基于逐步回归与BP神经网络的日光温室温湿度预测模型对比分析_温永菁.pdf

中国农学通报 2018ChineseAgricultural Science Bulletin2018,34(16):115-125基于逐步回归与BP神经网络的日光温室温湿度预测模型对比分析温永菁1,2，李 春2，薛庆禹2，董朝阳2，黎贞发2，李秀芬1，陈思宁2（1沈阳农业大学，沈阳110866；2天津市气候中心，天津300074）摘 要：为构建较准确的日光温室温湿度预测模型，于20112014年冬季（1月、2月、12月）在天津市宝坻区开展温室内外环境监测试验，并建立3种天气类型（晴、多云、阴）下3个时段（08时、817时、1723时）逐步回归与BP神经网络温室内温湿度预测模型。结果表明；（1）温室内气温逐步回归模型9种情况下模拟值与实际值的绝对误差小于3的平均准确率(3)为88%，平均均方根误差(RMSE)为2；BP神经网络模型9种情况下模拟值与实际值的绝对误差小于3的平均准确率(3)为94%，平均均方根误差(RMSE)为1.6。应用BP神经网络建立的气温预测模型相对更为准确稳定；（2）相对湿度逐步回归模型9种情况下模拟值与实际值的绝对误差小于6%的平均准确率(6%)为81%，平均均方根误差(RMSE)为5.7%；BP神经网络模型9种情况下模拟值与实际值的绝对误差小于6%的平均准确率(6%)为80%，平均均方根误差(RMSE)为6.7%。2类模型均不适宜预测817时日光温室相对湿度，而1723时与08时应用逐步回归建立的湿度预测模型相对更准确稳定。关键词：日光温室；逐步回归；BP神经网络；温湿度模型中图分类号：S625 文献标志码：A 论文编号：casb17060118Temperature and Humidity Prediction Models in Solar Greenhouse:Comparative Analysis Based on Stepwise Regression and BP Neural NetworkWen Yongjing1,2, Li Chun2, Xue Qingyu2, Dong Chaoyang2, Li Zhenfa2, Li Xiufen1, Chen Sining2(1Shenyang Agricultural University, Shenyang 110866;2Tianjin Climate Center, Tianjin 300074)Abstract: To build a more accurate model for predicting temperature and humidity in solar greenhouse, amicroclimatic observing experiment was carried out at Baodi District of Tianjin from 2011 to 2014 in winter(January, February and December). The temperature and humidity prediction models in greenhouse by usingstepwise regression and BP neural network were established at 3 periods (0:00-8:00, 8:00-17:00, 17:00-23:00)of 3 kinds of weather types (sunny, cloudy, overcast). The results showed that: (1) the average accuracy rate ofthe absolute error of simulated and actual values less than 3 was 88%, and the root-mean-square error(REMS) was 2 under 9 conditions in greenhouse by using stepwise regression model of temperature; theaverage accuracy rate of the absolute error of simulated and actual values less than 3 was 94%, and the root-mean-square error (RMES) was 1.6 under 9 