预测生长季节中的温室温度和湿度：基于过程的模型与深度神经网络的结合

《Information Processing in Agriculture》：Prediction of greenhouse temperature and humidity across growing seasons: Hybridization of process-based model and deep neural networks

温室环境动态预测与优化管理研究。提出融合物理机理与深度学习的混合模型，通过LSTM神经网络自适应预测机械模型参数，并利用贝叶斯优化算法实现多季节动态校准。实验表明，模型对温度（RMSE=1.61℃）和湿度（RMSE=6.94%）的预测误差显著低于传统单一模型，且在无实测数据时，基于天气预报API的预测仍保持高精度（R2=0.9090）。采用双参数动态优化与多任务学习策略，实现复杂非线性环境数据的实时模拟与智能调控。

　　本研究旨在解决温室环境预测和管理中出现的复杂性和挑战，特别是针对跨季节环境的非线性动态变化。传统基于物理的模型虽然能够提供可靠的温室环境模拟，但它们通常依赖固定的参数化方案，这在面对复杂、动态的温室环境时，可能导致校准困难。因此，本研究提出了一种新颖的混合机制模型，结合了动态参数校准和深度神经网络的预测能力，以提高温室微气候预测的精度和适应性。通过实验数据验证，该模型在预测温室内的空气温度和相对湿度时，其误差指标分别为RMSE = 1.6104°C、6.9379%，MAE = 1.0463°C、4.3797%，R2 = 0.9090、0.8290，PBIAS = ?1.3807%、?0.0005%。这些结果表明，模型在不同数据源（测量天气数据和天气预报API）下均表现出良好的性能。本研究开发了一种鲁棒的工具，能够实现整个生长季节的温室微气候预测，从而支持优化的环境管理策略。

温室模型在智能农业控制系统中扮演着关键角色，它通过多变量耦合分析和动态建模，帮助精准控制气候参数，包括热条件、湿度水平和光周期管理。这些预测模型的精度和鲁棒性决定了整个系统的智能化水平。研究表明，优化的温室环境控制可以将栽培作物的产量提高20%以上，同时还能显著改善食品质量。因此，随着人工智能技术的发展，温室模型在现代农业中的重要性日益凸显。

温室建模涉及描述各种控制措施、天气输入以及作物与空气之间的相互作用对温室微气候的影响，从而确定温室的最优控制和操作方法。近年来，研究人员在环境建模方面进行了大量研究，以量化温室微气候条件，尤其是空气温度、光照和湿度的动态变化。这些研究主要分为两种方法：机制模型和机器学习模型。机制模型能够定量描述能量传输机制（传导、对流和辐射）和通风过程、蒸腾作用以及水蒸气相变等质量传输现象。这些模型基于第一原理定律，通过温室特征和室外气候条件预测温室内的微气候。其目标是帮助种植者进行作物生产管理，并改进灌溉和通风等控制系统的性能。然而，这些模型通常忽略了通风、相对湿度变化、作物与环境的相互作用以及水蒸气相变现象的影响。计算流体力学（CFD）建模是另一种机制建模方法，可以生成温室内部空气温度和相对湿度的高精度分布。但其应用需要大量的计算资源和较长的模拟时间，这使得实时预测和长季节模拟在计算上具有挑战性，特别是在动态耦合边界条件下。

相比之下，机器学习（或数据驱动）模型通过模式识别自主提取气候关系，从而实现更高的计算效率。机器学习模型主要包括传统统计模型和神经网络模型。统计模型如ARIMA、ARX和NARX通常在处理非线性计算和模拟长期数据方面表现不佳。而神经网络方法，尤其是深度学习架构，能够通过大数据集建模环境数据中的复杂关系，从而实现关键参数的长期精准预测。例如，Yang等人开发了FAM-LSTM模型，以高精度预测太阳能温室的温度和湿度。Yu等人改进了Transformer-BiLSTM模型，实现了中国北方温室温度的预测，准确率达到0.9989（R2）并支持6至48小时的预测。这些模型展示了深度学习算法在处理时间序列数据和预测温室温度方面的优势。然而，它们尚未经过长季节预测的验证，因为气候动态和季节性变化的复杂性较高，天气条件的季节性差异也会影响模型的准确性。此外，在高度耦合和复杂的系统实践中，基于物理的预测将进一步提高季节性预测能力，而缺乏基于过程的模块整合可能会导致优化问题，影响模型的泛化能力和鲁棒性。

目前，温室微气候模型主要采用单一建模算法，如基于物理的机制模型或基于数据的机器学习模型。然而，由于理论上的局限性，这些模型在长期预测中难以同时确保精度和鲁棒性。因此，将机制建模和机器学习方法进行协作整合，成为突破现有技术壁垒的关键路径。这种创新的建模框架保留了机制模型在物理过程中的可解释性优势，同时有效利用了数据驱动模型在处理复杂非线性系统中的优势。

本研究首次将这一创新框架应用于长季节温室环境建模，开发了一种具有自适应参数优化的混合温室微气候模型。该模型主要基于物理原理构建温度和水蒸气模块。在模型校准过程中，利用深度神经网络动态预测两个自适应校准参数，以提升模型的精度和适应性。模型的校准结果表明，温室内的空气温度和相对湿度预测误差较低，分别为RMSE = 1.6104°C、6.9379%，MAE = 1.0463°C、4.3797%，R2 = 0.9090、0.8290，PBIAS = ?1.3807%、?0.0005%。在没有室内环境参考数据的情况下，模型从2024年9月5日到2024年11月25日进行了验证，验证结果表明，无论使用测量天气数据还是公共天气预报API，模型都表现出良好的性能。这表明，该模型在不同数据源下均能保持较高的预测精度，具有广泛的适用性。

