用于温室叶片温度控制的层次因果发现与桥梁预测方法

《Computers and Electronics in Agriculture》：Hierarchical causal discovery and bridge forecasting for greenhouse leaf temperature control

　　•基于层次结构的因果发现与桥梁预测方法用于叶温分析。•AutoLag通过1-SE规则为每个目标变量选择合适的滞后范围。•层次先验有助于提升因果发现的可解释性。•由因果图衍生的特征可改善叶温预测精度。•低成本的ΔT替代指标有助于提前预警热胁迫风险。

引言
随着智慧农业的快速发展，温室环境调控正从经验驱动的管理方式向数据驱动的智能决策模式转变。然而，在温室矮化番茄生产中，调控措施往往不会直接影响作物的生理状态，而是首先作用于温室微气候，进而影响叶片层面的生理反应。例如，光照环境会决定冠层的热状况，进而影响植物的生长及果实生物量的形成（Ke等人，2023年）。在这一系列过程中，叶温尤为重要。作为一项综合性的生理指标，它将环境条件与作物反应联系起来，反映了辐射吸收、蒸腾降温、边界层交换以及气孔调节等多种因素的综合效应。正因如此，叶温在温室控制、胁迫检测以及精准作物管理方面具有重要的实用价值。

近年来，关于温室叶温感知与建模的研究表明，叶温与冠层热状况、蒸腾作用、辐射吸收、通风情况以及作物的短期反应密切相关。现有的研究方法包括叶能平衡模型和软感知方法（Vermeulen等人，2012年；Jolliet和Bailey，1992年），以及回归模型、人工神经网络、深度神经网络等其他机器学习方法（Grimberg等人，2022年；Son等人，2023年）。热成像和数字传感技术也被用于支持保护地栽培系统中的作物监测与温度相关评估（Rezvani等人，2020年；Deng等人，2025年）。最近的研究进一步探讨了温室条件下番茄的蒸腾作用与冠层反应，强调了微气候调控与作物生理行为之间的紧密关联（Lin等人，2025年）。温室微气候的形成受到通风、气流交换以及冠层空气动力学特性的影响，这些因素在气流分布和气候异质性研究中已被广泛研究（Fatnassi等人，2004年；Wang，1999年）。风驱自然通风也被视为影响温室气流和微气候变化的重要因素（Lee等人，2018年）。这些研究都证实了叶温在温室监测与作物反应评估方面的实用价值。不过，大多数研究仅关注监测精度、经验拟合或局部环境特征描述，而较少研究温室调控措施如何通过中间微气候变量影响叶温的时间传导路径。

数据驱动的预测与控制方法在温室系统中也被广泛应用。以往的研究涉及温室气候预测、灌溉决策支持、番茄产量建模以及补光优化等方面（Ehret等人，2011年；Belouz等人，2022年）。还有些研究通过结合机器学习、粒子滤波以及数据驱动的控制策略，提升了温室预测与决策支持的效率（Zhou等人，2023年；Wang等人，2025b年）。与此同时，基于过程的作物与温室模型也被开发出来，用于描述不同温室设计下的番茄生长、产量形成、气候响应以及经济效益（Dayan等人，1993年；Vanthoor等人，2011a年）。这些模型还被扩展用于温室气候与作物敏感性分析以及系统级设计评估（Vanthoor等人，2011b年；Vanthoor等人，2012年）。在额外补光和热量收集条件下，温室气候-产量模型也得到了进一步验证（Righini等人，2020年）。最新的研究则探索了基于复杂传感器数据的稳健型温室番茄生长预测以及模型孪生式分析方法（Lee等人，2026年；Wang等人，2026年）。模型预测控制（MPC）在温室应用中也得到了广泛研究（Mahmood等人，2023年；Xu等人，2025年）。最近的预测控制研究还将基于长短期记忆（LSTM）的环境预测与温室微气候调控相结合，展现了混合预测-控制流程在智能气候管理中的潜力（Benzzine等人，2026年）。相关研究还探讨了利用LSTM预测结果实现实时VR循环MPC以调控温室温度的方法（Benzzine等人，2025年），凸显出模拟辅助与人工智能支持决策系统的重要性（Chen等人，2026年）。这些方法有助于提升预测精度与控制性能，但其中许多方法将控制变量、环境状态及生理变量视为同一组特征，因此难以解释可控措施是如何通过中间微气候变量影响叶温的。在温室决策支持方面，这种缺乏机制透明度的特点限制了预测模型在注重安全性的控制评估中的应用。

时间序列因果发现方法有助于识别复杂动态系统中的滞后驱动关系。PCMCI和PCMCI+方法被开发出来，用于在存在自相关性、高维度以及多重时间滞后情况下推断直接的滞后关系（Runge，2018年；Runge等人，2019a年）。相关研究还探讨了地球系统科学中的因果发现、方法论的可靠性以及因果分析的稳健性要求（Assaad等人，2022年；Runge等人，2023年）。近期的理论与应用研究还强调了时间序列因果发现中的潜在混杂因素、一致性以及稳健性评估问题（Gerhardus，2024年；Miersch等人，2025年）。此外，以因果关系为导向的表示学习以及时空因果发现方法为将因果结构与预测任务相结合提供了新途径（Cai等人，2025年；Nichol等人，2025年）。还有些研究进一步拓展了复杂系统中的因果分析范畴（Correia等人，2026年）。在农业系统中，因果推断已开始被用于识别影响植物生理过程的环境因素，比如毛竹的汁液流动反应（Deng等人，2025b年）。不过，将通用的时间序列因果发现方法直接应用于温室叶温分析仍面临两个局限：首先，大多数方法并未明确体现温室控制系统的“行动-状态-生理”层级结构；其次，最大滞后值通常是由人工固定并统一应用于所有变量，而不同的温室变量实际上可能具有不同的有效时间尺度。因此，有必要将层次先验约束与自适应的滞后范围选择相结合，进一步研究所发现的因果结构是否能够支持预测功能，以及能否用于两种下游应用评估——基于回放的控制评估以及基于ΔT的面向部署的代理预警。

