楊 棟，丁燁毅，孫軍波，李清斌，魏莎莎，黃鶴樓

?

南方塑料大棚“棚溫逆差”特征及其預(yù)報(bào)*

楊 棟1，丁燁毅1，孫軍波2，李清斌2，魏莎莎2，黃鶴樓1

(1．寧波市氣象臺(tái)，寧波 315012；2．慈溪市氣象局，寧波 315033)

“棚溫逆差”指設(shè)施大棚采取保溫措施時(shí)出現(xiàn)棚內(nèi)日最低氣溫低于棚外的現(xiàn)象，利用2010?2015年冬季和初春浙江地區(qū)塑料大棚內(nèi)外氣象資料，結(jié)合大棚覆膜保溫、開窗通風(fēng)等人工操作記錄，對南方塑料大棚“棚溫逆差”發(fā)生的特征及關(guān)鍵影響因子進(jìn)行探究；選用5種常見神經(jīng)網(wǎng)絡(luò)方法（BP、GA-BP、RBF、GRNN、PNN）分別構(gòu)建“棚溫逆差”預(yù)報(bào)模型，并基于不同模型預(yù)報(bào)準(zhǔn)確率構(gòu)建集合預(yù)報(bào)模型。結(jié)果表明：（1）初春和初冬季“棚溫逆差”頻率較嚴(yán)冬高3倍，棚內(nèi)1.5m高處出現(xiàn)概率較0.5m處偏高3倍；0.5m高處大棚邊緣出現(xiàn)“棚溫逆差”概率為中央的8～13倍，1.5m高處中央和邊緣位置出現(xiàn)概率差異較小。（2）“棚溫逆差”發(fā)生時(shí)，棚外日最低氣溫主要在2～11℃區(qū)間，大棚保溫方式為單膜或雙膜覆蓋，其中單膜覆蓋占比達(dá)93%以上?！芭餃啬娌睢倍喟l(fā)生在白天東西側(cè)窗開啟高度較高（平均高度35～40cm）且夜間放小縫通風(fēng)時(shí)；0.5m處發(fā)生“棚溫逆差”時(shí)，天氣條件較1.5m處發(fā)生時(shí)明顯偏差，日最小相對濕度、總云量和日均風(fēng)速偏高，日照時(shí)數(shù)偏少。（3）5種神經(jīng)網(wǎng)絡(luò)方法對“棚溫逆差”的預(yù)報(bào)準(zhǔn)確率在80%左右，其中GA-BP模型預(yù)報(bào)準(zhǔn)確率最高；集合預(yù)報(bào)模型對0.5m高度處“棚溫逆差”預(yù)報(bào)準(zhǔn)確率在85%左右，1.5m高度處準(zhǔn)確率在80%左右，且預(yù)報(bào)穩(wěn)定性較單一模型高。

棚溫逆差；塑料大棚；溫度；神經(jīng)網(wǎng)絡(luò)；集合模型

浙江地區(qū)冬季和初春季節(jié)低溫冷害頻發(fā)，隨著氣候變化，其危害有加重趨勢[1]。塑料大棚在浙江地區(qū)農(nóng)業(yè)種植中得到廣泛應(yīng)用，近年來，火龍果、蓮霧等南方熱帶作物和雙季葡萄等特色作物逐漸引種，對塑料大棚內(nèi)的溫度要求更加嚴(yán)格。為保證設(shè)施大棚作物生產(chǎn)安全，一般會(huì)采取適當(dāng)?shù)谋卮胧?，但需要投入大量的人力和物力，因此，采取合理高效的保溫措施十分必要。目前，設(shè)施大棚氣象要素變化特征分析和預(yù)報(bào)是保障設(shè)施農(nóng)業(yè)安全高效生產(chǎn)的關(guān)鍵，相關(guān)研究已逐步開展[2?4]。

調(diào)查發(fā)現(xiàn)，設(shè)施大棚存在“棚溫逆差”現(xiàn)象，即設(shè)施大棚在覆蓋棚膜時(shí)出現(xiàn)棚內(nèi)日最低氣溫較棚外同高度日最低氣溫低的現(xiàn)象，國內(nèi)相關(guān)學(xué)者也證實(shí)了這一現(xiàn)象的存在[5?6]。對冷空氣強(qiáng)度相對弱的“棚溫逆差”現(xiàn)象認(rèn)識不足，保溫措施不到位，導(dǎo)致喜溫作物幼苗或幼嫩組織易受到較重的低溫傷害，因此，“棚溫逆差”預(yù)報(bào)和預(yù)警服務(wù)需求迫切。

