Bu tədqiqat istixana xiyar şitillərində xalis fotosintez sürətinin (Pn) işıq intensivliyi, CO₂ konsentrasiyası, temperatur və qida məhlulunun elektrik keçiriciliyi (EC) birlikdə dəyişdikdə necə proqnozlaşdırıla biləcəyini araşdırır. Nəzarət olunan iqlim kamerasında ölçülmüş fotosintez məlumatları əsasında dəstək vektor reqressiyası (SVR), Random Forest və XGBoost modelləri qurulmuş; hiperparametrlər Hissəcik Sürüsü Optimizasiyası (PSO) ilə sazlanmışdır. Müstəqil test dəstində PSO-XGBoost modeli R²=0,9973 və RMSE=0,6274 μmol m⁻² s⁻¹ ilə ən yüksək ümumi dəqiqliyi göstərmişdir. SHAP təhlili modelə görə ekoloji dəyişənlərin əhəmiyyət sırasını PPFD > CO₂ > temperatur > EC kimi müəyyən etmişdir. Bununla belə, tədqiqat yalnız bir xiyar sortunun şitil mərhələsində və nəzarət olunan eksperimental şəraitdə aparılmışdır; nəticələr kommersiya istixanasında məhsuldarlıq, bütün vegetasiya dövrü və ya müxtəlif mühitlərdə təsdiqlənmiş universal idarəetmə hədləri kimi şərh edilməməlidir.

Tədqiqatın diqqətçəkən tərəfi yalnız proqnoz modeli hazırlaması deyil. Tədqiqatçılar izah edilə bilən süni intellekt yanaşması olan SHAP-dan istifadə edərək işıq, karbon, temperatur və kök zonasının qidalanmasının model proqnozuna birlikdə necə töhfə verdiyini araşdırmışlar. Nəticələr xüsusilə yüksək işığın təkbaşına maksimum fotosintez yaratmadığını; yüksək PPFD-nin kifayət qədər CO₂, uyğun temperatur və yetərli qida məhlulu şəraiti ilə uyğunlaşdırılmalı olduğunu göstərir.

Qida məhlulunun elektrik keçiriciliyi üçün mənbədə təxminən 3,0 mS·cm⁻¹ səviyyəsi mühüm hədd kimi önə çıxır. Aşağı EC-də qida maddəsi çatışmazlığı, yüksək EC-də isə mənbə müəlliflərinin osmotik stresslə əlaqələndirdiyi fotosintetik basqılanma müşahidə olunur. Lakin çoxölçülü model səthləri işıq və CO₂ artdıqca maksimum Pn üçün uyğun EC nöqtəsinin daha yüksək qiymətlərə keçə bildiyini göstərir. Buna görə tədqiqatın əsas mesajı “vahid ideal parametr” deyil, ekoloji amillərin birlikdə idarə olunmasıdır.

Tədqiqatın əsas problemi nədir?

Müasir istixana istehsalında temperatur, işıq, CO₂, su və qida maddələrinin idarə olunması çox vaxt eyni vaxtda dəyişdirilir. Bu amillərin hər biri bitkinin fotosintezinə təsir etməklə yanaşı, bir-birinin təsirini də dəyişə bilər. Tədqiqatın diqqət yetirdiyi elmi boşluq, xüsusilə kök zonasının qidalanmasını təmsil edən elektrik keçiriciliyinin (electrical conductivity, EC) işıq, CO₂ və temperaturla birlikdə fotosintez proqnoz modellərinə kifayət qədər inteqrasiya edilməməsidir.

Xalis fotosintez sürəti, yəni Pn, yarpağın xalis karbon assimilyasiyasını təmsil edən fizioloji ölçüdür. Tədqiqat Pn-ni yalnız bitki fiziologiyası dəyişəni kimi deyil, istixana mühitinə nəzarətin nəticəsini qiymətləndirə bilən hədəf dəyişən kimi nəzərdən keçirir.

Təcrübə hansı bitkilərdə və hansı şəraitdə aparıldı?

