从数值感知到认知决策：一种基于天气信息和知识指导的主动环境管理方法，应用于畜牧设施中

《Expert Systems with Applications》：From numerical perception to cognitive decision: a weather-enhanced and knowledge-guided approach for proactive environmental management in livestock facilities

　　

毛旭 王 | 春金 张 | 徐 有 | 小丽 魏 | 韦正 沈 | 古志新

摘要

在设施农业工程中，封闭式养殖系统中的主动环境管理仍然是智能决策支持系统（IDSS）面临的主要挑战，因为保温与通风之间存在持续冲突。现有的数据驱动方法通常将设施视为一个孤立系统，导致“物理环境脱节”——即忽略了外部气象边界条件；同时还存在“数据决策差距”——黑箱式的数值输出无法支持可解释的福利管理。为了解决这些限制，本研究提出了Hd-LLM，这是一个基于天气增强和知识引导的混合专家系统框架，它从数值感知演变为认知决策。从概念上讲，Hd-LLM的主要创新不在于任何一个单一模块，而在于将物理引导的多模态预测、频率感知的参数高效适应以及知识引导的神经符号推理统一整合到一个用于主动环境管理的预测到决策的框架中。在环境感知阶段，我们开发了一种物理引导的混合预测架构。引入了微尺度气象网格特征提取器（3×3），以捕捉与自然通风相关的风速和热压梯度，并使用特征线性调制（FiLM）机制来模拟外部天气对内部污染物积累的影响。为了支持资源受限的农业边缘部署，将频率感知适配器（FA-Adapter）嵌入到预训练的GPT-2模型中，通过参数高效的微调将低频物理趋势与高频生物节律区分开来。在福利决策阶段，构建了一个知识引导的推理模块，利用涵盖生理阈值、因果逻辑和协同风险规则的领域知识库来约束大型语言模型（LLM），从而将预测结果转化为具有风险归属和分级干预措施的结构化、可解释的报告。在大型肉羊养殖场的实验表明，Hd-LLM在长期预测方面优于包括Informer和TimeLLM在内的强基线模型，将氨气预测的均方绝对误差（MAE）降低了多达56.4%。可解释性分析进一步表明，该系统能够识别复杂的协同风险，并为通风策略提供有效的推理支持。总体而言，这项工作架起了物理天气感知与认知推理之间的桥梁，为复杂生物系统中的主动环境管理提供了一个可扩展的工程信息学框架。