《AgriEngineering》：A Non-Destructive Methodological Approach for Modeling Continuous Drought Stress Dynamics in Opuntia ficus-indica Using Hyperspectral and UAV RGB Imagery
编辑推荐：
在温室园艺中，优化作物产量同时最小化能源消耗仍是一项核心挑战。本研究引入了一个集成深度学习框架，该框架将多时域时间序列预测与双层可解释性相结合，以解决优化温室作物产量与能源效率中时空透明性的关键需求。研究人员评估了四种深度学习架构，包括一维卷积神经网络（1D-
在温室园艺中，优化作物产量同时最小化能源消耗仍是一项核心挑战。本研究引入了一个集成深度学习框架，该框架将多时域时间序列预测与双层可解释性相结合，以解决优化温室作物产量与能源效率中时空透明性的关键需求。研究人员评估了四种深度学习架构，包括一维卷积神经网络（1D-CNN）、长短期记忆网络（LSTM）、双向长短期记忆网络（BiLSTM）和TinyTimeMixer（TTM），并针对两个辣椒品种进行了实验。LSTM和BiLSTM在增量产量预测中实现了最高精度，而TTM在预测日常能源使用量方面表现最优，这反映了生物生长与环境驱动能源需求各自独特的时序特征。为揭示驱动这些预测的因素，研究人员应用了两种互补的可解释性方法：用于特征级归因的梯度SHAP（Gradient SHAP）和用于联合时序-特征解释的时间卷积网络-卷积块注意力模块（TCN–CBAM）注意力机制。辐射和排水相关变量始终是产量的主要贡献因素，而外部温度与湿度则成为能源使用的主要决定因素。时间注意力进一步表明，产量既受近期灌溉响应的影响，也受长期发育动态的影响，而能源消耗则主要受短期气候波动驱动。这些发现为灌溉调度、气候控制策略和能源优化提供了可操作的见解，支持更透明和可持续的温室管理。
研究背景、现存问题与研究动机：温室园艺对全年生产高品质新鲜农产品至关重要，但也是受控环境农业中能源最密集的形态之一。维持最优生长条件需持续运行加热、冷却、通风和灌溉施肥系统，大幅增加了运营成本和环境影响。可持续生产主要依赖对两个核心组件的预测与优化：增量作物产量和日常能源使用量。平衡最大化产量与最小化能源消耗的双重目标是温室运营的核心挑战。这一过程还受到内部环境条件与外部气候因素交互作用所驱动的强时间依赖性的进一步复杂化。尽管深度学习在温室时间序列建模上取得进展，但预测准确性不足以满足农业应用需求；利益相关者需要透明推理以验证模型输出是否符合生物约束、温室操作实践和植物生理学反应。当前农业AI研究存在显著空白：主要关注预测精度而忽视实现spatiotemporal解释性（时空可解释性），以便将模型输出与复杂生物约束对齐。本研究旨在整合先进时间序列建模与可解释性AI（XAI），为温室园艺提供准确预测和可解释见解。主要目标是评估不同深度学习架构（1D-CNN、LSTM、BiLSTM和TTM）在作物产量与能源使用预测中的优化表现，并通过SHAP和TCN–CBAM两种互补方法探究环境变量如何通过特征级归因和时间注意力模式与模型预测相关联。论文发表在《AgriEngineering》。
关键技术方法：本研究数据集来源于澳大利亚西悉尼大学国家蔬菜保护地栽培中心（NVPCC）的高科技玻璃温室（Venlo型，配备Priva Connext 912自动环境控制系统），于2022年1月至6月种植两个商业辣椒品种（‘Gina’和‘YO8366’）。主要技术方法包括：1）数据预处理——融合5分钟间隔的温室遥测、环境测量、能源使用和收获记录，通过线性插值将非规则收获数据映射到相同时间分辨率，并采用互信息理论进行特征选择（选取12个内部变量和8个外部气象变量）；2）四种深度学习架构（1D-CNN、LSTM、BiLSTM、TTM）进行时间序列预测，输入窗口为512时间步（约42.6小时），训练/验证/测试按植株个体划分（70%/10%/20%）；3）双视角可解释性方法——梯度SHAP（基于梯度逼近的SHAP值）进行特征级归因，以及TCN–CBAM（时间卷积网络融合卷积块注意力模块）提供联合时序-特征注意力分析，揭示重要特征及其作用时间窗口。