神經(jīng)網(wǎng)絡(luò)方法是分類和預(yù)報(bào)的有效方法[7]，BP神經(jīng)網(wǎng)絡(luò)簡單且容錯(cuò)性強(qiáng)，在溫室小氣候預(yù)測中應(yīng)用最為廣泛[8]。陳英義等[9]利用遺傳方法（GA）對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，應(yīng)用于池塘水溫短期預(yù)測；馮琰瑋等[10]利用RBF神經(jīng)網(wǎng)絡(luò)對呼和浩特市生態(tài)安全預(yù)警進(jìn)行研究；GRNN和PNN等神經(jīng)網(wǎng)絡(luò)方法在預(yù)測模擬時(shí)也表現(xiàn)出較好的效果[11?12]。獲取優(yōu)質(zhì)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)需要大量的樣本和訓(xùn)練，但受觀測資料及運(yùn)算能力限制，單一模型預(yù)報(bào)精度、穩(wěn)定度和業(yè)務(wù)適用性均較差，集合模型可實(shí)現(xiàn)不同模型的優(yōu)勢互補(bǔ)，提高模擬的精度和穩(wěn)定度，在農(nóng)業(yè)氣象產(chǎn)量預(yù)報(bào)中已獲得應(yīng)用和認(rèn)可[13?14]。

本研究擬利用2010?2015年浙江地區(qū)設(shè)施實(shí)驗(yàn)大棚內(nèi)外氣象要素觀測及大棚人工操作記錄，對南方塑料大棚內(nèi)“棚溫逆差”的時(shí)空分布特征及關(guān)鍵影響因子進(jìn)行分析；選用BP、GA-BP、RBF、GRNN、PNN等5種常見的神經(jīng)網(wǎng)絡(luò)構(gòu)建“棚溫逆差”預(yù)報(bào)模型，并構(gòu)建基于不同模型預(yù)報(bào)準(zhǔn)確率的集合預(yù)報(bào)模型，以期為冬季和初春季節(jié)南方地區(qū)設(shè)施農(nóng)業(yè)安全、高效生產(chǎn)提供科學(xué)依據(jù)。

1 材料與方法

1.1 實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)大棚位于浙江省慈溪市設(shè)施農(nóng)業(yè)綜合氣象監(jiān)測基地（30°12′N，121°16′E），為浙江一帶常用GP-825型單棟塑料鋼架大棚，呈南北走向，大棚東、西側(cè)均有卷簾式的通風(fēng)窗。2010年12月?2015年3月，對大棚內(nèi)邊緣（東、南、西、北側(cè)，下同）及中央0.5m和1.5m高度處氣溫和大棚外側(cè)0.5m和1.5m高度處氣溫、相對濕度及10m高度處風(fēng)速、風(fēng)向進(jìn)行逐分鐘觀測，溫濕度觀測傳感器為HygroClip S3（瑞士產(chǎn)），溫度觀測誤差<0.3℃，儀器具體分布見圖1。

考慮“棚溫逆差”主要發(fā)生在冬季（12月?翌年2月）和初春（3月），且影響較大，因此，試驗(yàn)選用每年12月?翌年3月的觀測資料；另外，大棚內(nèi)南側(cè)0.5m高度處溫度傳感器發(fā)生故障，資料缺測嚴(yán)重，因此不參與分析。棚外日照時(shí)數(shù)、降水量和云量資料來自距實(shí)驗(yàn)大棚5km處的慈溪國家基本氣象站。

實(shí)驗(yàn)期間棚內(nèi)種植草莓，人工保溫操作主要包括單膜覆蓋、雙膜覆蓋、三膜覆蓋（雙膜+小拱棚）、三膜+遮陰網(wǎng)和雙膜+增溫?zé)?遮陰網(wǎng)，覆蓋膜均為0.7mm聚乙烯膜。詳細(xì)記錄大棚保溫方式、東西側(cè)窗開啟高度、南北門是否通風(fēng)、人工操作時(shí)間等。

圖1 大棚內(nèi)外觀測儀器分布

1.2 神經(jīng)網(wǎng)絡(luò)模型預(yù)報(bào)

選擇目前分類預(yù)報(bào)研究中常用的5種神經(jīng)網(wǎng)絡(luò)（BP、GA-BP、RBF、GRNN、PNN）分別構(gòu)建“棚溫逆差”預(yù)報(bào)模型。BP神經(jīng)網(wǎng)絡(luò)模型應(yīng)用最廣泛，但穩(wěn)定性較差；GA-BP模型是基于遺傳算法優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)模型，能有效解決非線性和多維空間尋優(yōu)問題，穩(wěn)定性高；相比BP神經(jīng)網(wǎng)絡(luò)，RBF、GRNN和PNN誤差是反向傳播，輸入到輸出是前向傳播的，原理相對簡單，運(yùn)算速度快，但參數(shù)較多，需要調(diào)整的空間較大。各神經(jīng)網(wǎng)絡(luò)模型的具體原理可參考文獻(xiàn)[9，15?18]。

利用棚內(nèi)各方位（東、南、西、北、中）0.5m和1.5m高度處的日最低溫度觀測值與棚外對應(yīng)高度處的日最低氣溫觀測資料，篩選棚內(nèi)各方位0.5m和1.5m的“棚溫逆差”樣本，將棚內(nèi)各方位均未出現(xiàn)“棚溫逆差”日作為非“棚溫逆差”樣本。隨機(jī)抽取“棚溫逆差”和非“棚溫逆差”80%的樣本日數(shù)據(jù)用于模型訓(xùn)練，20%用于模型檢驗(yàn)，樣本具體分配見表1。將兩種狀況下棚外氣象要素及人工操作進(jìn)行對比，挑選差異顯著且與棚溫密切相關(guān)的預(yù)報(bào)因子，利用min-max標(biāo)準(zhǔn)化方法進(jìn)行歸一化處理，作為神經(jīng)網(wǎng)絡(luò)的輸入因子，對“棚溫逆差”發(fā)生和未發(fā)生分別賦值1和0，作為神經(jīng)網(wǎng)絡(luò)的輸出。各神經(jīng)網(wǎng)絡(luò)模型的相關(guān)參數(shù)設(shè)置見表2，算法均借助MATLAB程序?qū)崿F(xiàn)。