conditions in greenhouse by using BP neural network model oftemperature; the temperature prediction model established by BP neural network was more accurate and stable;(2) the average accuracy rate of the absolute error of simulated and actual values less than 6% was 81%, and基金项目：天津市农业科技成果转化与推广项目“温室小气候资源高效利用及蔬菜茬口搭配技术集成与应用”(201502150)；天津市科委青年基金“日光温室黄瓜霜霉病监测预警技术研究”(16JCQNJC14900)；天津市气象局博士基金“日光温室番茄低温寡照影响评估与风险评价研究”(BSJJ201505)。第一作者简介：温永菁，女，1993年出生，辽宁葫芦岛人，在读硕士，主要从事农业气象研究。通信地址：300000天津市河西区气象台路100号天津市气象局，E-mail：betterbaymax163.com。通讯作者：黎贞发，男，1964年出生，广西横县人，正研级高级工程师，主要从事设施农业气象研究。通信地址：300000天津市河西区气象台路100号天津市气象局，E-mail：lzfaaa126.com。收稿日期：2017-06-26，修回日期：2017-08-25。中国农学通报 http:/www.casb.org.cnthe root-mean-square error (REMS) was 5.7% under 9 conditions in greenhouse by using stepwise regressionmodel of relative humidity; and the average accuracy rate of the absolute error of simulated and actual valuesless than 6% was 80%, and the root-mean-square error (RMES) was 6.7% under 9 conditions in greenhouseby using BP neural network model of relative humidity. Both the 2 models are not suitable for predicting therelative humidity of solar greenhouse at 8:00- 17:00, while the humidity prediction model established bystepwise regression at 17:00-23:00 and 0:00-8:00 is more accurate and stable.Key words: solar greenhouse; stepwise regression; BP neural network; temperature and humidity model0 引言温室小气候是影响日光温室作物生长发育以及产量品质的重要因素1，其中温度条件是影响作物生命活动的重要因素之一，温室温度适宜利于作物正常生长发育，温度过高过低都会对作物正常生长发育产生影响，易导致减产；环境内的水分情况对作物生长发育影响亦较大，相对湿度是反映温室内水分情况的重要因子，温室内相对湿度的大小不仅直接影响作物蒸腾速率而且影响光合强度，温室内相对湿度过高易引发病虫害的发生影响作物产量和品质。研究探索准确稳定的日光温室温湿度预测模型对温室作物的生产与发展至关重要。采用统计回归法进行线性建模一直被专家学者普遍使用，贺芳芳等2采用线性回归分析法研究了上海地区荷兰玻璃温室温湿度与外界气象条件等影响因子的关系；李德等3采用逐步回归法建立了秋季温室最高与最低气温预报模型；张美玲等4采用逐步回归法建立了日光温室光合有效辐射预报模型；李宁等5采用主成分分析法建立了日光温室内低温模型。近年来，BP神经网络在环境预测模拟方面应用逐渐增多，初期Seginer等6利用神经网络建立了温室气候的模拟模型；Ferreira等7建立了温室内气温的神经网络模型；金志凤等8利用BP神经网络法建立了杨梅大棚内最高、最低气温预报模型；李倩等9利用BP神经网络法对南方塑料大棚不同季节温湿度进行了模拟；王春玲等10利用BP神经网络法建立不同天气状况下冬季日光温室内小气候模型；刘淑梅等11利用BP神经网络法研究了日光温室17天气温预报模型。