当前世界环境

介绍

玻璃室内的植物的生长通常是必要的，以便在季节创造销售植物产品。玻璃室是完全或部分封闭的结构，其中有手动或自动控制和调节气象参数的值，以满足栽培植物物种的要求。¹影响玻璃厂生产的关键因素之一是内部气温（T）。²据报道，该参数的估计值得高于帮助种植者管理作物生产和设计师以改善通风和加热系统的重要性。^3.

因此,从理论和实际的角度来看,已经进行了很多尝试估计温室内T,展示各种各样的统计模型,例如,线性汽车回归模型与外部输入(ARX)和汽车后退移动平均模型与外部输入,⁴ARX结合神经网络架构，⁵偏最小二乘回归与反向传播神经网络，⁶精度更高或更低。

一种稳健计算技术，人工神经网络(ANN)模型⁷，可以成功地用于估算温室内T，这已被几个研究(如Salazar)证实等等。⁸还有阿里普尔和洛加维。⁹该模型具有复杂、非线性和时变的输入-输出映射的巨大潜力。¹⁰利用人工神经网络估算温室内部温度是有限的，特别是当使用一个远程气象站(MS)的外部温度作为预测变量时。据我们所知，目前工作的作者只做了一些初步测试(未发表的数据)。

我们目前的工作旨在研究基于远程ms室外T数据的温室内T估计的人工神经网络的令人满意的性能假设。此外，选定的线性回归(LR)模型的性能被评价并与人工神经网络的性能进行了比较。在这两种情况下，我们使用了T数据中观测到的与估计到的分布散点图，以及决定系数(R²)和平均绝对误差(MAE)来评价结果。

材料和方法

在两个地方进行了田间试验。第一名是MS(37岁)⁰58/55/55/“î”N，23⁰“32Δ“14Δ“ΔE)在人口稠密的雅典市区，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地区的拉维罗蒂基市。在MS区有1个检测点(S1)，在温室内有1个检测点(S2)，距离S1区约30公里。S2位点位于无遮荫地块，根据Matsoukis的说法，这里有观赏植物种植等等。¹¹简而言之，这个地块有一个开放的垂直面，其他三个垂直面被白色不透明的聚丙烯塑料片覆盖(希腊Vellis A.E.公司的Velliflor模型)。同一类型的薄片被用来覆盖地面，以防止杂草的出现。

S2温度数据每10 min监测一次，传感器(809 L 0-100型，Wilh。Lambrecht、GmbH是一家现代化、德国;精度±0.3^o在0^o)，并由数据记录器(型号903;Wilh。Lambrecht GmbH,德国)。传感器被放置在与植物树冠顶部相同的高度，连续4个月(7月- 10月)。T平均是按两小时计算的。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。温室(S2)和MS (S1)的T平均值被用来估计温室内部的T，借助简单线性(SLR)和多元线性回归(MLR)模型，以及由许多初步测试确定的ANN模型。最后，为了估计S2的内部T，根据S1的数据，四个模型区别于其他模型，R更高²和更低的美。这些模型分别为A、B、C、d。模型A采用SLR分析，模型B采用MLR分析。对于模型C和模型D，自定义多层感知器(MLPs)，属于最常用的ANN体系结构，¹³被使用。

更具体地，SLR分析由等式定义：

Y =α+βx（1）

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

Y = α + β₁X₁+β.₂X₂+···+β_nX_n（2）

x₁, x₂x、…_n:自变量，α: y轴截距，β₁，β.₂，...，β_n:回归系数。各回归系数表示各自自变量对因变量预测的贡献。模型B中，以S1(第一自变量)实际测量时的T (ATM)和S1提前2小时的T (ATM-2)作为第二自变量，估计S2位点的T(因变量)。

本研究选择了最常用的用于T估计的ANN模型之一，MLP。在使用mlp构建模型时，主要考虑的是确定网络的最佳结构，即输入的数量、层的数量和每层的节点数量。为了解决这一问题，采用了一种最常用的策略——试错法来测试各种不同的可选模型，以保持最佳的性能网络。结果表明，模型C的最佳结构为1-6-1，即输入层为1个单元，(S1在ATM时的T)隐含层为6个单元，输出层为1个单元(估计的S2的T)。以类似的方式,模型D最好的建筑是2-7-1,也就是说,一个输入层2单元(T的S1 ATM-2 ATM和T (S1),一个隐藏层7单元和一个输出层1单元(估计T (S2)在这种情况下)。对于两种神经网络，各层之间的连接都是前馈的，它们的权值和阈值是通过神经网络的训练过程确定的。训练集由一半的数据、四分之一的数据的选择集和其余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。

为了评估LR和MLP模型获得的结果的性能，使用了两个广泛使用的标准;r.²S2点观测和估算的T值与估算的T值的MAE之间的关系。MAE是应用每个模型后的绝对误差的平均值，与R并行²，一种检查模型整体效率的方法。模型效率越高，R值越高²， MAE越低，这是理想的目标。在检验LRs和mlp参数的统计意义时，需要特别注意输出P值。这个值是确定参数的主要作用，将在各种模型中使用，以消除缺陷。本研究保证在P≤0.05时结果显著。

