《Frontiers in Artificial Intelligence》：Climate-smart precision poultry farming: artificial intelligence and sensor-based microclimate control for enhancing welfare and production efficiency
：
引言： 气候感知型养殖已被证明是在集约化肉鸡养殖场中改善动物福利和生产力的创新途径。物联网（IoT）和人工智能（AI）的创新可为监测和预测微气候提供智能系统。
方法： 根据PRISMA-ScR指南，对基于IoT和AI的肉鸡微气候调控进行了系统性综述。所综述的文献根据其感知、网络和数据处理能力进行评估。
结果： 所综述的解决方案将IoT和AI技术与环境传感器相结合，使用LoRaWAN、ZigBee和NB-IoT通信协议。数据分析采用了长短期记忆网络（LSTM）、YOLO和模糊逻辑等方法。技术演进体现在从阈值式向预测式气候管理的转变，这有助于实现±0.5 °C以内的热稳定性提升、更均匀的鸡群分布、减少应激相关行为，并将饲料转化率（FCR）改善至1.42–1.50，日增重（DWG）达到64–68 g/天。
讨论： 尽管IoT和AI技术能够极大改善肉鸡福利和生产效率，但仍存在传感器老化、农村地区连接问题以及实施成本高昂等障碍。
论文主体内容总结：
1 引言
国际家禽业是畜牧业中增长最快的部门之一，是全球粮食安全的重要组成部分，提供成本效益高的动物蛋白来源。为应对需求的快速增长，商业农场日益依赖高密度集中式养殖设施，但此类设施在环境调控、健康保护和动物福利方面显著增加了管理脆弱性。禽类具有高度敏感的体温调节机制，易受环境变化影响。过热或过冷温度、高相对湿度以及粪便分解产生的二氧化碳（CO2）和氨气（NH3）等危险气体的增加，会造成显著的生理应激，导致系统紊乱、免疫力受损和大规模死亡率，同时降低饲料转化率（FCR）和日增重（DWG）等生产指标。
传统的家禽养殖场环境调控方法采用基于阈值的微气候控制系统，这类系统本质上是反应式的，使用简单的恒温控制机制，在环境参数超过预设限值时启动风机和辐射加热器。由于未能考虑鸡舍内的空间变异性、外部环境条件变化以及鸡群的行为响应，这些机制极不适合现代精准农业实践。
为突破这些局限，精准家禽养殖（PPF）概念日益受到关注，标志着从人工反应式养殖向自动化和数据科学的重大转变。当代智能家禽养殖场通过集成物联网（IoT）和人工智能（AI）建立非侵入式监测网络。微气候和大气参数通过布设在异构空间网格中的专用传感器进行测量，而禽类活动则通过计算机视觉技术和生物声学遥测系统进行追踪。结合边缘计算和先进的数据处理技术（如LSTM神经网络、YOLO视觉算法和模糊逻辑控制器），数据可转化为有价值的预测分析，使气候控制设备能够进行预防性和稳态性微气候调节，从而最大限度地减少能耗并提升热舒适度。
尽管基于AI的IoT架构技术优势明显，但其快速推广面临社会和技术挑战，包括传感器在富含氨气的恶劣环境中快速劣化、偏远农村地区连接受限、电网风险以及IoT技术开发的大量投资等问题。
1.1 问题陈述
集约化家禽业依赖过时的微气候设计，这些设计依赖于基于阈值的反应式恒温器。传统模型无法应对空间多样性、变化的气象条件以及大气中氨气等有毒气体的积累，可能导致动物严重热应激，表现为异常行为、痛苦的鸣叫声、免疫缺陷、死亡率增加和饲料消耗效率低下。人工管理技术无法提供及时解决方案，造成重大经济损失和动物福利状况不佳。
1.2 研究意义
本研究旨在通过设计智能家禽养殖设施的IoT和AI框架，填补工程与农业交叉领域的重要空白。通过综合微气候优化的预测性和稳态控制的经验知识，本综述为饲料转化率（FCR）和日增重（DWG）的高效利用建立了基准，并提供了应对传感器退化和高昂实施成本等技术经济策略。
1.3 PICOS研究问题
