近日，兰桂骐与荷兰瓦赫宁根大学联合培养博士周小寒在国际期刊《Computer and Electronics in Agriculture》（影响因子6.757）上发表了题为《通过粒子滤波与深度学习提升一个基于过程的温室气候-番茄生产模型的预测精度》的研究论文。

传统温室实验以及温室作物生产管理需要投入大量的实验成本和多年的种植经验积累。动态温室气候和作物模拟模型可以通过生成高质量的数据，预测不同环境下植物的生长发育与产量，无需大量时间和经济成本，就可以为温室气候控制、作物管理和温室设计的提供决策支持。

模型提供的决策支持信息是否可靠，取决于模型的准确性和可解释性。模型的预测精度可以通过以下方式提高：

1）优化基于过程的模型中的机制；

2）校准基于过程的模型中的参数；

3）从数据中获取黑盒关系优化模型。

考虑到模型的可解释性从（1）到（3）会逐步下降，本研究提出了一种基于知识的数据驱动三步优化法：首先根据领域知识选择和修改基于过程的模型机制与参数，然后进行数据驱动的优化。本文中，我们先通过粒子滤波（PF）估计参数值，再通过深度神经网络（DNN）进一步进行黑盒优化，并将该方法在番茄温室生产系统建模的案例中进行了测试。

首先，本研究将温室气候-番茄模型GreenLight（Katzin 等人，2020）和温室番茄模型TOMSIM（Heuvelink，1995、1996）中的部分模块进行修改与整合。验证表明，五个温室参数的 PF 校准将室内空气蒸气压预测的季节性相对均方根误差 (RRMSE) 从 PF 校准前的 40.7% 降低至 16.4%，但并未降低室内空气温度预测的RRMSE。将 PF 校准后的模型与经过一个生长季数据训练的 DNN 相结合，将室内空气温度预测的 RRMSE 从没有 DNN 的 15.0% 降低到 6.7%，并将室内空气蒸汽压力的 RRMSE 降低到 12.6%。基于知识的数据驱动温室气候番茄模型的季节性总新鲜产量预测的相对误差为0.9%，整个季节累积产量预测的RRMSE为6.6%。如果在将模型与 DNN 结合之前没有校准基于过程的模型参数，则 DNN 训练数据所需的数量和多样性会增加，因为 DNN 需要从数据中学习更多信息。在没有 PF 校准的情况下，将经过 50 天数据训练的 DNN 与基于过程的模型相结合，室内空气温度和蒸汽压预测的 RRMSE 分别为 44.8% 和 31.8%；通过 PF 校准，RRMSE 降低至 13.1% 和 17.9%。

本研究的结论是，基于知识的数据驱动三步优化法，不仅可以提高模型预测的准确性，而且还可以帮助跟踪和解释优化的原因。

论文链接：

 https://www.sciencedirect.com/science/article/pii/S016816992300368X?via%3Dihub