• 谷歌scholor

  • 观点:2649

  • PDF下载:575

利用统计模型估算温室内空气温度

Konstantinos Chronopoulos2＊和Aristidis Matsoukis1

DOI:http://dx.doi.org/10.12944/CWE.12.1.01

应用线性回归(LR)和人工神经网络(ANN)模型估算温室内空气温度(T)的效率[j]o48我“我”我“N, 23岁o57Î " 48Î " Î " E)， Lavreotiki，在本工作中进行了研究。城市气象站(MS)在37年的T数据058我“55”我“N, 23岁o32Î " 14Î " Î " E，雅典，阿提卡，希腊，距离温室约30公里，被用作预测变量，考虑实际测量时间(ATM)和两小时前(ATM-2)，视情况而定。连续4个月(7 - 10月)监测每个检查区域(温室和MS)的气温数据，并采用两小时的平均值进行上述估计。结果表明，考虑到人工神经网络模型在温室内观测数据与估计数据分布的散点图中表现出的更好的性能，人工神经网络模型优于LR模型，无论是在较高的决定系数(R2)和较低的平均绝对误差(MAE)。最佳人工神经网络模型(最高R2我们的研究结果可能是利用远程ms的外部T数据估计希腊温室内部T的第一步，从而可以显着改善温室的运行。


空气温度;估计;温室;线性回归;神经网络模型

复制下面引用这篇文章:

马绍基，陈建军，陈建军，等。利用统计模型估算温室内温度。生态学报，2017;12(1)。DOI:http://dx.doi.org/10.12944/CWE.12.1.01

复制以下内容引用此URL:

马绍基，陈建军，陈建军，等。利用统计模型估算温室内温度。生态学报，2017;12(1)。可以从://www.a-i-l-s-a.com/?p=16821

下载文章(pdf)
引用管理器
发布历史

文章发表历史

收到: 2016-12-30
接受: 2017-02-05

介绍

为了生产出适销对路的淡季植物产品，温室内的植物生长通常是必要的。温室是一种全封闭或部分封闭的建筑，通过人工或自动控制和调节气象参数值，以满足栽培植物品种的要求。1影响温室植物生产的关键因素之一是室内空气温度。2据报道，该参数的估计对于帮助种植者管理作物生产和设计师改进通风和供暖系统具有重要意义。3.

因此，从理论和实践的角度来看，人们对温室内部T的估计进行了大量的尝试，提出了各种统计模型，如有外部输入的线性自回归模型(ARX)和有外部输入的自回归移动平均模型。4ARX结合神经网络架构，5偏最小二乘回归和反向传播神经网络;6准确度或高或低。

一种鲁棒的计算技术，人工神经网络(ANN)模型7，可以成功地用于估算温室内部温度，因为它已被一些研究证实，如萨拉查et al。8阿里普尔和洛哈维。9这个模型与复杂的、非线性的、时变的输入-输出映射的巨大潜力相吻合。10人工神经网络用于估算温室内部温度是有限的，特别是当使用远程气象站(MS)的外部温度作为预测变量时。据我们所知，本工作的作者只进行了一些初步测试(未发表的数据)。

我们目前的工作旨在研究基于远程ms的外部T数据估计温室内部T的人工神经网络令人满意的性能假设。此外，我们评估了所选择的线性回归(LR)模型的性能，并与人工神经网络的性能进行了比较。在这两种情况下，我们都使用了T数据内观察到的与估计的分布散点图，以及决定系数(R)2)和平均绝对误差(MAE)来评估结果。

材料与方法

田间试验在两个地方进行。第一名是MS (37)058我“55”我“N, 23岁032Î " 14Î " Î " E)位于雅典市人口稠密的城区，第二个是一个温室(37048我“我”我“N, 23岁057Î " 48Î " Î " E)位于希腊大陆东南部阿提卡州的拉夫雷奥蒂基市。在距S1约30 Km处，MS处有一个检测点(S1)，温室内有一个检测点(S2)。根据Matsoukis的说法，S2场地位于一个无阴影的地块上，那里有一个观赏植物种植et al。11简而言之，该地块有一个开放的垂直侧，其他三个垂直侧由白色不透明聚丙烯塑料板覆盖(希腊Vellis A.E.公司的Velliflor模型)。为了防止杂草的发生，用同一类型的薄板覆盖地面。