Təcrübə 2025-ci ilin oktyabr–dekabr aylarında Shanxi Agricultural University Horticulture Experiment Station nəzdindəki nəzarət olunan iqlim kamerasında aparılmışdır. İstifadə olunan xiyar sortu Jinyou 358-dir.

İqlim kamerasında gündüz/gecə temperaturu 28 ± 0,5 °C / 18 ± 0,5 °C, fotoperiod 12 saat gün⁻¹, mühitin fotosintetik foton axını sıxlığı 350–400 μmol m⁻² s⁻¹ və nisbi rütubət %55–75 olaraq təyin edilmişdir.

Toxumlar əvvəlcə 55 °C suda 10–15 dəqiqə, sonra otaq temperaturunda 8 saat saxlanmış; 28 °C-də cücərdilmişdir. Şitillər 25 × 15 × 10 cm hidroponik qablara köçürülmüşdür. İki kotiledon tam açıldıqda dörddəbir gücdə Hoagland qida məhlulu, ilk həqiqi yarpaq açıldıqda isə yarım gücdə məhlul tətbiq edilmişdir. Dörd həqiqi yarpaq tam inkişaf etdikdən sonra müxtəlif EC tətbiqlərinə başlanmış və bir həftə sonra fizioloji ölçmələr aparılmışdır.

Dörd ekoloji dəyişən necə skan edildi?

Fotosintez ölçmələri LI-6400 portativ fotosintez sistemi ilə aparılmışdır. Yarpaq kamerasındakı işıq və CO₂ cihazın LED işıq mənbəyi və CO₂ idarəetmə modulu ilə tənzimlənmişdir. Mənbədə dörd əsas giriş üçün aşağıdakı eksperimental səviyyələr verilmişdir:

Ölçmə zamanı hava axını 500 μmol s⁻¹ səviyyəsində saxlanmış və qırmızı:mavi işıq nisbəti 9:1 kimi təyin edilmişdir. Bitkinin inkişaf mərhələsindən irəli gələn fərqləri azaltmaq üçün şitillər yeddi günlük fasilələrlə qruplar halında yetişdirilmiş və oxşar inkişaf mərhələsinə çatdıqda ölçülmüşdür.

Ölçmə üçün dibdən etibarən dördüncü, tam açılmış, kölgələnməmiş və mexaniki zədəsi olmayan həqiqi yarpaq seçilmişdir. Hər ekoloji kombinasiya üç dəfə ölçülmüş və üç ölçmənin orta qiyməti həmin kombinasiyanın yekun Pn dəyəri kimi qəbul edilmişdir.

Məlumatlar modelləşdirməyə necə hazırlandı?

Temperatur, EC, CO₂ və PPFD müxtəlif miqyas və vahidlərə malik olduğuna görə mənbə bu dəyişənləri Z-bal standartlaşdırması ilə çevirmişdir:

\[ x^{*}=\frac{x_i-\mu}{\sigma} \]

Burada \(x^{*}\) standartlaşdırılmış qiymət, \(x_i\) xam müşahidə, \(\mu\) dəyişənin orta qiyməti və \(\sigma\) standart sapmadır. Bu çevrilmədən sonra giriş dəyişənləri orta qiyməti təxminən sıfır, standart sapması isə bir olacaq şəkildə miqyaslandırılmışdır.

Hansı maşın öyrənməsi modelləri müqayisə edildi?

Tədqiqatda üç reqressiya yanaşması qiymətləndirilmişdir:

• Support Vector Regression (SVR): Radial Basis Function (RBF) nüvəsi istifadə edilmiş; C, gamma və epsilon hiperparametrləri optimallaşdırılmışdır.
• Random Forest (RF): Ağacların sayı, maksimum ağac dərinliyi və daxili düyünün bölünməsi üçün minimum nümunə sayı optimallaşdırılmışdır.
• XGBoost: Ağacların sayı, maksimum dərinlik və öyrənmə sürəti optimallaşdırılmışdır.

