperature on a sunny day in four seasons inside the plastic greenhouse 第 10期 韦婷婷等：玻璃温室和塑料大棚内逐时气温模拟模型 ·649·图 3 四季典型阴雨天塑料大棚内逐时气温模拟值与实测值的日内变化 Fig. 3 Variation of the simulated by five models and observed values of hourly temperature on a rainy day in four seasons inside the plastic greenhouse 表 3 四季典型天气条件五种模型对塑料大棚内逐时气温模拟精度 Table 3 Simulation accuracy of five models for seasonal average hourly temperature in the plastic greenhouse on the typical weather days 春 Spring 夏 Summer 秋 Autumn 冬 Winter 地区 Area 模型 Model R RMS E（ ） MBE （ ） R RMSE （ ） MBE （ ） R RMSE （ ） MBE （ ） R RMSE （ ） MBE （ ） 晴天 Sunny day WAVE 0.97 1.13 0.33 0.94 1.21 0.29 0.88 2.66 1.06 0.98 1.22 0.56 WCALC 0.95 1.58 0.93 0.92 1.28 0.15 0.89 2.23 0.01 0.97 1.12 0.47 TEMP 0.95 1.38 0.55 0.99 0.47 0.24 0.98 1.00 0.43 0.97 1.10 0.21 SAWTOOH 0.97 1.06 0.32 0.94 1.13 0.29 0.93 2.16 1.06 0.95 1.56 0.56 句容 Jurong BP 0.98 0.99 0.49 0.99 0.56 0.10 0.98 1.43 0.84 0.99 0.81 0.00 WAVE 0.98 0.97 0.56 0.98 0.26 0.03 0.99 0.16 0.03 0.98 0.28 0.05 WCALC 0.95 1.25 0.01 0.90 0.56 0.14 0.92 0.48 0.22 0.96 0.40 0.23 TEMP 0.98 0.91 0.46 0.97 0.30 0.06 0.96 0.30 0.00 0.97 0.30 0.10 SAWTOOH 0.95 1.45 0.56 0.96 0.42 0.03 0.96 0.33 0.03 0.96 0.34 0.05 盘城 Pancheng BP 0.99 0.75 0.12 0.74 0.86 0.24 0.95 0.43 0.10 0.93 0.43 0.10 阴雨天 Rainy day WAVE 0.88 0.73 0.19 0.88 0.87 0.67 0.95 0.56 0.05 0.95 1.02 0.37 WCALC 0.87 0.67 0.05 0.92 0.61 0.42 0.95 0.71 0.44 0.92 1.15 0.23 TEMP 0.95 0.53 0.09 0.90 0.73 0.52 0.90 0.74 0.01 0.98 0.64 0.25 SAWTOOH 0.86 0.65 0.19 0.88 0.84 0.67 0.91 0.64 0.05 0.91 1.29 0.37 句容 Jurong BP 0.85 0.68 0.27 0.65 0.90 0.35 0.78 1.04 0.33 0.96 0.95 0.28 WAVE 0.93 0.33 0.10 0.71 0.17 0.03 0.99 0.05 0.02 0.62 0.30 0.05 WCALC 0.81 0.48 0.02 0.59 0.19 0.00 0.94 0.22 0.11 0.69 0.24 0.02 TEMP 0.89 0.39 0.12 0.70 0.17 0.04 0.95 0.17 0.00 0.53 0.31 0.03 SAWTOOH 0.97 0.23 0.10 0.78 0.14 0.03 0.98 0.13 0.02 0.65 0.26 0.05 盘城 Pancheng BP 0.89 0.44 0.15 0.86 0.25 0.15 0.860.30 0.11 0.94 0.14 0.03 中 国 农 业 气 象 第 39卷 ·650· 2.2 玻璃温室内逐时气温变化过程模拟结果比较 2.2.1 各季节模拟结果的 比 较 泰州 和 浦口 地区玻璃温室各季模拟结果 比 较 见 图 4。 