基于归纳时空图卷积神经网络的粮仓温度场重建方法及其在粮食安全中的应用

《Journal of Stored Products Research》：Inductive spatial temporal graph convolutional neural network for granary temperature field reconstruction

本文提出了一种创新的归纳时空图卷积神经网络（ISTGCN）模型，通过融合空间位置编码、深度可分离时序卷积、扩散图卷积和全局注意力机制，有效解决了粮仓温度场时空重建难题。该模型在真实数据集上MAE/RMSE指标显著优于基线模型（最高提升11.9%/9.9%），为智能粮仓的精准温控和历史数据价值挖掘提供了关键技术支撑。

　　

Section snippets

Target granary introduction

中国复杂的地理气候条件形成了七大生态储粮区，本研究目标粮仓所在的重庆属于第5区（中温高湿带）。该区域冬季（1月）平均气温0–10°C，夏季（7月）可达28°C，且湿度常年偏高，这种独特的气候特征对粮堆温度场的时空动态监测提出了特殊挑战。

Results and discussion

本节通过系统实验评估了ISTGCN模型与基线模型的性能对比。结果显示，我们的模型在两个真实数据集上分别取得了1.551/2.085°C和1.851/2.516°C的MAE/RMSE值，相较最佳基线模型显著降低了11.9%和9.9%的误差。可视化分析进一步证实，模型能够精准捕捉粮堆局部高温异常和全局温度梯度变化，如同给粮仓装上了"时空CT扫描仪"。

Conclusions

针对现有温度场重建方法局限于单时间点建模的不足，我们创新性地将问题重构为时空克里金插值任务，并提出ISTGCN这一融合四大核心模块的解决方案。该模型不仅实现了历史低分辨率数据的"分辨率重生"，更打通了传统监测数据与智能分析时代的桥梁，为粮食储存生态学研究提供了高精度时空数据基底。