数据驱动的TOMGRO模型本地化：上海温室番茄生产的品种特异性参数优化研究

本研究针对现有作物模型在跨区域和品种应用中的局限性，通过Sobol全局敏感性分析和贝叶斯优化方法，成功实现了TOMGRO模型对上海地区四个本地番茄品种的生长与产量精准预测。研究利用3D数字化和深度学习技术高效获取表型数据，校准后的模型对节点数、植株干重、果实干重和叶面积指数的预测平均R2 > 0.94，为温室精准管理和品种选育提供了可靠工具。

　　

在全球设施农业快速发展的背景下，中国作为蔬菜生产大国，其设施番茄栽培面积已超过200万公顷，但单位面积产量与荷兰等发达国家存在显著差距。荷兰温室番茄产量可达100 kg/m2以上，而中国温室产量远低于这一基准。这种差距主要源于缺乏系统化的温室管理策略知识，难以在提高作物产量和降低能耗方面优化决策。现代温室虽已广泛应用自动化控制系统，但管理实践仍高度依赖人工经验，关键信息往往未能量化。作物生长是温室控制系统中的核心组成部分，决定了最优系统控制参数和管理决策（如气候控制、修剪、灌溉和施肥等）。然而，由于作物生理过程的复杂性及其对环境条件的动态响应，准确评估作物生长仍十分困难。在这一背景下，作物模型通过将环境因素（太阳辐射、温度、相对湿度、CO₂浓度等）与生理生长相联系，填补了这一空白，既能预测短期植物响应，也能模拟长期发育过程。

尽管已开发出多种模型（如TOMSIM、TOMGRO和Vanthoor模型），但大多数现有模型无法直接应用于其原始开发条件之外的特定番茄品种和栽培环境。这一限制在上海等地区尤为突出。上海作为中国东部设施农业的领先中心，其蔬菜生产面积中仅有67公顷用于玻璃温室，这主要是由于在潮湿的亚热带气候下维持最佳生长条件所需的高运营成本，导致年度温室能耗（600 kWh/m2）是荷兰设施系统的两倍。因此，开发本地化作物模型对于支持温室管理决策至关重要。通过更准确地预测作物生长及其对当地环境条件的响应，这种模型有助于优化气候控制策略，减少不必要的能源使用，从而缓解该地区温室生产的经济负担。

近年来，技术和方法论的进步为提高数据获取和模型校准的效率提供了新的机遇。植物形态数据对于作物建模至关重要，但由于冠层结构的复杂性，提取叶面积仍然具有挑战性。本研究采用用户友好的3D数字化建模方法，使用数字化笔在现场追踪植物结构，生成植物的数字孪生，从而快速准确地获取表型数据。此外，为减少破坏性测量的工作量，本研究采用基于图像分割算法的深度学习方法从图像中估算叶面积指数（LAI）。在模型校准方面，敏感性分析（SA）是关键步骤，能够识别对模型行为影响最显著的参数。本研究采用Sobol敏感性分析和傅里叶振幅敏感性分析（FAST）两种常用技术，其中Sobol方法能检测到更多敏感参数。此外，贝叶斯优化方法已成功用于作物建模，以校准难以直接测量的参数。将这些方法整合到作物模型校准中，为提高模型开发的准确性和效率提供了一条有前景的路径。

本研究选择并 adapted 了TOMGRO模型的第三个版本（v3.0），该模型相对轻量，仅包含五个稳态变量，且参数较少（例如，与Bertin和Heuvelink模型及Kuijpers等模型相比）。其简洁性使其适用于不同品种的参数校准，同时仍能产生可靠的预测。考虑到品种间生理和形态的差异，本研究旨在针对上海温室条件下的本地番茄品种，参数化关键生长性状。

研究的亮点包括：（1）应用敏感性分析和贝叶斯优化校准无法直接测量的参数；（2）使用3D数字化方法和深度学习分割算法进行数据采集，大幅提高了表型数据获取的效率和精度；（3）深入了解了不同本地番茄品种的特性，为植物选择和育种提供了宝贵指导。

总体而言，本研究不仅为温室控制系统的进一步研究奠定了基础，并通过识别目标性状为植物育种提供了见解，还以上海为例提供了区域特异性解决方案，可能作为推动中国东部地区园艺产业高质量发展的范例。

