基于机器学习的油青菜心水分胁迫研究

目的 以油青菜心Brassica chinensis var. parachinensis为试验对象，基于冠层温度研究其生长过程中的水分胁迫变化规律，并利用机器学习方法，以水分胁迫指数(Crop water stress index, CWSI)和光合有效辐射预测光合作用速率。方法 试验期间，在营养生长阶段(V期)和生殖生长阶段(R期)对油青菜心进行不同田间持水量处理，采集冠层温度、空气温湿度数据，建立无蒸腾作用基线(上限方程)、无水分胁迫基线(下限方程)，通过经验公式计算CWSI。利用基于密度的空间聚类方法和空气温度研究油青菜心的冠气温差上限分布情况，选取固定值作为上限；以CWSI经验公式为基础，使用不同温度定值的无蒸腾作用基线计算CWSI，验证聚类效果。为更简便获取光合作用速率，使用4种机器学习方法：最邻近节点算法(k-Nearest neighbor，KNN)、支持向量回归(Support vector regression，SVR)、极端梯度提升法(Extreme gradient boosting，XGBoost)、随机森林(Random forest，RF)进行预测，并对比预测效果。结果 在不同田间持水量处理下，CWSI能较好地监测油青菜心水分胁迫状况。通过聚类分析，将V期和R期冠气温差上限分类到2个簇中，得到簇心分别为3.4和4.2 ℃，与CWSI经验公式计算值显著相关，表明使用固定值作为油青菜心冠气温差上限值具有可行性。KNN、SVM、XGBoost和RF预测模型均取得较好效果，相关系数分别为0.873、0.877、0.887和0.863。结论 机器学习方法可用于油青菜心光合作用速率的预测，可以避免使用大型笨重仪器，降低对油青菜心叶片的损伤，减少测量时间。

Research of Brassica chinensis var. parachinensis under water stress based on machine learning