XGBoost-un məqsəd funksiyası mənbədə proqnoz xətasını və model mürəkkəbliyini birlikdə nəzərə alan ümumi formada verilmişdir:

\[ Obj(\Theta)=\sum_{i=1}^{n}L(y_i,\hat{y}_i)+\sum_{k=1}^{K}\Omega(f_k) \]

Requlyarlaşdırma termini isə:

\[ \Omega(f)=\gamma T+\frac{1}{2}\lambda\|w\|^2 \]

şəklindədir. Burada \(T\) yarpaq düyünlərinin sayını, \(w\) yarpaq çəkilərini, \(\gamma\) və \(\lambda\) isə model mürəkkəbliyini idarə edən requlyarlaşdırma parametrlərini təmsil edir.

Hissəcik Sürüsü Optimizasiyası nə etdi?

Hissəcik Sürüsü Optimizasiyası (Particle Swarm Optimization, PSO) üç maşın öyrənməsi modelinin əsas hiperparametrlərini əl ilə seçmək əvəzinə həll fəzasında birgə axtarış aparmaq üçün istifadə edilmişdir. Hər hissəcik mümkün hiperparametr kombinasiyasını təmsil edir və hissəciyin mövqeyi həm öz əvvəlki ən yaxşı nəticəsinə, həm də sürünün qlobal ən yaxşı nəticəsinə əsasən yenilənir.

Mənbədə hissəcik sürəti aşağıdakı kimi müəyyən edilmişdir:

\[ v_i^{t+1}=w v_i^t+c_1r_1(pbest_i-x_i^t)+c_2r_2(gbest-x_i^t) \]

Mövqe yenilənməsi isə:

\[ x_i^{t+1}=x_i^t+v_i^{t+1} \]

şəklindədir. Tədqiqatda sürü ölçüsü 10, maksimum iterasiya sayı 30, ətalət çəkisi \(w=0,8\) və öyrənmə əmsalları \(c_1=c_2=1,5\) olaraq müəyyən edilmişdir.

Məlumat dəsti mənbənin “stratified random sampling” adlandırdığı üsulla %80 təlim və %20 müstəqil test dəstinə bölünmüşdür. PSO axtarışı yalnız təlim məlumatları üzərində aparılmış və hər hiperparametr kombinasiyası üçün 5 qatlı çarpaz doğrulama istifadə edilmişdir. Mənbə, davamlı hədəf dəyişənə malik bu reqressiya problemində stratifikasiyanın hansı dəyişən və ya intervallara görə aparıldığını ayrıca izah etmir.

Model performansı necə qiymətləndirildi?

R², RMSE, MAE, MBE və MAPE istifadə edilmişdir. Tədqiqat model seçimi üçün xüsusilə müstəqil test dəstindəki R² və RMSE-ni əsas meyarlar kimi müəyyən etmiş, digər üç metrikanı isə dəstəkləyici qiymətləndirmə kimi istifadə etmişdir.

R² üçün istifadə olunan əsas əlaqə:

\[ R^2=1-\frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} {\sum_{i=1}^{n}(y_i-\bar{y})^2} \]

RMSE isə:

\[ RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]

şəklində qiymətləndirilmişdir. Pn vahidi μmol m⁻² s⁻¹ olduğuna görə RMSE və MAE də eyni vahiddədir.

PSO-XGBoost niyə ən yaxşı model seçildi?

Müstəqil test dəstində hər üç model yüksək R² qiymətləri yaratmışdır; lakin PSO-XGBoost həm ən yüksək R²-yə, həm də ən aşağı RMSE və MAE-yə çatmışdır.

*Cədvəl 2 MBE qiymətini +0,042 verdiyi halda nəticələr mətnində eyni PSO-XGBoost qiyməti üçün −0,042 yazılmışdır. İşarə fərqi mənbədə izah edilməmişdir.