多年来，建立日光温室温湿度预测模型普遍采用一种方法，且多为分季节建模。多数研究未能体现不同方法建模准确性的偏差以及不同天气状况下不同时段日光温室内环境变化差异较大的情况。本研究选取统计回归中经典的逐步回归法与BP神经网络为建模方法，根据20112013年冬季分天气类型分时段数据建模，对比分析2种方法建立的日光温室温度湿度预测模型，以期探索建立更准确的温室温湿度预测模型。1 资料与方法1.1 试验时间、地点试验于20112014年冬季温室盖膜期间在天津市宝坻区圣人庄村(3944N，11717E)进行。1.2 试验材料1.2.1 日光温室 天津地区典型的土墙式温室，东西长85 m，南北跨度9 m，脊高4.5 m，后墙高4.2 m，温室内种植番茄和黄瓜。1.2.2 资料来源 试验日光温室内的环境数据由天津市海洋气象仪器厂生产的DZN1型小气候仪观测记录，仪器安装于温室中部（温室前沿及围墙所构成长方形的中心点），采集间隔为10 min，观测项目为温室内距地面1.5 m高度的空气温度、空气相对湿度、总辐射，以及5、10、15、20、40 cm处土壤温度。日光温室外的气象数据来自天津市宝坻区气象局观测站，要素包括空气温度、空气湿度、平均风速、不同深度土壤温度。1.3 数据处理为保证数据的一致性与建模稳定准确性，试验选取20112013年冬季3个月数据为建模数据，2014年冬季3个月数据为检验数据，并将观测数据间隔处理为1 h，根据20112013年平均日变化情况（图1）可知，08时白天温度变化规律一致先升后降，817时傍晚温度缓慢下降，08时夜晚温度降为平稳状态，所以将全天分为08时、817时、1723时3个时05101520253001234567891011121314151617181920212223时刻气温/图1 20112013年平均气温日变化情况116温永菁等：基于逐步回归与BP神经网络的日光温室温湿度预测模型对比分析段。根据气象上的分类标准将日照百分率100%S60%、20%S60%、0S20%分为晴、多云、阴3种天气类型12-14。1.4 研究方法1.4.1 逐步回归 温室外气象因子直接或间接影响着温室内环境条件，因此建模之前筛选了25个温室外气象因子（室外1 h前气温、室外湿度、室外风速、室外0 cm地温、室外5 cm地温、室外10 cm地温、室外15 cm地温、室外20 cm地温、室外40 cm地温、前1日室外最低气温、前1日室外最高气温、前1日室外平均气温、前1日室外相对湿度、前1日室外0 cm最高地温、前1日室外0 cm最低地温、前1日室外5 cm最高地温、前1日室外5 cm最低地温、前2日室外最低气温、前2日室外最高气温、前2日室外平均气温、前2日室外相对湿度、前2日室外0 cm最高地温、前2日室外0 cm最低地温、前2日室外5 cm最高地温、前2日室外5 cm最低地温）与温室气温和温室相对湿度进行了相关性分析，保留了相关系数绝对值超过0.2的气象因子进行建模。表1中列举了保留因子及其与模拟因子的相关系数。应用经典的统计回归法逐步回归建立日光温室的温湿度预测模型。采用Matlab 7.8软件编程实现数据的相关性分析与逐步回归。1.4.2 BP神经网络 BP神经网络又称误差反向传播(Back Propagation)神经网络，是目前应用最广泛的神经网络模型之一。其设计思想为信号正向传播，误差反向传播。输入信号正向传播从输入层通过隐藏层逐层处理，直至输出误差小于预先设定的目标误差或迭代次数超过最大训练次数停止，否则反向传播15-18。设输入层有n个神经元，输出层有m个神经元，隐藏层有l个神经元；设i为输入层神经元的序号i=1,2,n；设j为隐藏层神经元的序号j=1,2,l；设k为输出层神经元的序号k=1,2,m；设从输入层神经元i到隐藏层神经元j的连接权值为wij，从隐藏层神经元 j到输出层神经元k的连接权值为wjk；设第j个隐藏层神经元的阈值为aj；设第k个输出层神经元阈值为bk；设第j个隐藏层神经元的输出为Hj；设输入层第i个神经元的值为xi，输出层第k个神经元的值为yk；设Q为调整激励函数形势的参数，则BP神经网络单胞元计算方法见公式(1)(8)。