1.3 集合預(yù)報(bào)

基于不同神經(jīng)網(wǎng)絡(luò)方法的“棚溫逆差”預(yù)報(bào)準(zhǔn)確率，構(gòu)建“棚溫逆差”預(yù)報(bào)結(jié)果的集合預(yù)報(bào)模型。

表1 模型訓(xùn)練和檢驗(yàn)樣本分配

注：大棚內(nèi)南側(cè)0.5m高度溫度探頭故障，資料缺測。Tmin_in和Tmin_out分別指設(shè)施大棚內(nèi)、外日最低氣溫。下同。

Note: The temperature probe at 0.5m height in the south side of the greenhouse was faulty and the data was missing. Tmin_inand Tmin_outrefer to the lowest daily temperature inside and outside greenhouses, respectively. The same as below.

表2 神經(jīng)網(wǎng)絡(luò)方法具體參考文獻(xiàn)及相關(guān)參數(shù)設(shè)置

神經(jīng)網(wǎng)絡(luò)模型存在一定的不確定性，為提高其穩(wěn)定性和可信度，對訓(xùn)練樣本的隨機(jī)取樣過程重復(fù)100次，并利用抽取的數(shù)據(jù)分別對5種模型進(jìn)行訓(xùn)練，將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)結(jié)合輸入因子，對“棚溫逆差”是否發(fā)生進(jìn)行預(yù)報(bào)，計(jì)算每種方法100次模擬結(jié)果的平均值，進(jìn)而判定該神經(jīng)網(wǎng)絡(luò)方法對“棚溫逆差”預(yù)報(bào)的結(jié)果。

式中，yi指第i種神經(jīng)網(wǎng)絡(luò)模型第j次模擬結(jié)果。若100次模擬平均值≥0.5，表明發(fā)生“棚溫逆差”；若平均值<0.5，表明“棚溫逆差”不發(fā)生。

2 結(jié)果與分析

2.1“棚溫逆差”發(fā)生的時(shí)空分布特征

對2010年12月?2015年3月冬季和初春設(shè)施大棚內(nèi)各方位0.5m和1.5m高度“棚溫逆差”日出現(xiàn)的概率進(jìn)行統(tǒng)計(jì)（圖2）。慈溪地區(qū)塑料大棚3月出現(xiàn)“棚溫逆差”的概率最高，其中0.5m處為12%，1.5m處為46%，12月次之，1?2月最低，其中，0.5m處為4%～6%，1.5m處為17%～25%，初冬和初春（12月和3月）發(fā)生頻率較嚴(yán)冬（1?2月）偏高近3倍。棚內(nèi)1.5m處出現(xiàn)“棚溫逆差”的概率較0.5m處偏高3倍，其中，中央位置1.5m處出現(xiàn)概率較0.5m處高36倍，東、西側(cè)兩個(gè)高度出現(xiàn)概率差異較小，1.5m處較0.5m處偏高1～2倍。分析同一高度不同位置“棚溫逆差”概率發(fā)現(xiàn)，0.5m處，棚中央和邊緣出現(xiàn)的概率差異較大，棚中央出現(xiàn)概率1%左右，邊緣為8%～13%；1.5m處，棚中央和邊緣出現(xiàn)概率的相對差異較小，棚中央較邊緣偏高19%。

圖2 冬季和初春大棚內(nèi)不同方位0.5m（a）和1.5m（b）高處“棚溫逆差”發(fā)生頻率

挑選12月?翌年2月棚內(nèi)不同位置出現(xiàn)“棚溫逆差”的樣本，統(tǒng)計(jì)棚外1.5m日最低氣溫處于不同水平時(shí)棚內(nèi)各位置“棚溫逆差”出現(xiàn)次數(shù)占對應(yīng)位置“棚溫逆差”總次數(shù)的百分比，棚外日最低氣溫進(jìn)行四舍五入處理（圖3）。棚內(nèi)邊沿位置（東、南、西、北側(cè)）1.5m高度出現(xiàn)“棚溫逆差”時(shí)，棚外日最低氣溫主要集中于2～11℃，占“棚溫逆差”發(fā)生總次數(shù)的85%以上。大棚內(nèi)邊沿位置0.5m高度發(fā)生“棚溫逆差”時(shí)，棚外日最低氣溫集中在2～11℃，占對應(yīng)位置“棚溫逆差”發(fā)生總次數(shù)的90%；棚中央0.5m高度出現(xiàn)“棚溫逆差”的次數(shù)較少，不同溫度的概率分布波動(dòng)性較大，但最低氣溫集中區(qū)仍落在2～11℃范圍內(nèi)。綜上可見，“棚溫逆差”發(fā)生時(shí)棚外日最低氣溫主要集中在2～11℃，該溫度區(qū)間易對喜溫作物的幼苗和幼嫩組織造成低溫冷害，因此需加強(qiáng)“棚溫逆差”的預(yù)報(bào)。