研究结果：
3.1 预测性能：对于增量产量预测，1D-CNN、LSTM和BiLSTM均取得良好表现，LSTM和BiLSTM精度最高，反映出递归结构对累积型时序依赖的有效建模；对于日常能源使用预测，TTM取得最佳精度，得益于其对长程时间交互和气候驱动变异性的建模能力。但TTM在增量产量任务上稳定性降低。结论：模型架构需与目标变量的时间特征对齐——递归模型更适合累积型作物生长过程，而transformer启发架构更有效捕捉受外部气候波动驱动的能源使用模式。
3.2 特征级可解释性（梯度SHAP）：产量预测中，辐射和排水相关变量在所有架构中均表现出宽SHAP分布，表明其频繁且显著的贡献；排水相关变量（如循环排水量）也呈现非可忽略的SHAP扩散，表明根区水分平衡与大气驱动协同调节产量；而累计灌溉总量等变量SHAP分布较窄趋近于零，表明其直接贡献较弱。能源使用预测中，外部温度、湿度和CO?被一致识别为主要预测因子，与已知热力学行为一致；操作和灌溉相关变量SHAP分布集中于零附近，表明对能源消耗直接影响最小。
3.3 时序-特征可解释性（TCN–CBAM）：产量任务中，通道注意力显示排水相关变量（如cycl drain quant、24 h drain%、IRR-related total consumption）获得最高注意力权重，辐射相关特征也获非可忽略权重；时间注意力曲线呈现两个高关注区域——预测窗口开始后不久和作物周期后期，分别对应短期灌溉响应和长期发育阶段。能源使用任务中，最具影响力的特征来自气候和加热变量（外部温度、外部绝对湿度、外部相对湿度、外部CO?）；时间注意力曲线高关注区域出现在输入窗口末端，表明近期气候波动和操作控制动作对能耗影响最大。TCN–CBAM结果与梯度SHAP高度一致，同时揭示了特征发挥影响的时间区间。
讨论部分总结：梯度SHAP与TCN–CBAM的结合提供了连贯且相互强化的模型行为解读。SHAP提供全局特征归因，CBAM贡献联合时序-特征视角，两者高排名特征（如循环排水量和辐射）相似，但CBAM额外揭示特征发挥影响的时间窗口。两种方法在某些变量（如24 h drain和rain）上排名差异源于SHAP对特征相关性及归因共享的稀释，而时间注意力机制捕获了关键时间窗口及交互效应，因此两者互补而非矛盾。农学启示：产量主要由辐射和排水相关变量驱动，符合辐射影响光合作用与生物量积累、灌溉调度调节果实发育的认知；能源使用则被外部温度、CO?和湿度主导，符合热力学预期。这强调优化产量不一定优化能源，需多目标管理。科学意义：通过双视角可解释性同时量化“何时”与“何种”因素驱动作物-能源动态，增强农业AI系统的透明度和信任度。局限性：数据集仅来自单个温室设施，跨温室通用性未验证；未包含空间信息（如冠层微气候变异）和多模态数据（如影像）；时间注意力模式反映学习关联而非因果关系，需农学实验验证因果解释。
研究结论翻译：本研究提出了一个可解释的时间序列建模框架，用于预测温室园艺中的作物产量和能源使用。通过评估四种深度学习架构（1D-CNN、LSTM、BiLSTM和TTM），研究人员表明最优预测模型取决于目标变量的时间特征：递归网络（LSTM和BiLSTM）在增量产量预测中表现出色，而TTM在日常能源使用预测中达到了最高精度。在实现强预测性能之外，研究人员集成了梯度SHAP和TCN–CBAM注意力机制，以提供互补的特征级和时序-特征解释。在所有作物品种中，辐射和排水相关变量被识别为产量形成的主要驱动因素，而能源消耗主要由外部气候因素（特别是外部温度、湿度和CO?）控制。时间注意力进一步揭示了两个任务背后的不同动态模式：产量受近期灌溉事件和长期发育趋势的影响，而能源使用主要受短期气候波动的驱动。这些结果表明，将深度学习与多级可解释性相结合能够产生透明且具有农学意义的见解。所提出的框架为优化灌溉调度、气候控制和能源管理提供了实用指导，支持更高效和可持续的温室运营。未来工作将重点评估跨温室泛化能力、整合多模态传感数据以及开发因果建模方法，以进一步提高温室AI系统的鲁棒性和可解释性。
