南方塑料大棚“棚温逆差”特征及其预报*

杨 栋，丁烨毅，孙军波，李清斌，魏莎莎，黄鹤楼



南方塑料大棚“棚温逆差”特征及其预报*

杨 栋1，丁烨毅1，孙军波2，李清斌2，魏莎莎2，黄鹤楼1

(1．宁波市气象台，宁波 315012；2．慈溪市气象局，宁波 315033)

“棚温逆差”指设施大棚采取保温措施时出现棚内日最低气温低于棚外的现象，利用2010−2015年冬季和初春浙江地区塑料大棚内外气象资料，结合大棚覆膜保温、开窗通风等人工操作记录，对南方塑料大棚“棚温逆差”发生的特征及关键影响因子进行探究；选用5种常见神经网络方法（BP、GA-BP、RBF、GRNN、PNN）分别构建“棚温逆差”预报模型，并基于不同模型预报准确率构建集合预报模型。结果表明：（1）初春和初冬季“棚温逆差”频率较严冬高3倍，棚内1.5m高处出现概率较0.5m处偏高3倍；0.5m高处大棚边缘出现“棚温逆差”概率为中央的8～13倍，1.5m高处中央和边缘位置出现概率差异较小。（2）“棚温逆差”发生时，棚外日最低气温主要在2～11℃区间，大棚保温方式为单膜或双膜覆盖，其中单膜覆盖占比达93%以上。“棚温逆差”多发生在白天东西侧窗开启高度较高（平均高度35～40cm）且夜间放小缝通风时；0.5m处发生“棚温逆差”时，天气条件较1.5m处发生时明显偏差，日最小相对湿度、总云量和日均风速偏高，日照时数偏少。（3）5种神经网络方法对“棚温逆差”的预报准确率在80%左右，其中GA-BP模型预报准确率最高；集合预报模型对0.5m高度处“棚温逆差”预报准确率在85%左右，1.5m高度处准确率在80%左右，且预报稳定性较单一模型高。

棚温逆差；塑料大棚；温度；神经网络；集合模型

浙江地区冬季和初春季节低温冷害频发，随着气候变化，其危害有加重趋势[1]。塑料大棚在浙江地区农业种植中得到广泛应用，近年来，火龙果、莲雾等南方热带作物和双季葡萄等特色作物逐渐引种，对塑料大棚内的温度要求更加严格。为保证设施大棚作物生产安全，一般会采取适当的保温措施，但需要投入大量的人力和物力，因此，采取合理高效的保温措施十分必要。目前，设施大棚气象要素变化特征分析和预报是保障设施农业安全高效生产的关键，相关研究已逐步开展[2−4]。

调查发现，设施大棚存在“棚温逆差”现象，即设施大棚在覆盖棚膜时出现棚内日最低气温较棚外同高度日最低气温低的现象，国内相关学者也证实了这一现象的存在[5−6]。对冷空气强度相对弱的“棚温逆差”现象认识不足，保温措施不到位，导致喜温作物幼苗或幼嫩组织易受到较重的低温伤害，因此，“棚温逆差”预报和预警服务需求迫切。

神经网络方法是分类和预报的有效方法[7]，BP神经网络简单且容错性强，在温室小气候预测中应用最为广泛[8]。陈英义等[9]利用遗传方法（GA）对BP神经网络进行改进，应用于池塘水温短期预测；冯琰玮等[10]利用RBF神经网络对呼和浩特市生态安全预警进行研究；GRNN和PNN等神经网络方法在预测模拟时也表现出较好的效果[11−12]。获取优质的神经网络结构需要大量的样本和训练，但受观测资料及运算能力限制，单一模型预报精度、稳定度和业务适用性均较差，集合模型可实现不同模型的优势互补，提高模拟的精度和稳定度，在农业气象产量预报中已获得应用和认可[13−14]。

本研究拟利用2010−2015年浙江地区设施实验大棚内外气象要素观测及大棚人工操作记录，对南方塑料大棚内“棚温逆差”的时空分布特征及关键影响因子进行分析；选用BP、GA-BP、RBF、GRNN、PNN等5种常见的神经网络构建“棚温逆差”预报模型，并构建基于不同模型预报准确率的集合预报模型，以期为冬季和初春季节南方地区设施农业安全、高效生产提供科学依据。

