基于LSTM-AT-DP模型的设施农业多因子环境参数时序预测研究及其精准调控应用

本文创新性地提出融合长短期记忆网络(LSTM)、注意力机制(AT)和数据预处理(DP)模块的LSTM-AT-DP模型，通过小波阈值去噪(WTD)和滑动窗口(SW)技术显著提升温室环境参数（温度/湿度/辐射）的预测精度。在24小时预测中，模型决定系数R2达0.9602-0.9839，较基线LSTM提升2.84%-5.53%，均方根误差(RMSE)降低0.6830-12.952，有效解决传统模型在非线性耦合条件下的误差累积问题，为设施农业精准环境调控提供关键技术支撑。

　　

引言：设施农业环境调控面临多因子非线性耦合的复杂挑战，传统预测模型存在精度低、时效性差和长期预测误差累积等问题。研究通过整合深度学习和信号处理技术，构建LSTM-AT-DP混合模型，重点解决温度、湿度和辐射参数的协同预测难题。

材料与方法：实验在新疆喀什蔬菜产业示范园的双膜双拱温室开展，配备11个多参数监测节点。数据预处理采用箱线图离群值检测和小波阈值去噪(WTD)，sym4小波在2层分解时取得最佳降噪效果（ASNR=40.23dB，RMSE=0.0681）。滑动窗口(SW)单元将时序数据重构为96步长的特征矩阵，输入包含双层LSTM（100隐藏单元）的核心网络。注意力机制(AT)通过QKV向量动态分配特征权重，其计算开销仅增加4.15%参数却提升3.53%预测精度。

模型构建：LSTM-AT-DP架构包含六个关键组件：DP模块通过WTD消除传感器噪声，SW构建(S,T,X)三维张量输入；LSTM层通过遗忘门（公式5）和输出门（公式9）捕获时序依赖；AT模块（公式14-18）强化关键时间点特征；全连接层整合局部特征。评价指标采用R²、MAE和RMSE，数据集按7:2:1划分。

结果分析：在24小时预测中，模型表现突出：温度预测R²达0.9602（+3.89%），MAE降低29.6%至1.4930；湿度预测RMSE减少1.8759，显著优于传统RNN（降低32.2%）；辐射预测在正午突变时段误差<5%。消融实验证实DP和AT的协同效应——单独使用DP时温度R²提升3.33%，而联合优化后误差累积抑制效果提升1.8倍。

讨论：模型优势体现在三方面：时序稳定性（24小时预测R²波动仅0.0121）、跨参数一致性（温湿度MAE差异缩小32.9%）和突变响应能力（辐射峰值检测误差降低60%）。AT模块的热力图显示其对环境参数突变时刻的显著聚焦，而sym4小波有效分离控制操作产生的高频噪声。与传统模型对比，LSTM-AT-DP在6-24小时预测中保持R²>0.95，且计算效率满足实时调控需求。

结论：该研究通过LSTM-AT-DP模型实现设施环境多步预测的突破，为精准农业提供可解释、低延时的决策支持。未来可扩展至不同设施类型，并探索与模型预测控制(MPC)系统的集成应用。