圖3 棚外最低氣溫處于不同水平時(shí)棚內(nèi)0.5m（a）和1.5m（b）高處發(fā)生“棚溫逆差”的次數(shù)占總次數(shù)的百分比

2.2“棚溫逆差”預(yù)報(bào)因子篩選

對試驗(yàn)期間不同保溫操作下出現(xiàn)“棚溫逆差”的概率進(jìn)行統(tǒng)計(jì)分析，結(jié)果見表3。由表中可見，“棚溫逆差”僅發(fā)生在保溫措施為單膜或雙膜覆蓋時(shí)。0.5m處，大棚邊緣位置發(fā)生“棚溫逆差”時(shí)單膜覆蓋占總發(fā)生次數(shù)的94%～96%，棚中央位置發(fā)生“棚溫逆差”時(shí)均為單膜覆蓋；1.5m處，“棚溫逆差”發(fā)生時(shí)單膜覆蓋占93%～94%。

考慮浙江地區(qū)設(shè)施喜溫作物在棚外日最低氣溫低于10℃時(shí)遭受低溫冷害的風(fēng)險(xiǎn)較高，同時(shí)，為提高“棚溫逆差”模型的應(yīng)用針對性，選取棚外日最低氣溫≤10℃的樣本進(jìn)行研究，將“棚溫逆差”發(fā)生與未發(fā)生樣本的棚外相關(guān)氣象要素及相關(guān)人工操作進(jìn)行對比分析，篩選差異顯著的因子作為模型構(gòu)建的輸入因子（表4和表5）。由表中可見，0.5m處“棚溫逆差”發(fā)生與未發(fā)生時(shí)最小相對濕度和日均風(fēng)速差異顯著（P<0.05），1.5m處“棚溫逆差”發(fā)生與未發(fā)生時(shí)日照時(shí)數(shù)和總云量差異顯著（P<0.05），因此，選定日最小相對濕度、日照時(shí)數(shù)、總云量、日均風(fēng)速作為“棚溫逆差”預(yù)報(bào)的氣象輸入因子?！芭餃啬娌睢卑l(fā)生與未發(fā)生時(shí)棚外日最低氣溫差異顯著，但由于日最低氣溫主要通過影響人工操作進(jìn)而間接影響“棚溫逆差”，因此，建模因子篩選時(shí)棚外日最低氣溫未納入?！芭餃啬娌睢卑l(fā)生與未發(fā)生時(shí)，人工操作中覆膜層數(shù)、東西側(cè)窗開啟的最大和最小高度之間差異極顯著（P<0.01）。

棚內(nèi)1.5m處出現(xiàn)“棚溫逆差”時(shí)，天氣一般較好，日最小相對濕度平均為53%，日均總云量46%，日照時(shí)數(shù)5.6h，白天東、西側(cè)窗開啟高度較大，東窗平均開啟高度為40cm，西窗為13cm，夜間單層膜覆蓋且東西側(cè)多放小縫通風(fēng)（東窗為5cm，西窗為3cm）。棚內(nèi)0.5m處出現(xiàn)“棚溫逆差”時(shí)，天氣較1.5m處出現(xiàn)時(shí)差，最小相對濕度達(dá)74%，總云量達(dá)60%，日均風(fēng)速2.2m·s?1，白天東西側(cè)窗開啟高度較高，東窗為35cm，西窗為10cm，夜間多采用單層膜覆蓋且兩側(cè)放小縫通風(fēng)（東窗7cm，西窗3cm）。

表3 各方位0.5m和1.5m高處發(fā)生“棚溫逆差”時(shí)兩種保溫措施的樣本占總樣本數(shù)的百分比（%）

表4 “棚溫逆差”發(fā)生與未發(fā)生日棚外關(guān)鍵氣象要素特征的對比

Table 4 Comparison of key meteorological elements outside the greenhouse when greenhouse temperature deficit occurs and not occurs

Note: RH is min. relative humidity, DW is daily average wind speed, SD is sunshine duration, TC is total cloud cover percent.

表5 “棚溫逆差”發(fā)生與未發(fā)生時(shí)人工操作特征的對比

Table 5 Comparison of manual operation when greenhouse temperature deficit occurs and not occurs

2.3 “棚溫逆差”預(yù)報(bào)

2.3.1 模型參數(shù)設(shè)置

將表3中篩選的9個(gè)因子作為神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中的輸入層，保溫方式為單膜覆蓋時(shí)賦值0，雙膜覆蓋時(shí)賦值1，輸出層為“棚溫逆差”是否發(fā)生。不同神經(jīng)網(wǎng)絡(luò)模型建模的輸入因子及輸出因子均一致，在文獻(xiàn)參考的基礎(chǔ)上開展參數(shù)選取，通過不同取值時(shí)預(yù)報(bào)準(zhǔn)確率的比較確定，具體參數(shù)設(shè)置見表2。對建模和檢驗(yàn)樣本進(jìn)行100次隨機(jī)分配，并利用訓(xùn)練樣本開展5種神經(jīng)網(wǎng)絡(luò)方法訓(xùn)練。

