基于物理原理的机器学习方法用于预测蘑菇培养袋内的温度
《Agriculture》:Physics-Guided Machine Learning for Predicting the Internal Temperature of Mushroom Bags
【字体:
大
中
小
】
时间:2026年07月03日
来源:Agriculture 4.5
摘要
准确预测蘑菇培养袋内的温度至关重要,但由于环境条件与培养袋热状态之间的复杂非线性耦合关系,这一任务仍然具有挑战性。本研究提出了一种基于物理原理的机器学习框架,可将热力学先验知识转化为一系列可解释的工程特征。具体而言,我们通过交叉相关最优滞后分析来捕捉时间上的温度滞后,利用累积移动平均值以及具有物理校准半衰期的指数加权移动平均值来表示整体热记忆,同时还通过蒸汽压差控制的温度梯度来量化蒸发冷却与通风之间的相互作用。这些工程特征与标准的环境变量相结合后,被输入到多种机器学习算法中。我们在四种典型的栽培场景下,系统地比较了四种不同的模型——物理模型、一步物理模型、纯数据驱动模型以及所提出的基于物理原理的模型。结果表明,基于物理原理的XGBoost模型具有最高的预测精度,其在四个数据集上的R2值分别为0.996、0.993、0.997和0.973,显著优于其他所有基准模型。SHAP和累积局部效应分析显示,指数加权移动平均值在预测中起主导作用,且所学到的特征与响应关系符合已确立的热力学原理,从而证明了该模型的物理一致性。这一框架为食用蘑菇栽培中的前馈式环境控制提供了一种实用且可解释的解决方案。
生物通微信公众号
生物通新浪微博
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