本范围综述旨在回答以下研究问题：与传统的基于阈值或人工环境控制系统相比，应用AI和IoT技术支持微气候监测与控制（包括传感器网络、机器学习算法、计算机视觉技术和智能通风控制）在改善福利、环境控制和生产效率方面的效果如何？关注的结果指标包括热调节、空气质量控制和以鸟类行为和应激鸣叫为指标的福利状况。其他指标包括饲料转化率（FCR）、日增重（DWG）、死亡率降低、能源效率和整体系统性能。技术和经济成果，包括传感器耐久性、连接效率、功耗、实施成本和投资回报率（ROI）也将纳入考量。合格的信息来源包括2015年至2026年间发表的同行评审实验研究、田间试验、观察性研究、工程评估、建筑评估和会议论文。
1.4 对气候智能型精准农业的贡献
本研究通过为集约化家禽养殖提供由IoT和AI驱动的分层微气候控制系统，代表了气候智能型精准农业发展的重要一步。与基于阈值的反应式系统不同，作者提出了一种利用LoRaWAN、ZigBee和NB-IoT通信协议以及LSTM、YOLO和模糊逻辑等先进机器学习算法的预测性架构。
主要贡献在于展示了多模态数据融合如何确保±0.5 °C范围内的温度稳定性，从而防止禽类热应激并显著改善其福祉。这一工程进步带来了明确的生物经济效益，包括饲料转化率提升至1.42–1.50，增重速率达到64–68 g/天。
此外，论文还解决了传感器衰减、农村网络限制和电力短缺等关键挑战，提出了包含边缘计算、固态非色散红外（NDIR）传感器和太阳能微电网的行动方案。与可持续发展目标（SDGs）2、9和13相关，这项研究为恶劣条件下的可持续畜牧养殖提供了可扩展的解决方案。
2 材料与方法
2.1 研究设计
本系统范围综述旨在分析、分类和评估人工智能（AI）、物联网（IoT）架构设计与精准家禽养殖管理交叉领域的新兴复杂文献。鉴于智能农业工程涉及无线传感器遥测、计算机视觉、禽类生理学和生产经济学等多个领域，系统范围综述被认为比荟萃分析更合适。该方法能够整合高度异质的信息来源，包括定性研究、算法框架和定量生产指标。综述结构遵循PRISMA范围综述扩展指南，通过三个关键步骤进行系统映射：创建涵盖感知、网络和处理层架构的检索矩阵；应用严格标准识别高质量实证研究论文；结合技术问题与生理和经济结果制定未来研究策略。
2.2 关键词与检索策略
为确保严谨、系统和可复现的文献检索，使用布尔运算符从Google Scholar、Scopus、Web of Science和IEEE Xplore等主要数据库建立了系统检索矩阵。检索分为特定概念板块：第一板块使用（“poultry” OR “broiler” OR “chicken house” OR “poultry housing” OR “barn” OR “broiler house”）界定设施领域；第二板块使用（“Artificial Intelligence” OR “AI” OR “Internet of Things” OR “IoT” OR “sensor array” OR “edge computing” OR “machine learning” OR “computer vision” OR “wireless network”）聚焦基础设施技术。合并后的检索式为：（“poultry” OR “broiler” OR “chicken house”）AND（“Artificial Intelligence” OR “AI” OR “Internet of Things” OR “IoT” OR “sensor array” OR “edge computing”）AND（“microclimate” OR “ventilation” OR “climate control” OR “ammonia” OR “thermal stress”）。时间范围限制至2026年初，优先考虑同行评审的科学文章、书籍章节和高影响力会议论文，并通过关键综述论文的前向和后向引文追踪进行补充。
2.3 纳入与排除标准
纳入标准要求论文评估多传感器网络、无线通信（如LoRaWAN和ZigBee）或在商业肉鸡舍条件下运行的机器学习算法，提供可验证的性能指标（如FCR、DWG、动物福利、技术局限和投资回报率），且必须为2015年至2026年间在科学期刊、书籍或会议论文集中发表的同行评审文献。排除标准包括：非商业家禽养殖（后院和开放牧场系统）、缺乏家禽舍自动化功能的农业微气候研究（如温室和反刍动物棚舍）、未经同行评审或非英文发表的论文。依据PRISMA-ScR标准方法，未使用正式工具评估偏倚风险或方法学质量，而是通过严格纳入标准控制有效性和质量。