本研究采用的关键技术方法包括：1）基于有效积温（EAT）模型的叶发育动态分析，通过逻辑生长曲线拟合识别品种特异性生长阶段参数；2）3D数字化技术（使用Fastrack设备）非破坏性测量植物形态数据；3）深度学习算法（Mask2Former架构）实现叶面积指数的高精度图像分割（mIoU达98.4%）；4）Sobol全局敏感性分析筛选关键参数；5）贝叶斯优化算法（Python skopt库）进行多参数自动校准。实验样本来源于上海闵行区正谊园艺有限公司玻璃温室2023-2025年度种植的四个番茄品种（‘青霞’QX、‘龙珠’LZ、‘101’和‘237’），每个品种设置6个生物学重复。

3.1. 品种特异性叶生长动态参数化

通过逻辑生长曲线拟合，基于生长度日（GDD）成功量化了四个番茄品种的叶发育动态（R2 > 0.99）。研究发现品种间存在显著差异：‘龙珠’LZ和‘青霞’QX具有更高的生长潜力（最大叶数分别为59.78和45.84），而‘101’和‘237’的极限叶数较低（24.86和26.67）。关键参数N_L（叶发育减缓阶段的节点数）品种间变异显著，否定了原模型固定值30的假设，证明必须进行品种特异性参数化。

3.2. 敏感性分析结果

Sobol敏感性分析显示，四个品种均一致表现出对光合碳同化相关参数的高度敏感：生长效率（E）、光衰减系数（K）、维持呼吸系数（r_m）和光量子效率（Q_e）的总效应敏感指数均超过0.2，其中E的敏感性最高（0.51–0.69）。这四大参数被选定为后续优化目标。

3.3. 贝叶斯优化模型校准

基于敏感性分析结果，采用贝叶斯优化对E、K、r_m、Q_e进行多参数联合校准。算法在75次迭代内收敛，各品种重复实验结果高度一致。优化后的参数值呈现显著品种间变异：r_m变异系数（CV）达34.49%，K为25.51%，反映不同品种的生理策略差异。相关性热图显示K与Q_e存在显著负协变（r = -0.87, p<0.05），表明品种间存在光捕获与光能利用的互补策略权衡。

3.4. 模型模拟与评估

校准后的模型对关键生长变量显示出优异预测能力：果实干重（FDW）、植株干重（PDW）、节点数（N）和叶面积指数（LAI）的平均R2分别为0.96（QX）、0.954（LZ）、0.946（101）和0.942（237）。但所有品种早期LAI被高估，且成熟果实鲜重预测精度较低（R2: 0.652–0.936），表明模型在果实成熟动态模拟方面存在结构局限性。

3.5. 模型验证

使用2023–2024年度独立数据集验证显示，模型对N、FDW、PDW保持良好预测性能（R2 > 0.90），但成熟果实鲜重预测能力仍不足（R2: 0.338–0.447）。节点数在生长后期被系统性低估，提示叶发育相关参数需要动态调整。

本研究通过数据驱动方法成功实现了TOMGRO模型在上海温室条件下的品种特异性本地化，建立了结合敏感性分析与贝叶斯优化的高效校准框架。校准后的模型在关键生长变量（节点数、植株干重、果实干重、叶面积指数）预测中表现出色（平均R2 > 0.94），验证集预测精度保持在0.88以上，证实了模型在不同年际气候条件下的鲁棒性。研究揭示了品种间光合参数（E、K、r_m、Q_e）的显著分化，其中维持呼吸系数（r_m）变异度最高（CV=34.49%），光衰减系数（K）与光量子效率（Q_e）存在显著的种质特异性权衡策略。这些参数差异为番茄品种选育提供了重要靶标：高r_m品种可能具有快速生长特性，而K与Q_e的负相关关系反映了冠层光分布与光能利用的适应性策略。

然而，模型在成熟果实生长模拟方面存在明显局限，主要源于现行模型结构的过度简化：①成熟果实干重计算仅依赖温度调节函数，未考虑果实发育的生理动态；②早期LAI高估暴露了模型缺乏移栽后环境适应期模块的缺陷；③常数化参数（如节点出现速率N_m）未能体现生育期阶段性变化。这些局限性指明了未来模型改进的核心方向：引入环境适应缓冲期机制、开发阶段依赖性参数化方案、建立整合温度与水分效应的果实鲜重预测模块。

该研究的实践意义在于：①为区域化温室番茄生产提供了精准化决策工具，可通过模型预测优化环境控制策略，降低能源消耗（当前上海温室能耗达600 kWh/m2，是荷兰系统的两倍）；②通过量化品种特异性参数，为高光效、低耗能品种选育提供理论依据和筛选指标；③建立的3D数字化与深度学习表型技术体系，为作物模型数据采集提供了高效解决方案。未来工作需重点突破果实生长模块的机理表达、动态参数化算法集成以及鲜重预测模型的构建，进一步提升模型在温室精准管理和品种设计中的应用价值。