呂東洋，李愛傳，李 岐（黑龍江八一農(nóng)墾大學信息與電氣工程學院，黑龍江大慶 163319）

隨著設施園藝在世界各地的蓬勃發(fā)展，日光溫室作為主流設施農(nóng)業(yè)類型也在不斷地發(fā)展壯大。據(jù)統(tǒng)計，中國溫室大棚面積已達370 萬hm2，居世界第一。主要分布在山東、遼寧、黑龍江等北方省份，大大促進了農(nóng)業(yè)的發(fā)展[1]。溫室內(nèi)各環(huán)境因子復雜多樣且相互影響，耦合度高，共同決定了作物的生長狀況[2]。在智能控制技術(shù)飛速發(fā)展的今天和農(nóng)業(yè)信息化的大環(huán)境之下，如何建立精準的溫室環(huán)境因子預測模型來取代以往依靠人為經(jīng)驗和傳統(tǒng)的滯后性極強的簡單閾值控制方法，成為了近幾年日光溫室領域?qū)W者們所需攻克的一大難題[3-4]。荷蘭等設施園藝發(fā)達國家一直注重溫室內(nèi)環(huán)境模型研究。在“互聯(lián)網(wǎng)+”的背景下，許多復雜的溫室環(huán)境因子的研究仍有很大空間。文章對國內(nèi)外具有代表性的溫室預測模型進行總結(jié)分析，研究溫室關(guān)鍵環(huán)境因子影響作物生長的規(guī)律性問題，為找到更為科學合理的預測模型構(gòu)建方法提供依據(jù)。

國外研究現(xiàn)狀

荷蘭是目前國際公認的溫室領域中的佼佼者[5]。20 世紀70 年代，荷蘭學者Businger[6]根據(jù)溫室環(huán)境因素以熱平衡穩(wěn)定狀態(tài)法建立了靜態(tài)的溫室熱環(huán)境模型。另一位荷蘭學者Gerard P.A.Bot[7]認為溫室整體相當于一個高階系統(tǒng)，用光投射、熱量交換和物質(zhì)交換等子模型建立含多因子的動態(tài)模型，這一模型建立實現(xiàn)了溫室環(huán)境因子預測模型從靜態(tài)到動態(tài)的一大飛躍。葡萄牙的Boaventura Cunha[8]以杜羅大學的室內(nèi)溫度為研究對象，利用一年中兩個不同時間段的數(shù)據(jù)，確定了氣候離散時間動態(tài)模型的結(jié)構(gòu)和參數(shù)，并采用一種隨機辨識技術(shù)解決了參數(shù)隨操作條件變化而變化的問題。

21 世紀計算機技術(shù)迅猛發(fā)展，溫室環(huán)境因子預測模型邁向了新的臺階。葡萄牙的P.M.Ferreira 和比利時的Hugo 基于系統(tǒng)辨識理論，分別選取了晴朗條件下不同的室內(nèi)外環(huán)境因子作為網(wǎng)絡的輸入輸出端，建立了神經(jīng)網(wǎng)絡預測模型且預測效果較精準[9-10]。西班牙的Litago[11]以無加熱、自然通風溫室的溫濕度為研究目標，利用番茄生長季連續(xù)4 個月的外部和內(nèi)部氣候數(shù)據(jù)構(gòu)建時間序列模型，盡管涉及參數(shù)較多，但該模型能良好的預測溫室內(nèi)部條件。摩洛哥的N.Bennis 等人[12]提出了基于魯棒控制的溫室內(nèi)部高效調(diào)控，運用離線最小二乘法估算了模型參數(shù)。德國的Patil 和泰國的Salokhe 對熱帶溫室內(nèi)空氣溫度變化進行了深層研究并通過大量時間的記錄整理，建立了誤差極小的自回歸神經(jīng)網(wǎng)絡預測模型[13]。西班牙的Molina-Azi 和法國的Fatnassi 用兩種不同的離散化方法(有限元法與有限體積法) 建立了自然通風溫室的模擬模型[14]。突尼斯的F.Fourati 等人[15]利用一種動態(tài)遞歸神經(jīng)網(wǎng)絡，即Elman 神經(jīng)網(wǎng)絡，針對空氣溫濕度建立6-3-1 結(jié)構(gòu)的預測模型，實驗得到溫度誤差值僅0.3℃，濕度誤差僅4%。韓國的Sang Yeob Kim 等人[16]在算法上進行優(yōu)化，利用反向傳播算法建立溫室內(nèi)氣溫預測模型。伊朗的Homa Esmaeli 等人[17]建立動態(tài)的熱環(huán)境模型來預測室內(nèi)溫度，優(yōu)化了日光溫室的性能。

