基于卷积神经网络预测叶面积的温室小白菜蒸散发模型评估与不确定性分析

为解决温室小白菜(Brassica campestris ssp. chinensis)精准灌溉管理中蒸散发(ET)模型叶面积指数(LAI)参数获取难题，研究人员通过卷积神经网络(CNN)构建高精度LAI预测模型(R2=0.9986)，集成Penman-Monteith等5种ET模型进行性能评估。研究发现Fynn物理模型预测精度最优(R2>0.87)，Shin简化模型表现突出(R2>0.92)，Stanghellini模型对LAI误差最敏感(12.55 W·m-2/1.0 m2·m-2误差)，为温室节水调控提供量化依据。

　　

随着健康饮食意识提升，绿叶蔬菜需求激增推动温室种植业快速发展。然而传统蒸散发(ET)监测依赖破坏性叶面积测量，且现有模型多针对露天作物设计，在密闭温室环境中面临气流特征差异、参数获取困难等挑战。尤其叶面积指数(LAI)作为决定作物蒸腾表面积的关键参数，其精确测量直接影响灌溉决策，但传统破坏性测量方法耗时费力，难以满足现代化温室实时调控需求。

针对这一技术瓶颈，首尔大学农业与生命科学学院农村系统工程系的研究团队创新性地将深度学习技术引入温室ET建模体系。通过卷积神经网络(CNN)构建非破坏性LAI预测系统，并系统评估Penman-Monteith、Stanghellini、Fynn、Shin和Baille五种典型ET模型在整合预测LAI时的性能表现，相关成果发表在园艺学权威期刊《Scientia Horticulturae》上。

研究采用多技术融合方法：在韩国机械材料研究所的玻璃温室中建立深液流栽培(DFT)系统，部署负载细胞连续监测68株小白菜重量变化以计算实际ET；开发基于U-Net架构的CNN模型，通过图像分割、直方图均衡等预处理结合贝叶斯优化超参数；采用傅里叶振幅敏感性检验(FAST)分析模型参数敏感性；将CNN预测LAI与实测数据分别输入五种ET模型进行性能对比和误差传播分析。

环境条件与测量

夏季实验期间记录温室环境参数，溶液温度28.44±2.48°C，冠层上方光强33.66±48.20 W·m^-2。负载细胞数据显示最大ET速率达271.29 W·m^-2，夜间ET占比11.3%，与高LAI作物特征相符。

CNN叶面积预测

通过128×128像素图像分割预处理，模型达到最优性能(R²=0.9958，RMSE=0.0781 m²·m^-2)。数据增强后最终模型精度提升至R²=0.9986，MAPE仅4.54%，证明图像法可替代破坏性测量。

ET模型比较

物理模型中Fynn表现最佳(R²=0.8721)，因其引入冠层面积指数(CAI)改进辐射计算；简化模型中Shin模型因光强校准处理优势显著(R²=0.9242)。使用CNN预测LAI时各模型保持高相关性(R²>0.99)，证实图像法的鲁棒性。

敏感性与不确定性

Stanghellini模型对LAI误差最敏感(1.0 m²·m^-2误差引致12.55 W·m^-2偏差)，而Penman-Monteith模型几乎不受影响。辐射与LAI是主要敏感参数，温度湿度敏感性较低。

该研究首次系统评估了CNN预测LAI在温室ET建模中的适用性，建立了"图像采集-深度学习-模型集成"的技术链条。Fynn物理模型与Shin简化模型的优异表现，为不同精度需求的温室灌溉系统提供了选项。特别值得注意的是，研究发现即使采用预测LAI，各模型仍保持极高相关性，这为开发基于计算机视觉的智能灌溉系统奠定了理论基础。通过量化不同模型对LAI误差的敏感性，研究为传感器选型和模型选择提供了具体指导，对实现温室生产的水肥精准管理、提升能源利用效率(EUE)和水资源利用效率(WUE)具有重要实践价值。