基于预报的虚拟传感与预警决策支持：番茄温室冠层热风险监测统一框架

《Smart Agricultural Technology》：Forecast-based virtual sensing and early-warning decision support for canopy-level thermal risk monitoring in tomato greenhouses

　　

温室温度监测常受传感器覆盖不完整及预测输出缺乏可操作解释的限制，制约其在运行决策中的直接应用。本研究提出一个统一的冠层水平热监测框架，整合虚拟传感（virtual sensing）、短期预测（short-term forecasting）、模型解释和面向操作员的原型早期预警决策支持框架（decision-support framework）。利用商业番茄温室运行数据分析低冠层空气温度和上冠层叶片温度，涵盖当前状态估计和预测任务。结果显示出明显的变量依赖性。低冠层空气温度因具有强时间连续性，可采用简单基于代理的方法有效估计；上冠层叶片温度呈现非线性和动态特征，需机器学习（machine learning, ML）模型准确表征。在短期预测中，ML模型在所有变量和预测时域上均一致优于持续性基线，XGBoost总体表现最佳，预测误差最多降低36%。基于SHAP的解释显示，空气温度预测主要受时间持续性控制，叶片温度预测依赖滞后热状态、时间相关特征和太阳辐射。所提框架进一步将预测输出转化为分类热风险等级，可识别短时高风险事件。运行评估显示，与反应式监测相比，基于预报的预警提高了热风险检测及时性，30 min和60 min预测策略的平均观测提前期分别约为29 min和57 min。这些结果表明，短期温度预测可为主动温室监测提供可解释的早期预警层，但在实施闭环控制前仍需进一步验证。

