农学创新及其对温室蔬菜产量的影响：物种特异性视角

《Horticulturae》：Innovations in Agronomy and Their Impact on Greenhouse Vegetable Yields: Species-Specific Perspectives

　　

优化作物产量同时最小化能源消耗仍然是温室园艺的一个核心挑战。本研究引入了一个集成深度学习框架，该框架将多视界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和能源效率中对时空透明性的关键需求。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），在两个辣椒品种上进行了评估。LSTM和BiLSTM在增量产量预测中达到了最高精度，而TTM在预测日能源使用方面优于其他模型，反映了生物生长和环境驱动能源需求的独特时间特征。为了揭示驱动这些预测的因素，应用了两种互补的可解释性方法：梯度SHAP（SHapley Additive exPlanations）用于特征级归因，以及带有卷积块注意力模块的时间卷积网络（TCN–CBAM）注意力机制用于联合时间-特征解释。辐射和排水相关变量持续成为产量的主要贡献者，而外部温度和湿度是能源使用的主要决定因素。时间注意力进一步表明，产量受近期灌溉响应和长期发育动态的影响，而能源消耗主要由短期气候波动驱动。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。

温室园艺是实现全年高质量鲜食生产的关键，但同时也是能源密集型农业形式之一，维持最优生长条件需要大量能源投入。现有深度学习模型虽在产量和能源预测上取得进展，却缺乏时空可解释性，导致模型输出难以与生物约束和操作实践对齐。为解决这一“黑箱”问题，本研究在澳大利亚西悉尼大学国家蔬菜保护栽培中心（NVPCC）的Venlo型温室中，以两个辣椒品种（‘Gina’和‘YO8366’）为对象（样本队列来源），收集了高分辨率内部环境、外部天气及操作数据。研究人员引入了一种集成深度学习框架，耦合多视界时间序列预测与双层可解释性，旨在提供准确预测和可解释的农学洞察。论文发表在《Horticulturae》。研究得出关键结论：循环网络（LSTM和BiLSTM）在增量产量预测上最优，而TTM在日能源使用预测上精度最高；辐射和排水相关变量是产量主要驱动力，外部气候变量主导能源消耗。该框架显著提升了温室管理的透明性和可持续性，为灌溉调度、气候控制和能源优化提供了实用指导。

主要关键技术方法（不超过250字）：
主要技术方法包括基于互信息理论的特征选择，从内部环境（灌溉率、通风温度等12个变量）和外部天气（温度、湿度、辐射等8个变量）中筛选输入特征；构建512时间步（约42.6小时）滑动窗口样本，按植株划分训练（70%）、验证（10%）和测试（20%）集；采用四种深度学习架构（1D-CNN、LSTM、BiLSTM、TTM）分别进行增量产量和日能源使用的时间序列预测；应用梯度SHAP（Gradient SHAP）进行特征级归因，并引入TCN-CBAM注意力机制用于联合时间-特征解释。样本队列来源为NVPCC温室2012年1月至6月的两个辣椒品种生长周期数据。

研究结果：

**3.1 模型预测性能**
通过比较均方根误差（RMSE）和决定系数（R²），研究人员发现：对于增量产量预测，LSTM和BiLSTM在所有品种上均达到最高精度，表明循环结构有效捕捉了产量形成的累积时序依赖；对于日能源使用预测，TTM表现最佳，其令牌混合设计能够聚合多尺度气候模式，优于其他模型。这一对比验证了模型架构与目标变量时间特征对齐的重要性。

**3.2 基于梯度SHAP的特征级可解释性**
梯度SHAP分析揭示：在所有四种模型中，辐射和排水相关变量（如循环排水量、24小时排水百分比）显示出最大的SHAP值离散度，并持续将预测推向更高或更低，表明它们是产量形成的核心贡献者；而外部温度、湿度、CO₂则主导能源使用预测，其物理意义与热力学预期一致（温差驱动加热/冷却需求）。灌溉总量等变量的SHAP分布较窄，表明其直接贡献在考虑辐射和微气候后减弱。

**3.3 基于TCN-CBAM的时间-特征可解释性**
TCN-CBAM的通道注意力图显示，产量预测中排水和辐射变量获得最高权重，与SHAP结果一致；时间注意力曲线揭示两个高注意区间（输入窗口早期和后期），分别对应近期灌溉响应和长期发育阶段。对于能源使用，外部温度、湿度、CO₂及加热水消耗量主导注意力，时间注意力集中在输入窗口末尾，表明短期气候波动和操作动作直接影响能源消耗。这种联合分析提供了“什么”和“何时”的双重解释。

**讨论与结论**
讨论部分强调，梯度SHAP与TCN-CBAM结果高度一致，且互补揭示了特征重要性及其时间作用窗口。辐射和排水对产量的主导作用符合光合作用与根区水分平衡的农学原理；外部气候对能源的驱动符合热力学规律。这一分离明确支持多目标温室管理。同时指出局限性：数据仅来自单一设施，缺乏空间信息和因果验证。未来需开展跨设施评估、整合多模态数据（如热成像、叶片温度测量）并引入因果建模。
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（包括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：循环网络（LSTM和BiLSTM）在增量产量预测中表现优异，而TTM在日能源使用预测中精度最高。除强预测性能外，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间特征解释。在所有品种中，辐射和排水相关变量被确定为产量形成的主要驱动力，而能源消耗主要由外部气候因素（特别是外部温度、湿度和CO₂）控制。时间注意力进一步揭示了两个任务的不同动态模式：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驱动。这些结果表明，将深度学习与多级可解释性相结合可以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。未来工作将集中于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。