这篇文档属于类型a，即单篇原创研究的报告。以下是基于文档内容生成的学术报告：

作者及研究机构

本研究的主要作者包括黄铝文、刘宇航、屈昆仪和朱玉颖，他们分别来自西北农林科技大学信息工程学院和陕西省农业信息智能感知与分析工程技术研究中心。该研究于2025年发表在《农业工程学报》（Transactions of the Chinese Society of Agricultural Engineering）第41卷第8期，文章编号为1002-6819(2025)-08-0222-11。

学术背景

本研究的主要科学领域是农业气象学与人工智能的交叉领域，特别是冠层区域温度的预测。传统温度预测方法难以充分捕捉多尺度信息，导致模型预测性能不佳。为了解决这一问题，研究提出了一种基于Informer架构和长短时记忆网络（Long Short-Term Memory, LSTM）与多源数据融合的冠层区域温度预测模型。该模型通过结合Informer的全局信息提取能力和LSTM的短期时序依赖捕捉能力，旨在提高冠层区域温度的预测精度，为农业生产智能化和可持续发展提供技术支持。

研究流程

1. 数据收集与预处理
   研究地点位于西北农林科技大学杨凌农业综合试验示范站葡萄猕猴桃园区，园区内设有悬挂式巡检机器人，用于采集冠层区域的温湿度、CO₂含量、风速、压强等环境数据。数据采集时间为2021年1月1日至2023年12月31日，每30分钟存储一次。
   数据预处理包括以下步骤：

   • 数据清洗：采用孤立森林法（Isolation Forest）去除异常值，确保数据质量。
     
   • 数据归一化：将各环境参数归一化到[0,1]范围内，避免量纲差异对模型的影响。
     
   • 相关性分析：使用斯皮尔曼相关系数法（Spearman Correlation Coefficient）分析各环境因子与冠层区域温度的相关性，筛选出相关性较高的因子作为模型输入，包括冠层温度、空气湿度、土壤温度、风速、大气压强和土壤湿度。

2. 模型构建
   研究提出了一种基于Informer和LSTM的融合模型（Informer-LSTM），具体结构包括：

   • 编码器层：采用多头概率稀疏注意力机制（Multi-Head Probabilistic Sparse Self-Attention, MHPSSA）提取输入因子的多尺度信息及其与长时序数据之间的耦合关系。
     
   • 解码器层：利用LSTM提取短期时序依赖，增强时间序列的连贯性，并引入改进的反向残差前馈网络（Improved Residual Feedforward Network, IRFFN）优化模型结构。
     
   • 嵌入层：通过全局时间戳、固定位置编码和线性投影将输入数据转换为高维向量，捕捉数据的数值信息、位置信息以及时间信息。

3. 模型训练与优化
   研究采用网格搜索法（Grid Search）对模型超参数进行优化，包括层数、神经元个数、学习率等。训练集和测试集的比例为3:1，训练周期为200次。通过滑动窗口对输入数据进行分割，确保模型能够处理不同时间步长的预测任务。

4. 模型测试与评估
   研究通过与其他四种主流算法（TimesNet、Autoformer、Informer、Reformer）进行对比，评估Informer-LSTM的预测性能。评价指标包括决定系数（R²）、平均绝对误差（MAE）和均方根误差（RMSE）。结果显示，Informer-LSTM在冠层区域温度预测方面表现出更高的精度，MAE、RMSE和R²分别为0.166℃、0.224℃和0.978。

主要结果

1. 模型预测对比分析
   Informer-LSTM在高温和低温区域的预测结果与实际值拟合度最高，预测误差显著低于其他模型。与基础模型Informer相比，MAE降低了0.265℃，RMSE降低了0.448℃。

2. 不同预测长度对比分析
   在1小时、6小时和12小时的预测任务中，Informer-LSTM的平均MAE和RMSE均低于其他模型，验证了其在不同时间步长下的稳定性和预测精度。

3. 消融试验

   • LSTM的影响：将LSTM替换为GRU后，模型预测精度显著下降，验证了LSTM在捕捉短期时序依赖中的重要作用。
     
   • IRFFN的影响：使用经典前馈神经网络（FFN）替换IRFFN后，模型预测误差增加，表明IRFFN在优化模型结构和增强特征提取能力中的有效性。
     
   • MHPSSA的影响：将MHPSSA替换为经典自注意力机制后，模型预测精度下降，验证了MHPSSA在降低计算复杂度和捕捉时间序列相关依赖中的优势。

4. 模型验证
   使用2024年2月的冠层气象数据验证模型，结果显示预测值与实际值的整体变化趋势一致，MAE、RMSE和R²分别为0.178℃、0.259℃和0.969，进一步验证了模型的泛化能力和稳定性。

结论

本研究提出的Informer-LSTM模型通过结合Informer的全局信息提取能力和LSTM的短期时序依赖捕捉能力，实现了对冠层区域温度的精准预测。模型在高温和低温区域的预测精度显著优于其他主流算法，为作物生长环境的中短期精准预测提供了新的技术方法。该模型不仅在科学研究中具有重要价值，还为农业生产中的极端气候预警和作物生长调控提供了实际应用支持。

研究亮点

1. 创新性模型架构：首次将Informer与LSTM结合，解决了单一模型在全局特征抽象和局部依赖捕捉中的不足。
   
2. 高精度预测：在冠层区域温度预测任务中，Informer-LSTM的预测精度显著高于其他主流算法。
   
3. 多时间步长稳定性：模型在不同时间步长的预测任务中均表现出较高的稳定性和预测精度。
   
4. 实际应用价值：模型为农业生产中的极端气候预警和作物生长调控提供了技术支持，具有广泛的应用前景。

其他有价值内容

研究还详细介绍了模型的嵌入层构建方法、反向残差前馈网络（IRFFN）的结构设计以及LSTM的门控机制，为后续研究提供了重要的技术参考。此外，研究通过消融试验验证了各模块在模型中的重要性，为模型优化提供了科学依据。