基于LSTM、BiLSTM、LRCN和GRU模型的茎直径数据驱动植物液流预测比较研究

为解决温室精准灌溉中植物水分状态实时监测难题，研究人员开展基于茎直径变化(SDV)的液流预测深度学习模型比较研究。通过LSTM、BiLSTM、LRCN和GRU四种递归神经网络架构分析番茄植株时序数据，发现BiLSTM模型表现最优（R2=0.83，MAE=4.41），GRU模型兼具高效性与准确性（RMSE=6.91）。该研究为植物生理参数的无损监测提供了新范式，对智慧农业水资源优化管理具有重要实践价值。

　　

在气候变化和全球水资源短缺的背景下，温室农业面临如何实现精准灌溉的重大挑战。传统液流监测方法如热平衡法和热消散探针技术存在侵入性强、操作复杂等局限，而基于环境变量的预测模型难以反映植物真实水分状态。茎直径变化(SDV)作为一种非侵入性指标，虽与植物水分运输存在生理关联，但其与液流动态的量化关系尚未明确，特别是对番茄等草本作物的适用性缺乏系统研究。

荷兰World Horti Center的研究团队与传感器开发商2GROW合作，创新性地将深度学习技术应用于植物生理监测领域。研究通过比较四种递归神经网络(RNN)架构——长短期记忆网络(LSTM)、双向LSTM(BiLSTM)、长程递归卷积网络(LRCN)和门控循环单元(GRU)，首次实现了仅基于茎直径时序数据的液流预测。该成果发表于《Smart Agricultural Technology》，为智慧农业提供了重要的技术支撑。

研究采用的关键技术包括：1) 使用2GROW的Dynagage SF传感器以2.5秒间隔采集番茄植株茎直径和液流数据；2) 应用min-max标准化处理2816条时序数据记录；3) 构建四种RNN模型架构，采用Adam优化器和早停策略防止过拟合；4) 通过RMSE、MAE和R²等指标评估模型性能。实验数据来自2022年9月至2024年3月在荷兰Naaldwijk温室收集的番茄植株样本。

【Sap Flow Prediction and Model Performance Visualization】
通过3小时历史数据预测未来1小时液流的结果显示，所有模型均能捕捉基本趋势。LSTM虽在短期预测中表现稳定（RMSE=8.16），但对高峰值预测存在局限；BiLSTM凭借双向信息处理能力实现最佳综合性能（R²=0.83）；LRCN通过卷积层有效提取时空特征（MAE=4.67）；GRU以简化架构达到最优平衡（RMSE=6.91）。

【Model Performance Visualization】
训练损失曲线表明，GRU和BiLSTM收敛速度最快，验证集RMSE分别稳定在6.91和7.2。对比实际值与预测值的散点图显示，BiLSTM对液流波动范围的覆盖最全面，特别是在每日蒸腾高峰时段的预测准确性显著优于其他模型。

【Sap Flow Prediction Using Deep Learning Models】
深度分析揭示：1) 茎直径与液流的Pearson相关系数仅为-0.024，证实单一变量预测的挑战性；2) GRU模型训练效率比LSTM提高37%，更适合实时部署；3) 所有模型在夜间液流低谷期的预测误差均低于日间，可能与光周期影响的生理节律有关。

研究结论指出，BiLSTM和GRU模型在液流预测中展现出显著优势，这种基于植物本体传感器的监测方法突破了传统环境变量依赖型模型的局限。讨论部分强调：1) 茎直径作为独立预测因子的有效性虽得到验证，但建议未来结合环境参数构建多模态模型；2) 研究采用的"3小时预测1小时"时间窗口为温室自动灌溉系统提供了实用决策周期；3) 该方法可扩展至其他经济作物，但需针对不同物种的液压特性调整模型参数。

这项研究的创新价值在于：首次将先进RNN架构应用于草本植物液流预测，开发出计算效率与预测精度兼备的解决方案。其现实意义不仅体现在节水增效（理论测算可降低温室水耗15-20%），更重要的是为构建植物表型-环境响应数字孪生系统提供了核心技术支撑，标志着精准农业从环境调控向植物本体感知的重要范式转变。