激励函数：f(x)=11+e-xQ (1)计算第j个隐藏层神经元输出值：Hj=fi=1n( )wijxi-aj (2)计算第k个输出层神经元预测输出值：Ok=j=1iHjwjk-bk (3)网络预测误差：ek=Yk-Qk (4)更新输入层与隐藏层的连接权值：wij=wij+Hj( )1-Hjx( )i k=1m( )wjkek (5)更新隐藏层与输出层的连接权值：wjk=wjk+Hjek (6)更新隐藏层神经元阈值：aj=aj+Hj( )1-Hjk=1m( )wjkek (7)更新输出层神经元阈值：bk=bk+ek (8)反复迭代直至输出误差小于预先设定的目标误差或迭代次数超过最大训练次数为止19。本模型选定的相关参数值为：隐藏层神经元数设为5，最大训练次数为40，初始学习速率为0.15，目标误差为0.0002。为提高训练效率和网络泛化性能，采相对湿度室外1 h前气温OT室外湿度OH室外风速OW室外0 cm地温OGT0室外5 cm地温OGT5前1日室外最低气温OTmin总辐射GR相关系数0.21-0.310.290.580.32-0.280.35气温室外1 h前气温OT室外湿度OH室外风速OW室外0 cm地温OGT0前1日室外相对湿度ORH1前2日室外相对湿度ORH2总辐射相关系数-0.360.46-0.41-0.670.210.24-0.37表1 日光温室温湿度预测模型入选因子相关系数注：OT为室外1 h前气温，OH为室外湿度，OW为室外风速，OGT0为室外0 cm地温，OGT5为室外5 cm地温，OTmin为前1日室外最低气温，GR为总辐射，ORH1为前1日室外相对湿度，ORH2为前2日室外相对湿度。117中国农学通报 http:/www.casb.org.cn用归一化方法将样本数据进行预处理。BP神经网络通过Matlab 7.8软件编程实现。1.4.3 模型检验 本试验采用模拟值与实际值的绝对误差小于3的准确率(3)和均方根误差(RMSE)验证模型的精确度20，见公式(9)。RESE=i=1n( )SIMi-OBSi2n (9)式中：SIMi为模拟值，OBSi为实际值，n为样本数。2 结果与分析由于结果中傍晚到夜间的预测效果相近，白天的预测效果差异较大，以下分为817时即白天，1723时和08时即傍晚到夜间2个部分进行分析。2.1 基于逐步回归与BP神经网络的日光温室气温预测结果对比分析2.1.1 08时、1723时日光温室气温预测模型 利用20112013年处理后数据应用逐步回归法建立不同天气条件下傍晚到夜间日光温室气温预测模型，见表2。利用2014年相应时段数据进行检验，得到模拟值并进行检验分析。结果显示，08时模拟值与实际值的绝对误差小于1、2、3的准确率(1、2、3)分别为57%、87.3%、98%，多云天为53%、82%、99%，晴天为52%、84%、95%，阴天为66%、96%、100%；模拟值与实际值的平均均方根误差为1.3，多云天为1.4，晴天为1.5，阴天为1。1723时模拟值与实际值的绝对误差小于1、2、3的准确率(1、2、3)分别为44%、80.3%、95.3%，多云天为36%、70%、91%，晴天为45%、81%、95%，阴天为51%、90%、100%；模拟值与实际值的平均均方根误差为1.5，多云天为1.8，晴天为1.5，阴天为1.2，见表3。结合预测值与实际值对比图（见图2）可以看出，3种天气类型的预测结果基本一致，阴天的预测效果好于晴天和多云天，1723时、时段08时1723时天气类型多云晴阴多云晴阴日光温室气温预测逐步回归模型y1=20.23+0.18x1-0.07x2-0.23x4+0.41x5y2=15.09+0.42x1-0.01x2-0.44x3-0.3x4+0.59x5-0.23x6+0.01x7y3=14.89+0.4x1-0.02x2-0.21x3-0.39x4+0.95x5-0.29x6y4=19.26+0.32x1-0.04x2-0.91x3-0.11x6y5=18.79+0.28x1-0.04x2-0.16x3+0.25x5-0.2x6y6=14.84+0.29x1-0.02x2-0.12x4+0.63x5-0.21x6不同方法逐步回归BP神经网络时段08时1723时08时1723时天气多云晴阴平均值多云晴阴平均值多云晴阴平均值多云晴阴平均值1准确率/%535266573645514434495746.749453944.32准确率/%82849687.370819080.388818785.383807077.73准确率/%999510098919510095.398939896.394959093均方根误差RMSE1.41.51.01.31.81.51.21.51.51.61.31.51.71.51.91.7样本数96394189226.36925221017796394189226.369252210177注：x1为室外1 h前气温，x2为室外湿度，x3为室外风速，x4为室外0 cm地温，x5为室外5 cm地温，x6为前1日室外最低气温，x7为总辐射。