基于物理信息神经学习的�作气候动力学状态重构与参数识别

物理信息神经网络（Physics-Informed Neural Networks, PINNs）最近涌现为将数据驱动学习与物理知识相结合的有前景的框架。本文提出了一种耦合 PINN 方法，用于 greenhouse 环境中室内温度和湿度动力学的联合重构，同时进行关键模型参数的识别。该方法将简化的物理动力学模型纳入学习过程，以在稀疏且噪声较大的观测数据下实现一致的估计。人工智能贡献在于开发了将支配性动力学约束整合到神经网络训练中的耦合物理信息神经学习框架，而工程应用则聚焦于 greenhouse 气候状态的重构与参数识别。该框架在模拟昼夜强迫条件的受控合成基准上进行评估。与纯数据驱动神经网络基线相比，耦合 PINN 在重构精度方面取得改进，降低了温度和湿度误差，同时保持高的决定系数。改进在湿度通道尤为显著，因为潜在潮气动力学更难从有限的测量中推断。在实现准确状态重构的同时，该方法成功恢复了支配系统动力学的主要物理参数，证明了其学习可解释表征而不仅仅是数据插值的数据获取能力。这些结果凸显了物理信息学习在 greenhouse 气候建模以及更广泛数据稀缺环境系统中的潜力。