S2的空气温度数据每10分钟监测一次，传感器(型号809l 0-100, Wilh。德国Lambrecht, GmbH;精度±0.3o在0o)，并由数据记录仪(型号903;Wilh。Lambrecht, GmbH，德国)传感器被放置在与植物冠层顶部相等的高度，连续四个月(7月至10月)。T平均值以两小时为基础计算。同时，在同一时间基础上，通过MS记录的T数据计算T平均值，12在同一时期。利用温室(S2)和MS (S1)的T平均值，借助简单线性(SLR)和多元线性回归(MLR)模型，以及经多次初步试验确定的人工神经网络模型，对温室内部T进行估计。最后，为了估计S2的内部T，根据S1的数据，从更高的R方面区分了四个模型2MAE更低。这些模型分别命名为A、B、C、d。模型A采用单反分析，模型B采用多反分析。对于模型C和D，自定义多层感知器(mlp)属于最常用的人工神经网络架构，13被使用。

更具体地说，单反分析由以下公式定义:

Y = α + βx (1)

其中y为因变量，x为自变量，α， β分别为y轴截距和斜率。在模型A中，以实际测量时间(ATM)的MS的T作为自变量，估计温室内部的T(因变量)。MLR分析定义为:

Y = α + β1x1+β2x2+···+βnxn（2）

x1, x2x、…n:自变量，α: y轴截距，β1,β2,…,βn:回归系数。每个回归系数表示各自的自变量对因变量预测的贡献。在模型B中，以S1(第一自变量)在实际测量时(ATM)的T和S1两小时前(ATM-2)的T作为第二自变量，估计S2位点(因变量)的T。

最常用的人工神经网络模型之一的T估计，MLP，被选择用于本研究。在使用mlp进行模型构建时，一个主要考虑因素是确定网络的最佳体系结构，即输入的数量、层的数量和每层的节点数量。为了解决这个问题，使用了试错法，这是测试许多不同替代模型的最常用策略，以保持最佳性能的网络。发现模型C的最佳结构为1-6-1，即输入层为1个单位，(ATM时T为S1)隐藏层为6个单位，输出层为1个单位(估计T为S2)。同样，对于模型D，我们发现最佳的架构是2-7-1，即2个单位的输入层(ATM处的T (S1)和ATM-2处的T (S1))， 7个单位的隐藏层和1个单位的输出层(在本例中估计为T (S2))。对于这两种人工神经网络，层之间的连接都是前馈的，它们的权值和阈值由神经网络的训练过程确定。训练集由一半的数据、四分之一的数据的选择集和剩下四分之一的数据的测试集组成，随机分配14．在对网络进行适当的训练后，我们只考虑测试数据集来确定测试参数(R2， MAE)，并比较估计模型。

为了评价LR和MLP模型得到的结果的性能，使用了两个广泛使用的标准;R2S2点观测T值与估计T值的差和估计T值的差。MAE是每个模型应用后绝对误差的平均值，它与R并列2，这是一种检验模型整体效率的方法。模型越有效，R就越高2， MAE越低，这是理想的目标。检验LRs和mlp参数的统计显著性，需要特别注意输出P值。该值在确定参数时起着重要作用，将在各种模型中使用，以消除不足。在本研究中，确保结果在P≤0.05下具有显著性。

结果与讨论

A、B、C和D模型的应用结果是S2站点观测T数据与估计T数据分布的散点图，如图1和图2所示。表现最差的模型是由单反分析得出的最简单的模型A，因为R最小2与其他应用模型相比，MAE最高(图1a)。基于MLR分析的模型B比之前的模型(a)表现出更好的性能，并且这种改进可以通过更高的R来证明2和下MAE(图1b)。在ATM-2时额外输入的T (S1)是这种改进的关键因素。Chronopoulos等人也报道了类似的结果。15关于希腊国家森林峡谷中T的估计。如图2a所示，基于一个输入参数(ATM时T为S1)的MLP模型C的性能略好于模型B，这是由于MAE较低，尽管R2保持不变。基于MLP方法的更复杂的模型D，其中输入参数是S1的T at ATM和T at ATM-2，就最高R而言，比我们测试的任何其他模型都产生了更好的结果2MAE最低(图2b)。据报道，在人工神经网络模型中引入ATM作为输入，在城市地区对T的估计产生更好的结果。13

人工神经网络考虑到T数据的非线性特征的能力，产生了比LRs模型更好的结果，特别是当我们使用具有两个小时时滞的相同数据的组合输入时。当使用时间滞后时，这种明显的改进可能是由于两个站点的距离以及地形剖面的影响。应该指出的是，地形剖面导致日出和日落时间不同，在两个被检查的地点差异超过一个小时。

