如何提前预测畜禽舍温湿度？

随着我国畜禽产业向标准化、规模化快速发展，大型养殖场中高产品种对环境变化尤为敏感。温度和湿度是影响畜禽健康与生产效率的核心因素：过高或过低的温度会减缓生长、降低饲料转化率，而湿度异常则可能加剧病原传播风险。目前，多数畜禽舍环境控制系统依赖实时传感器数据与预设阈值对比来启动设备，但设备响应存在延迟，难以应对环境的动态变化。如何通过精准预测未来温湿度，提前优化控制策略，成为提升畜禽养殖效率的关键问题。

中国农业大学水利与土木工程学院滕光辉教授团队开发了一种名为“GFF-transformer”的温湿度多步预测模型。该模型创新性地将“门控特征融合（GFF）模块”与transformer架构相结合，通过提取多尺度时间特征与捕捉长期依赖关系，实现了对畜禽舍未来6、12、18或24小时温湿度的高精度预测。相关文章已发表于《农业科学与工程前沿》（英文）（DOI: 10.15302/J-FASE-2025603）。

传统预测模型如LSTM、GRU虽能处理时序数据，但在捕捉全局信息与计算效率上存在局限，而transformer模型虽擅长长序列分析，却难以有效提取局部关键特征。GFF-transformer模型通过并行处理机制解决了这一矛盾：GFF模块采用3组不同组数（1、2、4）的一维卷积层，分别捕捉短期、中期和长期环境特征，并通过类似LSTM的门控机制筛选关键信息；transformer编码器则通过自注意力机制建模变量间的复杂关联。两者提取的特征经融合后，通过全连接层输出预测结果。

实验数据显示，该模型在20.1–31.5 ℃温度范围内，6至24小时预测的决定系数（R²）达0.88–0.92，平均绝对误差（MAE）为0.48–0.62 ℃，均方根误差（RMSE）为0.68–0.85 ℃；在18%–97%湿度范围内，R²达0.86–0.94，MAE为2.9%–4.7%，RMSE为4.3%–6.4%。对比LSTM、GRU和传统transformer模型，其温度预测R²提升0.01–0.08，MAE降低0.05–0.24 ℃；湿度预测R²提升0.03–0.08，MAE降低0.81%–1.43%，尤其在24小时长期预测中表现稳定。

研究团队强调，该模型的优势在于能同时处理温度、湿度、CO₂和静压等多源环境数据，通过变量间的相互作用提升预测鲁棒性。例如，夏季通风增强导致CO₂浓度下降，这一关联特征被模型有效捕捉，进而优化了温湿度预测精度。此外，模型训练时间为504秒（约8.4分钟），单次预测耗时0.25秒，可满足畜禽舍环境控制的实时性需求。

本研究为畜禽舍环境智能化管理提供了实用工具。通过提前6–24小时精准预测温湿度，养殖场可动态调整通风、温控设备运行策略，优化环境控制策略。