基于机器学习的华南温室温湿度多时间尺度精准预测模型研究

本研究针对华南温室环境控制中温湿度预测精度不足的问题，采用BPPSO（反向传播粒子群优化）、LSSVM（最小二乘支持向量机）和RBF（径向基函数）三种机器学习模型，通过6种时间间隔（15-90分钟）的数据分析，发现15分钟间隔的LSSVM模型预测效果最优（温度R2=0.923，湿度R2=0.952），为热带气候区温室精准调控提供了新方法。

　　

在人口增长与耕地资源紧张的矛盾背景下，温室农业成为保障粮食安全的重要途径。中国拥有全球90%的温室设施，但幅员辽阔导致各地环境调控策略差异显著。华南地区作为典型热带气候区，温室面临高温高湿的双重挑战：温度超过阈值会降低作物授粉成功率、影响果实品质，而湿度过高则易诱发植物病害。现有预测系统存在数据采集时间分辨率不一致、缺乏标准化协议等问题，导致控制策略难以统一。更棘手的是，当前研究多聚焦北方温室，针对热带气候的预测模型几乎空白，且最小训练间隔仅30分钟，难以满足精准调控需求。

广东省农业科学院设施农业研究所的研究团队在《Scientific Reports》发表最新成果，通过多模型比较揭示了时间分辨率对预测精度的影响规律。研究在广州市白云试验基地（北纬23°23'30"，东经113°25'44"）的Venlo型温室展开，采集44天内9个传感器的温湿度数据（15分钟间隔，共4300组样本），采用数据融合技术消除传感器误差。团队创新性地测试了6种时间间隔（15/30/45/60/75/90分钟），对比BPPSO（结合粒子群优化的反向传播神经网络）、LSSVM和RBF三种模型的预测性能，通过R²、MAE（平均绝对误差）、MAPE（平均绝对百分比误差）和RMSE（均方根误差）四项指标全面评估。

关键技术包括：1）基于Elitech RC-4传感器的多节点数据融合；2）RBF网络的非线性高斯核函数映射（公式φ_i(x)=exp(-‖x-c_i‖²/σ_i²)）；3）LSSVM的线性方程求解与正则化处理；4）BPPSO中动态惯性权重与梯度下降的协同优化。

性能对比：温度预测
三种模型在15分钟间隔时表现最佳：R²均超过0.91（BPPSO/LSSVM 0.923，RBF 0.912），MAE低至0.574°C，MAPE<2%。显示预测曲线与实际值高度吻合，但75分钟间隔时误差显著增大（RMSE达1.898）。

性能对比：相对湿度预测
LSSVM以R² 0.952领先，误差指标全面占优（MAE 1.574%，RMSE 2.396）。

可见湿度预测精度普遍高于温度，这与热带气候下湿度变化更规律有关。

误差分析

显示LSSVM的温湿度预测误差中位数最低（温度0.31，湿度0.76），但15分钟间隔的异常值增多，反映高频数据对噪声更敏感。

研究结论表明：1）缩短时间间隔可显著提升预测精度，15分钟为最优采样周期；2）LSSVM凭借处理大规模数据能力和抗干扰特性（正则化项抑制异常值），在热带温室环境中表现最优；3）湿度预测精度（R²↑7.3%）普遍高于温度，为联动控制策略设计提供新思路。该成果突破了传统30分钟间隔的限制，首次建立适用于热带气候的15分钟级预测体系，为智能温室"提前干预"提供了关键技术支撑。未来可通过增加样本量、融合外部气象参数进一步提升模型鲁棒性。