2.3.2 預(yù)報(bào)準(zhǔn)確率檢測

將選取的檢驗(yàn)樣本對應(yīng)的預(yù)報(bào)因子分別輸入訓(xùn)練好的5種神經(jīng)網(wǎng)絡(luò)方法中，對“棚溫逆差”是否發(fā)生開展預(yù)報(bào)，并與觀測結(jié)果進(jìn)行對比，檢驗(yàn)預(yù)報(bào)是否準(zhǔn)確。對100次模擬結(jié)果的準(zhǔn)確率進(jìn)行統(tǒng)計(jì)，表6顯示，所選的5種神經(jīng)網(wǎng)絡(luò)方法對0.5m處“棚溫逆差”現(xiàn)象預(yù)報(bào)均保持了較高精度，預(yù)報(bào)準(zhǔn)確率基本在80%以上，其中GA-BP和PNN預(yù)報(bào)準(zhǔn)確率基本在85%以上；1.5m處“棚溫逆差”預(yù)報(bào)，不同方法預(yù)報(bào)精度差異較0.5m處明顯，RBF預(yù)報(bào)準(zhǔn)確率較其它4種方法明顯偏差，其預(yù)報(bào)準(zhǔn)確率僅60%左右，另外4種方法預(yù)報(bào)準(zhǔn)確率基本在75%以上。5種預(yù)報(bào)模型中GA-BP方法預(yù)報(bào)效果最優(yōu)，其預(yù)報(bào)精度和穩(wěn)定度較BP神經(jīng)網(wǎng)絡(luò)有所提升。基于5種方法對各方位和高度“棚溫逆差”預(yù)報(bào)的準(zhǔn)確率，結(jié)合式（1）和式（2）將5種神經(jīng)網(wǎng)絡(luò)方法預(yù)報(bào)結(jié)果進(jìn)行集合，由表可見，其精度和穩(wěn)定度較5種模型結(jié)果平均值均提升，0.5m處預(yù)報(bào)準(zhǔn)確率在85%～96%，1.5m處預(yù)報(bào)準(zhǔn)確率在80%以上，其預(yù)報(bào)精度較GA-BP方法無明顯優(yōu)勢，但預(yù)報(bào)穩(wěn)定性提升。

表6 不同方法對“棚溫逆差”預(yù)報(bào)的準(zhǔn)確率

3 結(jié)論與討論

3.1 結(jié)論

（1）慈溪地區(qū)塑料大棚內(nèi)初冬和初春出現(xiàn)“棚溫逆差”的頻率較嚴(yán)冬偏高近3倍。棚內(nèi)1.5m高處“棚溫逆差”的頻率較0.5m高處偏高3倍，其中中央位置差異尤為顯著，1.5m高處較0.5m高處高36倍。0.5m高處，棚中央出現(xiàn)“棚溫逆差”的概率僅1%，邊緣出現(xiàn)概率為中央的8～13倍；1.5m高處中央位置“棚溫逆差”概率較邊緣偏高19%。大棚內(nèi)各方位1.5m和0.5m高處發(fā)生“棚溫逆差”時(shí)，棚外日最低氣溫主要集中于2～11℃區(qū)間。

（2）“棚溫逆差”只發(fā)生在棚內(nèi)單膜或雙膜覆蓋時(shí)，其中單膜覆蓋占比達(dá)93%以上。“棚溫逆差”發(fā)生與未發(fā)生時(shí)人工操作差異尤為顯著，多發(fā)于白天東西側(cè)窗開啟高度較高（35～40cm）且夜間放小縫通風(fēng)（東窗5～7cm，西窗3cm）時(shí)。0.5m處發(fā)生“棚溫逆差”時(shí)天氣條件較1.5m處明顯偏差，其日最小相對濕度、總云量和日均風(fēng)速偏高，日照時(shí)數(shù)偏少。

（3）5種神經(jīng)網(wǎng)絡(luò)方法對0.5m高處“棚溫逆差”預(yù)報(bào)準(zhǔn)確率基本在80%以上，1.5m高處除RBF相對偏差，其它方法預(yù)報(bào)準(zhǔn)確率基本在75%以上，單一模型中GA-BP預(yù)報(bào)效果最佳。集合預(yù)報(bào)的準(zhǔn)確率和穩(wěn)定度較單一模型整體提升，對0.5m高處預(yù)報(bào)準(zhǔn)確率為85%～96%，1.5m高處預(yù)報(bào)準(zhǔn)確率80%以上，其準(zhǔn)確率的均方差較單一模型縮小。