1 材料与方法

1.1 实验数据

实验大棚位于浙江省慈溪市设施农业综合气象监测基地（30°12′N，121°16′E），为浙江一带常用GP-825型单栋塑料钢架大棚，呈南北走向，大棚东、西侧均有卷帘式的通风窗。2010年12月−2015年3月，对大棚内边缘（东、南、西、北侧，下同）及中央0.5m和1.5m高度处气温和大棚外侧0.5m和1.5m高度处气温、相对湿度及10m高度处风速、风向进行逐分钟观测，温湿度观测传感器为HygroClip S3（瑞士产），温度观测误差<0.3℃，仪器具体分布见图1。

考虑“棚温逆差”主要发生在冬季（12月−翌年2月）和初春（3月），且影响较大，因此，试验选用每年12月−翌年3月的观测资料；另外，大棚内南侧0.5m高度处温度传感器发生故障，资料缺测严重，因此不参与分析。棚外日照时数、降水量和云量资料来自距实验大棚5km处的慈溪国家基本气象站。

实验期间棚内种植草莓，人工保温操作主要包括单膜覆盖、双膜覆盖、三膜覆盖（双膜+小拱棚）、三膜+遮阴网和双膜+增温灯+遮阴网，覆盖膜均为0.7mm聚乙烯膜。详细记录大棚保温方式、东西侧窗开启高度、南北门是否通风、人工操作时间等。

图1 大棚内外观测仪器分布

1.2 神经网络模型预报

选择目前分类预报研究中常用的5种神经网络（BP、GA-BP、RBF、GRNN、PNN）分别构建“棚温逆差”预报模型。BP神经网络模型应用最广泛，但稳定性较差；GA-BP模型是基于遗传算法优化后的BP神经网络模型，能有效解决非线性和多维空间寻优问题，稳定性高；相比BP神经网络，RBF、GRNN和PNN误差是反向传播，输入到输出是前向传播的，原理相对简单，运算速度快，但参数较多，需要调整的空间较大。各神经网络模型的具体原理可参考文献[9，15−18]。

利用棚内各方位（东、南、西、北、中）0.5m和1.5m高度处的日最低温度观测值与棚外对应高度处的日最低气温观测资料，筛选棚内各方位0.5m和1.5m的“棚温逆差”样本，将棚内各方位均未出现“棚温逆差”日作为非“棚温逆差”样本。随机抽取“棚温逆差”和非“棚温逆差”80%的样本日数据用于模型训练，20%用于模型检验，样本具体分配见表1。将两种状况下棚外气象要素及人工操作进行对比，挑选差异显著且与棚温密切相关的预报因子，利用min-max标准化方法进行归一化处理，作为神经网络的输入因子，对“棚温逆差”发生和未发生分别赋值1和0，作为神经网络的输出。各神经网络模型的相关参数设置见表2，算法均借助MATLAB程序实现。

1.3 集合预报

基于不同神经网络方法的“棚温逆差”预报准确率，构建“棚温逆差”预报结果的集合预报模型。

表1 模型训练和检验样本分配

注：大棚内南侧0.5m高度温度探头故障，资料缺测。Tmin_in和Tmin_out分别指设施大棚内、外日最低气温。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 神经网络方法具体参考文献及相关参数设置

神经网络模型存在一定的不确定性，为提高其稳定性和可信度，对训练样本的随机取样过程重复100次，并利用抽取的数据分别对5种模型进行训练，将训练好的神经网络结合输入因子，对“棚温逆差”是否发生进行预报，计算每种方法100次模拟结果的平均值，进而判定该神经网络方法对“棚温逆差”预报的结果。

式中，yi指第i种神经网络模型第j次模拟结果。若100次模拟平均值≥0.5，表明发生“棚温逆差”；若平均值<0.5，表明“棚温逆差”不发生。

2 结果与分析

2.1“棚温逆差”发生的时空分布特征

对2010年12月−2015年3月冬季和初春设施大棚内各方位0.5m和1.5m高度“棚温逆差”日出现的概率进行统计（图2）。慈溪地区塑料大棚3月出现“棚温逆差”的概率最高，其中0.5m处为12%，1.5m处为46%，12月次之，1−2月最低，其中，0.5m处为4%～6%，1.5m处为17%～25%，初冬和初春（12月和3月）发生频率较严冬（1−2月）偏高近3倍。棚内1.5m处出现“棚温逆差”的概率较0.5m处偏高3倍，其中，中央位置1.5m处出现概率较0.5m处高36倍，东、西侧两个高度出现概率差异较小，1.5m处较0.5m处偏高1～2倍。分析同一高度不同位置“棚温逆差”概率发现，0.5m处，棚中央和边缘出现的概率差异较大，棚中央出现概率1%左右，边缘为8%～13%；1.5m处，棚中央和边缘出现概率的相对差异较小，棚中央较边缘偏高19%。

