基于多传感器深度学习的日光温室温湿度场时空预测与三维重构方法
本发明涉及一种融合空间坐标嵌入与传感器级注意力机制的日光温室温湿度场时空预测方法。
背景技术：
1、设施农业作为保障全球食品供应与提升高价值园艺作物周年产量的现代农业支柱，在应对全球气候不确定性方面发挥着核心作用。日光温室作为中国北方特色的设施农业形式，采用了非对称式单坡围护结构设计，通过前坡透光、后墙蓄热与侧墙隔热的物理机制，有效解决了寒冷季节蔬菜生产的能耗瓶颈。但由于这种特殊的围护结构与热物理特性，导致室内微气候环境（温度、相对湿度、辐射等）呈现出极强的非线性波动、时滞性以及三维空间不均匀分布特征。
2、已有研究表明，日光温室内部温湿度场存在显著的层化现象，冠层中下部常因气流受阻及剧烈蒸腾形成低温高湿的微气候现象。这种显著的空间异质性演化规律不仅影响了作物的生理代谢、光合速率及养分分配效率，更是诱发生物逆境的核心环境驱动力。目前的智能化调控策略往往依赖布置在温室中央或远离边界的单一测点数据，这种评估方式在处理强异质性环境时存在明显的代表性偏差，导致通风、加热等设备频繁误触发，难以覆盖温室边角及冠层底部的风险区域。因此，构建能够同时感知时间波动规律与三维空间拓扑关联的微气候时空推演模型，是实现主动式分区精准管控的关键前提。
3、国内外学者在温室微气候预测领域已开展了广泛而深入的研究，研究路径正经历从机理建模向数据驱动的范式演进。早期的探索主要集中于热力学机理建模，旨在通过显式描述围护结构与环境间的传热传质过程来构建数学描述体系。saberian和sajadiy利用计算流体力学（cfd）仿真手段深入剖析了动态太阳热负荷对温室微气候的影响，精确再现了温室内部温度场与气流场的空间异质性格局。hou等基于计算流体力学（cfd）方法对日光温室冠层热环境进行了数值模拟，并结合实测数据进行对比验证，结果表明该模型能够有效刻画温室内气温的三维分布特征及温度梯度变化规律。然而，此类物理模型在实际应用中面临显著挑战，庞大的计算开销使其难以适配物联网环境下的实时预测需求，且复杂的参数标定过程也限制了其在不同结构温室间的迁移能力。
4、随着高性能计算能力的提升，数据驱动模型逐渐成为微气候预测研究的主流方向。he和ma研究表明，利用主成分分析（pca）剔除冗余特征后，基于人工神经网络（ann）的建模能够有效预测温室相对湿度，显著提升了面对外界环境波动时的鲁棒性。近年来，深度学习技术的突破为长时序、强耦合环境数据的建模带来了根本性变革。liu等开发了一种基于长短期记忆网络的gcp-lstm预测系统，该系统融合了室内外多源气象特征，在预测温湿度等六项关键环境因子方面均优于支持向量机等传统统计模型。jia和wei采用深度神经网络回归（dnnr）模型实现了3小时至24小时等多个时间步长的温湿度超前预测，其中24小时步长的温度误差分布在[-7,7]℃以内，为微气候多步预测研究奠定了基础。
5、为了进一步提升复杂动态环境下的预测精度，研究者开始引入注意力机制以捕捉关键的历史波动信息。yang等进一步将前馈注意力机制与lstm深度融合，构建了fam-lstm模型，将24小时温度预测误差显著压缩至[-1.8,2.9]℃，湿度误差控制在[-5.8,4.4]%以内，其性能显著优于同期的单一时序架构。在混合架构探索方面，kow等创新性地将深度学习预测模型与物理过程约束相融合，构建了混合驱动的多步微气候预测框架，该框架在验证精度和可解释性方面均取得了显著提升，代表了当前领域的前沿发展方向。