在模型构建过程中，数据预处理是一个重要的环节。通过数据清洗、去重和插值，确保了数据的连续性和质量，为后续分析提供了可靠的基础。为了处理数据缺失和重复的问题，研究采用了Akima插值方法，这种方法通过计算局部梯度，有效抑制了插值振荡，同时保留了真实信号的局部特征。对于室内传感器数据，研究采用了分段三次Hermite插值多项式（PCHIP）方法，这种方法优先保留数据点附近的原始趋势，适用于需要保持物理量方向完整性的场景。此外，研究还引入了高斯噪声以增强模型的鲁棒性和防止过拟合，同时采用Z-score标准化确保特征缩放的一致性，加速模型收敛并防止优化过程中因尺度差异导致的过度波动。

在模型描述方面，研究整合了多个由作者开发的机制模块，包括太阳能辐射模块、空气渗透模块、自然通风模块、温室包覆与室内空气之间的对流热交换模块、冷凝和水蒸气相变热传递模块、作物蒸腾模块以及土壤蒸腾模块。其中，太阳能辐射模块（q_s）用于能量方程，空气渗透模块（q_a）和自然通风模块（q_v）用于能量方程和质量方程。温室包覆与室内空气之间的对流热交换模块（q_c）和冷凝及水蒸气相变热传递模块（q_ph）用于能量方程和质量方程。作物蒸腾模块（S_t）和土壤蒸腾模块（S_e）则用于模拟温室内的水蒸气传输。通过这些机制模块的整合，模型能够更全面地模拟温室内的能量和质量传输过程。

为了校准室内空气温度和相对湿度，研究结合了这些机制模块与一种代理优化算法（SGO）。SGO框架将高斯过程（GP）代理模型与贝叶斯优化（BO）结合，以在模拟过程中搜索、更新和优化两个自适应校准参数（x?和x?）。x?与全球能量增益相关，x?与全球热传递效率相关。这两种参数在参数空间中取值不同，并且彼此之间存在线性和非线性交互，共同影响目标函数。贝叶斯优化算法通过30次迭代优化这两个参数，最终获得最小RMSE的校准结果。研究还采用了一种多任务学习（MTL）算法，用于自适应预测这两个参数，从而提高模型的预测能力。MTL算法利用环境数据和两个自适应参数构建了一个序列到向量（Seq2Vec）数据集，并引入了日温度变化（DTD）作为辅助目标，以更好地捕捉数据特征。该模型由两个LSTM层组成，第一层用于提取输入数据的时序特征，第二层则用于跨任务的共享特征提取。为了防止过拟合，研究在第一层LSTM之后引入了Dropout正则化层。最终，每个任务都使用一个全连接层进行预测，以实现对相应目标的精准预测。此外，研究还优化了模型的超参数，以提高模型的性能，包括采用自定义的动态加权损失函数和自适应学习率策略。

在模型验证过程中，研究采用了多种评估指标，包括RMSE、MAE、R2和PBIAS。这些指标用于衡量模型在预测温室空气温度和相对湿度方面的性能。结果表明，模型在使用测量天气数据和天气预报API数据作为输入时，均表现出良好的预测精度和鲁棒性。通过比较不同数据源下的预测结果，研究发现模型在不同条件下均能保持较高的预测能力，这对于实际应用中的温室环境管理具有重要意义。

在实际应用中，模型的预测性能也得到了验证。研究使用测量天气数据作为输入，预测了温室内的空气温度和相对湿度，结果表明模型能够有效处理时间序列数据，保持较高的预测精度。同时，研究还使用天气预报API数据作为输入，验证了模型的适用性。尽管使用API数据进行预测可能会引入一定的误差，但这些误差对温室空气温度和相对湿度的预测结果影响较小，表明该方法在缺乏实时传感器数据的情况下仍具有较高的应用价值。

在研究中，模型的计算效率也是一个重要考量因素。通过引入代理优化算法和多任务学习框架，模型在保证预测精度的同时，显著减少了计算时间。例如，使用Seq2Vec多任务学习模型进行预测，计算时间仅为1252.07秒，而传统的基于物理模型的校准过程则需要2522.47秒。这种计算效率的提升使得模型能够在实际应用中快速响应环境变化，从而支持智能化和精准化的温室环境管理策略。

尽管本研究取得了一定成果，但也存在一些局限性。首先，在环境模拟和校准阶段，研究并未引入作物模块，这意味着作物蒸腾的模拟需要手动测量LAI和作物高度，这降低了模型的自动化水平。然而，这种方法也避免了作物模型可能引入的误差，从而确保空气温度和相对湿度模拟的准确性。其次，在环境控制策略方面，研究记录了通风和热绝缘操作状态，但未对控制策略进行模拟或预测。这种经验性的控制策略存在一定的局限性，可能影响模型的预测精度。未来的研究可以考虑将控制策略模拟纳入建模过程中，以实现对操作决策的误差分析，从而进一步优化模型和实际操作。此外，尽管天气预报API在预测温室环境方面表现出一定的适用性，但其预测误差仍需进一步改进。例如，研究发现，API数据在低风速条件下可能会高估风速，这可能是由于实验地点周围复杂的建筑障碍物造成的。这些误差在一定程度上影响了自适应校准参数的预测精度，但其对温室空气温度和相对湿度的预测结果影响较小。

未来的研究可以进一步优化算法，增加数据量并改进模型设计，以提高预测精度。此外，研究还可以扩展模型的验证和优化范围，涵盖不同类型的温室和多种作物生长环境。通过云部署，模型可以实现温室环境的自适应预测和自动化微气候控制，从而支持智能化和精准化的环境管理策略。本研究的成果为温室环境建模提供了新的思路，展示了结合机制模型和深度神经网络在提升模型精度和鲁棒性方面的潜力。