Real-Time IoT-Integrated Ensemble LSTM–Bi-LSTM Framework for Greenhouse Microclimate Forecasting
Siman Emmanuel* · Edward Onyebueke Agu · Musa Gani 等 5 人
提出物联网集成LSTM与Bi-LSTM加权集成框架，实时预测温室微气候。
IoT传感器采集温光湿数据，经预处理后用LSTM-Bi-LSTM加权集成建模。
Bi-LSTM优于LSTM，R²达0.9981，统计检验证实性能提升显著稳健。
可探索边缘端轻量化部署与多作物跨温室迁移学习，提升实时预测泛化性。
方法扎实、验证充分，但属单点应用研究，公共影响有限，适合作为技术前沿条目而非头条精选。
准确预测温室微气候对于精准农业中优化作物生长和资源利用至关重要。本研究提出了一种集成物联网的集成深度学习框架，利用长短期记忆网络（LSTM）和双向长短期记忆网络（Bi-LSTM）进行实时温室微气候预测。温度、光照强度、土壤湿度和湿度等环境变量通过部署在受控温室环境中的物联网传感器节点采集。研究首先使用基准温室数据集进行模型开发和超参数优化，随后使用在尼日利亚武卡里联邦大学黄瓜、番茄和辣椒种植期间采集的原始物联网数据集进行验证和实际部署。数据经过噪声滤波、缺失值插补、基于Z分数的异常值去除和最小—最大归一化预处理。然后采用加权集成策略融合LSTM和Bi-LSTM的预测结果以提高鲁棒性。实验结果表明，Bi-LSTM模型优于LSTM模型，其R² = 0.9981、MAE = 0.0088、RMSE = 0.0110、MSE = 0.0001，而LSTM的结果为R² = 0.9956、MAE = 0.0133、RMSE = 0.0167、MSE = 0.0003。采用配对t检验、Wilcoxon符号秩检验、置信区间和多轮运行分析进行的统计验证证实，性能提升具有统计显著性和鲁棒性。所提出的框架能够实现准确的实时微气候预测和智能环境监测，为精准温室管理、提高作物生产力、优化能源利用和高效灌溉调度提供了可扩展的解决方案。