基于多元序列到序列(sequence-to-sequence, Seq2Seq) 长短期记忆(long short-term memory, LSTM)编码器-解码器(encoder-decoder)的物联网(Internet of Things, IoT)赋能温室微气候预测(Automated IoT-Enabled Greenhouse Microclimate Prediction using Multivariate Sequence-to-Sequence LSTM-based Encoder-Decoder)

《Internet of Things》:Automated IoT-Enabled Greenhouse Microclimate Prediction using Multivariate Sequence-to-Sequence LSTM-based Encoder-Decoder

【字体: 大 中 小 】 时间:2026年06月27日 来源:Internet of Things 7.1

编辑推荐:

  在受控环境农业(controlled environment agriculture, CEA)中实施精准农业可通过提供精确管理的作物栽培环境来促进可持续耕作,但其有效性依赖于对内部微气候(microclimate)的及时预测与管理。本研究提出一种新颖的多步超

  
在受控环境农业(controlled environment agriculture, CEA)中实施精准农业可通过提供精确管理的作物栽培环境来促进可持续耕作,但其有效性依赖于对内部微气候(microclimate)的及时预测与管理。本研究提出一种新颖的多步超前温室微气候预测框架,融合物联网(Internet of Things, IoT)传感与机器学习技术,应用于智慧农业,采用多元序列到序列(sequence-to-sequence, Seq2Seq)长短期记忆(long short-term memory, LSTM)编码器-解码器(encoder-decoder)网络(多元编码器-解码器LSTM,multivariate encoder-decoder LSTM, MED-LSTM),对温度、湿度、CO2浓度及光照条件等动态且相互依存的环境因子进行预报。所提方法同时利用内部与外部时序信息以捕捉复杂动力学及各变量间相互依赖关系,以1小时为时间尺度生成准确的24小时超前预报。所提MED-LSTM模型对室内温度、相对湿度、CO2及光合有效辐射(photosynthetic active radiation, PAR)的平均绝对误差(mean absolute error, MAE)分别为0.89、8.31、9.33和131.45。文中还讨论了24小时尺度上的预测误差分布。结果表明,相较于基准模型(baseline models),所提方法显著提升了微气候预报精度,可实现更主动高效的温室管理。其实际意义包括提高能效、节约资源及优化作物品质,助力可持续农业实践。本研究推进了IoT赋能传感与机器学习在智慧农业中的应用,并凸显了创新解决方案应对全球粮食生产中挑战的潜力。
论文解读:基于多元Seq2Seq LSTM编码器-解码器的IoT赋能温室微气候预测研究
研究背景与意义
受控环境农业(controlled environment agriculture, CEA)可通过调控温室内微气候(温度、相对湿度、CO2浓度、光合有效辐射photosynthetic active radiation, PAR)提升作物产量与品质。传统基于启发式规则或线性静态阈值的微气候监测与调控方法难以刻画温室微气候的非线性、多变量耦合及强时序依赖特征;已有基于循环神经网络(recurrent neural network, RNN)、门控循环单元(gated recurrent unit, GRU)、长短期记忆(long short-term memory, LSTM)网络的研究多局限于短时段单步预测或少数变量,缺乏融合内外环境变量进行完整24小时多步序列输出的能力。为此,Wang Yibin、Ojo Mike与Zahid Azlan研究人员开展本研究,提出一种IoT赋能的多元编码器-解码器LSTM(multivariate encoder-decoder LSTM, MED-LSTM)Seq2Seq框架,利用过去24小时内部(温、湿、CO2、PAR)与外部(室外温、湿、太阳辐射)环境变量预测未来24小时(1小时间隔)内部微气候参数序列,旨在提升多步超前预测精度以支持主动温室环境调控。该论文发表于《Internet of Things》。
主要关键技术方法
研究人员于美国德州农工大学AgriLife研究中心温室(2023年3月29日至5月12日,两茬生菜种植周期),通过LoRaWAN协议IoT传感器节点采集6套NFT水培系统中内部温湿度(30分钟间隔)、CO2与PAR(1小时间隔)及外部气象参数,经Node-RED解码存入InfluxDB时序数据库。数据预处理包括短缺失值线性插值、统一重采样至1小时分辨率、Min-Max归一化至[0,1],按时间顺序80%/20%划分训练/测试集并以滑动窗口构造样本。模型采用Seq2Seq架构:编码器LSTM处理过去24小时多元时序输入(含内外部变量)压缩为上下文向量,解码器LSTM基于此生成未来24小时内部微气候四变量序列(many-to-many);隐藏层单元64,Dropout率0.2,优化器为Adam(学习率0.001),损失函数采用MAE-based Focal Loss(聚焦参数γ=2)以应对PAR夜间近零值的不平衡性,早停法防止过拟合。以RNN、GRU、卷积LSTM(convolutional LSTM, ConvLSTM)及Transformer编码器为基准对照,评估指标含MAE、均方误差(mean square error, MSE)、均方根误差(root mean square error, RMSE)及平均绝对百分比误差(mean absolute percentage error, MAPE),并分析24小时预测窗口内误差随时间分布。
研究结果
3. Results and Discussion
研究人员对比仅用内部变量与融合外部变量(室外温、太阳辐射)的MED-LSTM性能(表2),发现引入外部参数使相对湿度MAE由15.65降至8.31、RMSE由17.16降至11.87,CO2MAE由22.31降至9.33、RMSE由28.55降至11.88,室温与PAR也有改善,表明外部气象信息对捕捉温室内复杂驱动因素具重要作用;PAR因受云层、遮阴等未建模因素影响RMSE仍较高。与基线模型对比(表3),MED-LSTM在室内温度预测表现最优(MAE=0.89),CO2(MAE=9.33)与PAR(MAE=131.45,MAPE=16.38%)具竞争力;Transformer编码器在室温预测接近但不及MED-LSTM且变异性大,RNN与GRU个别指标略优但整体MED-LSTM多变量Seq2Seq结构更适于完整日序列预测。典型测试日预测曲线显示模型能跟踪温、湿、CO2趋势,早晚过渡段及PAR峰值处偏差较大。24小时误差分布分析表明前几小时误差低,随预测步长增加误差渐增,PAR因光强突变晚期误差最高且不均衡,提示实际应用宜结合滚动再预测与不确定性边界。部署方面模型参数量约0.47M,推理轻量可在边缘网关运行,需配套异常检测与缺数时回退至规则控制。
讨论与结论翻译
本研究提出并验证了一种IoT赋能的多元编码器-解码器LSTM(MED-LSTM)框架,用于精准可靠的多步温室微气候预测。通过将温室内部环境数据与IoT采集的外部时序信息融合,所提MED-LSTM方法有效建模了温度、湿度、CO2浓度及光照条件等关键变量间的复杂动力学与相互依赖关系,生成1小时间隔的24小时超前预报。在评估的单温室数据集下,所提框架优于包括RNN、GRU、卷积LSTM(ConvLSTM)及Transformer编码器在内的基准模型。研究结果表明,多元Seq2Seq预测可通过在微气候参数超出作物相关阈值前预见环境变化,支持主动温室管理。预测精度的提升有助于优化能源使用、更好配置资源及加强对微气候条件的控制,直接促进作物产量、品质提升与可持续性。同时,当前结果应谨慎解读,因为数据集时段较短、站点特定且季节覆盖有限。未来研究方向包括纳入更多环境变量、在边缘设备与IoT传感器协同部署验证预测响应性,以及探索边缘计算与分布式AI技术以优化计算效率,实现此类框架在资源受限环境中的无缝集成,最终推进可持续智慧农业系统发展。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号