3.2 討論

初春和初冬外界氣溫較嚴(yán)冬高，生產(chǎn)者對低溫冷害防范意識較薄弱，期間采用單膜保溫的比例達(dá)65%，較嚴(yán)冬高1倍，保溫措施不到位導(dǎo)致期間“棚溫逆差”發(fā)生的頻率較嚴(yán)冬高3倍?！芭餃啬娌睢卑l(fā)生時(shí)，棚外最低氣溫多集中于2～11℃區(qū)間，棚內(nèi)溫度較棚外偏低1～1.5℃，導(dǎo)致棚內(nèi)最低溫度低于10℃，初春和初冬季作物多處于苗期或花期，設(shè)施喜溫作物受“棚溫逆差”影響的風(fēng)險(xiǎn)較嚴(yán)冬更高，需加強(qiáng)對“棚溫逆差”的預(yù)報(bào)及預(yù)警服務(wù)。1.5m處較0.5m處更易發(fā)生“棚溫逆差”，小番茄、黃瓜等高度較高的喜溫作物保溫工作需加強(qiáng)。

將氣象要素與長時(shí)間的人工操作觀測相結(jié)合，甄選設(shè)施“棚溫逆差”預(yù)報(bào)因子。所選氣象要素與大棚內(nèi)溫度密切相關(guān)，日照時(shí)數(shù)和總云量通過影響太陽輻射和大氣逆輻射等影響大棚白天和夜間能量收支[3]。風(fēng)速?zèng)Q定了大棚內(nèi)外熱量交換方式，相關(guān)研究表明，自然通風(fēng)條件下，室內(nèi)外氣體交換由熱壓和風(fēng)壓共同形成，當(dāng)風(fēng)速高于2m·s?1時(shí)，以風(fēng)壓通風(fēng)為主，熱壓作用可以忽略[19?20]，因此，0.5m高處發(fā)生“棚溫逆差”時(shí)棚內(nèi)外熱量交換主要依靠風(fēng)壓，1.5m高處發(fā)生時(shí)靠風(fēng)壓和熱壓共同作用。最小相對濕度與冠層作物蒸發(fā)、凝結(jié)等潛熱交換密切相關(guān)。大棚人工操作中覆膜層數(shù)、側(cè)窗開啟高度等與氣象要素相結(jié)合共同影響設(shè)施大棚能量收支，“棚溫逆差”發(fā)生和未發(fā)生時(shí)所采取的人工操作差異尤為顯著。相比氣象要素，大棚操作可操控性更強(qiáng)，預(yù)報(bào)模型中融合人工操作因子更具有生產(chǎn)指導(dǎo)意義。此外，種植作物對溫室內(nèi)溫度分布和通風(fēng)率等影響顯著[21]，隨著棚內(nèi)種植作物冠層高度的變化，棚內(nèi)不同高度“棚溫逆差”出現(xiàn)的頻次可能會(huì)發(fā)生變化，需進(jìn)一步研究。

神經(jīng)網(wǎng)絡(luò)模型網(wǎng)絡(luò)結(jié)構(gòu)存在一定的不確定性，相關(guān)研究表明集合模型能有效融合不同模型，提高預(yù)報(bào)可信度[22]。本研究選用5種常見神經(jīng)網(wǎng)絡(luò)，基于5種模型預(yù)報(bào)準(zhǔn)確率構(gòu)建結(jié)果的集合模型，預(yù)報(bào)精度和穩(wěn)定度較單一模型提高。目前針對“棚溫逆差”發(fā)生機(jī)理研究仍較罕見，可結(jié)合流體動(dòng)力學(xué)[23]、能量平衡[3,24]等方法探究其機(jī)理，將機(jī)理模型和神經(jīng)網(wǎng)絡(luò)類統(tǒng)計(jì)模型相結(jié)合能有效提高模型的應(yīng)用效果[14,25]。此外，隨著各神經(jīng)網(wǎng)絡(luò)參數(shù)的優(yōu)化及新樣本的輸入和學(xué)習(xí)，模型對“棚溫逆差”的預(yù)報(bào)精度有望進(jìn)一步提升。

[1] 楊再強(qiáng),朱凱,趙翔,等.中國南方塑料大棚氣象災(zāi)害風(fēng)險(xiǎn)區(qū)劃[J].自然災(zāi)害學(xué)報(bào),2012,21(5):213-221.

Yang Z Q,Zhu K,Zhao X,et al.Meteorological disaster risk zoning for plastic greenhouse in south China[J].Journal of Natural Disasters,2012,21(5):213-221.(in Chinese)

[2] 范遼生,朱蘭娟,柴偉國,等.杭州冬季塑料大棚內(nèi)氣溫變化特征及日最低氣溫預(yù)報(bào)模型[J].中國農(nóng)業(yè)氣象,2014,35(3): 268-275.

Fan L S,Zhu L J,Cai W G,et al.Temperature Variation characteristic and daily minimum temperature forecast inside plastic greenhouse in winter in Hangzhou[J].Chinese Journal of Agrometeorology,2014,35(3):268-275.(in Chinese)

[3] 曹雯.秋冬季南方單棟塑料溫室小氣候分析與溫濕環(huán)境模擬研究[D].南京:南京信息工程大學(xué),2012.

Cao W.Analysis and simulation of microclimate of single-span plastic greenhouse for south China in autumn and winter[D].Nanjing:Nanjing University of Information Science & Technology,2012.(in Chinese)

[4] 魏莎莎,李清斌,孫軍波,等.強(qiáng)寒潮天氣南方塑料大棚防御冰凍災(zāi)害措施[J].中國農(nóng)學(xué)通報(bào),2017,33(29):135-139.

