《AgriEngineering》：Temporal-Leakage-Controlled Multi-Sensor Forecasting and Advisory Screening for Peanut Warehouse Microclimates
编辑推荐：
散装花生仓库中的局部温度（T）和相对湿度（RH）可能与仓库平均值存在差异，限制了单点监测的有效性。本研究回顾性评估了一种时间泄漏受控的传感器网络工作流，用于预测仓库微气候并复现规则定义的咨询状态。来自一座商业规模带壳花生仓库18个位置的环境记录被统一为15分钟
散装花生仓库中的局部温度（T）和相对湿度（RH）可能与仓库平均值存在差异，限制了单点监测的有效性。本研究回顾性评估了一种时间泄漏受控的传感器网络工作流，用于预测仓库微气候并复现规则定义的咨询状态。来自一座商业规模带壳花生仓库18个位置的环境记录被统一为15分钟间隔，时间跨度为2025年10月22日至2026年3月16日。研究人员比较了持续性（persistence）、泄漏受控的24小时季节性朴素基线（seasonal-naive baseline）、开发集选定的持续性-季节性混合模型（persistence-seasonal blend）以及基于注意力的长短期记忆网络（attention-based long short-term memory, attention-LSTM）基准，采用由48小时隔离期（embargo）分隔的阻塞式训练核心区、内部开发区和最终测试分区进行评估。最终测试指标采用严格的原始观测目标，并汇总了完整48小时预测范围内全部192个预测提前期的误差。季节性朴素模型在RH平均绝对误差（MAE）上最低（4.15个百分点），混合模型在T的MAE上最低（1.92 °C），持续性模型在露点（dew-point）MAE上最低（1.58 °C）；attention-LSTM在所有时间基线中MAE最高。在13次不重叠的48小时回测中，混合模型实现了80.2%的咨询状态一致性、83.4%的危险（Danger）召回率以及8.65%的假安全率。最终测试的原始支持覆盖了18个位置中的11个。该工作流是一个预测与咨询筛查基准，而非经过验证的自动控制或对籽仁水分、真菌活动、黄曲霉毒素或花生品质的直接预测。研究结果为测试预测辅助的检查优先级排序提供了基础，尤其需要关注可预测性较差的上部空气空隙区域。
论文解读
一、研究背景与问题
花生在仓储过程中的品质受水分、温度（T）、气流和时间共同作用的影响。带壳贮藏中，花生壳与籽仁具有吸湿性，会与周围间隙空气交换水分直至接近平衡状态，因此局部空气相对湿度（RH）只有在考虑温度、气流、传感器位置和平衡时间之后，才能作为水分可用性的管理代理指标。吸附研究表明，花生平衡水分含量（EMC）随RH呈非线性增加，且当RH进入等温线上部区域时响应尤为敏感。这在散装仓库中具有直接的操作意义，因为空间上不均匀的空气运动会造成局部区域出现远比仓库平均值更潮湿、更温暖的条件。
微气候异质性对仓库监测至关重要，因为仓库平均测量值可能掩盖与品质劣化相关的局部水分和温度条件。水活度（aw）是以小数形式表示的平衡相对湿度，aw=0.70约对应70%的平衡RH。黄曲霉（Aspergillus flavus）相关研究表明，毒素相关基因表达和黄曲霉毒素产生响应的是温度与水活度的联合条件，而非单一变量。花生采后污染风险被广泛认为是采前侵染负荷与采后贮藏条件的共同函数。对花生而言，即使氧气条件被改变，代谢劣化仍与RH和水活度密切相关。因此，即使散装平均条件看似可接受，持续或反复进入潮湿温暖微气候也应被视为预警条件。
