温室作物的生长发育主要取决于遗传和环境两大因素，遗传决定作物生长发育的潜力，而环境则决定这种潜力可能实现的程度。设施作物生长发育与温室气候环境密不可分，作物生长发育进程明显受到光照、温度的影响，而病害发生又与湿度高低有较大联系。因此，保持适宜的温室气候环境对作物生长发育尤为重要。温度、光照和湿度作为温室中影响作物生长的关键气候环境因子，如何准确预测这些环境因子对温室作物生产具有重要意义。

近日，我院信息所任妮研究员团队在温室环境预测方面取得重要进展，相关研究成果以题为“A variable weight combination prediction model for climate in a greenhouse based on BiGRU-Attention and LightGB”在线发表于农业信息领域国际权威期刊《Computers and Electronics in Agriculture》（农林科学一区，Top期刊，IF=8.3）上，提出一种基于BiGRU-Attention（Bi-directional Gated Recurrent Unit，BiGRU）和LightGBM (Light Gradient Boosting Machine，LightGBM）的变权组合模型实现温室内空气温度、空气湿度和光合有效辐射精准预测。

该研究综合利用注意力机制（Attention）优化的BiGRU（即BiGRU-Attention）和LightGBM两种不同结构的单一模型进行组合建模，提出一种时变权重的组合预测模型PSO-BiGRU-Attention-LightGBM，突破了组合模型预测性能受制于各单一模型融合程度的局限性。该模型首先引入注意力机制提升BiGRU网络的特征提取效果，以此建立BiGRU-Attention预测模型，生成气候环境因子预测结果；其次，利用LightGBM构建气候环境预测模型，生成另一部分的预测结果；最后，采用PSO算法对BiGRU-Attention和LightGBM模型不同时刻预测值的权重系数寻优，以获得最佳的组合模型最优预测结果，从而提高模型预测精度。

图1 组合模型算法流程图

经与GRU、BiGRU、BiGRU-Attention、XGBoost、LightGBM、BiGRU-Attention-LightGBM等多种模型的多指标对比分析，发现在相同条件下，BiGRU-Attention模型的预测结果评价指标RMSE、MAE均低于BiGRU、GRU，表明通过Attention机制能够更好地筛选出对输出影响更为关键的因子。且LightGBM模型的预测精度比XGBoost更高，说明基于单一模型LightGBM和BiGRU-Attention构建变权组合模型合适有效。

图2 空气温度、空气湿度和光有效辐射预测曲线

为验证PSO-BiGRU-Attention-LightGBM变权组合模型在预测精度和多步长预测能力方面的表现，本研究选取了30min、60min、90min和120min四种不同时间步长，对温室内空气温度、空气湿度和光合有效辐射进行预测。研究结果显示，变权组合模型整体预测性能优于单一模型和等权赋值组合模型，尤其在空气温度与空气湿度预测方面，其中对未来30min空气温度预测的R²值高于0.99，空气湿度的R²值高于0.98，均优于国内外相关文献的研究成果。该研究模型有助于农业从业者及时预警和应对极端气候事件，尤其针对越冬作物，通过精准预测温室内气候变化趋势，并及时采取保温防护措施，能够有效降低冻害，减少经济损失。

图3 空气温度、空气湿度和光有效辐射在不同时间步长下RMSE对比

信息所智慧农业创新团队骨干成员毛晓娟为论文第一作者，团队首席任妮研究员为通讯作者。该研究得到了江苏省重点研发、江苏省农业科技自主创新等项目资助。

文章链接：https://www.sciencedirect.com/science/article/pii/S0168169924002096