《Smart Agricultural Technology》：Machine Learning-Based Greenhouse Temperature Forecasting Model with Structural and Geospatial Features
编辑推荐：
准确预测温室内部温度对于主动气候管理、节能运行和稳定作物生产具有重要意义。本研究评估了一种基于门控循环单元（GRU）的预测模型，该模型在常规环境测量基础上增加了确定性结构与太阳几何描述符，包括纬度、经度、屋顶坡度、屋顶方位角、太阳高度角、太阳方位角以及屋顶特定
准确预测温室内部温度对于主动气候管理、节能运行和稳定作物生产具有重要意义。本研究评估了一种基于门控循环单元（GRU）的预测模型，该模型在常规环境测量基础上增加了确定性结构与太阳几何描述符，包括纬度、经度、屋顶坡度、屋顶方位角、太阳高度角、太阳方位角以及屋顶特定入射角。研究人员利用从实验温室收集的冬季数据，该温室具有空间分布的传感器和现场气象站，比较了基线GRU与加入额外描述符集的改进型GRU。改进模型将传感器位置处的平均决定系数（R2）从0.622提升至0.662，并将平均均方根误差（RMSE）从1.935°C降低至1.801°C。采用7天训练和1天测试窗口的重复滚动评估显示，在可用数据集上性能持续提升，并由配对Wilcoxon检验支持。这些结果表明，在当前单站点冬季条件下，结构与太阳几何描述符能够改善短期至中期温室温度预测。仍需跨季节和跨站点的更广泛验证。
**解读文章：基于GRU的温室温度预测模型融入结构与地理空间特征**
**研究背景与问题**
随着人口增长、环境退化和气候变化对粮食安全构成威胁，全球对设施农业的需求持续增加。温室栽培因其能够调控植物生长条件并屏蔽外部天气变异而受到关注。然而，温室环境虽然提供可控条件，但仍受到外部天气的强烈影响，并且由于结构特性（如轻质材料、屋顶几何形状）而存在固有的空间不均匀性。现有通风和循环系统虽能缓解部分差异，但温度波动依然存在，尤其在季节变化剧烈的地区，导致过热或过冷问题。因此，精确且对天气响应的环境控制策略，特别是确保作物所需的最佳太阳辐射，显得至关重要。
现有研究采用时间序列数据（来自现场传感器和气象站）开发了多种预测模型。然而，当太阳辐射和结构背景仅通过测量变量间接表示时，模型性能可能下降。这种局限性在温室环境中尤为突出，其中定向太阳增益和屋顶几何形状影响局部热行为。为此，研究人员开展本研究，旨在探索将确定性结构与太阳几何描述符（如纬度、经度、屋顶坡度、屋顶方位角、太阳高度角、太阳方位角及屋顶特定入射角）融入数据驱动框架，以提高温室温度预测的准确性和鲁棒性。
**研究内容与结论**
本研究以韩国江原道春川市江原国立大学的实验温室（约100 m2，屋顶坡度30°，朝向东南偏南10°）为对象，收集了55天的冬季数据。研究人员设置了8个空间分布的传感器点（两个垂直高度：0.6 m和2.1 m），结合现场气象站数据，构建了基线GRU模型（仅使用测量环境变量：外部温度、外部湿度、露点、太阳辐射、储热罐温度）和改进型GRU模型（额外加入上述7个结构与太阳几何描述符）。模型以1分钟分辨率记录数据，采用7天训练、1天测试的滚动评估方案，预测未来0、30、60、120、180分钟的温度。性能评价指标为决定系数（R2）和均方根误差（RMSE）。
结果表明：改进型GRU模型在8个传感器位置的平均R2从0.622提升至0.662（提升+0.040），平均RMSE从1.935°C降低至1.801°C（降低-0.134°C）。该改进在较长预测时间窗（尤其90分钟以后）更为显著，并且在不同传感器位置和不同日期上表现出一致的提升。配对Wilcoxon检验支持了性能提升的统计显著性。具体来看，位于屋顶附近的位置1-4显示出更高的R2（反映更好的时间趋势跟踪），而靠近作物冠层和地平面的位置5-8则显示出更大的RMSE降低（反映更高的数值精度）。论文指出，该改进应被视为案例研究证据，而非一般性的部署性能证明。研究发表在《Smart Agricultural Technology》。
