节选自OA论文https://doi.org/10.1002/moda.70044
S. Wang, L. Kang, Q. Zhu, et al., “Chuiyuan: A Large Language Model-Driven AI Agent for Plant Factories-Applications and Perspectives,” Modern Agriculture (2026): e70044, https://doi.org/10.1002/moda.70044.
复杂环境下的模型泛化性能
在植物工厂中，一些重要的环境参数需要根据植物的生长特性和阶段进行动态调整。模型所学习的“环境与植物生长之间的关联规律”很难应用到实际环境中的动态场景中，因此由于各种因素，模型的特征迁移能力较差。此外，植物工厂内的封闭且高湿度的环境还会导致设备性能下降，比如LED光源的亮度降低以及传感器的精度下降。这些干扰会逐渐导致目标领域的数据分布出现异常，进而使模型在迁移后的性能更加不稳定。即便经过简单的微调，也难以适应这种不断变化的复杂环境，尤其是光源变化所带来的影响。不同植物之间的生长状况存在差异，同一品种的植物之间其生长强度也有差别，这些差异会进一步加剧数据分布的偏差，使得模型难以通过简单的特征提取或微调来实现有效的迁移。虽然在建模时已经考虑了这些情况，但如何平衡数据量以消除植物间的差异，仍是一个值得探讨的问题。从模型架构的角度来看，模型难以满足多任务迁移的需求，权重参数也无法直接被迁移和应用，这就需要对模型结构进行复杂的调整，而这又会增加迁移的难度并导致性能下降。在应用环境中进行全面的微调不仅计算成本高昂，还容易引发过拟合现象。