既有花生采后工程研究主要涉及水分传感、干燥气流和干燥传热传质，但很少评估预测性仓库贮藏管理。微波传感已用于干燥过程中带壳籽仁水分的实时监测；带壳花生干燥系统的气流分布已通过实验和计算流体动力学（CFD）检验；机理建模研究也改进对花生对流干燥传热传质的理解。相关谷物贮藏建模研究表明，气流、热梯度和外部边界条件可形成空间异质的贮藏环境。然而，花生仓库贮藏研究在结合分布式环境传感、支持感知的多通道预测、泄漏受控基线比较和可解释咨询筛查于一个可复现工作流方面仍属空白。本研究中的咨询筛查指利用预测的T、RH和露点（DP）识别可能需要检查或通风复核的传感器位置和时间段，不涉及对黄曲霉毒素、籽仁水分或其他商品状况结果的直接预测。
二、研究内容与结论
本研究在商业规模带壳花生仓库中回顾性评估了一种时间泄漏受控的传感器网络工作流。仓库占地83.21米×60.35米，屋顶峰值高度9.75米。18个监测位置被建模为预测目标：14个堆内传感器位置、3个靠近上部空隙空间的空气空隙传感器位置和1个外部气象传感器位置。研究将环境记录统一为15分钟间隔，覆盖2025年10月22日至2026年3月16日。研究比较了持续性模型、泄漏受控的24小时季节性朴素基线、开发集选定的持续性-季节性混合模型和attention-LSTM基准，采用由48小时隔离期分隔的阻塞式训练核心区、内部开发区和最终测试分区。
研究的主要结论是：所有三个时间基线的最终测试MAE均低于所测试的attention-LSTM。季节性朴素模型在RH MAE上最低（4.15个百分点），混合模型在T MAE上最低（1.92 °C），持续性模型在DP MAE上最低（1.58 °C）。在13次不重叠的48小时回测中，混合模型实现了80.2%的咨询状态一致性、83.4%的Danger召回率和8.65%的假安全率。预测误差在空气空隙位置远大于堆内位置，空气空隙T MAE约为堆内T MAE的5.9倍，RH MAE约为10.6倍。最终测试原始支持仅覆盖18个位置中的11个，外部传感器在最终保留期内无原始支持。
研究的重要意义在于提供了一个可复现的、支持感知的评估框架，将微气候预测准确性与规则定义的咨询状态一致性在阻塞时间测试下分离评估。该工作流可作为预测辅助检查优先级排序的基准，但并非经过验证的自动控制或对籽仁水分、真菌活动、黄曲霉毒素或花生品质的直接预测。
三、关键技术与方法
研究人员采用了以下关键技术方法：一是多传感器数据采集与预处理，使用HOBOnet无线温湿度传感器（RXW-THC-B-900）和HOBO MX系列记录仪（MX2302A），将18个位置的T、RH和DP记录统一到15分钟时间基准，并区分原始观测掩码（raw-observed mask）和可用掩码（usable mask）；二是特征工程，构建了包含699个因果特征的矩阵，涵盖时间编码、传感器坐标、位置类别、邻域加权汇总、外部气象站对比项和新鲜度指标；三是四种预测模型比较，包括持续性基线、24小时季节性朴素基线、持续性-季节性混合基线（权重通过内部开发集选定为0.5）和attention-LSTM基准（72小时输入历史，48小时预测范围，793,729个可训练参数）；四是阻塞式时间评估协议，训练核心区（2025年10月22日至2026年1月26日）、内部开发区（2026年1月28日至2月15日）和最终测试区（2026年2月17日至3月16日）之间以48小时隔离期分隔；五是规则驱动的咨询筛查层，将预测的T、RH和持续高RH时长转换为Safe、Caution和Danger三类状态，并计算连续咨询评分用于排序和可视化。
四、研究结果
数据集覆盖与训练行为。 对齐后的仓库数据集包含13,975个15分钟时间步。最终测试原始支持不完整，18个建模传感器中仅11个在最终保留区有原始支持。attention-LSTM完成7个训练周期，最佳内部开发损失出现在第3周期。泄漏受控的季节性来源审计检查了374,400个预测来源，发现零未来索引泄漏。
