基于PSO-XGBoost的黄瓜光合速率预测与环境协同优化

《Scientia Horticulturae》：Photosynthetic rate prediction and synergistic environmental optimization for cucumber based on PSO-XGBoost

　　

保护地农业需要精确调控环境因子，作物净光合速率（Pn）是评估环境响应和生长潜力的重要指标。本研究旨在表征光合光子通量密度（PPFD）、CO₂浓度、温度（T）和营养液电导率（EC）对无土栽培条件下黄瓜Pn的影响。基于PPFD、CO₂、T和EC多梯度组合获得的Pn数据，研究人员构建了支持向量回归（SVR）、随机森林（RF）和极端梯度提升（XGBoost）模型，并采用粒子群优化（PSO）进行超参数优化。应用SHapley Additive exPlanations（SHAP）分析量化环境变量对模型输出的贡献，并识别非线性贡献模式和潜在交互作用。PSO-XGBoost模型整体性能最优，在测试集上决定系数为0.998，均方根误差为0.5417 μmol·m^-2·s^-1。环境变量对模型输出的全局贡献顺序为PPFD > CO₂ > T > EC。尽管EC总体贡献较低，但表现出非线性贡献模式；响应分析进一步表明，中等EC水平与较高的Pn相关，且包含EC可改善模型性能。这些结果表明，将地上环境因子与根区EC整合可提高黄瓜Pn预测，并支持温室生产中光、CO₂、温度和灌溉施肥的协同调控。

**研究背景与问题**
在保护地农业中，作物净光合速率（Pn）是连接环境输入与干物质积累的核心生理指标，构建精准的Pn预测模型是实现智能温室精确管理的前提。然而，现有研究存在以下问题：第一，Pn预测模型主要围绕光、温、CO₂等地上环境变量构建，对根区营养环境（尤其是营养液电导率EC）关注不足，限制了模型对真实生长环境的表征能力；第二，多数研究侧重于模型预测精度，对环境因子相对贡献和交互作用的分析不足，影响了模型在精准调控中的应用价值；第三，缺乏关于EC能否改善Pn预测性能及其在多环境因子耦合调控中作用的定量分析。因此，本研究旨在将PPFD、CO₂浓度、温度和营养液EC整合到机器学习框架中，构建兼具高精度与可解释性的Pn预测模型，揭示黄瓜光合作用对环境因子的协同响应，为智能温室精准调控提供理论依据。

**研究内容与结论**
研究人员以黄瓜幼苗为材料，在山西农业大学园艺试验站（112°28′?113°01′ E，37°12′?37°32′ N）的人工气候室内进行实验，采用多梯度组合（11个PPFD水平、4个CO₂浓度水平、5个温度水平、7个EC水平）采集Pn数据，共获得1540个处理组合的均值样本。构建了支持向量回归（SVR）、随机森林（RF）和极端梯度提升（XGBoost）模型，并利用粒子群优化（PSO）进行超参数全局优化。通过SHAP分析量化环境变量贡献，并生成多维响应曲面。结果表明，PSO-XGBoost模型整体性能最优，测试集决定系数为0.998，均方根误差为0.5417 μmol·m^-2·s^-1。环境变量全局贡献排序为PPFD > CO₂ > T > EC，EC虽总体贡献较低但呈非线性模式，中等EC水平（约3.0 mS·cm^-1）对应较高预测Pn。包含EC后模型预测性能提升，表明根区EC可提供有效补充信息。响应曲面和等高线图显示，高PPFD与中等EC组合下预测Pn较高，且CO₂浓度升高扩大了高Pn区域。该研究证明了将地上环境因子与根区EC整合可改善黄瓜Pn预测，为温室光、CO₂、温度和水肥协同调控提供了参考。论文发表在《Scientia Horticulturae》。

**主要关键技术方法**
(1) 多梯度环境数据采集：使用便携式光合系统（LI-6400）在受控气候室内对黄瓜幼苗（品种“金优358”，第4片完全展开真叶）进行测量，设置11个PPFD水平（0–1600 μmol·m^-2·s^-1）、4个CO₂浓度水平（300–1200 μmol·mol^-1）、5个温度水平（15–35°C）和7个EC水平（1–4 mS·cm^-1），共1540个处理组合，每个处理3个生物学重复取均值。(2) 机器学习和优化：分别构建SVR（径向基函数核）、RF（Bagging策略）和XGBoost（梯度提升框架）模型，采用PSO算法（群规模10，最大迭代30次，惯性权重0.8，学习因子c1=c2=1.5）进行超参数优化，通过5折交叉验证选择最优参数。(3) SHAP可解释性分析：基于合作博弈论的TreeSHAP算法计算每个输入特征的Shapley值，量化全局贡献和非线性局部贡献模式，并生成多维响应曲面和等高线图。

