《Processes》：Allium ampeloprasum Propagation Organ (Japanese Garlic): Polyphenol Profiling Under Different Drying and Extraction Conditions
编辑推荐：
温室微气候调节因温度、湿度、土壤水分和光强度之间的非线性耦合而具有挑战性，这限制了传统基于阈值和比例-积分-微分（PID）控制策略在时变环境扰动下的有效性。研究人员提出了一种预测增强集成控制框架，该框架结合了随机森林（RF）、梯度提升（GB）和支持向量机（SV
温室微气候调节因温度、湿度、土壤水分和光强度之间的非线性耦合而具有挑战性，这限制了传统基于阈值和比例-积分-微分（PID）控制策略在时变环境扰动下的有效性。研究人员提出了一种预测增强集成控制框架，该框架结合了随机森林（RF）、梯度提升（GB）和支持向量机（SVM）分类器与未来一小时天气预报，用于温室微气候闭环调节。该拟议系统在种植黄瓜（cv. ‘Madora F1’）的工作温室中部署并验证了连续28天。传感器测量结果和预测输入通过统一预处理管道进行处理，而控制动作通过多数投票生成，并在树莓派4B边缘硬件上执行，最坏情况推理延迟低于18毫秒。该拟议框架在现场部署中实现了温度均方根误差（RMSE）0.83 °C。作为参考，在采用扰动一致评估协议下，基于阈值和PID基线控制器分别获得了3.21 °C和1.94 °C的RMSE值。从原始10秒采集流中衍生出的40320个重采样观测区间（60秒分析网格）中，温度、相对湿度和土壤水分的符合率分别达到96.4%、94.1%和97.2%。短期天气预报的集成实现了预期灌溉管理，在不损害土壤水分符合性的情况下将灌溉泵运行时间减少18%，每温室区域每年估计节能158 kWh。与以预测为导向的温室人工智能研究不同，该拟议方法实现了一种可部署的预测增强闭环控制架构，并在连续真实温室运行条件下得到验证。
**论文解读文章**
**研究背景、问题与目的**
温室栽培在气候变异性加剧背景下日益重要，维持温度、湿度、光照和土壤水分在作物特定范围内是稳定生长的关键。传统温室控制方法存在明显局限：手动操作迟滞且不一致；固定阈值控制器无法捕捉非线性交互或适应环境变化；比例-积分-微分（PID）控制器虽改善单变量调节，但需独立整定，在太阳辐射和作物生长等时变扰动下性能退化，且所有传统方法均为被动反应式，无法利用预测性天气信息。尽管基于物联网传感和机器学习的控制已取得进展，现有研究仍存在以下空白：多数系统仅调节部分变量、验证期短或基于仿真、预报数据很少用作前馈输入、特征设计多为经验式而非模型驱动。现有研究极少同时满足以下特征：（i）温度、相对湿度、土壤水分和光强度的多变量闭环控制；（ii）预报前馈；（iii）模型引导的特征设计；（iv）超过21天的连续现场验证。因此，研究人员开展本研究，旨在将物理建模、数据驱动学习和天气预报输入整合为一个可部署的边缘控制架构，实现低成本硬件上的稳定多变量调节，并在实际生长环境中验证。
**主要关键技术与方法**
研究人员在乌兹别克斯坦卡尔希国立技术大学（约38.86°N, 65.79°E）的实验温室（54 m2，种植黄瓜cv. ‘Madora F1’）部署系统。关键技术包括：（1）建立温室热动力学和土壤水分的离散时间动态模型（式1-2），通过阶跃响应实验估计参数，指导特征选择；（2）构建11维特征向量，融合传感器测量值（温度、相对湿度、土壤水分、光强度、光合有效辐射）和一小时前天气预报（外部温度、降水概率、云量），以及时间正弦编码和上一时刻执行器状态；（3）采用随机森林（RF）、梯度提升（GB）和支持向量机（SVM）三类异质分类器集成，通过多数投票生成二进制执行器指令（加热器、风扇、灌溉泵、遮阳帘），所有模型在10天预部署数据集上训练（80/20分层拆分，并采用前向链式时间序列交叉验证）；（4）系统运行于树莓派4B边缘硬件，最坏推理延迟<18 ms。