研究背景：温室番茄生产依赖冠层水平稳定热环境，温度直接影响植株生理、胁迫响应和生产力。实际监测受传感器部署、维护和数据质量限制，故障、漂移和缺失观测制约高分辨率监测；冠层空气温度与叶片温度动态不同。既有数据驱动研究多将当前状态估计与未来预测分离，且常只关注空气温度，较少在同一框架联合分析空气温度和叶片温度，也较少将预测输出转化为可解释、可操作的决策信息。因此，研究人员开展统一框架研究，整合虚拟传感（virtual sensing，利用相关变量重建目标温度）、短期预测（short-term forecasting）、模型解释和原型决策支持系统（decision-support system, DSS），以商业番茄温室运行数据评估变量依赖行为，并将预测输出连接至热风险预警。
主要关键技术方法（约230字）：研究人员使用韩国平昌商业番茄温室（多跨Venlo型、塑料膜覆盖、3300 m²）运行数据，时间2022-11-30至2024-09-10，共138,239条5 min记录，分属七个监测期。内部观测空气温度、相对湿度、CO₂浓度及多层叶温，外部观测气象与太阳辐射；温度湿度用ATMOS14、太阳辐射用SP-510SS、采集用CR1000X。构建时间、周期、滞后、滚动统计和差分特征，按时间70%/15%/15%划分训练/验证/测试。比较持续性基线、随机森林（Random Forest, RF）和XGBoost；以MAE、RMSE、R²、MBE评估，以SHAP（SHapley Additive exPlanations）解释30 min预测。以22/17 °C日/夜设定点建立Normal/Watch/Warning/Action热风险分类，评估TP/FP/FN、精确率、召回率、F1-score、误报率和提前期，并做±1 °C阈值敏感性分析。
研究结果：
3.1 Characteristics of canopy-level temperature dynamics（冠层温度动态特征）：通过比较低冠层空气温度和上冠层叶温时间序列及虚拟传感估计，空气温度平滑连续，叶温波动更剧且非线性更强；简单持续性对空气温度足够，叶温需ML。单一监测策略不足，需短期预测。
3.2 Variable-dependent performance of virtual sensing for canopy-level temperature（冠层温度虚拟传感的变量依赖性能）：独立测试集上，低冠层空气温度以上冠层空气温度代理的持续性最佳（RMSE 1.5615 °C，R² 0.7768），RF/XGBoost更差；中冠层空气温度传感器后期退化导致ML测试性能下降，退化前R²约0.99；上冠层叶温XGBoost最佳（RMSE 0.2843 °C，R² 0.9924），RF接近，持续性差。结论为代理适合当前空气温度、非线性ML适合叶温，高R²仅站点内重建，不能外推。
3.3 Short-term forecasting performance across variables and forecast horizons（跨变量和预测时域的短期预测性能）：30/60 min预测中ML一致优于持续性，XGBoost最佳；空气温度30 min RMSE 0.4697 °C（持续性0.5961 °C，约降21%），60 min 0.6360 °C（持续性0.9987 °C，约降36%）；叶温30 min XGBoost 0.6404 °C，60 min 0.7907 °C（持续性1.1148 °C）。时域延长误差增加，但ML增幅小；误差降低影响下游风险分类可靠性。
3.4 Variable-dependent model behaviour across estimation and forecasting tasks（估计与预测任务的变量依赖模型行为）：跨任务比较显示，虚拟传感中空气温度持续性最好、叶温ML优；短期预测中ML对所有变量和时域均优，时域越长优势越明显；XGBoost最稳，RF有竞争力。建模策略需匹配变量和预测目标。
3.5 Interpretation of variable-dependent model behaviour using SHAP analysis（基于SHAP的变量依赖模型行为解释）：30 min XGBoost的SHAP平均绝对贡献显示，空气温度预测主要受当前低冠层空气温度、冠层垂直热耦合和滞后空气温度影响，太阳辐射和时间特征较小；叶温预测主要受当前上冠层叶温、中冠层叶温、滞后和滚动叶温特征影响，时间和太阳辐射为次级。空气温度依赖时间持续性和垂直热耦合，叶温依赖冠层热历史和辐射强迫。
3.6 Forecast-based thermal risk classification and decision-support outputs（基于预报的热风险分类与决策支持输出）：原型DSS将当前/预测温度转为Normal/Watch/Warning/Action分类，并将Warning/Action聚合为连续事件，发现高风险为短时事件；代表性2024-07-06窗口说明日/夜设定点切换导致温度亏缺和风险等级变化；30/60 min预报轨迹反映演变。原文强调为概念验证预警监测层，不评估控制动作、优化或节能。
3.7 Operational value of forecast-based warning（基于预报预警的运行价值）：点水平和事件水平比较反应式监测与预报预警，识别51个低于设定点事件；30 min策略TP 784、FP 80、FN 54，精确率90.74%、召回率93.56%、F1-score 92.13%、误报率9.26%，检测44/51，平均提前28.5±5.1 min；60 min策略TP 744、FP 110、FN 94，精确率87.12%、召回率88.78%、F1-score 87.94%、误报率12.88%，检测46/51，平均提前56.6±12.5 min；反应式无提前预警。30 min分类可靠性更高，60 min提前期更长，存在权衡；回顾性评估未评估操作员响应、控制动作、作物响应和节能。
3.8 Sensitivity of warning performance to operational temperature thresholds（预警性能对运行温度阈值的敏感性）：不重新训练模型，将日/夜阈值由22/17 °C改为21/16和23/18 °C，事件数由51分别变为25和89；30 min策略F1-score为91.9%、92.1%、90.7%，较稳定；60 min策略F1-score为88.0%、87.9%、85.4%，召回率从91.1%降至79.6%，对阈值更敏感；基线阈值非通用生理阈值，为当前温室运行参考。
讨论部分总结：该框架将预测输出转化为可解释热风险信号，前瞻性预警较反应式阈值监测更早识别低于设定点事件，并在检测准确性与提前期之间存在权衡；本数据中30 min策略较平衡。原文指出其定位为面向操作员的预警层，而非已验证的自主控制；局限包括仅预测与风险分类、不涉及控制优化或能耗，基于历史数据而非实时部署，未考虑通信延迟、维护、操作员响应和执行器约束，且为单温室数据、外推受限，未比较更多序列预测架构和外部数据，未评估作物生长、产量和果实品质。
研究结论部分翻译（浓缩）：本研究开发了统一且面向运行的温室冠层热监测框架，整合虚拟传感、短期预测、SHAP解释和原型DSS；通过联合分析低冠层空气温度和上冠层叶温的估计与预测，评估变量依赖行为及其监测运行意义。结果表明建模策略需与目标变量和预测目标一致：当前估计中空气温度可用简单代理，叶温需ML；短期预测中ML一致优于持续性，时域延长增益增加，XGBoost最稳。SHAP显示空气温度预测主要受时间持续性和冠层热连续性控制，叶温依赖滞后热状态、时间特征和辐射输入，支持变量特异建模。原型DSS将预测输出转为可解释热风险信号，识别短时高风险事件；回顾性事件评估显示预报预警比反应式阈值监测更早识别低于设定点事件，30和60 min策略平均观测提前期约29和57 min；存在检测准确性与提前期权衡，本数据中30 min较平衡。实际意义是提供从原始传感器数据到可操作热风险信息的路径。局限包括不涉及控制优化和能耗，基于历史数据非实时部署，未考虑通信延迟、维护、操作员响应和执行器约束，单温室数据限制泛化，未比较更多序列预测架构和外部数据，数据为多期监测非连续两年，未评估作物生长、产量和品质。未来应整合预报决策与控制策略（如预热和自适应气候控制），连接能耗和成本模型，开展多点验证并纳入天气预报和分时电价。整体为从被动监测走向预测性、可解释和决策导向的冠层温度监测提供基础。