PSO-XGBoost-un MAPE qiyməti %19,855 ilə PSO-SVR-nin %19,302 qiymətindən bir qədər yüksəkdir. Buna görə “bütün meyarlarda ən yaxşı” demək düzgün deyil. Mənbənin öz seçim qaydasında R² və RMSE əsas meyarlar olduğuna görə PSO-XGBoost ümumi optimal model kimi seçilmişdir.

Şəkil 3–5 model davranışı haqqında nə göstərir?

Şəkil 3-də proqnoz xətalarının qutu qrafikləri müqayisə edildikdə PSO-XGBoost-un xəta paylanması PSO-RF ilə müqayisədə daha dar görünür. PSO-RF daha geniş xəta diapazonu və daha nəzərəçarpan kənar qiymətlər göstərir.

Şəkil 4-ün aşağı hissəsindəki ölçülmüş-proqnozlaşdırılmış qiymət qrafiklərində PSO-XGBoost nöqtələri 1:1 xəttinə ən yaxın şəkildə qruplaşır. Yuxarı hissədəki PSO yaxınlaşma qrafiklərində də RMSE-nin ilk bir neçə iterasiyada sürətlə azaldığı və sonra sabitləşdiyi görünür.

Şəkil 5-də müstəqil test nümunələri ölçülmüş Pn-yə görə sıralandıqda modelin proqnoz əyrisi aşağı, orta və yüksək Pn sahələrində ölçülmüş əyrini yaxından izləyir. Bununla belə, bu qrafik modelin fərqli istixana, sort və ya mövsümdə eyni dəqiqliyi göstərəcəyini sübut etmir; nümunələr eyni nəzarət olunan təcrübədən ayrılmış test məlumatlarıdır.

SHAP təhlili nəyi izah edir?

SHapley Additive exPlanations (SHAP) modelin hər girişə aid etdiyi proqnoz töhfəsini hesablamaq üçün istifadə edilmişdir. Mənbədə izah modeli aşağıdakı formada verilir:

\[ g(z')=\phi_0+\sum_{j=1}^{M}\phi_jz'_j \]

\(\phi_0\) baza proqnozunu, \(\phi_j\) isə müvafiq xüsusiyyətin model çıxışına töhfəsini təmsil edir. Müsbət SHAP qiyməti həmin şəraitdə model proqnozunu daha yüksək Pn istiqamətinə; mənfi qiymət isə daha aşağı Pn istiqamətinə aparır.

Şəkil 6-da qlobal əhəmiyyət sırası:

PPFD > CO₂ > temperatur > EC

şəklindədir. Qrafikdən təxminən PPFD üçün SHAP qiymətləri −25 ilə +16, CO₂ üçün −10 ilə +8, temperatur üçün −9 ilə +8 və EC üçün −7 ilə +6 arasında yayılır. Bunlar vizualdan təxminən oxunan diapazonlardır və dəqiq xam məlumat nöqtələri kimi qiymətləndirilməməlidir.

İşıq niyə ən güclü dəyişəndir?

PPFD, yəni fotosintetik foton axını sıxlığı, modelin Pn proqnozunu ən çox dəyişdirən giriş olmuşdur. Aşağı PPFD qiymətləri əsasən mənfi SHAP sahəsində, yüksək qiymətlər isə müsbət sahədə yerləşir. Bununla belə yüksək işığın təsiri xətti deyil və müəyyən şəraitdən sonra digər ekoloji məhdudiyyətlər işə düşür.

İşıq ilə CO₂ arasında hansı qarşılıqlı təsir var?

Şəkil 7a-dakı SHAP asılılıq təhlili CO₂ artdıqca Pn proqnozuna müsbət töhfənin ümumilikdə yüksəldiyini göstərir. Lakin aşağı CO₂ şəraitində, xüsusilə 300 μmol mol⁻¹ səviyyəsində yüksək PPFD qiymətləri daha mənfi SHAP töhfələri ilə əlaqələndirilir. Mənbə bunu karbon assimilyasiya substratının qeyri-kafi olduğu şəraitdə yüksək işığın səmərəli istifadə edilə bilməməsi kimi şərh edir.

