基于随机森林算法的日光温室内气温预测模型研究

doi:10.11924/j.issn.1000-6850.casb2020-0017

摘要/Abstract

摘要：

开展日光温室气温预报,为农业生产提供参考,指导农户采取调控措施,为作物生长提供适宜条件,促进品质和产量提升。研究选取温室外气温、日照等气象因子,建立随机森林算法预测模型,就室内最低、最高气温进行拟合预测分析和预测因子重要性评估。结果表明,温室内最低、最高气温拟合值与观察值的拟合度分别达99.69%和99.85%,温室外最低气温是室内最低气温的重要预测因子,室外日照是室内最高气温的重要预测因子。同时建立支持向量机、神经网络、多元回归、逐步回归模型,通过对各个模型中平均绝对误差、均方根误差等3个指标进行比较,得出随机森林模型的预测精度优于其他模型。基于随机森林算法的气温预测模型精确度较高,可推广应用到后期日光温室气温预测中。

关键词: 日光温室, 最高最低气温, 预测, 随机森林算法, 模型研究

Abstract:

The study carries out temperature forecast of solar greenhouse, aiming to provide reference for agricultural production, guide greenhouse temperature control to ensure a suitable condition for crop growth, and promote agriculture products’ quality and yield. Meteorological factors such as temperature and sunshine outside the greenhouse were selected to build a prediction model based on random forest algorithm, and then the indoor minimum and maximum temperatures were fitted for prediction analysis and the importance of the prediction factors were evaluated. Results showed that the fitting degree of the fitting value and the observed value of the lowest and the highest air temperature in greenhouse was 99.69% and 99.85%, respectively. The lowest air temperature outside the greenhouse was an important predictor of the indoor minimum air temperature, and the outdoor sunshine was an important predictor of the indoor maximum air temperature. At the same time, the support vector machine, neural network, multiple regression and stepwise regression models were established. By comparing the mean absolute error and root-mean-square error in each model, the prediction accuracy of the random forest model was better than that of other models. The air temperature prediction model based on random forest algorithm is more accurate, which can be popularized in the air temperature prediction of solar greenhouse.

Key words: solar greenhouse, maximum and minimum air temperature, prediction, stochastic forest algorithm, model study

中图分类号:

S165+.21

刘红, 党晓东, 都全胜, 马润年, 白石轮. 基于随机森林算法的日光温室内气温预测模型研究[J]. 中国农学通报, 2020, 36(25): 95-100.

Liu Hong, Dang Xiaodong, Du Quansheng, Ma Runnian, Bai Shilun. Temperature Prediction Model in Solar Greenhouse Based on Stochastic Forest Algorithm[J]. Chinese Agricultural Science Bulletin, 2020, 36(25): 95-100.

图/表 10

棚内	棚外
棚内	平均气温	最高气温	最低气温	风速	日照
最高气温	0.149	0.571	-0.17	-0.105	0.869
最低气温	0.691	0.41	0.678	0.22	-0.04

表1. 保温被日光温室内外气象要素相关系数

棚内	棚外
棚内	平均气温	最高气温	最低气温	风速	日照
最高气温	0.111	0.552	-0.216	-0.146	0.835
最低气温	0.676	0.369	0.689	0.234	-0.05

表2. 草帘日光温室内外气象要素相关系数

图1. 保温被日光温室最低气温拟合值与观察值的拟合图

图2. 保温被日光温室最高气温拟合值与观察值的拟合图

图3. 保温被日光温室最低气温拟合值与观察值的相关图

图4. 保温被日光温室最高气温拟合值与观察值的相关图

图5. 温室内最低气温预测因子的平均准确率降低度排序图 X1~X4分别代表室外平均气温、室外最高气温、室外最低气温和日照,下同

图6. 温室内最高气温预测因子的平均准确率降低度排序图

模型	均方根误差(RMSE)	平均绝对误差(MAE)	相关系数(R)
随机森林	0.5485	0.4270	0.9560
支持向量机	0.8722	0.5908	0.8540
神经网络	1.4148	0.9662	0.7496
多元回归	1.1192	0.8683	0.7380
逐步回归	1.1267	0.8724	0.4732

表3. 不同预测模型对温室内最低气温预测精度评估

模型	均方根误差(RMSE)	平均绝对误差(MAE)	相关系数(R)
随机森林	1.2980	1.0374	0.9783
支持向量机	2.0076	1.4286	0.9269
神经网络	2.0168	1.5845	0.9266
多元回归	2.4941	2.1000	0.8843
逐步回归	2.5214	2.1056	0.8816