表2 不同天气类型08时、1723时日光温室气温预测逐步回归模型表3 08时、1723时逐步回归与BP神经网络日光温室气温预测模型检验结果118温永菁等：基于逐步回归与BP神经网络的日光温室温湿度预测模型对比分析08时为傍晚到夜间，日光温室几乎为密闭状态，温室气温变化规律基本稳定，主要受温室外气象因素影响，其他因素干扰较少，因此光照影响较弱的阴天预测结果较其他天气更好。BP神经网络建模数据和预测要素与逐步回归保持一致，得到的模拟值进行检验分析。检验结果为08时模拟值与实际值的绝对误差小于1、2、3的准确率(1、2、3)分别为46.7%、85.3%、96.3%，多云天为34%、88%、98%，晴天为49%、81%、93%，阴天为57%、87%、98%；模拟值与实际值的平均均方根误差为1.5，多云天为1.5，晴天为1.6，阴天为1.3。1723时模拟值与实际值的绝对误差小于1、2、3的准确率(1、2、3)分别为44.3%、77.7%、93%，多云天为49%、83%、94%，晴天为45%、80%、95%，阴天为39%、70%、90%；模拟值与实际值的平均均方根误差为1.7，多云天为1.7，晴天为1.5，阴天为1.9，见表3。结合图2 不同天气类型08时与1723时逐步回归日光温室气温预测模型模拟值与实际值对比(a)0null时多云1015202510152025模拟值/实际值/(b)0null时晴1015202510152025模拟值/实际值/(c)0null时阴1015202510152025模拟值/实际值/(d)17null3时多云1015202510152025模拟值/实际值/(e)17null3时晴1015202510152025模拟值/实际值/(f)17null3时阴1015202510152025模拟值/实际值/08时多云 08时晴08时阴 1723时多云1723时晴 1723时阴119中国农学通报 http:/www.casb.org.cn图3可以看出，傍晚到夜间不同天气类型的预测结果基本一致，阴天预测结果最好，多云和晴天较差，与逐步回归预测模型进行对比分析，BP神经网络预测模型检验结果略差于逐步回归模型，1723时、08时为傍晚到夜间，日光温室气温变化很稳定，影响因素较少，温室气温与温室外气象条件基本成线性关系，2种模型均可以实现日光温室气温的预测。2.1.2 817时日光温室气温预测模型 利用20112013年处理后数据应用逐步回归法建立不同天气条件下白天日光温室气温预测模型，见表4。利用2014年相应时段数据进行检验，得到模拟值并进行检验分析。结果显示，817时模拟值与实际值的绝对误差小于1、2、3的准确率(1、2、3)分别为27.7%、49.3%、68.7%，多云天为22%、45%、66%，晴天为18%、32%、50%，阴天为43%、71%、90%；模拟值与实际值的平均均方根误差为3.3，多云天为图3 不同天气类型08时与1723时BP神经网络日光温室气温预测模型模拟值与实际值对比(a)0null时多云1015202510152025模拟值/实际值/(b)0null时晴1015202510152025模拟值/实际值/(c)0null时阴1015202510152025模拟值/实际值/(d)17null3时多云1015202510152025模拟值/实际值/(e)17null3时晴1015202510152025模拟值/实际值/(f)17null3时阴1015202510152025模拟值/实际值/08时多云 08时晴08时阴1723时多云1723时晴1723时阴120温永菁等：基于逐步回归与BP神经网络的日光温室温湿度预测模型对比分析3.2，晴天为5，阴天为1.8，见表5。817时为白天，通风、浇水、施肥、打叉等一系列农事活动都在该时段进行，多方面因素影响温室内环境变化，单纯的线性处理无法准确地模拟温室内气温情况，晴天多云天预测结果较差，而阴天部分农事活动减少，光照影响较小，预测结果相对其他天气较好。BP神经网络预测模型817时检验结果模拟值与实际值的绝对误差小于1、2、3的准确率(1、2、3)分别为46.7%、82.7%、94%，多云天为34%、75%、88%，晴天为53%、82%、94%，阴天为53%、91%、100%；模拟值与实际值的平均均方根误差为1.7，多云天为2.3，晴天为1.6，阴天为1.2，见表5。