Wei S S,Li Q B,Sun J B,et al.Preventing Frozen disaster in plastic greenhouse in south China[J].Chinese Agricultural Science Bulletin,2017,33(29):135-139.(in Chinese)

[5] 符國槐,張波,楊再強(qiáng),等.塑料大棚小氣候特征及預(yù)報(bào)模型的研究[J].中國農(nóng)學(xué)通報(bào),2011,27(13):242-248.

Fu G H,Zhang B,Yang Z Q,et al.Research on the microclimate characteristics and inside temperature prediction model[J]. Chinese Agricultural Science Bulletin,2011,27(13):242-248. (in Chinese)

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

Li Q,Shen 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)

[7] 張良均.MATLAB數(shù)據(jù)分析與挖掘?qū)崙?zhàn)[M].北京:機(jī)械工業(yè)出版社,2017:97-98.

Zhang L J.MATLAB data analysis and data mining[M]. Peking:Mechanical Industry Press,2017:97-98.(in Chinese)

[8] 任守綱,劉鑫,顧興健,等.基于R-BP神經(jīng)網(wǎng)絡(luò)的溫室小氣候多步滾動(dòng)預(yù)測模型[J].中國農(nóng)業(yè)氣象,2018,39(5):314-324.

Ren S G,Liu X,Gu X J,et al.Multi-step rolling prediction model of greenhouse microclimate based on R-BP Neural network[J].Chinese Journal of Agrometeorology,2018,39(5): 314-324.(in Chinese)

[9] 陳英義,程倩倩,成艷君,等.基于GA-BP神經(jīng)網(wǎng)絡(luò)的池塘養(yǎng)殖水溫短期預(yù)測系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2018,48(8):172-178.

Chen Y Y,Cheng Q Q,Cheng Y J,et al.Short-term prediction system of water temperature in pond aquaculture based on GA-BP neural network[J].Transactions of the Chinese Society for Agricultural Machinery,2018,48(8):172-178.(in Chinese)

[10] 馮琰瑋,甄江紅.基于徑向基神經(jīng)網(wǎng)絡(luò)的呼和浩特市生態(tài)安全預(yù)警研究[J].干旱區(qū)資源與環(huán)境,2018,32(11):87-92.

Fen Y W,Zhen J H.The early warning of ecological security in Hohhot based on RBF model[J].Journal of Arid Land Resources and Environment,2018,32(11):87-92.(in Chinese)

[11] 孫蓉樺,張微.GRNN和遺傳算法在赤潮預(yù)報(bào)中的應(yīng)用操作[J].科技通報(bào),2005,21(4):485-490.

Sun R H,Zhang W.The application of GRNN and genetic algorithm in the forecast of red tide[J].Bulletin of Science and Technology,2005,21(4):485-490.(in Chinese)

[12] 劉志剛,李盼池,許少華.基于ELM-PNN算法的第24周太陽黑子預(yù)測預(yù)報(bào)[J].控制與決策,2017,32(4):642-646.

Liu Z G,Li P C,Xu S H.Prediction and forecast of sunspot numbers in 24 cycle based on ELM-PNN algorithms[J]. Control and Decision,2017,32(4):642-646.(in Chinese)

[13] 宋迎波,楊霏云,鄭昌玲,等.美國玉米產(chǎn)量業(yè)務(wù)預(yù)報(bào)方法研究[J].中國農(nóng)業(yè)氣象,2008,29(4):446-449.

Song Y B,Yang F Y,Zheng C L,et al.Research on operational forecast methods of corn yields in the United States of America(USA)[J].Chinese Journal of Agrometeorology, 2008,29(4):446-449.(in Chinese)

[14] 易雪,王建林,宋迎波,等.早稻產(chǎn)量動(dòng)態(tài)繼承預(yù)報(bào)方法研究[J].中國水稻科學(xué),2011,25(3):307-313.

Yi X,Wang J L,Song Y B,et al.Study on dynamic integrated prediction of early rice yield[J].Chin J Rice Sci,2011,25(3): 307-313.(in Chinese)

[15] 李倩,申雙和,曹雯,等.南方塑料大棚冬春季溫濕度的神經(jīng)網(wǎng)絡(luò)模擬[J].中國農(nóng)業(yè)氣象,2012,33(2):190-196.

Li Q,Shen S H,Cao W,et al.Neural network simulation on air temperature and relative humidity inside plastic greenhouse during winter and spring in southern China[J].Chinese Journal of Agrometeorology,2012,33(2):190-196.(in Chinese)

[16] 吉夢雯,樊文欣,尹馨妍,等.基于RBF神經(jīng)網(wǎng)絡(luò)的連桿襯套強(qiáng)力旋壓軸線直線度預(yù)測[J].鍛壓技術(shù),2018,43(3):67-70.

Ji M W,Fan W X,Yin X Y,et al.Prediction on axial straightness of connecting rod bushing in the power spinning based on RBF neural network[J].Forging & Stamping Technology,2018,43(3):67-70.(in Chinese)

[17] Specht D F.The general regression neural network: rediscovered[J].Neural Networks,1993,6(7):1033-1034.

[18] Specht D F.A general regression neural network[J].IEEE Transaction on Neural Networks,1991,2(6):568-576.

