可持续温室微气候建模：循环神经网络与图神经网络的比较分析
机器学习
2025-08-05 v4 应用统计
摘要
将光伏（PV）系统集成到温室中不仅优化了土地利用，还通过实现食品生产和可再生能源发电的双重效益增强了可持续农业实践。然而，准确预测内部环境条件对于确保作物最佳生长同时最大化能源生产至关重要。本研究引入了时空图神经网络（STGNNs）在温室微气候建模中的新应用，并将其性能与传统循环神经网络（RNNs）进行了比较。虽然RNN擅长时间模式识别，但它们无法显式建模环境变量之间的方向关系。我们的STGNN方法通过将这些关系表示为有向图来解决这一局限性，使模型能够同时捕捉环境依赖关系及其方向性。我们在来自希腊沃洛斯的两个15分钟分辨率数据集上对RNN和有向STGNN进行了基准测试：一个是2020年安装的六变量数据集，另一个是2024年秋季监测的更复杂的八变量温室数据集。在较简单的2020年案例中，RNN达到了近乎完美的精度，优于STGNN。当2024年有更多驱动因素可用时，STGNN超越了RNN（ vs ），这表明随着交互复杂性的增加，显式建模方向依赖关系变得至关重要。这些发现指明了何时适用基于图的模型，并为在农业光伏温室中联合优化作物产量和光伏发电的数字孪生提供了基石。
引用
@article{arxiv.2502.17371,
title = {Sustainable Greenhouse Microclimate Modeling: A Comparative Analysis of Recurrent and Graph Neural Networks},
author = {Emiliano Seri and Marcello Petitta and Chryssoula Papaioannou and Nikolaos Katsoulas and Cristina Cornaro},
journal= {arXiv preprint arXiv:2502.17371},
year = {2025}
}