基于GABP-Net（Gated-Attention and BP Parallel Network）模型的农田微气候短期温度预测

《Agriculture》：Short-Term Temperature Prediction of Farmland Microclimate Based on a GABP-Net Model

　　

针对农业微气候剧烈变化下短期气温预测精度不足的挑战，研究人员提出了一种基于GABP-Net（Gated-Attention and BP Parallel Network，门控注意力与BP并行网络）神经网络与注意力机制（Attention Mechanism）的混合预测模型。该GABP-Net通过两个并行分支提供了综合的特征融合框架：基于GRU（Gated Recurrent Unit，门控循环单元）后接多头注意力（Multi-Head Attention）构建的门控注意力分支捕获局部时间依赖性，其中多头注意力组件跨多个头自适应重加权GRU输出以捕获多样化时间模式；同时，在扁平化输入上运行的BP（Backpropagation，反向传播）神经网络分支提取全局上下文特征。它们的并行组合使模型能够同时利用局部动态和全局表征。研究人员以青岛平度28.2公顷农田为研究对象，基于2025年9月至10月每2小时采集一次的观测数据，结合气象站测量值和背景气象预测数据，选取温度、辐射和压力等关键气象因子作为输入特征。结果表明，在6小时、12小时和24小时预测任务中，模型的R2（决定系数）分别达到0.9654、0.9759和0.9622。MAE（Mean Absolute Error，平均绝对误差）分别为0.95 °C、0.84 °C和1.04 °C，RMSE（Root Mean Square Error，均方根误差）≤1.32 °C，显著优于单一BP（Backpropagation）和GRU（Gated Recurrent Unit）模型。研究表明，该混合模型在自然传感器数据不完美且温度变化范围大（总体范围39 °C，最大日较差21.6 °C）的现实田间条件下，有效提高了预测稳定性，为精准农业的微气候调控提供了可靠的技术支持。

研究背景方面，近年来全球气候变化持续加剧，局地微气候条件的不可预测的异常变化会影响作物生长周期与品质，其中农田气温是最直接关键的指标。过高或过低的气温均会对作物生长、叶片光合与蒸腾速率产生不利影响，进而阻碍生长发育并最终直接影响产量与品质。微气候气温模拟主要采用能量平衡法、线性回归与神经网络方法。能量平衡法基于热力学第一定律的物理建模，能定量地表与大气间能量交换以动态模拟微气候温度场，与空间特征紧密耦合，但涉及参数众多，模拟工作量大且复杂。线性回归在传统条件下能有效关联设施内外气象参数，但对复杂多因子交互与突发异常缺乏鲁棒性，单变量突变易引发系统性预测偏差。神经网络在时间序列预测中应用广泛，RNN（Recurrent Neural Network，循环神经网络）及其改进变体优势显著，注意力增强LSTM（Long Short-Term Memory，长短期记忆网络）、XGBoost（Extreme Gradient Boosting，极端梯度提升）、CEEMDAN（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，自适应噪声完全集合经验模态分解）结合GRU、GRU与LSTM集成的数据驱动预测控制模型等均展现出较高精度或效率优势。然而以往农业微气候模拟的神经网络研究多聚焦特定季节、选取天气稳定时段、时间跨度长、采样密度低或刻意排除极端天气样本，无法充分展现不同时间尺度下的模拟性能；现有混合模型多采用串行而非并行融合，可能制约全局特征的独立保留。因此研究人员开展本研究，以克服上述缺陷，论文发表于《Agriculture》。

研究人员开展研究用到的主要关键技术方法包括：数据来源于青岛平度西部28.2公顷农田2025年9月至10月55天、每2小时一次的7台微型气象站观测数据及中国天气网GFS（Global Forecast System，全球预报系统）、The Weather Company地面气象站数据；通过Pearson相关系数阈值筛选保留12个输入变量，对风向角采用半角绝对值变换非线性预处理，剔除降水、能见度、云量；构建GABP-Net模型，含2层GRU、4头多头注意力、BP分支与特征融合层，GRU分支提取局部时序特征，BP分支扁平化输入提取全局特征，拼接融合后全连接输出；数据采用线性插值补缺、同点位多传感器均值去异常（物理有效范围-10 °C至50 °C）、Z-Score标准化，按7:1.5:1.5划分训练、验证、测试集，滑动窗口构造监督学习样本，以R²、MAE、RMSE为评价指标，基于PyTorch实现。

