基于XGBoost算法优化的储粮温湿度预测模型构建及影响因素SHAP解析

为解决储粮温度与相对湿度(RH)预测精度不足、可解释性差的问题，研究人员通过融合气象因素与粮堆内部参数，构建了基于XGBoost算法的优化预测模型。采用网格搜索优化超参数，结合SHAP方法量化变量贡献度，实现温度预测RMSE 1.59、RH预测R2 0.95的优异性能。该研究为粮情监控提供了兼具高精度与强解释性的智能决策工具。

　　

粮食安全关乎国计民生，但储粮过程中温湿度失控导致的霉变和虫害每年造成巨大损失。研究表明，30℃和50-70%相对湿度(RH)是害虫繁殖的温床，而平衡含水率(EMC)作为衡量粮食稳定性的关键阈值，其计算完全依赖温湿度数据。虽然我国粮仓普遍安装温度传感器，但粮堆内部RH监测仍存空白。传统基于热传导理论的CFD模型存在计算复杂、适应性差等缺陷，而现有机器学习预测方法又面临"黑箱"困境——这正是河南工业大学研究团队在《Food and Bioproducts Processing》发表的研究要攻克的核心难题。

研究团队创新性地将气象数据与粮堆参数耦合，开发了基于极端梯度提升(XGBoost)的双向预测系统：用7个气象变量+表面RH预测粮温，气象数据+粮温预测表面RH。关键技术包括：1)在8.3×5.6×6m实验仓获取真实粮情数据；2)网格搜索优化XGBoost超参数；3)SHAP方法解析变量交互机制；4)与LR、RF等5种基线模型对比验证。

【Experimental setup and data collection】通过等比缩小的实仓模拟系统，在空调恒温20℃条件下采集7-12月粮堆表层温湿度数据，发现粮温随季节递减而RH呈波动上升趋势，揭示环境气候对粮堆参数的显著影响。

【Data analysis results】模型验证显示XGBoost性能最优：温度预测RMSE 1.59、R2 0.88，RH预测误差仅0.32%，显著优于LightGBM等对照模型。SHAP分析指出气温、气压和空气RH是主导因素，其中气温每升高1℃会使粮温预测值增加0.8个单位。

【Conclusion】该研究突破性地实现了三大创新：1)建立首个融合气象因子的粮堆温湿度双向预测框架；2)通过SHAP量化发现气压对RH的影响存在温度依赖效应；3)验证XGBoost在小样本粮情数据中的优越性。这不仅为智能粮仓提供精准预警工具，其提出的"环境参数-粮堆响应"解释模型更为农产品贮藏研究开辟新范式。作者特别指出，未来可将EMC计算模块整合入该预测系统，构建从环境监测到储藏风险评估的完整决策链。