我国是粮食生产大国、人口大国,同时也是储粮大国,从古至今,粮食都直接关系到社会的稳定,国家会为此维持一定量的粮食储备,而每年在粮食存储过程中,由于存储不当和储粮粮情把握不准造成不可避免的损失。随着我国储粮监测技术及粮情测控系统的发展应用,产生了大量的粮情数据,通过对历年粮情数据的研究与分析,结合储粮仓外气温变化趋势,提前预知仓内的粮情状态和变化趋势,对危险粮情进行预警并及时处置,保证储粮安全,成为安全储粮新的研究方向。储粮安全状态受多种环境因素的影响,如粮堆温度、粮仓温度、仓内湿度,仓外温度、仓外湿度等。现阶段对粮情预警分析的研究,主要是根据储粮业务经验,对粮堆中异常温度点、升温过快点等进行预警,但无法预测粮情未来的发展趋势。深度学习技术在预测预警中具有结果准确、操作简单、反应迅速等优点,应用深度学习技术对粮堆温度进行预测,通过对历史粮情数据和不同储粮生态区安全储粮温湿度临界值的研究,建立基于温湿度粮情的储粮安全风险预警模型,对未来一段时间内的储粮状态进行预警,并给出危险粮情处置建议。主要研究内容如下:(1)历史粮情数据具有典型的时序性,长短时记忆网络(Long-short Term Memory,LSTM)能很好的处理时序问题,因此选择LSTM网络对粮堆温度进行预测,对比不同参数优化算法的优点,选择自适应矩估计(Adaptive moment estimation,Adam)优化算法作为参数寻优算法,将粮情数据预处理为稀疏矩阵的形式,充分发挥Adam优化算法的优势,通过对比实验验证所建模型对长时粮堆温度预测的适用性和准确性。(2)根据不同储粮生态区的气候特征,建立基于温湿度粮情的储粮安全风险预警模型,根据不同储粮区域的安全储粮临界温湿度值,确定不同的储粮区域储粮安全状态指标,调整模型参数,结合粮堆温度预测模型,通过预测值与安全储粮临界值对比,能够提前预知粮堆的安全状态,针对危险粮情给出合理的处置建议。(3)针对粮情测控系统预警模块中未对粮情变化趋势给出预警分析,将基于温湿度粮情的储粮安全风险预警模型应用到粮情测控系统中,有效弥补粮情预警模块中无法对未来粮情安全状态预警的不足,证明了模型的实用性。