用于气候压力环境下城市粮食安全的地理空间多尺度图神经网络（Geospatial Multi-scale Graph Neural Networks）

《Scientific Reports》：Geospatial multi-scale GNN for urban food security in climate-stressed environments

　　

摘要

由于气候变化引发的自然灾害和土壤退化，全球粮食安全问题日益严重，这使得替代农业系统的韧性成为风险管理中的关键焦点。本研究提出了一种地理空间集成监测框架——优化多尺度自适应图神经网络（OMSA-GNN），旨在减轻水培和气培环境中养分不稳定性带来的风险。该系统利用基于树莓派的物联网（IoT）网络来监测微气候变量、植物生理健康状况和养分浓度之间的复杂相互作用，并将这些数据视为局部化的地理空间点。为了在环境不确定性下提高决策效率，采用了改进的麻雀搜索算法（ISSA）来优化GNN的预测性能。OMSA-GNN模型结合了视觉植物指数作为近红外遥感方法，以便早期检测可能导致作物失败的生理压力。通过使用生菜生长数据集进行评估，该框架在预测生长轨迹和管理资源相关风险方面表现出优于传统静态模型的性能。研究结果表明，这是一种可扩展的方法，有助于提高城市粮食系统的可靠性，因为传统的陆地农业越来越容易受到自然灾害的影响。