CO₂ 1200 μmol mol⁻¹ səviyyəsinə çatdıqda yüksək PPFD ilə birlikdə ən güclü müsbət model töhfələri müşahidə olunur. Bu nümunə tədqiqatın “işıq-karbon sinerjisi” adlandırdığı qarşılıqlı təsirin model daxilindəki qarşılığıdır.

EC niyə xətti davranmır?

Elektrik keçiriciliyi hidroponik və ya torpaqsız becərmədə qida məhlulundakı ümumi ion sıxlığını təmsil edən əsas göstəricilərdən biridir. Tədqiqatda EC-nin Pn üzərindəki model təsiri birtərəfli artım göstərməmişdir.

1,0–1,5 mS·cm⁻¹ intervalında aşağı qida konsentrasiyası Pn-ni məhdudlaşdıran şərait kimi görünür. EC təxminən 3,0 mS·cm⁻¹ səviyyəsinə çatdıqda model yüksək Pn üçün daha əlverişli sahə göstərir. EC 4,0 mS·cm⁻¹-ə doğru yüksəldikdə SHAP qiymətləri yenidən azalır. Mənbə bu azalmanı həddindən artıq qida konsentrasiyasına bağlı osmotik stresslə əlaqələndirir.

Lakin “3,0 mS·cm⁻¹ bütün şəraitdə optimal EC-dir” nəticəsi çıxarılmamalıdır. Şəkil 8–10-dakı çoxölçülü təhlillərdə CO₂ və PPFD artdıqca modelin maksimum Pn nöqtəsi üçün seçdiyi EC-nin daha yüksək konsentrasiyalara doğru keçdiyi göstərilir.

İşıq ilə temperatur arasında hansı uyğunlaşma tələb olunur?

SHAP asılılıq qrafiklərində yüksək PPFD-nin ən güclü müsbət təsirləri təxminən 30–35 °C temperatur intervalı ilə birlikdə müşahidə olunur. Bunun əksinə, 15 °C-də yüksək PPFD model çıxışında güclü mənfi töhfələrlə əlaqələndirilmişdir.

Mənbə bu nəticəni yüksək işığın yalnız fotosintetik metabolizmin ondan istifadə edə biləcəyi temperatur şəraiti ilə uyğunlaşdıqda yüksək Pn-yə çevrilə bilməsi kimi şərh edir. Bu nəticə yenə də təcrübədə sınaqdan keçirilən 15–35 °C və 0–1600 μmol m⁻² s⁻¹ intervalları üçün keçərlidir.

Çoxölçülü cavab səthləri nə göstərir?

Tədqiqatçılar temperaturu 25 °C-də sabit saxlayaraq dörd CO₂ səviyyəsi üçün PPFD və EC-nin birgə təsirini 3D cavab səthləri, kontur qrafikləri və cavab əyriləri ilə araşdırmışlar.

Aşağı işıqda müxtəlif EC əyriləri bir-birinə yaxın gedir; yəni EC dəyişdirilsə belə Pn aşağı qalır. İşıq artdıqca əyrilər ayrılır və kifayət qədər qida məhlulunun yüksək işığın fotosintetik çıxışa çevrilməsi baxımından daha vacib olduğu görünür.

CO₂ səviyyəsi 300-dən 1200 μmol mol⁻¹-ə yüksəldikcə cavab səthinin maksimum Pn sahəsi də yüksəlir. Eyni zamanda maksimum nöqtəni verən EC qiymətinin yüksək PPFD və yüksək CO₂ şəraitində daha yüksək qiymətlərə keçdiyi görünür.

EC məlumatını modeldən çıxarmaq nəyi dəyişdi?

Tədqiqat EC-nin yalnız zəif əhəmiyyətli köməkçi xüsusiyyət olub-olmadığını yoxlamaq üçün EC dəyişəni çıxarılmış ayrıca nəzarət modeli də qurmuşdur. Hər iki model üçün PSO optimizasiyası tətbiq edilmişdir.