这些局限性也制约了因果分析结果的下游应用。在温室决策支持方面，因果发现应超越单纯识别统计关系，从而实现可解释的预测、以控制为导向的评估以及面向部署的预警。近期的温室研究显示，人们越来越重视智能传感、微气候预警以及基于传感器的决策支持技术（Wang等人，2025a年；Albuja-Illescas等人，2025年）。然而，层次因果发现与叶温预测的整合应用仍不够充分，而且这种整合在两种下游应用评估——基于回放的控制评估以及基于ΔT的面向部署的代理预警——中的作用也尚未得到充分研究。

在此背景下，本研究以温室矮化番茄的叶温这一关键生理指标为核心，探讨控制措施、室内环境状态与叶温响应之间的层次动态关系。本研究的主要贡献在于构建了一个集成框架，该框架将层次化的AutoLag-PCMCI+因果发现方法与因果桥梁预测（CBF）方法相结合，以实现可解释的叶温预测与决策支持。研究还采用了基于回放的控制评估以及基于ΔT的面向部署的代理预警作为下游应用评估手段，以检验所发现的因果结构是否能够支持资源-风险分析以及生理风险预警。此处所说的因果桥梁预测，是指一种预测策略，它利用因果分析确定的中间状态变量作为桥梁变量，将可控措施与未来的叶温响应联系起来。本研究的主要贡献如下：
•提出了一种用于温室叶温调控的层次化约束因果发现与因果桥梁预测框架。该框架通过明确体现温室系统的“行动-状态-生理”逻辑，引入结构先验并约束允许的跨层边方向，从而提升因果发现结果与实际运作机制之间的一致性。
•引入了基于验证的AutoLag机制，以此构建AutoLag-PCMCI+因果发现方法。为解决传统方法依赖人工指定最大滞后阶数的问题，该方法会根据不同目标变量在候选滞后窗口下的验证性能自适应确定合适的滞后范围，同时结合稳定性分析来提取稳健的因果边。
•提出了因果桥梁预测（CBF）框架，将该框架将控制措施到室内状态变量，再至叶温的因果路径转化为预测模型。在该框架中，由因果发现确定的状态变量充当可控措施与生理响应之间的桥梁变量，从而将因果发现结果转化为叶温预测值。随后，这些预测值会被用于另一项独立的基于回放的控制评估中，以分析在不同控制策略下节约资源潜力与叶温安全之间的权衡关系。作为另一项下游应用评估，研究还探讨了基于ΔT的面向部署的代理预警任务，其中ΔT表示叶温与空气温度的差值。由于ΔT需要叶温与空气温度两个数值才能计算，这项评估仍需这两项测量数据。其实际目的并非取代叶温传感，而是评估在能够获得连续的叶温与空气温度数据的情况下，是否可以用一个简洁的热量替代指标来支持生理风险预警，从而避免复杂的生理监测及特征获取工作。

总体而言，这些组成部分使得层次化AutoLag-PCMCI+与CBF方法成为本研究的方法学核心，而基于回放的控制评估与基于ΔT的面向部署的代理预警则作为下游应用评估手段。本文的其余部分安排如下：第2节介绍所提出的分析框架，并阐述两项下游应用评估的设计；第3节呈现研究结果与讨论；第4节总结主要结论、局限性及未来研究方向。

材料与方法
本节介绍了所提框架所使用的数据集、变量组织方式以及方法学构成。分析所用数据为在第四届国际自主温室挑战赛中发布的公开多源温室番茄数据集（Maree等人，2025年）。数据集中的时间戳字段被转换为统一的日期时间格式，那些时间戳无效或缺少后续分析所需变量值的记录被排除，而非通过统计方法进行插补。

叶温的选定滞后范围与层次因果路径
本节分析了AutoLag机制为每个目标变量选定的滞后窗口，以及由此形成的与叶温相关的层次因果路径。在AutoLag方法中，每个目标变量都被赋予了独立的自适应最大滞后窗口，这一设定取代了以往对所有变量统一使用固定滞后长度的做法。图3展示了用于层次因果路径中因果发现的17个核心变量的交叉验证曲线。

结论
本研究构建了一个结合约束因果发现与因果桥梁预测的层次化框架，用以刻画温室叶温动态背后的分层传递过程。通过引入“行动-状态-生理”约束以及基于验证的AutoLag机制，该框架减少了对人工指定最大滞后窗口的依赖，能够针对不同目标变量识别出合适的滞后范围，同时降低了搜索成本。

CRediT作者贡献说明
王晓龙：撰写——初稿、可视化、软件工具、方法学、研究实施、正式分析、概念构思。江兆辉：撰写——审阅与编辑、监督、项目管理、资金获取、概念构思。沈春山：撰写——审阅与编辑、验证、方法学。

利益冲突声明
作者声明不存在任何可能影响本文研究工作的已知财务利益或个人关系。

致谢
作者感谢中国安徽省重点研发计划项目（编号202104a06020012）以及中国农业农村部农业传感器重点实验室开放课题“因果推断在智慧农业与林业中的应用”（编号KLAS2026KF002）的支持。

王晓龙|江兆辉|沈春山