國內(nèi)研究現(xiàn)狀

同國外相比，溫室關(guān)鍵環(huán)境因子的建模預測技術(shù)進入中國較晚。20 世紀90 年代，李元哲、吳德讓等人[18]根據(jù)熱力學和采光學基礎建立了能夠預測不同結(jié)構(gòu)溫室內(nèi)部溫濕度的數(shù)學模型，并研究了溫室內(nèi)各環(huán)境參數(shù)隨時間變化的規(guī)律性問題，開創(chuàng)了國內(nèi)此領域研究的先河。陳青云、汪政富等人[19]以傳熱學和生物環(huán)境工程學的理論作為核心研究基礎，建立了一個完整的、動態(tài)的日光溫室熱環(huán)境模型，通過求解來總結(jié)日光溫室環(huán)境因子的一般變化規(guī)律。

21 世紀初，王定成[20]提出了一種基于SVM 算法的支持向量機回歸建模方法。較早的引入了算法來替代傳統(tǒng)建模方法。辛本勝、喬曉輝等人[21]以熱力學原理為基礎，根據(jù)日光溫室的時延性特點建模，通過軟件開發(fā)求解程序，實現(xiàn)對日光溫室關(guān)鍵環(huán)境因子的實時在線預測。李晉、秦琳琳等人[22]將統(tǒng)計假設檢驗和模型擬合度檢驗相結(jié)合確定模型結(jié)構(gòu)，使用遞推增廣最小二乘法估算了模型的參數(shù)，大幅度優(yōu)化了模型的自適應性。何芬、馬承偉[23]利用實數(shù)編碼的遺傳算法優(yōu)化BP 神經(jīng)網(wǎng)絡，建成的模型具有精度更高，收斂速度更快等優(yōu)點。柳芳、王鐵等人[24]構(gòu)建時間序列，選取四種氣象要素模擬方程偏回歸系數(shù)建立預測模型，可用于預防溫室災害。鄒秋瀅[25]基于ANFIS 網(wǎng)絡，以系統(tǒng)辨識方法建立溫室小氣候預測模型。李愛傳、衣淑娟等人[26]充分考慮環(huán)境因子對水稻用水量的影響，建立寒地水稻用水模型。王鑫、魏瑞江等人[27]選取石家莊市高邑縣代表日光溫室大棚為研究對象，構(gòu)建濕度預測時間序列模型。袁靜，李樹軍等人[28]采用逐步回歸分析方法，建立日光溫室最低溫度預測模型。鄒偉東、張百海等人[29]利用基于正交基函數(shù)的改進型ELM，對日光溫室內(nèi)溫濕度因子進行辨識，建成模型的預測值與實測值擬合度極高。夏爽、李麗宏[30]在梯度下降法建模收斂速度較慢方面做出突破，用粒子群算法優(yōu)化了RBF 神經(jīng)網(wǎng)絡，實驗結(jié)果表明該模型預測精度要遠超傳統(tǒng)模型。陳亮、裴曉輝等人[31]提出了一種基于LSTM 神經(jīng)網(wǎng)絡模型的溫室關(guān)鍵環(huán)境因子的預測方法，與以往傳統(tǒng)的RNN 和GRU 預測模型相比，魯棒性更強、精度更高。張海輝[32]通過時序分析法小波神經(jīng)網(wǎng)絡溫度預測模型對溫度精準預測，為溫室卷簾機智能控制系統(tǒng)的優(yōu)化控制提供可靠依據(jù)。姚鑫鑫[33]面向熱帶文心蘭的栽培，建立基于BP 神經(jīng)網(wǎng)絡構(gòu)建3-12-3結(jié)構(gòu)的環(huán)境預測模型；面向蝴蝶蘭的栽培，建立基于BP 神經(jīng)網(wǎng)絡構(gòu)建3-10-3 結(jié)構(gòu)的環(huán)境預測模型。任守綱、劉鑫等人[34]提出一種基于滾動的反向傳播神經(jīng)網(wǎng)絡來建立溫室關(guān)鍵環(huán)境因子的多步滾動預測模型。王紅君、史麗榮等人[35-36]基于貝葉斯正則化算法建立日光溫室溫濕度因子神經(jīng)網(wǎng)絡預測模型。侯思宇[37]基于計算流體力學（CFD）建模技術(shù)建立夏秋冬三個季節(jié)的氣候模型，通過MATLAB 和FLUENT協(xié)同平臺對大量參數(shù)進行辨識，搭建平臺進行并行計算，對比得到最優(yōu)結(jié)果。張曉月、李榮平等人[38]利用氣象站的自動觀測數(shù)據(jù)，建立基于逐步回歸方法的預測模型。于學儒[39]利用狼群算法的出色尋優(yōu)能力優(yōu)化小波神經(jīng)網(wǎng)絡的初始參數(shù)，提高了模型尋找最優(yōu)解的概率和效率。李歡、田芳明等人[40]將食品檢測和農(nóng)機檢測方面應用較多的思維進化算法（MEA）與BP 神經(jīng)網(wǎng)絡相結(jié)合建立預測溫室內(nèi)部溫度變化的模型。韋玉翡、趙建貴等人[41]以番茄為講究對象，利用番茄3 個月的生長溫室內(nèi)部環(huán)境數(shù)據(jù)，基于熱力學原理并改進質(zhì)能平衡方程，建立含多種環(huán)境因素的動態(tài)模型。

