Agri-LLM：基于提示的大型语言模型，用于智能农业中的排放数据分析

《IEEE Internet of Things Journal》：Agri-LLM: Prompt-Based Large Language Model for Emission Data Analytics in Smart Agriculture

智能农业中温室气体排放数据补全与预测研究提出Agri-LLM模型，通过信息融合嵌入层处理缺失模式与时间异常，结合全球时间相似性引导的提示模块优化少样本学习效果，实验验证其优于现有基线。

　　

摘要：

大量温室气体（GHGs）的排放对可持续农业的发展产生了负面影响。虽然插补和预测技术提高了温室气体排放观测的准确性，但目前仍缺乏一个能够同时处理温室气体排放数据插补和预测的集成模型，尤其是在小样本学习场景中。为了解决这一问题，本文提出了一种预训练的大型语言模型——Agri-LLM，用于智能农业中的温室气体排放数据插补和预测。该模型特别开发了一个信息融合嵌入层，能够将缺失的模式、时间不规律性和不完整的时间序列融合成多层次的修补令牌。此外，还详细设计了一个基于全局时间相似性的提示生成模块，根据从其他节点捕获的相似时间特征为目标时间序列生成合适的提示。最后，该模型在不改变大型语言模型架构的情况下，直接将预训练的知识语言与多层次的集成令牌对齐。实验研究表明，我们的模型在使用全样本训练的情况下，在插补和预测任务上均优于现有的最先进技术（SOTA）。广泛的实验还证实了Agri-LLM在小样本学习场景中的优越性能以及各个模型组件的有效性。

引言

将先进的物联网（IoT）技术与传统农业相结合在智能农业中大大减少了劳动力需求，并显著提高了食品生产的效率[1]、[2]，这对人类社会的经济增长和稳定做出了重要贡献。然而，根据联合国气候变化框架公约（UNFCCC）各国提交的温室气体（GHG）清单数据，过去几十年全球农业产生的温室气体排放量（包括二氧化碳（CO₂）、甲烷（CH₄）和一氧化二氮（N₂O））一直在逐渐增加[3]、[4]。如图1所示，这些温室气体通过吸收和重新发射红外辐射来捕获热量，导致地表温度上升。因此，农业中大量的温室气体排放加剧了全球变暖，恶化了温室效应，并对可持续农业的发展产生了巨大负面影响[5]、[6]、[7]。为了便于在智能农业中观测温室气体排放，最新的研究[8]、[9]、[10]倾向于探索利用物联网设备并结合先进的数据驱动方法进行实时温室气体插补和预测。我们现在将对这两个任务进行全面介绍，并分析它们的研究进展和面临的挑战。

图1展示了温室气体排放情况以及在智能农业中对温室气体数据进行智能分析的流程，这些方法有助于人类采取预防措施，限制温室气体向大气中的排放。