模型选择与最终保留预测精度。 模型选择在内部开发区使用RH加权原始掩码MAE排名进行，选定模型为等权持续性-季节性混合基线。最终测试中，季节性朴素模型在RH MAE上最低（4.15个百分点），混合模型在T MAE上最低（1.92 °C），持续性模型在DP MAE上最低（1.58 °C）。attention-LSTM在所有变量的MAE上均高于三个时间基线，其T MAE（4.33 °C）约为混合模型（1.92 °C）的2.26倍。
按传感器位置的误差异质性。 混合模型在堆内位置的最终测试MAE为T 0.80 °C、RH 1.21个百分点、DP 0.85 °C；空气空隙位置的MAE为T 4.75 °C、RH 12.86个百分点、DP 3.85 °C。空气空隙T MAE约为堆内的5.9倍，RH MAE约为10.6倍。RH误差最大的传感器为三个空气空隙传感器，其次是堆内传感器21451638。
48小时回测。 示例性回测显示RH误差在空气空隙区域最大，而堆内动态更稳定且更易预测。该示例仅用于定性说明，定量性能基于完整滚动最终测试评估和13次不重叠回测。
咨询状态一致性。 在13次不重叠的48小时最终测试回测中，混合模型实现了80.2%的整体阈值状态一致性。类别召回率为Safe 88.6%、Caution 60.5%、Danger 83.4%。假安全率（观测为Caution或Danger但预测为Safe）为8.65%，包含1048个观测Caution点和121个观测Danger点被预测为Safe。与季节性朴素模型相比，混合模型提高了Danger召回率并描述性降低了假安全率，但降低了Caution召回率和整体一致性。持续性模型Danger召回率极高（95.2%）且假安全率低，但大幅过度预测Danger状态。attention-LSTM的Danger召回率很低且假安全率高。
诊断与敏感性分析。 无原始观测记录违反T范围、RH界限或DP一致性容差。10个位置满足稳定支持标准，限制预测到这些位置增加了聚合误差但保持了各变量的最低MAE模型。额外的CPU attention-LSTM运行在所有变量上均高于每个时间基线。岭回归比较器未在任何变量上优于最佳时间基线。截断前缀审计在3,623,616个特征条目中未发现差异。原生时间戳检查未发现评估发布时间之后的观测。咨询敏感性分析中，一致性范围为77.7%至83.0%，Danger召回率范围为66.9%至93.2%，假安全率范围为7.47%至13.58%。空气空隙T和RH MAE与对应Douglas站观测范围呈正相关，Spearman相关系数分别为0.64和0.95。
五、讨论与结论总结
讨论部分指出，主要模型比较结果表明简单的时间基线优于attention-LSTM基准，这可能是由于共享表征偏向堆内循环模式而未能充分表征局部空气空隙变异性，但该机制未被分离。咨询层的存在改变了模型性能的解读方式：季节性朴素模型在RH MAE上最低，但混合模型在Danger召回率和假安全率方面更优；持续性模型最保守但过度预警。实际模型选择取决于操作者优先考虑连续预测精度、假安全避免还是平衡的咨询筛查。空气空隙预测难度与外部天气变化相关，但物理机制未被隔离。最终测试支持不完整限制了边界解释。
研究结论为：时间泄漏受控的传感器网络工作流被回顾性评估用于预测花生仓库微气候和复现规则定义的咨询状态。所有三个时间基线的最终测试MAE均低于所测试的attention-LSTM。季节性朴素模型在RH MAE上最低，混合模型在T MAE上最低，持续性模型在DP MAE上最低。预测误差在空气空隙远大于堆内。最终测试原始支持不完整，仅11/18个位置贡献了原始最终测试指标。Safe、Caution和Danger标签应被解释为规则定义的微气候咨询状态，而非经过验证的商品安全、黄曲霉毒素、真菌生长、籽仁水分或自动控制结果。未来研究应结合完整的外部天气和风机状态记录、商品状况测量和多季节测试，以确定预测辅助复核是否能改善仓库决策。
