基于多模型融合策略的温室番茄光合速率预测方法

温室番茄光合速率的准确预测对于番茄的生长和产量评估具有重要意义。然而，由于温室环境的复杂性和多变性，传统的光合速率预测模型往往难以满足精准预测的需求。因此，为了进一步提高预测模型的准确性和稳定性，本研究提出了一种基于多模型融合策略的温室番茄光合速率预测方法。首先，采集温湿度、光照强度、CO2浓度不同组合下的番茄光合速率，构建样本集，并采用五折交叉验证法（Cross-Validation）对数据进行预处理。以预处理的数据为基础，分别基于粒子群优化支持向量机（PSO-SVR）、布谷鸟优化极限学习机（CS-ELM）和北方苍鹰优化高斯过程回归（NGO-GPR）算法建立番茄光合速率预测模型对光合速率进行初步预测，然后采用Stacking算法通过基于决策树的集成学习模型（XGBoost）组合各基础模型的预测结果，进而实现多模型融合。仿真分析结果表明，与单一预测模型相比，基于多模型融合的光合速率预测模型充分发挥了各基础模型的优势，可以进一步提高光合速率预测的准确性和稳定性,该模型验证集MAE为0.5697μmol/（m2·s），RMSE为0.7214μmol/（m2·s）。因此，本文提出的方法在温室作物光合速率预测方面具有一定的优势，可为温室番茄等作物光环境优化调控提供一定的理论基础和技术支撑。

Prediction of Photosynthetic Rate of Greenhouse Tomatoes Based on Multi-model Fusion Strategy