基于贝叶斯优化的机器学习与深度学习模型利用有限气象数据实现日光温室光合有效辐射小时预测

为解决日光温室内光合有效辐射(PARhour)实时监测成本高、技术门槛高的问题，研究人员开展基于本地气象数据的贝叶斯优化机器学习(ML)与深度学习(DL)预测研究。结果表明LSTM模型在组合(c)(Hs, Ret, Tg0, Tgs, Vis, Ta, Tg5)下表现最优(R2=0.980)，为小农户提供了低成本、高精度的PAR预测方案，对精准农业光环境管理具有重要意义。

　　

在设施农业蓬勃发展的背景下，日光温室作为抵御恶劣环境和实现反季节种植的重要设施，其内部光环境调控直接影响作物光合效率与产量。然而，当前小农户面临两大困境：一方面，直接监测光合有效辐射(PAR，Photosynthetically Active Radiation)的传感器价格昂贵且维护复杂；另一方面，温室内部PAR动态受外部气象、建筑结构、覆盖材料等多因素耦合影响，传统物理模型预测精度不足。更棘手的是，现有机器学习预测方法多依赖完整的外部辐射数据(R_s)，而偏远地区气象站往往缺乏这类关键参数。如何利用有限本地气象数据实现高精度PAR小时预测(PAR_hour)，成为推动精准农业落地的技术瓶颈。

针对这一挑战，陕西省某研究团队在《Computers and Electronics in Agriculture》发表研究，创新性地将贝叶斯优化与六种机器学习(ML)/深度学习(DL)模型结合，系统评估了八种气象变量组合的预测效能。研究团队首先通过Pearson相关性分析筛选关键气象因子，随后采用贝叶斯优化自动调参技术，对比了随机森林(RF)、支持向量机(SVM)、XGBoost(XGB)三类传统ML模型，以及深度神经网络(DNN)、长短期记忆网络(LSTM)和门控循环单元(GRU)三类DL模型的性能差异。

材料与方法
研究数据来源于中国某地气象站记录的太阳辐射强度(H_s)、相对湿度(R_et)、地表温度(T_g0)等12种参数。通过滑动窗口技术构建时间序列数据集，采用Min-Max标准化处理数据。特征选择阶段通过相关系数矩阵识别出与PAR_hour显著相关的变量（如T_g5深度土壤温度与PAR_hour呈强负相关）。模型构建中，贝叶斯优化通过高斯过程代理模型，以RMSE为目标函数自动搜索最优超参数组合。

关键结果

1. 变量组合影响：包含H_s、R_et等7个参数的组合(c)使所有模型R²提升12.3-25.7%，证实多参数协同可补偿R_s缺失的缺陷。
2. 模型性能对比：DL模型全面超越ML，其中LSTM表现最佳(R²=0.980，RMSE=8.198 μmol/(m²·s))，GRU次之。值得注意的是，LSTM在低、中、高PAR区间的预测稳定性比DNN提高19.6%。
3. 鲁棒性验证：当输入变量从12个缩减至4个时，LSTM的RMSE仅上升9.8%，而RF恶化37.2%，证实深度循环神经网络(DRNNs)对数据缺失的耐受性。

讨论与意义
该研究首次系统论证了基于廉价气象数据的DRNNs模型在温室PAR预测中的优越性。LSTM凭借其门控机制，能有效捕捉PAR_hour与气象因子的时空依赖关系，这对处理突发的云层变化导致的辐射波动尤为重要。实践层面，研究团队建议将模型部署至移动端APP或边缘计算设备，直接服务于缺乏专业监测设备的小农户。未来研究可结合温室3D建模数据，进一步优化模型在异构温室集群中的泛化能力。

这项工作的核心价值在于：为资源受限地区提供了一套"低投入-高精度"的光环境监测替代方案，其技术路线（贝叶斯优化+DRNNs）亦可拓展至其他农业环境参数预测领域，如CO₂浓度或土壤墒情监测，为智慧农业的普惠化实施提供了重要范式。