研究结果部分保留小标题说明如下：

1. 3.
   Results（结果）。研究人员在6小时、12小时、24小时预测尺度上对比了背景温度预测（BT_prediction）、BP、GRU及混合神经网络（Hybrid）模型。相关性热图显示气压与温度呈强负相关，反映实验期高低压系统交替影响。6小时预测中Hybrid在时序与幅值上与实测值吻合最佳，BP低估快速上升、高估下降，GRU整体趋势好，BT_prediction平滑尖锐变化；12小时预测偏差增大，Hybrid仍准确复现峰谷且波形保留好，其余模型偏差更大；24小时预测所有模型误差增加，Hybrid仍最接近，GRU在极端温度误差最大，BT_prediction无法有效表征尖锐波动。散点图显示各尺度下Hybrid点沿参考线y=x紧密聚集，R²高，BP高温预测偏低、低温偏高，GRU极端略有偏离，BT_prediction集中在窄预测范围且极端偏离；误差直方图显示Hybrid误差分布最集中，随预测时长增加各模型离散度增大但Hybrid始终最窄。表2量化对比显示Hybrid在6、12、24小时R²分别为0.9654、0.9759、0.9622，均高于0.96；MAE分别为0.95 °C、0.84 °C、1.04 °C；RMSE分别为1.21 °C、1.01 °C、1.32 °C且≤1.32 °C；相较GRU的R²高2.8%–4.0%、MAE低25%–28%、RMSE低24%–28%，相较BP的R²高48.2%–67.9%、MAE低72%–76%、RMSE低63%–75%，BT_prediction表现最差，证实Hybrid精度与稳定性最优。

讨论部分总结：研究人员在6、12、24小时尺度评估了神经网络对农田微气候的预测性能，基于青岛农田大量气象观测数据建立了集成GRU时序依赖建模、多头注意力特征交互优化与BP全局特征提取的混合模型，Hybrid的R²维持≥0.96，GRU次之但低2.8%–4.0%，BP随时长延长显著下降至0.5596且RMSE增至4.50 °C，BT_prediction的R²仅0.3317–0.4086，反映其对微气候快速变化响应滞后的局限性，GABP-Net的R²与RMSE处于温室温度预测深度学习模型典型范围0.96–0.99与0.3–1.3 °C内，具竞争力。GRU整体趋势尚可但在24小时极端处轻微过冲，门控机制对近期变化敏感但预测窗延长会放大误差；Hybrid因并行融合局部时序与全局上下文特征在各尺度维持更优稳定性，印证并行架构优于单分支模型。其优异性源于并行结构：独立BP分支保留全局结构信息，GRU-注意力分支捕获局部时序动态，多头注意力自适应加权关键时间步，互补表征避免全局上下文被顺序处理稀释，适应农田复杂多变微气候，契合近期农业与时序预测中并行多分支提升鲁棒性的方向。研究局限包括数据集仅55天单季、单站点未评估其他季节与极端天气与外推性、未纳入土壤水分等因子、48小时精度明显下降、未系统记录计算效率指标。未来将引入株高、土壤蒸散等参数，部署小规模自主数值天气预报系统以提供细详可控输入。

研究结论部分翻译：本研究提出了一种混合神经网络方法，用于预测青岛平度冬小麦-夏玉米轮作系统的农田气温。数据集整合了微型气象站观测、中国天气网预报及The Weather Company现场测量值，涵盖55天、间隔2小时的观测。模型架构结合GRU捕获时间依赖性、BP提取全局特征及多头注意力增强特征融合。数据按7:1.5:1.5分为训练、验证与测试集，输入序列为3、6和12时间步。评价指标包括R²、MAE和RMSE。主要发现如下：混合模型在所有预测尺度上R²均高于0.96，MAE为0.84 °C至1.04 °C，RMSE为1.01 °C至1.32 °C，显著优于单一GRU和BP模型。其误差增长适中，表现出优越的精度与稳定性，尤其在较长时预测中。结果表明，该混合模型通过其并行架构有效处理了复杂时间交互与非线性特征动态，在测试条件下对农田微气候短期温度预测具较强潜力。虽然BT_prediction提供背景参考，但其较低R²与较高误差凸显了传统预报数据在捕获微气候快速变化上的局限。本研究一个关键局限是模型仅在青岛单站点55天期间验证，且预测尺度延至48小时时精度明显下降。需在多站点多季节进一步验证以确认更广适用性。未来发展将整合额外作物与土壤参数，并部署中尺度数值天气预报系统以增强模型鲁棒性与业务适用性，进一步支撑精准农业与明智农场管理决策。