农业工程学报

作者：王一涵,王宗仁,李友丽,张钟莉莉,郑文刚,

关键词：日光温室, 环境参数, 异常检测, 深度学习, 机器学习

基金：42

日光温室环境参数的精准采集对作物生长调控至关重要，但传感器数据易受环境干扰与设备故障影响产生异常值，即使仅少量异常，也会导致调控失准，进而严重影响作物产能。为此，该研究提出一种基于级联融合模型的温室环境数据自监督异常检测与修正方法。该方法首先利用长短期记忆网络（long short-term memory, LSTM）捕获环境数据的长程时序依赖，随后将其输出作为极端梯度提升（eXtreme gradient boosting, XGBoost）的输入，通过非线性残差补偿进一步增强特征表达，提升模型对复杂生境下动态变化规律的拟合精度。最后，基于预测偏差构建滑动窗口动态阈值判别逻辑，实现异常数据的精准识别和校准。试验结果表明，LSTM-XGBoost融合模型在空气温度、相对湿度与光合有效辐射检测中检测率达99.2%～99.8%，准确率达98.9%～99.8%。相对于单一LSTM与XGBoost模型，该研究模型检测率分别提升了15.4、17.3个百分点，准确率分别提升了18.3、16.2个百分点。综上所述，该研究提出的LSTM-XGBoost融合模型在异常检测能力上展现出良好的性能表现，可为日光温室环境参数的实时监测及精准调控提供有效的技术支撑。/

来源：2026年第6期

《农业工程学报》期刊编辑部

查看农业工程学报杂志2026年第6期