图2 冬季和初春大棚内不同方位0.5m（a）和1.5m（b）高处“棚温逆差”发生频率

挑选12月−翌年2月棚内不同位置出现“棚温逆差”的样本，统计棚外1.5m日最低气温处于不同水平时棚内各位置“棚温逆差”出现次数占对应位置“棚温逆差”总次数的百分比，棚外日最低气温进行四舍五入处理（图3）。棚内边沿位置（东、南、西、北侧）1.5m高度出现“棚温逆差”时，棚外日最低气温主要集中于2～11℃，占“棚温逆差”发生总次数的85%以上。大棚内边沿位置0.5m高度发生“棚温逆差”时，棚外日最低气温集中在2～11℃，占对应位置“棚温逆差”发生总次数的90%；棚中央0.5m高度出现“棚温逆差”的次数较少，不同温度的概率分布波动性较大，但最低气温集中区仍落在2～11℃范围内。综上可见，“棚温逆差”发生时棚外日最低气温主要集中在2～11℃，该温度区间易对喜温作物的幼苗和幼嫩组织造成低温冷害，因此需加强“棚温逆差”的预报。

图3 棚外最低气温处于不同水平时棚内0.5m（a）和1.5m（b）高处发生“棚温逆差”的次数占总次数的百分比

2.2“棚温逆差”预报因子筛选

对试验期间不同保温操作下出现“棚温逆差”的概率进行统计分析，结果见表3。由表中可见，“棚温逆差”仅发生在保温措施为单膜或双膜覆盖时。0.5m处，大棚边缘位置发生“棚温逆差”时单膜覆盖占总发生次数的94%～96%，棚中央位置发生“棚温逆差”时均为单膜覆盖；1.5m处，“棚温逆差”发生时单膜覆盖占93%～94%。

考虑浙江地区设施喜温作物在棚外日最低气温低于10℃时遭受低温冷害的风险较高，同时，为提高“棚温逆差”模型的应用针对性，选取棚外日最低气温≤10℃的样本进行研究，将“棚温逆差”发生与未发生样本的棚外相关气象要素及相关人工操作进行对比分析，筛选差异显著的因子作为模型构建的输入因子（表4和表5）。由表中可见，0.5m处“棚温逆差”发生与未发生时最小相对湿度和日均风速差异显著（P<0.05），1.5m处“棚温逆差”发生与未发生时日照时数和总云量差异显著（P<0.05），因此，选定日最小相对湿度、日照时数、总云量、日均风速作为“棚温逆差”预报的气象输入因子。“棚温逆差”发生与未发生时棚外日最低气温差异显著，但由于日最低气温主要通过影响人工操作进而间接影响“棚温逆差”，因此，建模因子筛选时棚外日最低气温未纳入。“棚温逆差”发生与未发生时，人工操作中覆膜层数、东西侧窗开启的最大和最小高度之间差异极显著（P<0.01）。

棚内1.5m处出现“棚温逆差”时，天气一般较好，日最小相对湿度平均为53%，日均总云量46%，日照时数5.6h，白天东、西侧窗开启高度较大，东窗平均开启高度为40cm，西窗为13cm，夜间单层膜覆盖且东西侧多放小缝通风（东窗为5cm，西窗为3cm）。棚内0.5m处出现“棚温逆差”时，天气较1.5m处出现时差，最小相对湿度达74%，总云量达60%，日均风速2.2m·s−1，白天东西侧窗开启高度较高，东窗为35cm，西窗为10cm，夜间多采用单层膜覆盖且两侧放小缝通风（东窗7cm，西窗3cm）。

