基于CatBoost–ExtraTrees–RBF-SVR堆叠集成模型的温室番茄叶片气体交换数据跨会话重建与环境限制筛选

《AgriEngineering》：Cross-Session Reconstruction and Environmental Limitation Screening of Greenhouse Tomato Leaf Photosynthesis from Gas-Exchange Data Using a CatBoost–ExtraTrees–RBF-SVR Stacked Ensemble

　　

摘要

光合作用速率的可靠预测与解释对温室番茄生产的精准环境管理具有重要意义，但模型稳定性常受到变量冗余、测量批次效应和环境异质性的限制。本研究开发了一个基于气体交换数据的综合框架，涵盖关键因子筛选、光合速率重构、跨批次验证、环境校正以及基于生理信息的限制筛选。首先，利用K-means聚类和随机森林重要性分析从高维气体交换变量中识别核心预测因子。随后构建了CatBoost–ExtraTrees–RBF-SVR堆叠集成模型，以从筛选后的气体交换变量中重构叶片光合速率，并利用嵌套交叉验证和留一法外推（LOFO）评估其跨批次泛化能力。进一步应用环境校正以提高跨批次可比性，并采用基于规则的限制筛选来分类与光合速率降低相关的潜在环境约束。堆叠模型在嵌套交叉验证下实现了均方根误差（RMSE）为0.806、为0.9918，在LOFO外推下实现了RMSE为0.814、为0.9917。经环境校正后，环境校正后光合指标的跨批次变异度降低了96.0%，反映出跨批次可比性的显著改善。在可部署传感器输入条件下，模型性能明显下降（A1：RMSE=4.578，=0.735；A2：RMSE=4.610，=0.731），相较于基于气体交换的基线模型（RMSE=0.833，=0.991）差异显著。因此，常规温室传感器模型应被视为近似替代方案，而非基于气体交换模型的高精度替代。