基于编码器与动态提示矩阵的温室环境数据插补TSA-GAIN方法
《Computers and Electronics in Agriculture》:TSA-GAIN method for greenhouse environment data imputation based on encoder and dynamic hint matrix
【字体:
大
中
小
】
时间:2026年07月24日
来源:Computers and Electronics in Agriculture 10.3
编辑推荐:
•提出了一种两阶段自适应生成对抗插值网络TSA-GAIN。•设计了自适应提示率函数,从而引入动态提示矩阵。•编码器用于优化随机噪声生成,以增强数据相关性。•在MAE、RMSE和R2指标上,TSA-GAIN的表现优于GAIN。在高缺失率情况下,TSA-GAIN的性能也优于MICE、
•提出了一种两阶段自适应生成对抗插值网络TSA-GAIN。•设计了自适应提示率函数,从而引入动态提示矩阵。•编码器用于优化随机噪声生成,以增强数据相关性。•在MAE、RMSE和R2指标上,TSA-GAIN的表现优于GAIN。在高缺失率情况下,TSA-GAIN的性能也优于MICE、RF和KNN。引言在温室环境监测系统的长期运行中,会出现诸多问题,包括长时间间隔的数据缺失以及跨传感器耦合特征的碎片化。这些数据缺失会导致对环境变化的反应延迟或错误,进而影响智能温室管理和环境控制的准确性与可靠性(Arciniegas-Alarcón等人,2020;Boomgard-Zagrodnik和Brown,2022;Zhang和Thorburn,2021)。目前关于数据填补的研究可分为两种方法:统计方法(Khan和Hoque,2020;Wang等人,2021;Wu等人,2022)和机器学习方法(Figueroa-García等人,2023;Khan等人,2022;Ma等人,2020)。统计方法依赖于对数据分布的特定假设,这在处理复杂数据集时会限制其有效性。它们难以满足非线性温室环境中多变量耦合的动态监测需求。相比之下,机器学习方法,尤其是深度学习技术,具有更大的灵活性和拟合能力,能够有效捕捉复杂变量之间的非线性关系。在这些方法中,生成对抗网络因具备强大的复杂数据分布建模能力,在数据填补方面展现出显著优势(Boronuosi等人,2025;Miao等人,2023;Romaniuk和Grzegorzewski,2026;Xu等人,2025)。Yoon等人(Yoon等人,2018)提出了生成对抗填补网络GAIN。该模型通过引入掩码和提示机制,能够在不完整数据上进行对抗训练,并重建缺失数据的分布。然而,许多研究(Zhou等人,2025)指出,GAIN没有考虑输入数据的时间相关性和变量相关性,因此在多变量时间序列填补任务中表现不佳。在工业领域,基于生成对抗网络的数据恢复与填补研究已取得显著成果。Hu等人(Hu等人,2021)提出了一种基于tnGAN的管道网络泄漏检测方法。该方法为工业管道网络中传感器数据不完整的问题设计了时间序列嵌套生成结构,并在生成对抗训练中结合了时间依赖性和局部上下文信息。随后,Hu等人(Hu等人,2022)提出了基于分层生成对抗网络的管道压力数据恢复方法,进一步将结构扩展为站点层-控制中心层的分层生成框架。通过结合联合注意力模块和宏观-微观双鉴别器机制,实现了多层压力数据的高精度恢复。这一系列研究表明,GAN填补模型能够有效填充多传感器网络的缺失值,但在训练和生成过程中,需要利用时空相关性和跨传感器耦合关系来确保恢复结果的一致性与可用性。温室环境监测系统与工业设备类似,二者都依赖多传感器网络来实现环境变量和系统状态的实时采集,且都会因传感器老化、信号干扰或通信中断而出现数据丢失问题。同时,两者的监测数据都具备时间连续性和空间相关性。在数据恢复过程中,需要兼顾时间序列的平滑性和变量相关性。这些共性使得工业数据填补方法可为温室环境数据填补提供有益参考。不过,工业数据通常来自物理机制和工艺流程相对明确的系统,运行条件也较为可控,变量之间的关系在一定程度上受物理模型或经验规则约束,且在稳定运行条件下,数据往往呈现出相对平稳或弱周期性的统计特征。而温室环境数据则受气候变化、作物生长和运营控制等因素影响,具有非平稳性、非线性、多耦合性和纯滞后性等特点(Wang等人,2024)。温度、湿度、光照和CO2浓度等变量之间存在复杂的动态耦合和滞后反馈关系,数据缺失表现为大间隔缺失、跨传感器特征断裂以及多维度异步缺失,其噪声来源也更为复杂,包括传感器漂移、外部干扰以及生物活动引起的微气候波动。因此,GAN虽适用于温室环境监测系统中的缺失值填补,但需通过有效利用时空相关性和变量耦合关系,针对温室数据的特性进行优化。