白天3种天气情况下的预测结果均较好，对比2个模型的检验结果，BP神经网络远好于逐步回归，白天温室气温受多方面因素影响，变化规律不稳定，与温室外气象条件成非线性关系，BP神经网络为非线性处理模型更适宜白天温室内气温预测。2.2 基于逐步回归与BP神经网络的日光温室相对湿度预测结果对比分析2.2.1 08时、1723时日光温室相对湿度预测模型利用20112013年处理后数据应用逐步回归法建立不同天气条件下傍晚到夜间日光温室相对湿度预测模型，见表6。2014年数据作为检验数据代入方程，得到模拟值并进行检验分析。BP神经网络也利用20112013年数据进行训练建模，预测2014年温室相对湿度并与实际值进行检验分析。08时、1723时逐步回归模型晴天模拟值与实际值绝对误差小于3的准确率(6%)分别为91%和89%，均方根误差为6.3和4.1；多云天模拟值与实际值绝对误差小于6%的准确率(6%)为93%和100%，均方根误差为2.8和2.7；阴天模拟值与实际值绝对误差小于6%的准确率(6%)为97%和98%，均方根误差为5和2.2。08时、1723时BP神经网络模型晴天模表4 不同天气类型817时日光温室气温预测逐步回归模型注：x1为室外1 h前气温，x2为室外湿度，x3为室外风速，x4为室外0 cm地温，x5为室外5 cm地温，x6为前1日室外最低气温，x7为总辐射。不同方法逐步回归BP神经网络时段817时817时天气多云晴阴平均值多云晴阴平均值1准确率/%22184327.734535346.72准确率/%45327149.375829182.73准确率/%66509068.7889410094均方根误差RMSE3.25.01.83.32.31.61.21.7样本数8329914917783299149177时段08时1723时天气类型多云晴阴多云晴阴日光温室气温预测逐步回归模型y1=98.46+0.02x5-0.58x7y2=99.48+0.15x1-0.08x7y3=97.7-0.2x1-0.39x3+0.12x4+0.03x5-0.11x7y4=96.26-0.42x1+0.13x4+0.03x5y5=94.97+0.16x1+0.07x2+0.08x5-0.11x6y6=92.26-0.44x1+0.05x2+0.03x5时段817时天气类型多云晴阴日光温室气温预测逐步回归模型y7=15.06+0.17x1+0.39x4-0.19x6+0.02x7y8=19.2+0.22x1-0.04x2+0.23x4-0.22x6+0.02x7y9=13.64+0.22x1-0.01x2+0.2x3+0.26x4-0.18x6+0.02x7表5 817时逐步回归与BP神经网络日光温室气温预测模型检验结果表6 不同天气类型08时、1723时日光温室相对湿度预测逐步回归模型注：x1为室外1 h前气温，x2为室外湿度，x3为室外风速，x4为室外0 cm地温，x5为前1日室外相对湿度，x6为前2日室外相对湿度，x7为总辐射。121中国农学通报 http:/www.casb.org.cn拟值与实际值绝对误差小于6%的准确率(6%)分别为92%和88%，均方根误差为5.6和4.7；多云天模拟值与实际值绝对误差小于6%的准确率(6%)为99%和94%，均方根误差为2.3和3.2；阴天模拟值与实际值绝对误差小于6%的准确率(6%)均为95%，均方根误差为7.5和5.7，见表7。结合图4和图5可知，阴天模拟准确率较高，拟合效果较好，好于其他2种天气类型。2种模型不同精度下准确率大小差异略小，但逐步回归模型傍晚到夜间的均方根误差几乎都小于BP神经网络模型，模拟值与实际值的拟合效果也优于BP神经网络。2.2.2 817时日光温室相对湿度预测模型 表8列举了白天20112013年处理数据建模的结果，采用以上方程预测2014年冬季1、2、12月同一天气条件下相同时段温室相对湿度值。利用相同时段相同室外气象数据对BP神经网络进行训练建模，预测相同情况下的温室相对湿度值。逐步回归模型得到的模拟值与实际值绝对误差小于6%的准确率(6%)多云天、晴天、阴天分别为48%、图4 不同天气类型08时与1723时逐步回归日光温室相对湿度预测模型模拟值与实际值对比(a)0null时多云80901008090100模拟值/%实际值/%(b)0null时晴80901008090100模拟值/%实际值/%(c)0null时阴80901008090100模拟值/%实际值/%(d)17null3时多云80901008090100模拟值/%实际值/%(e)17null3时晴80901008090100模拟值/%实际值/%(f)17null3时阴80901008090100模拟值/%实际值/%08时多云 08时晴08时阴1723时多云1723时晴1723时阴122温永菁等：基于逐步回归与BP神经网络的日光温室温湿度预测模型对比分析34%、77%。