思考總結(jié)

通過對諸多文獻的整理分析可知，日光溫室關(guān)鍵環(huán)境因子的預測模型可以分為機理模型和辨識模型兩大類型。機理模型的核心是基于能量、質(zhì)量等平衡方程和各種化學反應定律，根據(jù)研究對象內(nèi)部傳遞機理所建立的數(shù)學模型。該類模型的每一個參數(shù)都具有明確的物理意義且容易調(diào)整，模型的適應性也比較強。但建立機理模型需要研究者對復雜多變的溫室內(nèi)部氣候環(huán)境及物理變化過程有深入了解，有些復雜的因素系數(shù)確定很困難，需要龐大參數(shù)數(shù)量，稍有差池就會影響到模型的擬合度。辨識模型則是把溫室看作一個擁有多個輸入輸出的系統(tǒng)，用系統(tǒng)目前可測的輸入輸出去預測系統(tǒng)未來一段時間的可能性，在各種優(yōu)異算法層出不窮的背景下，該類模型分析便捷，結(jié)構(gòu)簡單，在溫室領域的應用中占據(jù)十分重要的地位。但辨識模型受溫室的地理位置、結(jié)構(gòu)等影響比較大，不能進行廣泛的使用推廣。

發(fā)展建議

一直以來，全球?qū)W者對溫室氣候模型的研究從未停止，并取得了一定的成就，積累了大量文獻和資料，為后人的研究奠定了堅實的基礎，但隨著時代發(fā)展，溫室模型的建立也應當與時俱進，開拓創(chuàng)新。針對現(xiàn)存模型的一些缺陷和不足以及未來建立完善面向智能控制的溫室小氣候預測模型，筆者提出以下幾點建議：