6、针对空间拓扑信息的缺失，jia等则在cnn-lstm框架下引入空间信息，探索了将卷积特征与时序学习相结合的区域气温空间模拟与预测方法，为温室三维温度场建模提供了重要的方法论参考。最近，jiang等提出的rime-cnn-bilstm架构，通过自动化的参数优化算法实现了对东北地区极端天气的精准适应，将温度预测的平均绝对误差（mae）降低了46%，显著增强了模型在非稳态环境下的泛化能力。尽管如此，现有研究大多仍将传感器视为独立点位，缺乏对不规则空间内监测节点动态贡献度的自适应解析。
技术实现思路
1、本发明针对日光温室内部温湿度场显著的时空异质性问题，提出了一种基于多传感器深度学习的日光温室温湿度场时空预测与三维重构方法。该方法以多源传感器数据为基础，构建cnn-bilstm-sa时空耦合模型，实现了从离散测点观测到连续三维物理场的高精度重构。在空间维度上，该模型能够有效刻画辐射驱动下温度场的连续梯度分布，精准重建围护结构热惯性导致的垂向层化特征；同时，在湿度场分析中成功识别出作物蒸腾与气流受阻形成的局部高湿核心及边界低湿区，实现了对强空间异质性结构的稳定表达，为日光温室环境分区调控与病害风险预警提供了可靠的数据支撑与方法基础。
2、本发明的目的是通过以下技术方案实现的：
3、一种基于多传感器深度学习的日光温室温湿度场时空预测与三维重构方法，包括如下步骤：
4、步骤1、数据获取与空间坐标标定：
5、在日光温室内布设温湿度传感器网络，连续采集作物冠层及围护结构附近的温湿度数据，并记录各测点的三维坐标和分组信息；同时在温室外无遮挡位置布置气象站，采集室外空气温度、相对湿度、大气压力、太阳辐射、风速、风向和降雨量等外部气象强迫变量，其中，所述温湿度传感器在每个种植试验区内采用3×3水平布局，并结合距地面0.5 m、1.0m和1.5 m三个垂直高度，共形成27个冠层温湿度测点，采样间隔为15 min；
6、步骤2、数据预处理与样本构建：
7、将温室内温湿度观测、室外气象强迫变量和时间编码统一到15 min时间网格，进行异常值剔除、缺失值填补和基于训练集统计量的归一化处理；以连续96个历史时间步作为输入窗口，以未来96个时间步作为直接多步预测目标，构建包含多传感器历史序列、外部气象特征、时间特征、测点三维坐标和分组嵌入的模型输入；
8、步骤3、日光温室的温湿度预测：
9、构建cnn-bilstm-sa网络架构，该网络为由多尺度cnn神经网络模型、传感器级门控注意力机制和bilstm神经网络模型依次连接形成的级联结构，以历史多传感器观测序列、外部气象数据、时间特征及传感器空间坐标为输入，其中，多尺度cnn神经网络模型位于前端，用于提取多传感器历史序列中的短时扰动和多尺度变化特征；传感器级门控注意力机制位于中间，用于根据测点特征与外部气象状态自适应分配不同传感器的贡献权重；bilstm神经网络模型位于后端，用于对注意力融合后的全域状态序列进行长时依赖建模，最终，通过全连接输出层获得未来温湿度预测结果，并结合空间插值实现连续温湿度场重构，其中：
10、所述cnn神经网络模型在数据输入初期构建邻域增强机制，增强cnn神经网络模型对边界梯度、冠层湿度波动及局部通风扰动空间异质性特征的表征能力，增强后的特征张量随后输入多尺度时间卷积模块，通过并行布设的多组不同尺寸一维卷积核对输入序列进行滑窗扫描，提取不规则空间布点下的高阶特征，具体的卷积运算过程描述如下：
11、