**主要关键技术方法**
1. **数据采集与预处理**：在韩国江原国立大学实验温室（纬度37.88°N，经度127.73°E）内设置8个空间分布传感器（0.6 m和2.1 m高度），结合现场气象站（JNGW100, JINONG）收集1分钟分辨率的外部温度、湿度、露点、太阳辐射及储热罐温度。采用皮尔逊相关系数分析确定与室内温度相关性较强的变量，并采用最小-最大归一化处理数据。
2. **太阳几何参数计算**：基于温室地理坐标和屋顶朝向（30°东向坡和210°西向坡），通过太阳几何计算方法推导太阳高度角（SAA）、太阳方位角（SAAz）以及东、西屋顶表面的太阳入射角（SIAe、SIAw）。
3. **模型构建与评价**：采用门控循环单元（GRU）作为预测模型，使用Adam优化器、均方误差（MSE）损失函数，通过网格搜索进行超参数调优（隐藏层100，批量大小256，学习率0.001）。模型采用7天滚动训练、1天滚动测试方案，以决定系数（R2）和均方根误差（RMSE）为评价指标，并进行配对Wilcoxon符号秩检验。
**研究结果**
- **3.1 测量与计算的环境变量**：内部温度呈现明显的空间差异：东侧位置日出后快速升温，西侧位置下午缓慢升温。计算得到的太阳高度角、方位角与太阳辐射变化模式一致，屋顶入射角显示东、西坡面在一天中互补性地接收太阳增益，有助于避免热量集中。这些几何参数无需额外传感器即可获得。
- **3.2 环境变量相关性分析**：皮尔逊相关分析显示，外部温度（ET）、太阳辐射（SR）、太阳高度角（SAA）、太阳方位角（SAAz）与内部温度呈中等正相关；而东向太阳入射角（SIAe）与东侧传感器（IT1–IT4）相关性更强，西向太阳入射角（SIAw）与西侧传感器（IT5–IT8）相关性更强，反映了结构方向性对热分布的影响。
- **3.4 基线模型与改进模型性能对比**：采用8个传感器位置、41个滚动评估案例，比较基线GRU与改进GRU在不同预测间隔（0–180分钟）下的R2和RMSE。改进模型在较长预测间隔（约90分钟以上）显著缓解了性能下降趋势，在多个位置保持更低RMSE（始终低于1.8°C）。训练轮次略有增加（平均197.60增至241.63）。
- **3.5 时空预测性能**：改进模型在早晨升温期（06:00–12:00）的180分钟预测曲线更贴近实测值，相位延迟和振幅误差更小；在下午降温期（16:00–20:00）更稳定，减少过冲或滞后；在夜间（00:00–06:00）有效抑制了基线模型的虚假振荡。表3显示改进模型平均R2从0.622升到0.662，平均RMSE从1.935°C降至1.801°C，东侧位置（IT1–IT4）R2增幅集中在0.013–0.021，西侧位置（IT5–IT8）RMSE降幅更大（如位置5: -0.202°C；位置8: -0.144°C）。
- **3.6 按预测间隔和日期的性能趋势**：随着预测间隔增加，两个模型R2均下降、RMSE均上升，但改进模型在90分钟以后始终维持更高R2和更低RMSE。按日期分析显示，改进模型在大多数评估日取得更高R2和更低RMSE，但日间波动较大，表明改进应视为案例证据而非通用性保证。
**讨论与结论**
讨论部分指出，结构描述符的加入有助于模型在较长预测时间窗内保持准确性，尤其在太阳辐射主导的时段（如早晨升温）和空间上（如东侧位置）。性能提升的统计显著性通过配对Wilcoxon检验得到支持，且滚评估方案增强了结果的可信度。但作者强调局限性：本研究仅在单个温室、冬季数据上开展，不适用于直接泛化到其他季节、温室结构或控制条件；未来需扩展至更多算法、更简基线、特征消融、多季节数据集、交叉验证以及不确定性感知预测。结论部分原文翻译如下：**结论** 本研究考察了固定的结构与太阳几何描述符在与常规环境测量结合时，能否改善基于GRU的温室气温预测。与基线配置相比，描述符增强模型在传感器位置处显示出更高的平均R2和更低的平均RMSE，该优势在较长预测时间窗更为明显。重复滚动评估还表明，在可用冬季数据集上，改进总体一致。总体而言，研究结果表明，在当前实验条件下，结构与太阳几何描述符可作为温室温度预测有用的特征工程策略。所提出的模型应解释为可能支持未来控制导向应用的预测组件，而非独立的控制框架。