图1所示。模型A (A)和B (B)的观测与估计气温(0)数据的散点图。R2:决定系数，MAE:平均绝对误差。


图1:观测值与估计值的散点图
气温(o)模型A (A)和B (B)的数据2：
确定系数MAE:平均绝对误差。
点击此处查看图

图2。模型C (a)和D (b)的观测与估计气温(0)数据的散点图。R2:决定系数，MAE:平均绝对误差。


图2:观测值与估计值的散点图
气温(o)模型C (a)和D (b)的数据2：
确定系数MAE:平均绝对误差。
点击此处查看图


综上所述，对SLR、MLR和MLP模型应用后的结果进行分析，无论有无时滞，都清楚地表明，MLP模型优于SLR和MLR模型，考虑到基于观测和估计的温室内T数据分布的散点图，更高的R, MLP模型的性能更好2MAE越低。从两个检验的MLP模型来看，基于上述散点图，输入参数为ATM和ATM-2的模型D具有更好的性能，R最高2MAE最低。因此，作为第一步，使用远程ms的外部T估计希腊温室的内部T，具有负两小时时滞的检验MLP模型可能是有益的。这种估计可能是一个有价值的工具，可以更有效地操作温室。

参考文献

  1. Chronopoulou-Sereli, A, Tsiros, I, Kamoutsis, A, Matsoukis, A, Droulia, F, Charalampopoulos, I.和Chronopoulos, K.生物气候学的一般和特定主题，应用-练习，Ziti出版社，塞萨洛尼基，希腊，190p(2012)。
  2. Mesmoudi, K.， Soudani,A.。炎热和干旱气候下种植番茄的温室内空气温度的测定。环境卫生应用科学杂志，5(2): 117-129 (2010)
  3. Wang, S.和Boulard, T.预测地中海气候下自然通风塑料房屋的小气候。农业工程研究，75(1): 27-38 (2000)
    CrossRef
  4. Uchida Frausto, H.， Pieters, J. G.和Deltour, J. M.用自回归模型模拟温室温度。生物系统工程，84(2): 147-157 (2003)
    CrossRef
  5. Uchida Frausto, H.和Pieters, J. G.利用神经网络的系统识别对温室温度进行建模。Neurocomputing，56: 423-428 (2004)
    CrossRef
  6. 李晓峰，秦丽丽，马国强，吴刚。基于PLSR和BPNN的温室温度模拟。第35届中国控制会议论文集: 2196-2200 (2016)
    CrossRef
  7. Shank, D. B, Hoogenboom, G.和McClendon, R. W.使用人工神经网络进行露点温度预测。应用气象与气候学杂志，47(6): 1757-1769 (2008)
    CrossRef
  8. Salazar, R. LÏŒpez, I.和Rojano, A.一个预测温室温度和相对湿度的神经网络模型。Acta Horticulturae，801: 539-546 (2008)
    CrossRef
  9. Alipour, M.和Loghavi, M.基于人工神经网络的温室气候综合控制系统的开发与评价。控制与自动化通用杂志，1(1): 10-14 (2013)
  10. Dibike, Y. B.和Coulibaly, P.气候变率和极端事件降尺度的时间神经网络。神经网络，19:135-144 (2006)
    CrossRef
  11. Matsoukis, A.， Chronopoulou-Sereli, A.和Chronopoulos, I.与温室遮阳有关的生物气候条件:案例研究马樱丹属卡马拉L.夏季栽培。当代农业研究杂志，4(1): 47-53 (2016)
    CrossRef
  12. Chronopoulou-Sereli, A.雅典Votanikos地区1994 - 1998年的气象资料。雅典农业大学物理与农业气象实验室，希腊雅典(1999)
  13. Kamoutsis, a.p.， Matsoukis, a.s.和Chronopoulos, k.i.在希腊大雅典地区使用人工神经网络模型估算气温。ISRN气象学排名:1-7 (2013)
  14. Chronopoulos, K.， Kamoutsis, A.， Matsoukis, A.和Manoli, A.，希腊山区热舒适条件估计的人工神经网络模型应用。自动取款机我œsfera，25(2): 171-181 (2012)
  15. Chronopoulos, K.， Tsiros, I.， Dimopoulos, I.和Alvertos, N.，人工神经网络模型在气象站稀疏网络地区估计气温数据的应用。环境科学与健康杂志，A部分，43(14): 1752-1757(2008)。
知识共用许可证
本作品在a知识共享署名4.0国际许可协议．