重庆市畜牧科学院畜牧工程研究所近期在猪舍空气污染物浓度预测方面的研究取得一定进展，研究结果表明，PSO-LSTM和PSO-RNN模型在实际预测时确定系数R2能达0.94以上，且对未来1-4个时间点均具备较好的预测能力（R2>0.91）,该结果为养殖环境智能化调控提供了参考依据，相关研究以“Prediction of Ammonia Concentration in a Pig House Based on Machine Learning Models and Environmental Parameters”为题，发表在期刊《Animals》。

规模化养殖中，NH3浓度是评价猪舍环境的重要指标之一。猪舍内NH3浓度过高，会影响猪的正常生长，导致免疫力和生产性能下降。此外，猪舍排放的NH3可能会引发猪场工人和附近居民引发呼吸道疾病。因此，开发帮助管理者预测猪舍内NH3浓度变化的工具，及时采取措施降低氨气浓度，减小氨气对人类和动物健康的潜在压力，对提高动物生产、动物福利和环境管理具有重要意义。

本团队采用传统机器学习和深度学习作为基础算法，从特征参数和算法选择的角度同时评估了决策树（DT）、SVM、XGBoost、LSTM、RNN和BPNN等多种模型预测猪舍NH3浓度的准确性。在筛选出重要环境参数和基础算法后进行了模型的优化和组合尝试，并对未来不同时间尺度（1-6个时间点）猪舍NH3预测能力进行了评价。结果表明，基于LSTM和RNN构建的模型能够有效地预测猪舍中NH3浓度，它们的确定系数R2最高分别可达0.9348和0.9327。在输入适当的环境参数（如CO2、H2O、P、室外温度）后，各模型预测氨气浓度的准确度均优于只输入NH3的情况，而输入过多的环境参数后，各模型的准确度会下降（图3）。PSO算法确定了该数据集下，LSTM和RNN模型第一和第二隐藏层中的神经元数量及学习率，它们预测猪舍NH3浓度时确定系数R2分别提升至0.9447和0.9433。

相关结果在国内外现有文献中尚未见报道，对我国预测养殖环境的气体污染物调控研究具有借鉴意义。

图1 猪舍内部和外部环境变化

图2基于随机森林（a）和皮尔森相关性（b）的猪场环境变量分析

图3 仅输入NH3（第一列）、输入NH3、CO2、H2O、P和舍外温度（第二列）以及输入所有环境变量（第三列）后，各模型的预测值与原始值之间的比较