2.4 数据综合
采用复杂的主题综合策略系统分析文献与主要研究目标的关系。首先将硬件和架构组件组织为三级分类：环境传感器数据归入感知层，遥测配置归入网络层，算法模型归入处理层。其次收集真实世界数据，通过比较传统基于阈值的微气候与AI设计的稳态条件，量化下游分析的生物学效应，包括饲料转化率（FCR）、日增重（DWG）和家禽福利结果。第三识别技术障碍，如传感器退化、农村地区连接限制、潜在供电基础设施脆弱性和成本影响。虽然综述过程未在公共注册库预先注册，但严格遵循PRISMA范围综述扩展指南以保证方法透明性和可复现性。
3 结果
根据PRISMA-ScR指南，通过流程图遵循一致的文献识别过程。初步通过数据库检索识别385项研究，去除重复后删除182条记录（47.3%），另有56条（14.5%）因元数据不完整或无关被删除，最终保留147条记录（38.2%）进行标题/摘要筛选。其中90项研究（61.22%）因与智慧农业、电力基础设施或经济建模相关性低被移除，仅39项（26.53%）进入全文筛选。评估后5篇（18.24%）因主题匹配不足被排除，最终34篇论文（5.7%）纳入范围综述。
3.1 精准家禽养殖中IoT和AI架构框架评估
现代智能鸡舍集成了IoT-AI平台，将环境控制从基本阈值系统提升为先进的多属性预测模型。平台通过不同功能层运作：第一层为感知层，利用异构空间网格实时采集微气候、大气、视觉和生物声学数据。微气候类传感器（DHT22、SHT31、RTD）监测温度和相对湿度，通过变速通风风机和辐射加热器的动态控制实现最佳热舒适度；空气质量传感器（MQ-135、TGS826）监测氨气（NH3），实现大容量空气交换以防止垫料分解产生的过量氨气；大气传感器（MH-Z19、MQ-2）监测二氧化碳（CO2）和甲烷（CH4），计算最小通风量以确保充足氧气而不造成穿堂风热应激；生物视觉监测使用CMOS和红外（IR）摄像机追踪禽类分布与活动，结合计算机视觉软件检测行为异常；生物声学监测使用全向电容麦克风识别应激鸣叫和痛苦叫声，允许通过控制系统覆盖立即采取行动。
网络层协调需要网络回程。通信协议的选择取决于农场地形：LoRaWAN用于具有结构隔热的大型设施，星型拓扑提供亚GHz频段的扩展距离和穿透混凝土及金属隔热材料的更好能力；ZigBee用于高密度室内传感器映射，网状网络支持动态多跳和数据路由；NB-IoT用于简化远程管理系统的云集成，建立到云服务的直接长距离连接，无需网关节点。
所有数据流汇聚于处理层，边缘处理器和各种机器学习模型处理实时风险和禽类痛苦指标。时间序列预测采用LSTM/GRU网络，基于历史传感器值和外部天气参数预测温度、湿度和气体水平的短期变化；深度计算机视觉采用CNN/YOLO架构，通过评估空间分布、聚集和姿态评估热舒适状态，实现非侵入式鸡群行为监测；专家系统采用模糊逻辑推理，通过基于规则的推理解决相互冲突的环境控制任务；集成方法采用随机森林/支持向量机（SVM），利用多传感器数据将环境状态分类为安全、风险或临界三种离散状态。
3.2 通过智能微气候优化量化生产和福利结果
引入完全自动化、集成化的AI系统可将商业肉鸡养殖从纯反应式阈值系统转变为预测性稳态环境。传统系统使鸡群承受显著微气候波动，导致聚集行为、能源浪费和因空气质量差产生的痛苦鸣叫。相比之下，精准控制系统提供不超过±0.5 °C的热稳定性，维持动物稳态并防止细胞水平热休克蛋白的激活。多模态数据集成和环境传感器、计算机视觉与生物声学的实时预测分析，可以调整条件以避免喘息和呼吸性碱中毒等体温调节相关反应。优化算法使更多能量投入生产而非生存机制，饲料转化率（FCR）达到1.42–1.50，日增重（DWG）提升至64–68 g/天。传统阈值控制系统的微气候波动范围为±2.0至4.0 °C，鸡群在寒冷区域持续堆积、热点区域形成空洞，痛苦鸣叫频率约4.0 kHz，FCR高达1.75–1.90，日增重仅5.2–55 g/天。
3.3 智能家禽舍的工程和转化障碍