（1）中國溫室小氣候預測模型的研究主要集中在溫室溫度、濕度和CO2濃度等單一環(huán)境因子上，實際上溫室內(nèi)部各環(huán)境因子耦合度極高并相互干擾、影響。例如在固定時間內(nèi)的通風量會在不同程度上影響溫度、濕度和CO2的濃度等環(huán)境因子，不同作物的生長狀況不同，和溫室內(nèi)各環(huán)境因子相互影響規(guī)律也不相同。想要建立精準的溫室小氣候預測模型需要全面考慮這些因素，今后應以生物學、熱動力學等基礎理論為研究基點，綜合考慮各因子之間的相互作用，建立出更精確的多因子溫室模型，從而預測小氣候的變化。

（2）由于在實際建模過程中涉及到的參數(shù)和物理變量的數(shù)量非常多，所以將其應用到實踐工程中是很困難的。建立線性參數(shù)模型所得結(jié)果誤差較大。神經(jīng)網(wǎng)絡模型與傳統(tǒng)的機器學習算法相比所需要的數(shù)據(jù)量更大，學習時間更長，“黑盒子”性質(zhì)使其推理結(jié)果存在不可靠的情況，所以在實時系統(tǒng)中基本不會被采用。目前來看，單一的建模方法，由于其不能解決溫室氣候建模的局限性，已經(jīng)逐漸向雜交(Hybrid) 模型的方式轉(zhuǎn)變，如線性參數(shù)受控自回歸模型(ARX)和神經(jīng)網(wǎng)絡相結(jié)合組成基于神經(jīng)網(wǎng)絡的線性參數(shù)受控自回歸模型(NNARX) 系統(tǒng)，采用遺傳算法和物理模型，遺傳算法和粒子群最優(yōu)化結(jié)合等方式來進行溫室建模，可實現(xiàn)面向智能控制的精準預測。在完善溫室作物和環(huán)境模型，創(chuàng)新理論研究與方法的基礎上，還應針對中國的國情和氣候條件，研究和開發(fā)適合生產(chǎn)實踐的溫室氣候模型。

（3）個別現(xiàn)存模型的復雜度太高，需進行簡化或重構(gòu)處理。然而，經(jīng)過復雜溫室系統(tǒng)模型狀態(tài)合并和過程簡化后，整個過程的輸入和輸出之間的變量關(guān)系發(fā)生了顯著變化，函數(shù)結(jié)構(gòu)也變得更加復雜，有些時候甚至無法從機理建模上確定這種輸入輸出定量關(guān)系。所以建議利用系統(tǒng)辨識理論來優(yōu)化結(jié)構(gòu)和未知系統(tǒng)建模。針對較為復雜的溫室系統(tǒng)，進行狀態(tài)合并后采用系統(tǒng)辨識的方法來確定合并狀態(tài)的輸入輸出關(guān)系，例如采用多項式方法來表示這些未知輸入輸出關(guān)系的結(jié)構(gòu)，采用辨識各種關(guān)鍵環(huán)境參數(shù)的方法來確定多項式的系數(shù)，從而達到辨識整個模型的目的。

（4）關(guān)于模型是否可靠的檢驗，目前有兩種較為主流的方法。一種是試驗檢驗法，簡單來說是利用系統(tǒng)實際的輸入數(shù)據(jù)和輸出數(shù)據(jù)來檢測模型在相同輸入條件下對輸出的逼近程度。此種方法簡單有效，但用于檢測的數(shù)據(jù)來自于一定條件下，故不能保證該模型在多種條件下的預測精度。另一種是利用模型的可靠性理論來證明所建模型的可靠性。用這種方法驗證的模型可靠性比較高。多采用概率統(tǒng)計理論等方法（t 檢驗方法、F 檢驗方法）。建議用第二種方法?？傮w來說溫室復雜系統(tǒng)的研究還是比較淺顯，是該領域?qū)W者需要重點突破的內(nèi)容。