表3 各方位0.5m和1.5m高处发生“棚温逆差”时两种保温措施的样本占总样本数的百分比（%）

表4 “棚温逆差”发生与未发生日棚外关键气象要素特征的对比

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 “棚温逆差”发生与未发生时人工操作特征的对比

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

2.3 “棚温逆差”预报

2.3.1 模型参数设置

将表3中筛选的9个因子作为神经网络结构中的输入层，保温方式为单膜覆盖时赋值0，双膜覆盖时赋值1，输出层为“棚温逆差”是否发生。不同神经网络模型建模的输入因子及输出因子均一致，在文献参考的基础上开展参数选取，通过不同取值时预报准确率的比较确定，具体参数设置见表2。对建模和检验样本进行100次随机分配，并利用训练样本开展5种神经网络方法训练。

2.3.2 预报准确率检测

将选取的检验样本对应的预报因子分别输入训练好的5种神经网络方法中，对“棚温逆差”是否发生开展预报，并与观测结果进行对比，检验预报是否准确。对100次模拟结果的准确率进行统计，表6显示，所选的5种神经网络方法对0.5m处“棚温逆差”现象预报均保持了较高精度，预报准确率基本在80%以上，其中GA-BP和PNN预报准确率基本在85%以上；1.5m处“棚温逆差”预报，不同方法预报精度差异较0.5m处明显，RBF预报准确率较其它4种方法明显偏差，其预报准确率仅60%左右，另外4种方法预报准确率基本在75%以上。5种预报模型中GA-BP方法预报效果最优，其预报精度和稳定度较BP神经网络有所提升。基于5种方法对各方位和高度“棚温逆差”预报的准确率，结合式（1）和式（2）将5种神经网络方法预报结果进行集合，由表可见，其精度和稳定度较5种模型结果平均值均提升，0.5m处预报准确率在85%～96%，1.5m处预报准确率在80%以上，其预报精度较GA-BP方法无明显优势，但预报稳定性提升。

表6 不同方法对“棚温逆差”预报的准确率

3 结论与讨论

3.1 结论

（1）慈溪地区塑料大棚内初冬和初春出现“棚温逆差”的频率较严冬偏高近3倍。棚内1.5m高处“棚温逆差”的频率较0.5m高处偏高3倍，其中中央位置差异尤为显著，1.5m高处较0.5m高处高36倍。0.5m高处，棚中央出现“棚温逆差”的概率仅1%，边缘出现概率为中央的8～13倍；1.5m高处中央位置“棚温逆差”概率较边缘偏高19%。大棚内各方位1.5m和0.5m高处发生“棚温逆差”时，棚外日最低气温主要集中于2～11℃区间。

（2）“棚温逆差”只发生在棚内单膜或双膜覆盖时，其中单膜覆盖占比达93%以上。“棚温逆差”发生与未发生时人工操作差异尤为显著，多发于白天东西侧窗开启高度较高（35～40cm）且夜间放小缝通风（东窗5～7cm，西窗3cm）时。0.5m处发生“棚温逆差”时天气条件较1.5m处明显偏差，其日最小相对湿度、总云量和日均风速偏高，日照时数偏少。

（3）5种神经网络方法对0.5m高处“棚温逆差”预报准确率基本在80%以上，1.5m高处除RBF相对偏差，其它方法预报准确率基本在75%以上，单一模型中GA-BP预报效果最佳。集合预报的准确率和稳定度较单一模型整体提升，对0.5m高处预报准确率为85%～96%，1.5m高处预报准确率80%以上，其准确率的均方差较单一模型缩小。

3.2 讨论

初春和初冬外界气温较严冬高，生产者对低温冷害防范意识较薄弱，期间采用单膜保温的比例达65%，较严冬高1倍，保温措施不到位导致期间“棚温逆差”发生的频率较严冬高3倍。“棚温逆差”发生时，棚外最低气温多集中于2～11℃区间，棚内温度较棚外偏低1～1.5℃，导致棚内最低温度低于10℃，初春和初冬季作物多处于苗期或花期，设施喜温作物受“棚温逆差”影响的风险较严冬更高，需加强对“棚温逆差”的预报及预警服务。1.5m处较0.5m处更易发生“棚温逆差”，小番茄、黄瓜等高度较高的喜温作物保温工作需加强。

