基于双向 TCN-BiLSTM 的水培生菜冠层叶面积预测研究

摘要

针对家庭水培生菜营养液浓度实时监测依赖人工经验的问题，本研究通过建立叶面积-营养液浓度耦合关系，本研究提出双向时间卷积网络（BiTCN）与双向长短期记忆网络（BiLSTM）的混合架构（Temporal Convolutional Network-Bidirectional Long Short-Term Memory）。其中，BiTCN采用空洞卷积扩展感受野，通过残差连接（Residual block）缓解梯度消失，BiLSTM层则解析局部时间动态特征。两类模块的输出经注意力机制加权融合后输入全连接层，引入遗传算法优化超参数，结合光照强度时序数据预测冠层投影面积。以史丹利植物水培专用营养液为对象，通过设置梯度浓度试验获取生菜生长参数，构建生长环境数据和生长指标数据集。试验表明，模型决定系数（R2）达0.91改进后的TCN-BiLSTM模型较传统LSTM模型提升0.19。