结果与讨论

在图1和2中示出了观察到的观察到的估计T数据的分布的散点图的应用的应用结果。具有最严重的模型最简单一个，源自单反分析的模型A，由于最低的r²和最高的MAE(图1a)，与其他应用模型相比。基于MLR分析的模型B表现出比前一个模型(a)更好的性能，这一改进被更高的R所证明²和较低的MAE(图1b)。ATM-2时S1的T的额外输入是这一改进的关键因素。Chronopoulos等人也报道了类似的结果。¹⁵关于希腊国家森林峡谷中的T值的估算。如图2a所示，基于MLP的模型C，只有一个输入参数(T of S1 at ATM)，由于MAE较低，其性能略好于模型B，尽管R²保持不变。更复杂的模型D，基于MLP方法，输入参数都是ATM的T和S1的ATM-2的T，在R最高的情况下，比我们测试的任何其他模型的结果都好²和最低的mae（图2b）。据报道，将ATM作为ANN模型的投入引入，在城市地区产生更好的结果，了解T.¹³

人工神经网络考虑T数据的非线性特性的能力，比LRs模型产生了更好的结果，特别是当我们使用的是两个小时的时间滞后的相同数据的组合输入。在使用时滞时，这种明显的改善可能是由于两个地点的距离，加上地形剖面的影响。应该注意的是，地形剖面的结果是不同的日出和日落时间，在两个检查地点的变化超过一个小时。

图1:观测与估计的散点图 空气温度(o)模型A (A)和模型B (B)的数据2： 决定系数，MAE:平均绝对误差。 点击这里查看图

图2:观测到的与估计的散点图 空气温度(o)的数据模型C (a)和D (b)2： 决定系数，MAE:平均绝对误差。 点击这里查看图

总之,单反的应用后的分析结果,高钙和延时模型,有或没有时间滞后,清楚地表明,延时模型比单反和高模型,考虑他们的更好的性能根据散点图分布的观测与估计温室内T数据,R越高²和下毛。从两种检查的MLP模型，模型D，其中输入参数在ATM和T处的T处于ATM-2，基于上述散点图具有更好的性能，最高的r²和最低的MAE。因此,时滞的模型检验算法-两个小时可以是有益的,作为第一步,估计在T的温室在希腊,使用外部T远程女士的这个估计可能是一个有价值的工具,用于温室的更高效的操作。

参考文献

1. Chronopoulou-Sereli, A.， Tsiros, I.， Kamoutsis, A.， Matsoukis, A.， Droulia, F.， Charalampopoulos, I. and Chronopoulos, K.《生物气候学的一般和特定主题》，应用-习题，Ziti Publications, Thessaloniki，希腊，190 p(2012)。
2. Soudani Mesmoudi, K。,。和Bournet, P. E.测定温室内空气温度番茄作物在炎热和干旱气候。环境卫生应用科学学报，5(2): 117 - 129 (2010)
3. 王，S.和Boulard，T.预测地中海气候的天然通风塑料房中的微气候。农业工程研究，75.(1): 27-38 (2000)
   CrossRef
4. 基于自回归模型的温室温度模拟研究。生物系统工程，84.(2): 147 - 157 (2003)
   CrossRef
5. Uchida Frateo，H.和Pieters，J.G。通过神经网络使用系统识别来建模温室温度。Neurocomputing，56.：423-428（2004）
   CrossRef
6. 李晓峰，秦丽丽，马国强，吴刚。基于PLSR和BPNN的温室温度建模。第35届中国控制会议论文集: 2196 - 22002016)
   CrossRef
7. Shank，D。B.，Hoovingoom，G.和McClendon，R.W.使用人工神经网络露天度温度预测。应用气象与气候学杂志，47.(6): 1757 - 1769 (2008)
   CrossRef
8. Salazar，R.，LïœPEZ，I.和Rojano，A.一种神经网络模型，以预测温室温度和相对湿度。Acta Horticulturae，801：539-546（2008）
   CrossRef
9. 基于人工神经网络的温室综合气候控制系统的开发与评价。控制与自动化学报，1(1): 10 - 14 (2013)
10. 气候变率和极值的时间神经网络。神经网络，19:135-144 (2006)
    CrossRef
11. 在温室中与遮荫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。当前农业研究杂志，4(1): 47-53 (2016)
    CrossRef
12. 1994 - 1998年雅典沃塔尼科斯地区的气象资料。雅典农业大学物理与农业气象学实验室，希腊雅典，(1999)
13. 利用人工神经网络模型估算希腊大雅典地区的气温。ISRN气象学: 1 - 7 (2013)
14. Chronopoulos，K.，Kamoutsis，A.，Matsoukis，A。和Manoli，A。，一种人工神经网络模型应用，用于估计山区的热舒适条件，希腊。atm我œsfera.，25(2): 171 - 181 (2012)
15. 人工神经网络模型在气象站稀疏网络区域气温数据估算中的应用。中国环境科学与健康杂志，部分,43岁(14): 1752 - 1757(2008)。