表4. 不同预测模型对温室内最高气温预测精度评估

参考文献 29

[1]	王健林. 现代农业气象业务[M]. 北京: 气象出版社, 2010: 265-267.
[2]	薛晓萍, 李鸿怡, 李楠, 等. 日光温室小气候预报技术研究[J]. 中国农学通报, 2012,28(29):195-202.
[3]	李亚敏, 商庆芳, 田丰存, 等. 我国设施农业的现状及发展趋势[J]. 设施园艺, 2008(3):90-92.
[4]	刘克长, 任中兴, 张继祥, 等. 山东日光温室温光性能的实验研究[J]. 中国农业气象, 1999,20(4):34-37.
[5]	孙智辉. 冬季强低温天气对日光温室作物的影响[J]. 气象科技, 2004,32(2):126-128.
[6]	严彩虹, 周龙, 唐震, 等. 莫索垦区冬枣大棚温度特征变化及日最低气温预报研究[J]. 浙江农业科学, 2018,59(3):445-448.
[7]	范辽生, 朱兰娟, 柴伟国, 等. 杭州冬季塑料大棚内气温变化特征及日最低气温预报模型[J]. 中国农业气象, 2014,35(3):268-275. doi: 103969/jissn1000-6362201403005 URL
[8]	温永菁, 李春, 薛庆禹, 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[J]. 中国农学通报, 2018,34(16):115-125.
[9]	刘淑梅, 薛庆禹, 黎贞发, 等. 基于BP神经网络的日光温室气温预报模型[J]. 中国农业大学学报, 2015,20(1):176-184.
[10]	Linker R, Seginer I, Gutman P O. Optimal CO₂ control in a greenhouse modeled with neural networks[J]. Computers & Electronics in Agriculture, 1998,19(3):289-310.
[11]	金志凤, 符国槐, 黄海静, 等. 基于BP神经网络的杨梅大棚内气温预测模型研究[J]. 中国农业气象, 2011,32(3):362-367.
[12]	潘登, 郁培义, 吴强. 基于气象因子的随机森林算法在湘中丘陵区林火预测中的应用[J]. 西北林学院学报, 2018,33(3):169-177.
[13]	陆龙妹, 赵明松, 卢宏亮, 等. 人工神经网络和随机森林在回归问题中的应用比较[J]. 科技创新与应用, 2019(10):31-32,36.
[14]	李文娟, 赵放, 郦敏杰, 等. 基于数值预报和随机森林算法的强对流天气分类预报技术[J]. 气象, 2018,44(12):1555-1564.
[15]	杨思琪, 赵丽华. 随机森林算法在城市空气质量预测中的应用[J]. 统计与决策, 2017(20):83-86.
[16]	舒素芳, 蔡敏, 刘新华, 等. 大棚蔬菜最低气温预报及冻害防御技术[J]. 气象科技, 2015,43(1):133-137.
[17]	李石, 张菁, 张淑杰, 等. 沈阳地区日光温室内最低气温变化特征及其预报模型研究[J]. 气象与环境学报, 2016,32(6):130-136.
[18]	邹学智, 申双和, 曹雯, 等. 基于公众天气预报预测塑料大棚逐日极端气温[J]. 气象科学, 2014,34(2):187-192.
[19]	刘军利, 王晨晨, 秦富仓, 等. 赤峰市松山区山坡地日光温室气温变化规律[J]. 中国农学通报, 2014,30(10):207-211.
[20]	汪小旵, 丁为民, 罗卫红, 等. 利用BP神经网络对江淮地区梅雨季节现代化温室小气候的模拟与分析[J]. 农业工程学报, 2004,20(2):235-238.
[21]	王春玲, 魏瑞江, 申双和, 等. 基于BP神经网络的冬季日光温室小气候模拟[J]. 中国农学通报, 2014,30(5):149-157.
[22]	陈巧丽. 关于温室大棚保温被技术要求的探讨[J]. 农业开发与装备, 2014(2):75-76.
[23]	王丽颖, 张朝. 浅谈严寒地区农村蔬菜大棚保温策略研究[J]. 智慧城市, 2017,3(10):54-56.
[24]	刘志鹏, 戴海燕, 孙奇, 等. 基于逐步回归分析的日光温室温度预报[J]. 吉林农业, 2017(20):96-98.
[25]	李全平, 朱宝文, 高君元, 等. 高寒冷凉地区日光温室温度变化规律分析与预报[J]. 中国农学通报, 2015,31(22):236-242.
[26]	张婷华, 李昌玉. 西宁冬季日光温室气温变化规律研究[J]. 中国农学通报, 2016,32(11):109-114.
[27]	朱春侠, 童淑敏, 胡景华, 等. BP神经网络在日光温室湿度预测中的应用[J]. 农机化研究, 2012(7):207-210.
[28]	何芬, 马承伟. 遗传算法优化人工神经网络模型在日光温室湿度预报中的应用[J]. 中国农学通报, 2008,24(1):492-495.
[29]	李倩, 申双和, 曹雯, 等. 南方塑料大棚冬春季温湿度的神经网络模拟[J]. 中国农业气象, 2012,33(2):190-196. doi: 10.3969/j.issn.1000-6362.2012.02.006 URL