中国是世界上最大的番茄生产和消费国。2023年，中国的番茄产量约为7021万吨（FAOSTAT，2024年），占全球产量的三分之一以上。作为典型的呼吸跃变型水果，番茄极易受到环境温度波动引起的采后生理退化的影响（Duret等人，2025年）。为了延缓成熟并减少水分流失和腐烂，番茄通常被储存在低温高湿度的环境中（Zuo等人，2025年）。然而，中国生产地区的冷链物流基础设施存在一些问题，包括设备老化、控制精度不足和操作不规范（Li等人，2025年）。这些问题导致储存温度和湿度的频繁波动，不仅加速了番茄的生理退化，还增加了制冷能耗和与制冷相关的碳排放。在中国“双碳”战略的背景下，冷链物流的持续扩张与碳排放控制之间的矛盾日益明显（Nan等人，2025年）。因此，在确保番茄储存质量的同时，实现制冷能耗和与制冷相关碳排放的协同优化已成为降低成本和提高效率的关键目标，也是当前研究的重点。
然而，要实现这种协同优化，需要准确的预测，这些预测需要考虑储存环境、产品状态和制冷操作之间的动态相互作用。具体来说，环境波动直接影响番茄的蒸腾作用和呼吸作用，从而导致持续的水分流失和生理退化。为了抑制这种退化并保持环境稳定，制冷设备必须加强运行，这不可避免地会增加能耗和碳排放（Clune等人，2017年）。由于质量保持和减排之间存在固有的权衡，同步评估这两者是必不可少的。然而，现有的研究大多将质量预测和排放估计分开处理。基于环境参数的新鲜农产品质量和保质期预测模型已经从传统的动力学公式（Formiga和Júnior，2024年；Liang等人，2024年）发展到先进的数据驱动神经网络（Bi等人，2025年；Zhang等人，2022年）和多模态融合框架（Xiao等人，2025年）。虽然这些模型提供了关键的决策支持，但它们仅针对产品的生理退化，未能量化与制冷相关的碳排放。为了量化冷链中的碳排放，基于生命周期评估（LCA）和排放因子的宏观框架（Dong等人，2022年；Niu等人，2025年）已被广泛采用。尽管这些框架可能考虑了产品损失，但它们本质上是宏观的后验评估。同时，新兴的基于实时物联网的排放模型（Lin等人，2025年）通常关注设备指标，很少考虑储存产品的实际生理状态。因此，回顾性的宏观模型无法提供实时的产品质量跟踪，而实时的动态排放模型往往忽略了产品的持续退化。为了弥合这一差距，Wu等人（2019年）将计算流体动力学用于水果质量衰减与生命周期评估相结合，以评估碳排放。尽管这种方法为联合评估提供了有价值的见解，但其依赖于离线模拟，限制了其直接从操作传感器数据中进行动态预测的适用性。这种分离或离线的建模格局造成了决策上的空白：由于缺乏对产品和排放的即时和同步反馈，管理者倾向于通过过度冷却来确保产品安全，从而不可避免地导致能源浪费。总之，现有研究仍然缺乏一个实时的、传感器驱动的、统一的预测框架，能够在动态冷藏条件下联合建模番茄的生理退化和与制冷相关的碳排放。
开发这样一个统一的框架需要一个能够解耦冷链数据中多尺度动态的模型架构。深度学习为此任务提供了有效的方法，因为它可以从原始传感器流中自动学习分层表示，从而捕捉表征冷藏环境的复杂时间依赖性和非线性相互作用（Keshun和Huizong，2025年；Cai等人，2025年）。然而，直接处理这些多尺度动态的标准架构往往存在特征纠缠问题，因此时间序列分解是一种有效策略，用于从局部波动中分离出潜在趋势（Wu等人，2021年）。主流的分解基预测器，如Autoformer和FEDformer，主要依赖于简单移动平均（SMA）来提取趋势。这种技术需要在序列的两端进行填充，这会扭曲序列边界并在分解后的组件中引入偏差（Stitsyuk等人，2025年）。为了规避这一限制，选择了xPatch（Stitsyuk等人，2025年）作为基线，因为它使用指数移动平均（EMA）分解来提取趋势，而无需填充。然而，xPatch在冷链预测任务中存在局限性，如接收场有限、特征融合不足以及缺乏时间一致性约束。因此，本研究开发了一种改进的模型IxPatch来解决这些限制。
为了满足在冷藏期间同步评估生理退化和碳排放的需求，本研究基于提出的IxPatch模型开发了一种统一的数据驱动预测方法。该方法利用从番茄冷藏实验中收集的多源传感器数据来预测与制冷相关的碳排放和水分流失率，后者是番茄生理退化的主要生理指标。随后，将所提模型的预测性能与代表性的时间序列方法进行了基准测试。通过准确预测这两个关键指标，本研究为精确调节储存环境和推进低碳运营提供了有效的技术支持。