EC çıxarıldıqda R²-nin 0,996-dan 0,797-yə düşməsi və RMSE-nin 0,742-dən 5,442-yə yüksəlməsi bu eksperimental məlumat daxilində kök zonasının qidalanması haqqında məlumatın proqnoz baxımından mühüm olduğunu göstərir. Lakin bu müqayisə Cədvəl 2-dəki əsas PSO-XGBoost test performansı ilə eyni ədədi təhlil deyil; mənbə iki qiymətləndirməni ayrıca təqdim edir.

Tədqiqatın dəstəklədiyi nəticələr

• PPFD, CO₂, temperatur və EC birlikdə istifadə edildikdə PSO-XGBoost bu eksperimental məlumat dəstində SVR və RF-dən daha aşağı test RMSE-si yaratmışdır.
• SHAP təhlilində modelin qlobal xüsusiyyət əhəmiyyət sırası PPFD > CO₂ > temperatur > EC kimi müəyyən edilmişdir.
• EC-nin təsiri xətti deyil və təcrübə intervalında təxminən 3,0 mS·cm⁻¹ ətrafında nəzərəçarpan yüksək-Pn sahəsi vardır.
• Yüksək PPFD-nin müsbət model töhfəsi kifayət qədər CO₂, daha isti şərait və uyğun EC ilə birlikdə güclənir.
• EC dəyişəninin modeldən çıxarılması proqnoz performansını nəzərəçarpacaq dərəcədə azaltmışdır.
• Model eksperimental dəyişənlər arasındakı mürəkkəb və qeyri-xətti qarşılıqlı təsirləri yüksək dəqiqliklə yenidən yaratmışdır.

Tədqiqatın sübut etmədiyi nəticələr

• PSO-XGBoost-un bütün xiyar sortlarında və ya bütün istixanalarda eyni R² qiymətinə çatacağı göstərilməmişdir.
• Modelin kommersiya istixanasında qapalı dövrəli idarəetmə sistemi kimi işlədilməsi sınaqdan keçirilməmişdir.
• Modelin təklif etdiyi ekoloji kombinasiyaların məhsuldarlığı, keyfiyyəti və ya iqtisadi gəliri artırdığı birbaşa ölçülməmişdir.
• Enerji sərfi ilə fotosintez qazancı arasında iqtisadi optimizasiya aparılmamışdır.
• 3,0 mS·cm⁻¹ EC bütün temperatur, PPFD və CO₂ şəraitində universal optimal kimi təsdiqlənməmişdir.
• SHAP əlaqələri təkbaşına bioloji səbəbiyyət sübutu deyil; modelin öyrəndiyi proqnoz əlaqələrini izah edir.
• Şitil mərhələsində əldə olunan nəticələrin bütün vegetasiya dövrünə birbaşa köçürülə biləcəyi göstərilməmişdir.

Türkiyə baxımından nə ifadə edir?

Tədqiqat Çində nəzarət olunan iqlim kamerasında aparılmışdır və bildirilən model hədləri Türkiyədəki istixana istehsalına birbaşa tətbiq edilməməlidir. Bununla belə istifadə olunan yanaşma, xüsusilə torpaqsız istixana istehsalında Türkiyə üçün araşdırmağa dəyər çərçivə təqdim edir: yarpaq fotosintezi ölçümü, PPFD, CO₂, temperatur və qida məhlulunun EC-si birlikdə qiymətləndirilərək süni intellekt əsaslı qərar dəstəyi modelləri yaradıla bilər.

Türkiyədə real tətbiq üçün yerli xiyar sortları, istixana örtüyü və işıq keçiriciliyi, mövsümi günəşlənmə, qida resepti, su keyfiyyəti, kök zonasının temperaturu, rütubət, bitkinin inkişaf mərhələsi və enerji xərcləri ilə müstəqil doğrulama aparılmalıdır. Mənbə tədqiqat bu yerli doğrulamanı həyata keçirmir.

