在全球气候变化与粮食安全的双重挑战下，农业环境监测正面临从“事后被动治理”向“事前主动防控”转型的关键节点。随着智慧农业的发展，移动机器人和多模态传感器虽然解决了传统人工采样效率低、成本高的问题，但现有的监测方案大多停留在“事后检测”阶段，即污染已经发生，警报才姗姗来迟，导致控制措施往往慢半拍。要想真正实现农业的绿色可持续发展，亟需赋予移动机器人一颗“智慧大脑”，使其不仅能感知当下，更能基于复杂的环境数据，精准预测污染物的动态变化趋势。

然而，高精度预测绝非易事。农业环境中的污染物浓度时间序列（如CO、非甲烷总烃（NMHC）、NO₂）具有极强的非线性、非平稳性和复杂性，且极易受到环境噪声的干扰。现有的机器学习方法在面对此类数据时，往往难以有效分离信号中的不同频率成分，导致特征提取不充分；传统注意力机制在处理高维数据时效率不高，且忽略了时间序列本身的内在信息熵特征。如何在降低计算成本的同时，从充满噪声的数据中精准锁定关键特征，成为制约模型在移动机器人上部署的瓶颈。

近日，中南大学刘辉教授团队在ENGINEERING Agriculture期刊上发表题为“A hybrid prediction model based on decomposition algorithm and sample entropy-weighted attention mechanism for mobile robot agricultural environment monitoring”的研究成果，该研究创新性地提出了一种名为VMD-SE-DLAM-LSTM的混合深度学习预测模型（其中VMD为变分模态分解，SE为样本熵，DLAM为双层注意力机制，LSTM为长短期记忆神经网络），巧妙化解了数据复杂性难题。

该模型设计了一套逻辑严密的“分解-加权-预测”三步走策略：首先引入变分模态分解（VMD）作为数据预处理步骤，在频域内自适应地将复杂的原始信号“拆解”为多个具有明确物理意义的模态分量，有效避免了模态混叠问题；其次，创新性地利用“样本熵”（SE）来衡量各分解子序列的复杂度与信息量，并以此作为先验知识对特征进行加权，使模型能够自动聚焦于信息价值更高的关键特征，同时抑制冗余信息的干扰；最后，采用长短期记忆神经网络（LSTM）作为核心预测器，处理经过加权优化的特征序列，更轻松地捕捉数据中的长期依赖关系。

实验结果有力地证明了该混合模型的优越性。在预测CO、NMHC和NO₂三种污染物时，VMD-SE-DLAM-LSTM模型的性能全面超越了ARIMA、RNN、SVM及GRU等主流模型。特别是在预测相关性（R²）指标上，相比表现最好的GRU模型，本文模型分别提升了6.9%、10.1%和4.8%，展现出显著且全面的性能优势，且计算复杂度完全在移动机器人的可接受范围内。

该研究成功攻克了农业环境数据非线性与非平稳性强、噪声干扰大的技术难题，赋予了移动机器人精准“预判”污染物浓度趋势的能力，将预测精度提升至新高度。

研究不仅实现了算法层面的突破，更具有深远的产业应用价值。它直接回应了农业环境监测中“测不准、预不早”的痛点，使预测平均绝对误差（MAE）等关键指标显著降低。这为移动机器人提供了真正的“智慧大脑”，使其具备了从被动治理转向主动防控的能力。从国家战略高度看，该成果紧密契合我国“数字乡村”与“智慧农业”发展战略，通过构建“监测-预测-决策”的闭环系统，为保障国家粮食安全与生态安全提供了强有力的技术支撑。（来源：EngineeringJournals微信公众号）

相关论文信息：https://journal.hep.com.cn/fase/EN/10.15302/J-FASE-2026674