模拟值与实际值的均方根误差多云天、晴天、阴天分别为9.3、12.8、6.5。相应的表9中BP神经网络模型模拟值与实际值绝对误差小于6%的准确率(6%)多云天、晴天、阴天分别为41%、43%、66%，均方根误差多云天、晴天、阴天分别为10.6、12、8.6，见表9。2种模型的模拟准确率均过低，均方根误差也过大。说明817时日光温室内湿度变化规律易受浇水、施肥、通风、打药、开关棚门等一系列不确定因素影响，受室外环境条件影响较小，所建的2种模型均无法准确预测温室内相对湿度。3 结论与讨论（1）日光温室气温受多种因素影响，要建立准确且稳定的预测模型有一定难度。本研究应用逐步回归和BP神经网络2种模型预测温室内气温，逐步回归模型的白天晴好天气预测准确率较差，夜间阴雨天预测准确率较高，预测模型稳定性较差；BP神经网络模型具图5 不同天气类型08时与1723时BP神经网络日光温室相对湿度预测模型模拟值与实际值对比(a)0null时多云80901008090100模拟值/%实际值/%(b)0null时晴80901008090100模拟值/%实际值/%(c)0null时阴80901008090100模拟值/%实际值/%(d)17null3时多云80901008090100模拟值/%实际值/%(e)17null3时晴80901008090100模拟值/%实际值/%(f)17null3时阴80901008090100模拟值/%实际值/%08时多云08时晴08时阴 1723时多云1723时晴1723时阴123中国农学通报 http:/www.casb.org.cn有处理非线性问题的能力，更适合温室内温度预测建模，在不同天气不同时段预测准确率均较高且变化不大，其日光温室气温预测模型准确率较高稳定性较好。（2）除去白天较晴好条件下，运用BP神经网络与逐步回归建立的日光温室相对湿度预报模型模拟值与实际值绝对误差小于等于6%的准确率(6%)均达到94%，均方根误差(RMSE)均在6%以内。说明在傍晚到夜间阴天多云天，温室内湿度变化很规律，影响因子相对较少，运用2种方法均可预测温室内相对湿度值。白天特别是晴好天气，通风时间较长，农事活动较多，人为等其他因素干扰较大，因此外界气象条件对温室相对湿度模拟效果较差。（3）本研究选择了冬季3个月温室外数据进行不同天气类型不同时段的划分，时段的划分是主要考虑不同方法逐步回归BP神经网络时段08时1723时08时1723时天气多云晴阴平均值多云晴阴平均值多云晴阴平均值多云晴阴平均值2%准确率/%72639275.735186840.380678075.746296747.34%准确率/%9189969290559078.397869392877491846%准确率/%93919793.7100899895.799929595.394889592.3均方根误差RMSE2.86.35.04.72.74.12.232.35.67.55.13.24.75.74.5样本数157753310406.7125577238313.3157753310406.7125577238313.3时段817时天气类型多云晴阴日光温室气温预测逐步回归模型y7=91.58-x1-0.71x4-0.04x7y8=87.25-0.55x3-0.76x4-0.04x7y9=91.37+0.05x2-0.53x4+0.17x5-0.13x6-0.06x7不同方法逐步回归BP神经网络时段817时817时天气多云晴阴平均值多云晴阴平均值2%准确率/%23114626.713153721.74%准确率/%33226439.7323058406%准确率/%4834775341436650均方根误差RMSE9.312.86.59.510.612.08.610.4样本数153710338400.3153710338400.3表7 08时、1723时逐步回归日光温室相对湿度预测模型检验结果表8 不同天气类型817时日光温室相对湿度预测逐步回归模型注：x1为室外1 h前气温，x2为室外湿度，x3为室外风速，x4为室外0 cm地温，x5为前一日室外相对湿度，x6为前2日室外相对湿度，x7为总辐射。表9 817时逐步回归与BP神经网络日光温室相对湿度预测模型检验结果124