《Frontiers in Plant Science》：Research on time series prediction of microclimate in agrivoltaic systems based on the long short-term memory and attention mechanism
编辑推荐：
本文系统构建了融合长短期记忆网络（LSTM）与注意力机制的微气候预测模型，精准刻画了不同光伏覆盖密度（FD/HD/MD）下辐射强度与气温的时空动态，为优化农光系统资源配置提供了数据驱动的决策支持。
引言
农光（Agrivoltaic, AV）系统将光伏（Photovoltaic, PV）发电与农业生产相结合，实现土地资源与能源生产的协同增效。然而，AV系统内部微气候存在显著的时空变异性，传统模型难以准确预测其动态变化。本研究针对该问题，提出基于长短期记忆（Long Short-Term Memory, LSTM）网络与注意力机制的微气候时序预测模型，重点预测太阳辐射强度与空气温度两个关键环境参数。
材料与方法
实验基地位于中国南京（31.6°N, 119.2°E）的AV示范园区，设置三种光伏板覆盖密度（全密度FD、高密度HD、中密度MD）及露天对照区。数据采集周期为2023年6月至2024年6月，传感器以10分钟间隔连续监测辐射、温度、湿度等参数。数据预处理包括异常值剔除、缺失值插补及归一化处理，并通过皮尔逊相关系数（PCC）分析变量间关联性。
模型架构包含五层：输入层将多维时间序列转换为三维数组；LSTM层提取时序特征，配合Dropout层防止过拟合；注意力层动态加权重要时间步特征，增强模型对关键信息的聚焦能力；全连接层进行特征重组；输出层生成最终预测值。模型评价采用决定系数（R2）、均方根误差（RMSE）和平均绝对误差（MAE）。
结果与讨论
相关性分析表明，AV系统内部太阳辐射强度与外部辐射、光伏板温度呈高度正相关（R>0.9），而与土壤湿度、风速等因子相关性较弱。气温预测中，外部气温、光伏板温度及内部相对湿度是主要影响因子。
太阳辐射预测方面，LSTM-注意力模型在夏季不同覆盖密度（MD/HD/FD）下的RMSE较传统LSTM模型降低28.0%~42.1%，冬季预测误差最大仅29.0 W/m2。在晴朗、多云、降雨等多种天气条件下，该模型均保持稳定性能，夏季雨天预测MAE低至0.2°C。注意力机制通过加权关键时间步特征，显著提升了模型对复杂阴影动态的捕捉能力。
气温预测中，LSTM-注意力模型在夏季FD配置下最大预测偏差仅0.9°C，冬季雨天RMSE低至0.4°C，较LSTM模型改进87.2%。模型在极端天气（如冬季降雨）中表现优异，R2始终高于96.5%，证实其对抗环境噪声的鲁棒性。
结论
LSTM-注意力模型通过融合时序记忆与动态特征加权，有效解决了AV系统微气候预测中的非线性、时空异质性等问题。该模型为光伏阵列布局优化、作物栽培策略调整提供了精准的数据支撑，尤其适用于高密度光伏覆盖下的复杂光热环境模拟。未来研究可拓展至斜坡地形等更多样化的应用场景，进一步提升模型的普适性。