将气象要素与长时间的人工操作观测相结合，甄选设施“棚温逆差”预报因子。所选气象要素与大棚内温度密切相关，日照时数和总云量通过影响太阳辐射和大气逆辐射等影响大棚白天和夜间能量收支[3]。风速决定了大棚内外热量交换方式，相关研究表明，自然通风条件下，室内外气体交换由热压和风压共同形成，当风速高于2m·s−1时，以风压通风为主，热压作用可以忽略[19−20]，因此，0.5m高处发生“棚温逆差”时棚内外热量交换主要依靠风压，1.5m高处发生时靠风压和热压共同作用。最小相对湿度与冠层作物蒸发、凝结等潜热交换密切相关。大棚人工操作中覆膜层数、侧窗开启高度等与气象要素相结合共同影响设施大棚能量收支，“棚温逆差”发生和未发生时所采取的人工操作差异尤为显著。相比气象要素，大棚操作可操控性更强，预报模型中融合人工操作因子更具有生产指导意义。此外，种植作物对温室内温度分布和通风率等影响显著[21]，随着棚内种植作物冠层高度的变化，棚内不同高度“棚温逆差”出现的频次可能会发生变化，需进一步研究。

神经网络模型网络结构存在一定的不确定性，相关研究表明集合模型能有效融合不同模型，提高预报可信度[22]。本研究选用5种常见神经网络，基于5种模型预报准确率构建结果的集合模型，预报精度和稳定度较单一模型提高。目前针对“棚温逆差”发生机理研究仍较罕见，可结合流体动力学[23]、能量平衡[3,24]等方法探究其机理，将机理模型和神经网络类统计模型相结合能有效提高模型的应用效果[14,25]。此外，随着各神经网络参数的优化及新样本的输入和学习，模型对“棚温逆差”的预报精度有望进一步提升。

[1] 杨再强,朱凯,赵翔,等.中国南方塑料大棚气象灾害风险区划[J].自然灾害学报,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.

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.秋冬季南方单栋塑料温室小气候分析与温湿环境模拟研究[D].南京:南京信息工程大学,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,孙军波,等.强寒潮天气南方塑料大棚防御冰冻灾害措施[J].中国农学通报,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] 符国槐,张波,杨再强,等.塑料大棚小气候特征及预报模型的研究[J].中国农学通报,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,申双和,陶苏林,等.基于谐波方法的塑料大棚内气温日变化模拟[J].中国农业气象,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] 张良均.MATLAB数据分析与挖掘实战[M].北京:机械工业出版社,2017:97-98.

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

[8] 任守纲,刘鑫,顾兴健,等.基于R-BP神经网络的温室小气候多步滚动预测模型[J].中国农业气象,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] 陈英义,程倩倩,成艳君,等.基于GA-BP神经网络的池塘养殖水温短期预测系统[J].农业机械学报,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] 冯琰玮,甄江红.基于径向基神经网络的呼和浩特市生态安全预警研究[J].干旱区资源与环境,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] 孙蓉桦,张微.GRNN和遗传算法在赤潮预报中的应用操作[J].科技通报,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] 刘志刚,李盼池,许少华.基于ELM-PNN算法的第24周太阳黑子预测预报[J].控制与决策,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,杨霏云,郑昌玲,等.美国玉米产量业务预报方法研究[J].中国农业气象,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.早稻产量动态继承预报方法研究[J].中国水稻科学,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.

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] 吉梦雯,樊文欣,尹馨妍,等.基于RBF神经网络的连杆衬套强力旋压轴线直线度预测[J].锻压技术,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,薛晓萍,熊宇,等.自然通风对日光温室气温影响的模拟分析[J].生态学杂志,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] 杨栋,丁烨毅,金志凤,等.浙江水蜜桃成熟期集合预报模型[J].中国农业气象,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.基于能耗与作物生产潜力的中国温室气候区划[D].南京:南京农业大学,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.山东省冬小麦产量动态集成预报方法[J].应用气象学报,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

宁波市气象局一般项目（NBQX2017004B) ；浙江省重点研发计划（2018C02011）

杨栋（1988－），工程师，硕士，主要从事气候变化与农业气象研究。E-mail: yangdong_314@163.com

杨栋,丁烨毅,孙军波,等.南方塑料大棚“棚温逆差”特征及其预报[J].中国农业气象,2019,40(4):240-249