Tədqiqatın Metodu və Nəticələri

Təcrübə və məlumat toplamanın xülasəsi

Optimal hiperparametrlər

Təlim və test performansı

RMSE və MAE qiymətləri Pn ilə eyni vahiddə, μmol m⁻² s⁻¹-dir. *Cədvəl 2-də +0,042 verilən PSO-XGBoost test MBE qiyməti nəticələr mətnində −0,042 kimi yazılmışdır.

SHAP nəticələrinin texniki şərhi

Bu SHAP diapazonları qrafikdən təxminən oxunmuşdur və mənbədə xam ədədi cədvəl kimi verilməmişdir. Buna görə dəqiq məlumat nöqtələri kimi istifadə edilməməlidir.

Ən mühüm qarşılıqlı təsirlər

• CO₂ × PPFD: 300 μmol mol⁻¹ CO₂ altında yüksək PPFD-nin model töhfəsi mənfi ola bilər; 1200 μmol mol⁻¹ CO₂ ilə yüksək PPFD birlikdə güclü müsbət töhfə yaradır.
• EC × PPFD: Aşağı işıqda EC dəyişiminin təsiri məhdud qalarkən yüksək işıqda EC səviyyələri arasındakı Pn fərqi böyüyür.
• PPFD × temperatur: PPFD >1000 μmol m⁻² s⁻¹ şəraitində yüksək Pn töhfələri xüsusilə təxminən 30–35 °C intervalında müşahidə olunur.
• EC həddi: Təxminən 3,0 mS·cm⁻¹ mövcud təcrübə fəzasında yüksək Pn üçün mühüm sahə yaradır, 4,0 mS·cm⁻¹-ə yaxınlaşdıqca model töhfəsi azalır.

Əsas məhdudiyyətlər

• Yalnız bir xiyar sortundan istifadə edilmişdir.
• Tədqiqat şitil mərhələsi ilə məhduddur.
• Təcrübə nəzarət olunan iqlim kamerasında aparılmışdır.
• Modelin test dəsti eyni eksperimental məlumat hovuzundan ayrılmışdır; müstəqil sahə və ya fərqli mövsüm üzrə xarici doğrulama təqdim edilməmişdir.
• Ekoloji dəyişənlər əvvəlcədən müəyyən edilmiş diskret səviyyələrdə sınaqdan keçirilmişdir.
• Tədqiqat real vaxtlı kommersiya istixanası idarəetmə sistemi təcrübəsi deyil.
• Məhsul məhsuldarlığı, meyvə keyfiyyəti, su sərfi və enerji xərci model optimizasiyasının yekun hədəf dəyişənləri kimi ölçülməmişdir.
• SHAP təhlili modelin proqnoz strukturunu izah edir; təkbaşına bioloji səbəbiyyəti sübut etmir.
• “Optimal EC” qiyməti digər ekoloji amillərdən asılı olmayan sabit hədd kimi qəbul edilməməlidir.

Mənbə və Metod Qeydi

Tam orijinal tədqiqat adı: Photosynthetic rate prediction and synergistic environmental optimization for cucumber based on PSO-XGBoost

Müəlliflər: Rongcheng Zhu, Shiyan Wang, Xinyu Tian, Liru Ren, Qianyu Zhao və Bin Li.

Müəllif sırası: Mənbədə verilən sıra olduğu kimi qorunmuşdur.

Məsul müəllif: Bin Li.

Bərabər töhfə/bərabər birinci müəllif: Mənbədə göstərilməmişdir.

Qurum: College of Horticulture, Shanxi Agricultural University, Jinzhong 030801, China.

Mənbə növü: Nəzarət olunan mühitdə bitki fiziologiyası təcrübəsi və maşın öyrənməsi modelləşdirmə tədqiqatı xarakterli preprint.

Rəyçilik statusu: Bu tədqiqat rəyçi qiymətləndirməsindən keçməmiş preprintdir; nəticələr bu nəşr mərhələsi nəzərə alınaraq qiymətləndirilməlidir.

Platforma: SSRN.

SSRN identifikatoru: 6837425.

DOI: 10.2139/ssrn.6837425.

Nəşr tarixi: 27 may 2026.