[19] Papadakis G,Mermier M,Meneses J F,et al.Measurements and analysis of air exchange rates in a greenhouse with continuous roof and side opening[J].J.Agric.Engng Res., 1996,63:219-227.

[20] 宿文,薛曉萍,熊宇,等.自然通風(fēng)對日光溫室氣溫影響的模擬分析[J].生態(tài)學(xué)雜志,2016,35(6):1635-1642.

Su W,Xue X P,Xiong Y,et al.Modeling the effect of natural ventilation on temperature inside solar greenhouse[J]. Chinese Journal of Ecology,2016,35(6):1635-1642.(in Chinese)

[21] Kacira M,Sase S,Okushima L.Optimization of vent configuration by evaluating greenhouse and plant canopy ventilation rates under wind-induced ventilation[J]. Transactions of the ASAE,2003,47:2059-2067.

[22] 楊棟,丁燁毅,金志鳳,等.浙江水蜜桃成熟期集合預(yù)報(bào)模型[J].中國農(nóng)業(yè)氣象,2018,39(6):421-430.

Yang D,Ding Y Y,Jin Z F,et al.Collection model for maturity forecasting of juicy peach in Zhejiang province[J].Chinese Journal of Agrometeorology,2018,39(6):421-430.(in Chinese)

[23] Okushima L,Sase S,Nara M.A support system for natural ventilation design of greenhouses based on computational aerodynamics[J].Acta Horticulturae,1989,284:129-136．

[24] 姚益平.基于能耗與作物生產(chǎn)潛力的中國溫室氣候區(qū)劃[D].南京:南京農(nóng)業(yè)大學(xué),2011.

Yao Y P.An energy consumption and crop production potential based system for greenhouse climate zonation in China[D]. Nanjing:Nanjing Agricultural University,2011.(in Chinese)

[25] 邱美娟,宋迎波,王建林,等.山東省冬小麥產(chǎn)量動(dòng)態(tài)集成預(yù)報(bào)方法[J].應(yīng)用氣象學(xué)報(bào),2016,27(2):191-200.

Qiu M J,Song Y B,Wang J L,et al.Integrated technology of yield dynamic prediction of winter wheat in Shandong province[J].Journal of Applied Meteorological Science, 2016,27(2):191-200.(in Chinese)

Characteristics and Forecasting Technology of Greenhouse Temperature Deficit in Southern Plastic Greenhouse

YANG Dong1, DING Ye-yi1, SUN Jun-bo2, LI Qing-bin2, WEI Sha-sha2, HUANG He-lou1

(1. Ningbo Bureau of Meteorology, Ningbo 315012, China; 2. Cixi Bureau of Meteorology, Ningbo 315033)

The Greenhouse Temperature Deficit (GTD) refers to the phenomenon that the daily minimum temperature in the greenhouse is lower than that outside the greenhouse when insulation measures have been taken. By using the meteorological data and manual operation records (film-covered insulation, window ventilation and so on) of plastic greenhouses in Zhejiang province during the winter and early spring of 2010?2015, the characteristics and key influencing factors of the GTD in southern China were explored. Five common neural networks (BP, GA-BP, RBF, GRNN, PNN) were employed to construct the GTD prediction models. The ensemble forecasting model of the result was built based on the forecasting accuracy of the selected five models.The results showed that: (1) the frequency of GTD in early spring and winter (Mar. and Dec.) was three times higher than that in severe winter (Jan.-Feb). The occurrence probability of the GTD at 1.5m was three times higher than that at 0.5m. At the height of 0.5m, the probability of GTD at the edge was 8 to 13 times higher than that at the center. At the height of 1.5m, the difference in the probability of GTD between the center and edge was small. (2) When the GTD happened, the daily minimum temperature outside the greenhouse mainly concentrated on 2 to 11degrees Celsius, and the insulation method was single film or double film coverage, the proportion of single film coverage was over 93%. The GTD mostly occurred when the opening height of the east and west side windows was high (35?40cm) in daytime and the small gap ventilation was put in the night. When the GTD occurred at 0.5m, the weather conditions were obviously deviated from that of 1.5m. The daily minimum relative humidity, total cloud and average daily wind speed were higher, and the sunshine hours were less. (3)The prediction accuracy of the five selected neural networks for the GTD was basically about 80%, and the GA-BP model was with the highest prediction accuracy. The ensemble model for GTD at 0.5m height was above 85%, and that at 1.5m height was above 80%. The stability of ensemble model was better than that of single model.

Greenhouse temperature deficit; Plastic greenhouse; Temperature; Neural network; Ensemble prediction

10.3969/j.issn.1000-6362.2019.04.005

2018?09?10

寧波市氣象局一般項(xiàng)目（NBQX2017004B) ；浙江省重點(diǎn)研發(fā)計(jì)劃（2018C02011）

楊棟（1988－），工程師，碩士，主要從事氣候變化與農(nóng)業(yè)氣象研究。E-mail: yangdong_314@163.com

楊棟,丁燁毅,孫軍波,等.南方塑料大棚“棚溫逆差”特征及其預(yù)報(bào)[J].中國農(nóng)業(yè)氣象,2019,40(4):240-249