UniTriRob：一种用于预测气雾栽培立体农场莴苣产量的稳健机器学习回归模型

为何更聪明的莴苣农场很重要

当土地、水资源和天气都受限时，为城市全年提供新鲜蔬菜就变得艰难。气雾立体农场在高耸的室内塔中用雾状养液代替土壤种植莴苣，从而节省空间和用水。但要从这些高科技农场获得可靠的收成，就必须提前知道它们能产出多少莴苣。本研究提出了一种更准确预测莴苣产量的新方法，帮助农户更好地规划并减少资源消耗。

在空气中种生菜

在气雾立体农业中，莴苣植株置于堆叠的柱列中，根部悬空并定期被富含养分的雾滴喷洒。由于温度、湿度、光照、pH 值和营养浓度等都可以精细调控，农户能以比土壤栽培更少的水、更快的速度生长莴苣。缺点是，这类高度受控的系统出人意料地敏感。传感器的小故障或环境的短时波动会扭曲测量结果，使得假设数据干净、稳定的简单预测工具难以可靠使用。

为何常用数学方法不够

许多现有的产量预测依赖标准回归或常见的机器学习方法，这些方法在数据表现良好时效果最佳。而在真实的气雾农场中，记录 pH、总溶解固体、电导率、浊度、温度、湿度、光照和生长的传感器读数常包含离群点和不均匀噪声。被堵塞的喷嘴、短时断电或传感器漂移都可能产生极端值，拉偏普通模型的预测。因此，早期方法难以完全应对长期室内试验中的混乱现实。

一个由三部分构成、用于忽略坏数据的模型

作者设计了一个名为 UniTriRob 的新回归框架，将三种稳健技术融合为一个模型。其一部分温和地降低小型异常的影响；另一部分反复拟合直线并剔除明显离群点；第三部分则依赖中位数而非均值来抵抗极端值。三者合力对可疑读数赋予较低权重，而不是让它们主导结果。该模型在超过 5 万条带时间戳的记录上训练，这些记录为在气雾塔内每 15 分钟采集一次，覆盖了多个莴苣生长周期，捕捉了关键环境随时间的变化及其对最终产量的影响。

在实际农场中测试模型

在经过细致的数据清洗与可视化后，研究者将记录划分为训练集与测试集。他们随后将 UniTriRob 与多种常见替代方法进行比较，包括线性与多项式回归、支持向量回归以及若干独立使用的稳健方法。使用均方误差、平均绝对误差和百分比误差等指标，UniTriRob 一直能给出与实际收获重量最接近的预测。它解释了约 98% 的产量变异，相比标准模型将误差率降低了大约五分之一到四分之一，并且计算时间适中，使其在实际农场控制系统中具有可行性。

这对未来城市农场意味着什么

更精确的产量预测让室内种植者可以微调灌溉、养分和照明，而不是凭经验猜测。在本研究中，该稳健模型帮助识别出最重要的影响因素，并提出了削减资源使用的途径，例如在试点中将用水量降低多达 40%。作者强调，他们的结果适用于特定气雾系统下种植的莴苣，需要进一步研究以验证对其他作物和系统的适用性。尽管如此，UniTriRob 展示了对嘈杂传感器数据的谨慎处理如何使高科技立体农场变得更可预测、更高效，并更适合为拥挤的城市供应新鲜食品。

引用: Rajendiran, G., Rethnaraj, J., Zade, S. et al. UniTriRob: a robust machine learning regression model for predicting lettuce yields in aeroponic vertical farming. Sci Rep 16, 15791 (2026). https://doi.org/10.1038/s41598-026-44564-8

关键词: 气雾莴苣, 立体农业, 产量预测, 稳健回归, 智能农业