为充分利用多变量时间序列的时空相关性和变量相关性,现有研究从多个方面对GAIN框架进行了改进:Hu等人(Hu等人,2023)还提出了基于GAIN的MSIN模型,该模型结合了缺失值位置引导机制、时空模块和在线更新机制,可实现风电场数据的高效填补。该方法通过捕捉时间衰减和特征相关性,显著提升了填补精度,并且在不同缺失率下都能保持稳定性能。Zhou等人(Zhou等人,2025)提出了MDA-GAIN,它在GAIN生成器中引入了时间变量注意力与模式注意力,以提高缺失数据的填补精度。Hwang和Suh等人(Hwang和Suh,2024)提出了CC-GAIN,该模型将DTW-kmeans聚类得到的伪标签引入分类分支,并与GAIN联合训练,同时利用时间序列特征和用电模式的特点,提升了多建筑用电数据缺失值的填补效果。Jiang等人(Jiang等人,2025)结合了高维映射和位置编码,使用L2惩罚约束生成器来学习时间序列的分布特征,能够利用不规则采样的时间数据,并自然地插补任意时间戳,从而克服时间窗口限制,弥补了传统GAIN在学习自相关特征方面的不足。尽管上述研究在不同程度上取得了不错的填补效果,但其目标数据集的特征与温室环境数据并不完全一致,因此这些方法无法直接应用于温室环境监测中的缺失数据填补。MSIN主要是为风电场SCADA系统中的缺失数据填补设计的,其多层递归架构和参数更新机制导致计算和参数复杂度较高,难以在温室环境中应用。MDA-GAIN是为多模态批量处理数据开发的,侧重于从时间、变量和模式维度对批量数据进行联合建模。然而,温室运营是一种连续的生产过程,不存在明确的批次划分。CC-GAIN主要针对建筑用电时间序列,其核心优势在于能够识别不同建筑或场景下的用电模式,通过聚类和分类机制提升模式差异明显的数据的填补性能。而在温室环境中,如此清晰且易于识别的模式差异较难界定。温室环境数据填补的关键挑战在于捕捉温度、湿度、CO2浓度等环境变量之间的潜在耦合关系和自适应多变量动态特性。为解决上述问题,本文提出了一种两阶段自适应生成对抗填补网络TSA-GAIN,该网络设计了自适应提示率函数和动态提示机制,同时还构建了潜在关系编码模块,将原始分布特征和时空相关性信息注入潜在表示中,优化生成器结构,提升模型对多变量动态变化的适应能力。同时,本文还探讨了农业场景下不同缺失条件下的填补效果。本文的其余结构如下:第二部分介绍环境变量的选择方法;第三部分详细阐述TSA-GAIN中的动态提示矩阵和两阶段训练机制;第四部分通过实验分析和对比评估,验证所提方法在填补精度方面的优势;最后第五部分对全文进行总结。章节节选材料与方法温室环境中存在众多变量,其中温度和湿度对作物生长和生产管理起着核心作用(Sultan等人,2021)。温度是影响作物生理代谢的关键因素,会作用于光合作用、呼吸作用和养分吸收过程。湿度则与作物蒸腾作用以及病害的防治密切相关。保持适宜的湿度对于维持作物的水分平衡和预防真菌滋生至关重要。TSA-GAIN网络结构TSA-GAIN是一种基于GAIN框架的缺失值填补方法,它通过生成器和鉴别器之间的动态对抗机制,实现缺失数据的多维特征重建。与GAIN相比,TSA-GAIN在提示机制和生成器结构两个主要方面进行了改进。GAIN固定的提示率难以适应不同的训练阶段,而TSA-GAIN则能根据对抗损失动态调整提示率。实验设置实验数据集是在荷兰Bleiswijk的一座96平方米的Venlo型温室中,进行为期两个月的矮生番茄栽培期间收集的。气候和天气数据通过气候测量箱、人工记录以及室外气象站每五分钟记录一次。每个变量共有18,719个数据点。所有实验均基于完整数据集开展。温室中常见的数据缺失类型包括随机缺失(模拟无线信号干扰情况)。结论针对温室环境数据中存在的较大时间间隔缺失和跨传感器耦合特征断裂等复杂情况,本文提出了一种两阶段自适应生成对抗填补网络结构TSA-GAIN,该结构提升了提示率并引入了动态提示矩阵机制。联合编码器通过引入数据相关性增强用的随机噪声,充分利用了温室环境数据的潜在相关特性。CRediT作者贡献说明王丽娜:写作——审阅与编辑,写作——初稿,形式分析,概念构思。张颖:写作——审阅与编辑,写作——初稿,方法论。刘秋辉:写作——审阅与编辑。Surkova Ekaterina:写作——审阅与编辑。王彬瑞:写作——审阅与编辑,资金获取。资助本项工作得到了浙江省高校基本科研业务费(2023YW09)、国家自然科学基金(31901400)、国家关键技术研究与发展计划(2018YFB2101004)以及浙江省重点研发计划(2022C03G1123943)的支持。利益冲突声明作者声明不存在任何可能影响本文工作的已知财务利益或个人关系。致谢无。王丽娜|张颖|刘秋辉|Surkova Ekaterina|王彬瑞
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号