智能气候控制解决方案的实际部署面临重大社会经济和技术障碍。家禽舍极端条件导致传感器快速故障：电化学和光学传感器在腐蚀性气体（NH3）、湿度和生物粉尘沉积下3–6个月内出现快速污染和校准问题，导致维护成本增加、信号减弱、误报或错误通风响应。农村连接不可靠，减缓实时计算机视觉处理，热浪期间连接不良可导致通风延迟。农场电力基础设施不足可能导致关键通风过程中停电。经济方面，昂贵硬件单价超过15000美元，对小规模生产者构成重大挑战。短期缓解措施包括疏水和IP67级模块、压缩空气吹扫机制、LoRaWAN低功耗广域网遥测系统、弹性现场数据缓冲系统、超低功耗微控制器和节点级分散电池备份。长期路线图包括向固态和非色散红外（NDIR）传感器过渡、集成自校准和机器学习校正算法、利用现场级边缘计算、从同步云处理转向异步带宽受限报告、连接基于农场的太阳能微电网和电池储能系统、优化绿色AI处理状态、创建标准开放通信协议以及利用基于已验证能源效率的碳信用额度。模块化订阅硬件模式、现有基础设施软件升级和即插即用模型可缓解成本障碍。
4 讨论
4.1 用于预测性和适应性家禽舍管理的多层IoT-AI架构
评估当代智能家禽舍中使用的多层IoT和AI系统架构揭示了从阈值依赖型微气候调节向主动、多参数预测建模的重大范式转变。使用包括微气候、大气、视觉和生物声学参数的异构传感器阵列，能够开发直接促进禽类稳态和整体福祉的高度适应性系统。在网络层面，针对农场拓扑实施特定通信协议可解决农业遥测问题。将LoRaWAN用于长距离传输和穿透农场基础设施、ZigBee用于农场建筑内密集网状网络、NB-IoT用于云连接被视为最优方法。多协议架构可最小化具有金属隔热和钢筋混凝土结构的农场环境中信号衰减的不利影响。处理组件展示了集成多模态AI技术的变革能力。LSTM时间序列分析、YOLO深度计算机视觉和生物声学识别的组合，形成了对鸡群行为的综合情境理解。多模态信息融合比仅使用传感器能实现更准确的福利评估。基于视觉的异常活动识别（如聚集）与生物声学分析的应激声音识别相结合，可及时实施措施，提供优于阈值方法的替代方案。模糊逻辑有助于解决多个环境目标之间的冲突，包括最大化空气循环以减少氨气而不产生强穿堂风，将定性数据转化为控制行动，改善调节、性能、效率和动物福利。
4.2 已部署AI模型的比较性能、局限性和操作边界
LSTM和YOLO神经网络及模糊逻辑控制器各具独特操作局限性。LSTM具有高能力建模非线性热惯性和短期微气候（1–2小时时间范围），但预测精度在较长时间范围内因误差传播和对大量训练数据的依赖而下降，因此应仅在隔热良好和结构完好的建筑中实施。YOLO等视觉模型的效力因家禽舍内恶劣条件（镜头快速污染、悬挂设备遮挡）而大幅降低，需自动吹扫或IP67外壳才能持续使用。模糊逻辑控制系统处理家禽舍目标权衡（如氨气排出的最小通风与冷穿堂风风险之间的平衡）优于传统PID控制器，但输入参数增多时面临规则爆炸问题，必须与遗传算法和随机森林等机器学习优化层结合。
4.3 跨气候区的泛化、数据需求、可解释性和部署挑战
AI微气候控制系统在改善畜牧家禽业环境管理、动物福利和生产效率方面非常有用，但成功实施需考虑三个关键方面：模型对各种气候的泛化能力、充足训练数据的可用性以及模型决策过程的可解释性。在受控条件或特定地理区域建立的模型在其他具有不同气候特征、管理实践或住房类型的环境中可能表现不佳。温带地区数据建立的模型在热带地区可能无效，干旱地区存在昼夜极端温度变化和缺水问题。为此，科学家提倡自适应学习、迁移学习和领域适应技术。先进深度学习算法需要大量传感器和图像数据用于训练测试，标记动物健康、福利和行为问题的数据收集成本高且耗时，实时运行还需大量计算资源。随机森林和模糊逻辑等更简单方法需要较少数据和计算能力。深度学习模型常被视为黑箱，引入可解释人工智能（XAI）技术（如SHAP和基于注意力的可视化）将促进AI决策系统的负责任部署并增强用户信任。
4.4 AI驱动气候优化和以福利为中心的性能提升
从传统基于阈值的暖通空调（HVAC）调节转向AI气候优化可改善肉鸡福利和生产力。通过确保≤±0.5 °C的最佳热平衡，系统消除了传统养殖单元中±2.0–4.0 °C的显著微气候波动。从生理角度看，系统保证有限的热休克蛋白（HSP）表达，防止喘息和呼吸性碱中毒等体温调节相关应激反应，稳定的热条件可防止肠道损伤和炎症过程。≥90%地面面积的均匀热量分布减少了挤堆行为。生物声学与环境信息融合增加了实时风险管理维度，实现实时通风调整，有效降低NH3和CO2水平，节省体温调节所需能量，使资源用于生长，实现最佳转化率和增加体重。
