Evaluación y análisis del modelo de predicción de temperatura para el hongo Bailing en Jizhou, Tianjin
Autores: Liu, Ruolan; Yuan, Shujie; Han, Lin
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Evaluación y análisis del modelo de predicción de temperatura para el hongo Bailing en Jizhou, Tianjin
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Ciencias Agrícolas y Biológicas Generales
Palabras clave
Temperatura del aire
Velocidad del viento
Humedad
Presión del aire
Red neuronal BP
Regresión paso a paso
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
Basado en la temperatura del aire, la velocidad del viento, la humedad, la presión del aire, etc., de la estación meteorológica automática regional en Chutouling Town, Jizhou desde abril de 2019 hasta noviembre de 2020, y la temperatura del aire de la estación de observación del microclima que recibe datos cada 10 minutos en un invernadero de hongos Bailing, este documento analizó y evaluó una red neuronal BP (back propagation) y el método de regresión paso a paso para establecer un modelo de predicción para la temperatura en el invernadero de hongos Bailing para diferentes estaciones. Los resultados mostraron que: (1) La temperatura del aire, la velocidad del viento, la humedad y la presión del aire fuera del cobertizo fueron los principales factores para construir el modelo de predicción de temperatura para la temperatura interior, y la temperatura del aire fue el factor más importante que afectaba la temperatura dentro del cobertizo. Después de introducir la humedad, la velocidad del viento y la presión del aire, la precisión del modelo mejoró significativamente. (2) El modelo de predicción de temperatura basado en el método de red neuronal BP, para cada intervalo de 10 minutos en el invernadero, para el hongo Bailing en diferentes estaciones, fue más preciso que el modelo de regresión paso a paso. Los resultados de la simulación de los dos modelos tuvieron la mayor precisión en verano, seguido de otoño. (3) El error cuadrático medio de la red neuronal BP y el modelo de regresión paso a paso para el interior del invernadero, simulando las variaciones diarias de temperatura para diferentes estaciones, fue de 1.25, 1.10, 1.08, 1.31 grados Celsius y 1.29, 1.19, 1.11, 1.37 grados Celsius, respectivamente. El método de red neuronal BP funcionó mejor para predecir las variaciones diarias de temperatura en las estaciones. (4) Los datos específicos de alta temperatura (24 de julio de 2020) y de una fuerte ola de frío (31 de diciembre de 2019) fueron seleccionados para probar los dos métodos del modelo; los resultados mostraron que la simulación del modelo de red neuronal BP fue mejor que el modelo de regresión paso a paso.
Descripción
Basado en la temperatura del aire, la velocidad del viento, la humedad, la presión del aire, etc., de la estación meteorológica automática regional en Chutouling Town, Jizhou desde abril de 2019 hasta noviembre de 2020, y la temperatura del aire de la estación de observación del microclima que recibe datos cada 10 minutos en un invernadero de hongos Bailing, este documento analizó y evaluó una red neuronal BP (back propagation) y el método de regresión paso a paso para establecer un modelo de predicción para la temperatura en el invernadero de hongos Bailing para diferentes estaciones. Los resultados mostraron que: (1) La temperatura del aire, la velocidad del viento, la humedad y la presión del aire fuera del cobertizo fueron los principales factores para construir el modelo de predicción de temperatura para la temperatura interior, y la temperatura del aire fue el factor más importante que afectaba la temperatura dentro del cobertizo. Después de introducir la humedad, la velocidad del viento y la presión del aire, la precisión del modelo mejoró significativamente. (2) El modelo de predicción de temperatura basado en el método de red neuronal BP, para cada intervalo de 10 minutos en el invernadero, para el hongo Bailing en diferentes estaciones, fue más preciso que el modelo de regresión paso a paso. Los resultados de la simulación de los dos modelos tuvieron la mayor precisión en verano, seguido de otoño. (3) El error cuadrático medio de la red neuronal BP y el modelo de regresión paso a paso para el interior del invernadero, simulando las variaciones diarias de temperatura para diferentes estaciones, fue de 1.25, 1.10, 1.08, 1.31 grados Celsius y 1.29, 1.19, 1.11, 1.37 grados Celsius, respectivamente. El método de red neuronal BP funcionó mejor para predecir las variaciones diarias de temperatura en las estaciones. (4) Los datos específicos de alta temperatura (24 de julio de 2020) y de una fuerte ola de frío (31 de diciembre de 2019) fueron seleccionados para probar los dos métodos del modelo; los resultados mostraron que la simulación del modelo de red neuronal BP fue mejor que el modelo de regresión paso a paso.