基于集合经验模态分解与Elman神经网络的线椒株高生长-农业工程学报.doc

基于集合经验模态分解与Elman神经网络的线椒株高预测 张瑜，汪小旵※，孙国祥，李永博 （1.南京农业大学工学院，江苏南京210031；2.江苏省现代设施农业技术与装备工程实验室，江苏南京210031） 摘 要：为提高温室环境控制系统的有效性，针对作物生长量的变化与环境因子的变化存在时间尺度不统一的问题，该文基于集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）与Elman神经网络建模，提出一种线椒株高生长量预测方法。以8819线椒为试验对象，分别对线椒株高及其环境因子进行EEMD分解，对各尺度下的时间序列建立EEMD-Elman预测模型。结果表明：应用EEMD-Elman神经网络建立线椒株高生长量预测模型，模型预测值与实测值的平均绝对误差为1.69cm，相关决定系数为0.996，标准误为1.104，模型预测结果与实测值呈极显著性相关。研究结果可以解决作物生长变化与环境变化时间尺度不统一的问题，为温室环境控制系统的控制目标的优化提供有效参数。 关键词：集合经验模态分解;Elman神经网络;线椒株高;预测 中图分类号：S625.5 0引 言 ??基金项目：国家自然科学基金项目 作者简介：张瑜，女（汉），吉林长春人，讲师，博士，农业电气化与自动化、检测技术与自动化装置。 南京，南京农业大学工学院，邮编：210031 Email: zhangyu64@ ※通信作者：汪小旵，男（汉），教授，博士，从事农业生物环境工程、设施农业温室环境模拟与调控方面研究。 江苏省南京市浦口区点将台路40号，南京农业大学工学院，邮编：210031 Email: wangxiaochan@ 生长量预测为温室环境调控目标优化提供重要依据[1-2]。目前，温室作物生长量预测多通过建立作物外观形态模拟模型的方法实现[3-6]。如，calvalho等[7]，Larsen等[8]，Heuvelink等[9]，Nothnagl等[10]分别建立了菊花生长模拟模型，对菊花的株高、花朵数、花朵大小等生长量进行预测。上述模型研究的最直接意义是及时掌握温室环境控制系统对作物所产生的作用结果，为温室环境优化控制提供理论依据。然而，作物生长模拟模型无法真实地反映作物的实际生长情况，使得环境控制系统无法根据作物实际生长情况做出有效的响应，降??了温室环境控制系统的有效性。所以，根据作物实际生长情况对作物生长量进行预测，可以更真实地了解环境控制的效果[11]，提高温室环境控制系统的有效性[12]。 根据作物实际生长情况对环境进行调控是提高温室环境控制系统有效性的重要方法。但是作物生长量的变化与环境因子的变化存在时间尺度不统一的特点，作物生长量的变化是缓慢的，而环境因子的变化是瞬时的。单纯采用平均值对两个时间尺度不统一的时间序列进行建模、预测，无法清晰地反映两种时间序列在不同时间尺度下的波动情况，造成预测结果不准确。因此，需要对两者进行多时间尺度分解，利用不同时间尺度下的时间序列特征进行预测与重构，实现作物实际生长量的预测，为温室环境控制系统提供实际有效的控制依据。 线椒是温室中常见种植作物，株高是反映线椒长势的一项重要生长参数，能够直观地反映出在温室环境控制系统对作物生长的作用效果。因此，本文基于集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）与Elman神经网络，对线椒株高及其环境参数时间序列进行分解与重构，分别对分解后的时间序列建立非线性Elman神经网络，根据种植期间，线椒株高当前的实际生长量，重构并预测线椒株高在同一生长期内未来的生长量，为温室作物生长预测提供精确、实时的预测方法，为温室环境控制系统控制目标的优化提供实时有效的控制依据，实现提高温室环境控制系统有效性的目的。 1数据与方法 1.1试验数据采集 本文试验对象为2014年种植的8819线椒(定植后生长期内，2014年5月28日至2014年7月8日)及对应的温室内环境因子(温室内温度、相对湿度、室内总辐射)。试验于江苏省南京市南京农业大学工学院，博远楼顶venlo型玻璃温室内进行。温室环境因子由Eco-Watch生态网络监测系统每15分钟采集一次，取日平均值用于模型建立。由于温室内温度湿度等环境因子分布的不均匀性，所以本文选取在温室内东面密集种植的16株线椒作为试验样本，以降低温室内不同小气候条件对作物生长形态的影响。作物均生长在适宜的环境条件下，未发生环境胁迫与营养胁迫情况。其中10株为测试集，用于建立模型，另外6株为验证集，用于模型验证。考虑到作物的个体差异，均取其平均值。网络的输入量为温室内环境因子的日平均值，输出量为测试集中10株线椒株高的每日测量值的平均值，测量方法采用文献