基于机器学习的温室樱桃番茄精准灌溉预测模型：融合生长优化数据提升水效与品质

针对温室樱桃番茄动态水需求预测难题，中国研究团队通过多光照（100%/70%）与四梯度灌溉（RH 35-75%）实验，结合AHP-TOPSIS综合评价和8种机器学习算法，开发出XGBoost优化模型（R2达0.83），集成STM32F103实现智能灌溉，验证显示单果重增17.8%，水效提升20.7%，为设施农业智慧化管理提供新范式。

　　

论文解读

在现代设施农业中，樱桃番茄作为高附加值作物，其品质和产量高度依赖精准的水分管理。然而，传统灌溉模式依赖固定时间或水量，难以应对作物动态需求——强光下蒸腾加速需增水，弱光时水分过量反而抑制生长。更棘手的是，现有灌溉模型或缺乏生理动态考量，或难以适配多变环境，导致水效低下、品质波动。这一矛盾在碳中和背景下尤为突出，如何通过智能手段破解"浇多少、何时浇"的决策黑箱，成为农业现代化的重要命题。

陕西省的研究团队为此展开攻关，在杨凌区连续两年进行春季实验，设置双光强（全光照/70%遮阴）与四水分梯度（基质相对湿度35-75%）交叉处理。通过AHP（层次分析法）和TOPSIS（理想解法）构建包含18项指标的评价体系，筛选出最优灌溉方案；继而采用8种机器学习算法（含XGBoost、LSTM等），分别针对营养生长期和生殖生长期建立预测模型，最终部署至STM32F103微控制器驱动的物联网平台验证。

关键技术

1. 多维度数据采集：记录环境温湿度、光照极值/均值及生理参数（如净光合速率Pn、气孔导度Gs）
2. AHP-TOPSIS综合评价：将生长、光合、产量、品质、效率5维度18指标量化赋权
3. 机器学习建模：对比MLR、SVM、XGBoost等算法，优选输入变量组合
4. 嵌入式系统集成：通过STM32F103实现云端模型与灌溉执行器的闭环控制

研究结果

1. 光照强度对灌溉决策的关键影响
实验揭示光照与水分存在显著互作效应：全光照下基质湿度55-65%时番茄生长最优，而70%遮阴条件下反而需降低至35-45%。TOPSIS分析显示，适度水分胁迫在弱光下可提升干物质分配效率，这与气孔调节机制（Gs降低26%）和碳同化路径改变相关。

2. XGBoost模型的优越性能
在预测灌溉量任务中，XGBoost以环境因子（温度、湿度、光强极值/均值）为输入时表现最佳：营养生长期R²=0.820（RMSE 2.31），生殖期进一步提升至0.830（RMSE 2.08），显著优于LSTM等时序模型。特征重要性分析显示，最大光强对预测贡献率达34%，印证了光信号的核心调控地位。

3. 田间验证的经济生态效益
对比传统灌溉，模型驱动系统使"芬贝贝"品种单果重提升17.8%，番茄红素（lycopene）、可溶性蛋白、总糖分别增长23.1%/8.9%/8.5%，同时节水20.7%。关键机制在于模型动态匹配了光-水耦合需求：强光日增加灌溉频次但单次减量，阴雨天则延长间隔，避免根区厌氧环境。

结论与展望
该研究首次将作物生理响应机制嵌入机器学习灌溉模型，突破传统数据驱动的局限性。通过STM32F103实现的"感知-决策-执行"闭环系统，验证了模型在真实生产场景的鲁棒性。其创新性体现在三方面：①建立光强-灌溉量定量关系，填补弱光环境灌溉理论的空白；②开发跨生长阶段的动态预测框架，解决作物需水异质性难题；③实现农业模型从实验室到田间的工程化落地。

未来研究可拓展至多作物通用模型开发，并引入CO₂浓度等新变量。该成果为设施农业的数字化转型提供了可复制的技术路径，对实现联合国SDGs中的零饥饿与清洁用水目标具有实践意义。