编辑推荐：
当前精准农业依赖的数值气象预测（NWP）模型因分辨率不足，难捕捉局部微气候。为此，研究人员利用 Time-Series Mixer（TSMixer）神经网络，融合 MOLOCH 模型预测与 ARPA 站数据，实现 45 小时气象要素预测及霜冻、热应激等危险事件检测，结果优于传统模型，为农业风险管理提供新工具。
农业生产与自然环境紧密相连，天气变化直接影响作物产量与牲畜健康。在精准农业领域，及时准确的气象预测是应对霜冻、高温等气象风险的关键。然而，传统的数值气象预测模型（如 MOLOCH）虽能提供区域尺度的预报，却因空间分辨率限制（全球约 10 km、区域约 1 km），难以捕捉农田级别的局部微气候差异，例如地形和植被对小范围天气的影响。此外，现有模型多聚焦单一气象变量或仅提供确定性预测，对农业危险事件（如苹果园霜冻、奶牛热应激、水稻发芽阻滞）的综合检测能力不足。如何将宏观气象模型与本地观测数据结合，提升局部气象预测的精度与危险事件识别能力，成为农业气象领域亟待解决的问题。
为突破这一瓶颈，来自国外研究机构的研究人员开展了相关研究。他们开发了一种基于时间序列混合器（Time-Series Mixer，TSMixer）的神经网络模型，旨在实现多变量概率气象预测，并建立整合常规气象预报与危险事件检测的统一框架。研究成果发表在《Environmental Modelling》。
研究采用的关键技术方法包括：①数据整合：收集意大利北部 6 个农业站点附近 ARPA 气象站的历史数据（2019-2024 年，包含温度、风速、相对湿度、降水），以及 MOLOCH 模型的 45 小时高分辨率预测数据（1.25 km 网格，涵盖 13 个气象变量）；②模型构建：训练 TSMixer 网络，输入为前 48 小时本地数据与 MOLOCH 预测数据，输出为未来 45 小时的多变量概率预测（包含 0.1、0.25、0.5、0.75、0.9 分位数）；③危险事件检测：基于温度分位数预测识别霜冻（<0℃）和发芽阻滞（<12℃），结合等效温度指数（ETI）检测热应激（ETI>30），并与 MOLOCH 模型及仅用历史数据训练的 TSMixer（Past TSMixer）对比性能。
3.1 TSMixer 预测性能
TSMixer 在温度、风速、相对湿度的预测中表现显著优于 MOLOCH 和 Past TSMixer。例如，温度预测的平均绝对误差为 1.44 K，风速为 0.61 m/s，相对湿度为 6.86%。概率预测的有效性（validity）接近理论值（如 0.1-0.9 分位数带有效性达 0.76-0.80），且效率（efficiency）更高，表明其预测区间更紧凑可靠。但降水预测仍具挑战，虽通过定制分位数损失函数提升了非零值预测能力，但累积降水预测精度略低于 MOLOCH，不过在降水发生的分类检测中 AUC 值更高。
3.2 模型解释性分析
通过输入扰动分析发现，TSMixer 在预测早期更依赖本地历史数据（如过去温度、风速），而后期则更多利用 MOLOCH 的未来变量（如气温、土壤温度、短波辐射）。例如，温度预测中，MOLOCH 的气温和露点温度影响显著；风速预测则受 MOLOCH 的风速分量和降水影响较大，揭示了模型对物理机制的隐含学习能力。
3.3 危险事件检测
在霜冻检测中，TSMixer 的 AUC 达 0.95，优于 MOLOCH（AUC 0.88），且通过调整分位数阈值可平衡漏报与误报风险。发芽阻滞检测中，TSMixer 中位数预测的特异性达 0.99，显著减少不必要的预防措施。热应激检测中，TSMixer 的 AUC 高达 0.97，结合多变量分位数组合，能更精准捕捉高温高湿低风速的极端条件，而 MOLOCH 因冷偏差导致检测效能较低。
结论与意义
本研究首次将 TSMixer 应用于精准农业局部气象预测，通过融合 NWP 与本地观测数据，实现了多变量概率预报与多类型农业危险事件的统一检测。结果表明，TSMixer 在温度、风速、湿度预测及危险事件识别中显著优于传统模型，尤其在成本优化和风险预防中展现优势。尽管降水预测仍需改进，但研究为农业气象引入了新的 AI 框架，有望通过物联网（IoT）设备实现田间实时微气候监测，助力气候变化下的农业韧性提升与资源优化。该方法为精准农业提供了兼具精度与实用性的工具，对保障作物产量、降低经济损失具有重要意义。