**研究结果**
**3.1 不同模型预测性能比较及最优模型确定**
**3.1.1 基于PSO的多模型性能评估**
通过比较基线模型和PSO优化后的SVR、RF、XGBoost模型，PSO-XGBoost在测试集上获得最佳整体性能（R²=0.998，RMSE=0.5417 μmol·m^-2·s^-1，MAE=0.411，MBE=-0.020），误差分布更集中，预测值与实测值更接近1:1线。
**3.1.2 整个观测Pn范围内的预测一致性**
按实测Pn升序排列测试样本，绘制动态拟合曲线，PSO-XGBoost模型在低和高Pn范围内均能有效跟踪变化趋势，无系统性高估或低估。
**3.2 基于SHAP的环境因子贡献分析**
**3.2.1 环境因子对模型预测输出的全局贡献分析**
SHAP全局重要性排序为PPFD > CO₂ > T > EC。PPFD贡献最广（SHAP值约-25至+16），高值对应正贡献；CO₂次之（-10至+8）；T和EC贡献较低，EC中不同水平SHAP值重叠较多，表明贡献随样本变化。
**3.2.2 环境因子的非线性贡献及潜在交互模式**
SHAP依赖图显示，PPFD、CO₂、T、EC均呈非线性贡献。PPFD的SHAP值随PPFD增加而增加并趋于饱和；EC在约3.0 mS·cm^-1处出现峰值，两端降低；CO₂的SHAP值随CO₂增加而增加；高温下高PPFD对应更高SHAP值。颜色分布表明PPFD与CO₂、PPFD与EC之间存在潜在交互。
**3.3 多环境因子耦合下的模型预测响应特征**
固定温度25°C，在4个CO₂浓度下生成PPFD-EC响应曲面和等高线图。预测Pn随PPFD增加而增加，对EC呈非线性响应，中等EC对应较高Pn。高CO₂浓度下高Pn区域扩大。局部响应曲线显示，各PPFD下EC响应曲线呈单峰形，峰值在中等EC；各EC下光响应曲线呈快速上升后趋于饱和，高CO₂下曲线整体上移。
**3.4 EC变量对模型预测性能的影响**
比较包含和不包含EC的PSO-XGBoost模型，包含EC时散点更接近1:1线，高Pn范围偏差减小；去除EC后拟合能力下降，误差增大，表明EC的引入改善了模型预测性能。

**讨论与结论**
**讨论**：PSO-XGBoost模型在测试集上表现出良好拟合稳定性，能有效学习不同环境组合下黄瓜Pn的变化规律，优于SVR和RF。SHAP分析揭示了环境变量的非线性贡献和交互作用，PPFD和CO₂贡献最高，与光能供应和碳源可用性一致；EC虽总体贡献较低，但通过响应曲面和变量比较证明其可提供根区水肥状态补充信息，避免仅依赖地上变量时低估根区作用。响应分析表明，EC与PPFD存在协同响应，不同EC下光响应曲线差异显著，说明光调控效果受根区水肥状态影响。模型存在适用边界：基于单一品种、幼苗期和人工环境，推广至实际温室需进一步验证；高PPFD和CO₂处理主要用于扩展梯度，不应直接作为生产推荐值，实际应用需考虑经济成本和可行性。未来可整合空气湿度、叶温、营养液pH、特定离子浓度及气孔导度等生理指标，结合模型预测控制、多目标优化和能源成本分析，提升在智能温室精准调控中的应用价值。
**结论**：本研究基于PPFD、CO₂浓度、T和营养液EC多梯度耦合条件下黄瓜Pn测量数据，构建并比较了SVR、RF和XGBoost预测模型，并采用PSO进行超参数优化。结果表明，PSO-XGBoost模型整体预测性能最优，能准确表征多环境因子耦合下黄瓜Pn的非线性变化。与不含EC的模型相比，包含EC提高了模型预测精度，表明营养液EC作为根区环境变量可为Pn预测提供有效补充信息。SHAP分析显示，环境因子对模型预测输出的全局贡献顺序为PPFD > CO₂ > T > EC，其中PPFD和CO₂贡献较高，T和EC提供补充解释信息；EC对模型预测输出的贡献呈非线性特征，中等EC水平对应较高预测Pn。总体而言，从模型构建、特征解释和变量响应分析角度，本研究证明了将地上环境因子与根区EC纳入建模框架可改善黄瓜Pn预测，为保护地黄瓜栽培中光、CO₂、温度和水肥条件的协同调控提供了参考。