由图 可 见 ，玻璃温室内的气温变化 与 塑料大棚 内变化 趋势 一致， 5种模型模拟的逐时气温变化过程 与 实测数据分 布 特 点 基本一致。表 4为 5种模型对 玻璃温室内 四 季逐时平均气温模拟精度的 比 较。对 于 泰州 地区， 5 种模型 全 年平均模拟误差分别为 1.24、 1.06、 0.37、 1.29和 0.81，其中正弦 指数分 段函数（ TEMP）和神经网络模型（ BP）的模拟结果 明 显 好于其 它 模型，并且 都 在春夏季节模拟较准确， 但 从 平均 偏 差（ MBE）来 看 ， TEMP 的模拟结果高 于实测值， 而 BP的 MBE则无 明 显 规律；其次，正 弦分段函数（ WCALC）的模拟效果仅次于 TEMP和 BP，其模拟精度 随 季节的变化差异不明 显 ，预测结 果低于实测值；余弦分段函数（ WAV E）在春夏季节 较精确，预测结果高于实 际 气温；一次分段函数 （ SAWTOOH）的模拟结果较差且高于实 际 气温。 浦 口 地区 全 年平均误差分别为 1.05、 0.88、 0.72、 1.15 和 0.78，对 比 可 知 ， TEMP的均方 根 误差 与泰州 地 区相 比增加 了 95%，但其模拟效果依 旧 好于其 它 模 型，但 此 时其在秋冬季节的模拟精度较高； BP模型 的模拟结果地区 间 差异并不明 显 ，但其也表现为在 秋冬季节的模拟效果较好； WCALC模型的模拟误差 相 比泰州 地区 减 少了 17%，并且在秋季误差较小； WAV E和 SAWTOOH的模拟误差相近，均 稍 高于实 际 气温并且在夏季误差最小。 综上 可 知 ， 5种模型均可 根 据日最高、最低气温 模拟玻璃温室内气温的逐时日变化， 5种模型的平均 误差分别为 1.14、 0.97、 0.55、 1.22、 0.79。对 比 可 知 ， TEMP模型和 BP在模拟精度 上 具有明 显优势 ， 且其季节变化特 征 在不同的玻璃温室也表现不一； WCALC的模拟效果较好， 与 其 它 模型不同的是其模 拟结果通常 稍 低于实测值； WAV E和 SAWTOOH的 模拟精度较低，且 都 在夏季模拟效果最好。 2.2.2 各季节 典 型日模拟结果 比 较 在 泰州 和 浦口 地区， 每个 季节选 取 一 个典 型晴 天和 典 型阴雨天，分别利用 5种模型计算 每 日玻璃 温室内逐时气温， 与 相应实测数据进行对 比 ，结果 如图 5、 图 6所 示 。 由图 可 见 ，玻璃温室内的气温分 布 也 符合 下 降 快速上升 快速 下 降 的基本规律， 并且晴天和阴雨天的气温分 布 也 与 塑料大棚类 似 ， 5 种模型模拟的逐时气温变化过程 与 实测数据分 布 特 点 基本一致。表 5为 5种模型对玻璃温室内 四 季 典 型 图 4 玻璃温室内四季逐时平均气温模拟值与实测值的日内变化 Fig. 4 Daily variation of the simulated by five models and observed values of the seasonal average of hourly temperature inside the glass greenhouse 第 10期 韦婷婷等：玻璃温室和塑料大棚内逐时气温模拟模型 ·651· 表 4 五种模型对玻璃温室内四季逐时平均气温模拟精度 Table 4 Simulation accuracy of five models for seasonal average hourly temperature in the glass greenhouses 春 Spring 夏 Summer 秋 Autumn 冬 Winter 地区 Area 模型 Model R RMSE （ ） MBE （ ） R RMSE （ ） MBE （ ） R RMSE （ ） MBE</p>
个人主页