12、式中，表示第个卷积分支在时刻输出的特征响应值；表示邻域增强后的输入信号序列在时刻的取值；表示第个卷积核在第个位置的权重；表示第个卷积核的偏置项；表示卷积核的感受野长度；(·)表示非线性激活函数；cnn输出的多尺度特征与传感器三维坐标及分组嵌入拼接后，经节点映射层得到测点时间特征向量，该向量作为后续传感器级门控注意力机制的输入；
13、所述传感器级门控注意力机制将各测点的时间特征向量与当前时刻包含太阳辐射及环境温湿度在内的全局气象特征进行深度拼接，构成增广特征向量，这组向量随后输入共享多层感知机计算能量评分，产生具备物理位置敏感性的响应值，为了保证cnn-bilstm-sa网络架构对局部异质性中心的聚焦能力，引入softplus函数进行映射：
14、
15、
16、
17、式中，表示时刻第个测点的原始能量得分；表示cnn和节点映射层输出的测点时间特征向量；表示当前时刻的全局气象特征向量；、和分别表示注意力层的权重矩阵、偏置向量和权重转换向量；表示softplus映射后的正值门控响应；为防止除零的极小常数；表示参与建模的传感器数量；表示第个传感器在时刻的归一化贡献权重，各测点时间特征向量按照进行加权求和，形成表征温室全域瞬时微气候状态的综合特征，并作为bilstm模块的输入，实现地理位置信息对时序特征的自适应调制；
18、所述bilstm神经网络模型以综合特征向量与全局气象特征向量拼接得到的序列作为输入，通过正向和反向两个链条在历史窗口内部建模日光温室微气候的长时依赖关系，正向链条捕捉由早到晚的环境变化趋势，反向链条从历史窗口末端向前补充上下文信息，二者融合后形成更稳定的时序表征，并经全连接层输出未来96个时间步、全部传感器位置的温湿度预测结果，其隐层状态更新遵循门控循环方程：
19、
20、
21、
22、
23、
24、式中，表示bilstm在时刻的输入向量，在本发明中对应；、和分别表示输入门、遗忘门和输出门的状态向量；表示细胞状态，表示上一时刻细胞状态；和分别表示当前时刻和上一时刻隐藏状态；、、、及、、、表示相应输入项和隐藏项的权重矩阵；、、和表示偏置项； bilstm隐藏层输出经全连接层映射至传感器物理空间，产生未来全域温湿度预测结果；
25、所述cnn-bilstm-sa网络架构针对日光温室典型的垂直温度层化现象，设置了垂直结构约束项以抑制模拟物理场中不合理的温度反转波动；总损失函数通过动态调节预测误差与物理惩罚项的权重比例，其具体形式如下：
26、
27、式中，表示总损失函数，表示传感器数量；和分别表示时刻第个传感器位置的预测值和实测值，第一项为预测值与实测值间的均方误差，为空间平滑正则项，为垂向层化结构约束项，与是控制物理约束强度的超参数。
28、相比于现有技术，本发明具有如下优点：
29、1、本发明提出一种融合三维空间坐标嵌入与传感器级注意力机制的多传感器深度学习框架，构建了cnn-bilstm-sa模型。该模型通过多尺度卷积提取局部动态特征，结合bilstm捕捉环境温湿度的长时序依赖关系，并利用门控注意力机制根据环境状态动态分配不同传感器的权重，最终实现温湿度的多步预测与连续三维微气候重构。
30、2、基于典型日光温室黄瓜全生育期的多源传感器监测数据对模型进行验证，结果显示：模型在温度预测中的平均绝对误差（mae）、均方根误差（rmse）和决定系数（r2）分别为0.88℃、1.236℃和0.92，在湿度预测中分别为2.619%、3.735%和0.93，均显著优于基准模型。进一步的二维切片、三维云图重构及关键节点时序分析表明，该模型能够有效还原温湿度场的主导空间结构与动态演化特征。
31、3、本发明实现了日光温室微气候的精准表征，为日光温室的分区精准调控和病害风险预警提供了高精度的数据基础与方法支撑。