Jurnal/cild/say: Bu versiyada rəyli jurnal, cild və say məlumatı yoxdur.

Rəsmi nəşr keçidi: SSRN Abstract ID 6837425 qeydi.

Lisenziya/müəllif hüququ: SSRN qeydində hüquqların qorunduğu və icazəsiz təkrar istifadənin açıq olmadığı bildirilir. Buna görə mənbə tədqiqatın orijinal şəkilləri bu Verianla məzmununa birbaşa kopyalanmamış; ədədi qiymətlər təmiz HTML cədvəlləri və Verianla Live strukturu ilə yenidən təqdim edilmişdir.

Maliyyələşdirmə: Shanxi Province Key R&D Plan çərçivəsində 202302010101003 və 202402140601012 nömrəli layihələr, eləcə də Modern Agro-industry Technology Research System in Shanxi Province çərçivəsində 2026CYJSTX08 dəstəyi.

Məlumatların əlçatanlığı: Müəlliflər məlumatların sorğu əsasında paylaşılacağını bildirirlər.

Maraqlar toqquşması: Müəlliflər məlum rəqabətli maliyyə marağı və ya tədqiqata təsir göstərə biləcək şəxsi münasibət bildirməyiblər.

CRediT müəllif töhfələri

• Rongcheng Zhu: Konseptuallaşdırma, məlumatların kurasiyası, metodologiya, proqram təminatı, vizuallaşdırma, ilkin qaralama yazısı, baxış və redaktə.
• Shiyan Wang: Proqram təminatı, formal təhlil, doğrulama, vizuallaşdırma.
• Xinyu Tian: Proqram təminatı, doğrulama, vizuallaşdırma.
• Liru Ren: Araşdırma və məlumatların kurasiyası.
• Qianyu Zhao: Araşdırma və məlumatların kurasiyası.
• Bin Li: Resurslar, baxış və redaktə, nəzarət, layihə idarəetməsi və maliyyələşdirmənin əldə edilməsi.

Mənbədaxili uyğunsuzluq qeydi

PSO-XGBoost müstəqil test dəsti üçün Cədvəl 2 MBE qiymətini +0,042 kimi verdiyi halda nəticələr mətnində −0,042 yazılmışdır. Bu ziddiyyət səssizcə düzəldilməmişdir.

Bölmə 3.4-də EC daxil olan və olmayan modellərin müqayisəsi “Fig. 9a/9b” kimi xatırladılsa da, müvafiq vizual mənbədə Şəkil 12 kimi nömrələnmişdir.

EC daxil olan model üçün Bölmə 3.4-də verilən R²=0,996 və RMSE=0,742 nəticələri əsas model müqayisəsinin Cədvəl 2-dəki PSO-XGBoost test nəticələri olan R²=0,9973 və RMSE=0,6274 ilə eyni təhlil kimi birləşdirilməmişdir.

Elmi məzmun sərhədi

Bu Verianla məqaləsindəki təcrübə şəraiti, model strukturları, hiperparametrlər, performans nəticələri, SHAP şərhləri və ekoloji hədlər yüklənmiş tədqiqata əsaslanır. Xarici mənbələrdən yeni eksperimental nəticə və ya bioloji mexanizm əlavə edilməmişdir. Xarici doğrulama yalnız tədqiqatın kimliyini, DOI-ni, SSRN tarixini və lisenziya məlumatını biblioqrafik olaraq yoxlamaq məqsədilə istifadə edilmişdir.

Tədqiqatın ən mühüm ümumiləşdirmə məhdudiyyəti modelin tək sort və şitil mərhələsi ilə məhdud nəzarət olunan eksperimental məlumatlar üzərində qurulmasıdır. Kommersiya istixanası şəraitində müstəqil xarici doğrulama, real vaxtlı qapalı dövrəli mühit nəzarəti, uzunmüddətli məhsuldarlıq qiymətləndirilməsi və iqtisadi/enerji optimizasiyası bu tədqiqat tərəfindən göstərilməmişdir.