4.5 IoT-AI家禽系统实施挑战和可扩展性障碍
工业家禽养殖中实施创新IoT和AI技术面临多项工程和社会经济障碍。家禽舍内部环境为电子设备创造挑战性运行条件：高浓度腐蚀性气体（NH3）、湿度和生物粉尘导致传感器在3–6个月内频繁校准失败和快速退化。传统传感器在高氨浓度下除非有特殊覆盖物保护，否则通常故障或产生不可靠数据。即时解决方案包括使用疏水和IP67认证模块外壳及空气净化技术，更有效选项是使用耐用的固态和非色散红外（NDIR）传感器。农村生产区连接问题严重影响数据处理及时性，尤其对计算机视觉等高吞吐量应用，云计算增加延迟导致环境突变时控制行动延迟。边缘计算框架可实现即时控制行动并通过选择性云同步减少带宽需求。经济因素继续对AI精准家禽养殖采用构成挑战，部署自动化传感器、计算机视觉、环境控制技术和决策支持系统需要大量设备、软件、网络基础设施和专业知识投资。大型企业可通过提高生产力、改善动物健康和效率抵消投资，小型生产者可能难以承受。维护、数据管理和系统集成产生额外成本。研究人员建议更实惠的部署方法，如硬件即服务（HaaS）、模块化改造现有设施和互操作标准。
4.6 传统阈值系统的情境效用
在某些生产环境中，传统阈值控制环境管理系统仍然重要。在自给条件下运营的小规模家禽养殖场，有限资金、技术技能和数字技术可能阻碍复杂精准管理技术的实施。简单恒温调节器提供经济可靠的方案管理基本环境条件，无需云解决方案、复杂传感器和技术人员。农村地区通常缺乏稳定电源和互联网接入，使数据密集型AI部署不可能。传统系统也适用于自然通风家禽舍，机械恒温器和机电控制器能耗低，不易受网络故障、软件问题和传感器退化影响。在天气模式相当稳定的温带气候区，AI预测控制带来的生产力提升可能无法抵消更高成本和更大复杂性。因此，尽管AI系统代表精准家禽养殖的未来，传统系统因其成本效益、可靠性和可及性仍具适用性。
4.7 精准畜牧养殖的伦理维度和社会技术影响
使用AI的精准畜牧养殖技术在生产力和环境管理方面提供诸多优势，但存在重大伦理和社会考量。缺乏适当治理政策可能影响数据所有权和隐私，现代IoT设备持续收集农场活动、动物和环境数据并通常存储在云端。AI算法偏差引发伦理关切，大多数AI模型使用大型商业农场数据训练，在小农场或非标准条件下使用可能导致错误建议。过度关注优化生产过程可能影响动物福利，以至于动物在严格控制环境中无法正常行为。有效实施精准畜牧技术需要充分的数据治理政策和适当的AI模型开发。
4.8 局限性、未来研究方向和实践建议
本范围综述存在若干局限性：所有研究仅基于二手信息来源，无主要实验验证，无法确定特定技术应用与家禽农场生产力之间的因果关系；纳入研究在系统设计、传感器技术、机器学习技术、环境和性能标准方面存在方法学异质性，使研究间直接比较复杂化；大多数应用在试点或实验条件下进行，无法推广到工业环境。未来研究应侧重于大规模纵向实地评估，考察AI环境控制系统在不同气候和管理环境中的技术可靠性、成本效益和福利影响。需要标准化传感器校准、数据收集和通信协议方法，确保不同平台间更大兼容性。在技术方面，提高传感组件耐久性（如固态和NDIR传感器）对高毒性环境至关重要。边缘计算技术可最小化延迟、增强可靠性并减少对农村互联网连接的依赖。经济方面，模块化硬件系统和适应当前家禽养殖场结构的订阅服务部署模式可使中小规模生产者受益。
5 结论
本研究通过在家禽舍引入集成IoT-AI系统，提出气候智能型家禽生产的创新方法，标志着向精准畜牧养殖实践的重大范式转变。与传统基于阈值的控制机制不同，多层IoT-AI系统集成实现了微气候控制的预测性、适应性和以动物福利为导向的方法。使用传感器和LSTM、YOLO、模糊逻辑等IoT-AI算法使决策更可靠，确保环境参数的显著稳定性。实证发现证明IoT-AI系统通过减少应激行为、优化饲料转化率和增加日增重对动物健康产生积极影响。尽管IoT-AI系统在畜牧养殖中的广泛使用仍受传感器缺乏稳健性、连接问题和财务限制等障碍影响，但通过稳健传感器、边缘计算技术、可再生能源和更可扩展的模型可解决这些问题。本研究显示IoT-AI为可持续家禽生产提供机遇。