**研究结果**
**5.1 数据集组成与模型训练**：通过10天预部署期收集86,400个观测点（10秒间隔），标签来自阈值控制器。采用80/20分层拆分，训练集69,120样本，测试集17,280样本。额外采用5折前向链式时间序列交叉验证和保留最后24小时测试，F1分数与分层拆分结果一致，验证模型泛化性。
**5.2 分类性能与集成增益**：各装置专用集成模型在测试集上表现良好（表3）。集成增益在灌溉泵上最显著（+3个百分点），泵的集成分类器间分歧率8.4%，表明其决策边界最复杂。多数投票降低方差，低配对误分类相关性（<0.25）支持集成有效性。
**5.3 跟踪误差指标**：在28天现场运行中，温度均方根误差（RMSE）为0.83 °C（95% CI: ±0.04），土壤水分RMSE为1.47% VWC，相对湿度平均绝对误差（MAE）为1.58%。按日时段分层：夜间（20:00-06:00）温度RMSE 0.51 °C，日出后（06:00-09:00）1.38 °C，白天高负荷（09:00-16:00）0.96 °C，傍晚过渡（16:00-20:00）0.66 °C。按天气分层：晴天1.00 °C，阴天0.62 °C，降雨过渡日0.78 °C。误差在极端瞬态期间有界放大而非灾难性。
**5.4 现场运行期间微气候符合性**：温度在[18,28]°C范围内符合率为96.4%，非符合区间集中在日出后30-60分钟，受限于二进制风扇通风容量。相对湿度在[50,75]%内符合率94.1%，土壤水分在[20,40]% VWC内符合率97.2%，为最佳。
**5.5 基线对比**：在相同扰动脉冲序列下对比：AI集成温度RMSE 0.83 °C，阈值基线3.21 °C，PID基线1.94 °C。阈值控制器通过数据回放评估，PID通过模型仿真评估。AI集成实现灌溉泵运行时间减少18%，估计每温室区域年节能158 kWh、节水约4200 L、减少CO?排放66 kg（基于365/28线性缩放）。评估方式差异（现场、回放、仿真）下性能趋势一致，进一步回放验证确认与现场结果接近。
**5.6 预报驱动的主动灌溉控制**：28天中出现3次降水事件，每次降水前32-47分钟灌溉被主动抑制（基于预报降水概率）。反事实基线（固定预报特征为均值）显示灌溉泵运行时间增加4.3小时（18%），土壤水分符合性不变。特征消融分析：移除预报特征导致温度RMSE从0.83°C升至1.42°C，分类准确率从86%降至78%；仅保留最小传感器组则降至71%/1.76°C。McNemar检验显示集成改进统计显著（p < 0.01，Bonferroni校正）。鲁棒性测试：传感器噪声加倍后准确率下降<5%；±2°C漂移影响加热器准确率至80.3%；5分钟预报中断仅引起1.2个百分点下降。
**5.7 光照强度调节与遮阳帘操作**：光照强度作为遮阳帘激活的主导特征（特征重要性0.41），控制决策主要基于辐射条件。遮阳帘在太阳辐射高峰期联动热管理子系统，减少过多热增益并维持适宜光合有效辐射。
**讨论与结论**
特征重要性分析支持动态模型（温度主导加热器，土壤水分和降水概率共占泵重要性的65%）。SHAP分析确认决策基于物理驱动因素而非虚假相关。基线对比（阈值3.21°C、PID 1.94°C降至0.83°C）体现多变量表示与数据驱动决策的优势。预报前馈使泵运行时间减少18%，折算为年节能、节水和减排量（数值为预估）。与七项代表性研究定性比较，本研究首次同时实现多变量闭环控制、预报前馈和超过21天现场验证。局限性包括：单一地点、单一作物周期、离线训练、二进制执行器、未同时部署多控制器（阈值/PID通过回放/仿真评估）、未采集直接产量数据。未来工作需多站点多季节验证、在线自适应学习、变速率执行器及机器视觉拓展。
**研究结论总结**：系统在低成本边缘硬件上连续运行28天，基于40320个重采样分析区间评估。现场性能：温度RMSE 0.83 °C（95% CI: ±0.04），低于阈值基线（3.21 °C）和PID基线（1.94 °C）（分类准确率统计显著p<0.01，RMSE因评估模式不同未做配对检验）。符合率：温度96.4%，湿度94.1%，土壤水分97.2%。预报前馈在三次降水事件前主动抑制灌溉，泵使用减少18%而不损害土壤水分符合性。最坏推理延迟<18 ms。该工作将预报前馈、集成学习和边缘部署结合在廉价硬件上，直接适用于资源受限设施。验证范围明确（单站点、单作物周期、离线训练），多站点验证、季节性适应和变速率执行是自然延伸。该框架证明低成本边缘AI系统可提供实用多变量温室工艺控制，无需计算密集型优化求解器。
