Бул изилдөө күнөсканадагы бадыраң көчөттөрүндө таза фотосинтез ылдамдыгын (Pn) жарык интенсивдүүлүгү, CO₂ концентрациясы, температура жана азык эритмесинин электр өткөрүмдүүлүгү (EC) бирге өзгөргөндө кантип болжолдоого болорун изилдейт. Башкарылуучу климаттык камерада өлчөнгөн фотосинтез маалыматтарынын негизинде колдоо вектордук регрессиясы (SVR), Random Forest жана XGBoost моделдери түзүлүп, гиперпараметрлер Бөлүкчөлөр Үйүрүн Оптималдаштыруу (PSO) аркылуу жөндөлгөн. Көз карандысыз тест топтомунда PSO-XGBoost модели R²=0,9973 жана RMSE=0,6274 μmol m⁻² s⁻¹ көрсөткүчтөрү менен эң жогорку жалпы тактыкты көрсөттү. SHAP талдоосу моделге ылайык айлана-чөйрө өзгөрмөлөрүнүн маанилүүлүк тартибин PPFD > CO₂ > температура > EC деп аныктады. Ошол эле учурда изилдөө бир гана бадыраң сортунун көчөт баскычында жана башкарылуучу эксперименттик шарттарда жүргүзүлгөн; жыйынтыктар коммерциялык күнөскананын түшүмдүүлүгү, бүтүндөй өсүү мезгили же ар кандай чөйрөлөрдө тастыкталган универсалдуу башкаруу чектери катары чечмеленбеши керек.
Изилдөөнүн көңүл буруучу жагы — ал жөн гана болжолдоо моделин иштеп чыккан эмес. Изилдөөчүлөр түшүндүрүлүүчү жасалма интеллект ыкмасы болгон SHAPты колдонуп, жарык, көмүртек, температура жана тамыр зонасынын азыктануусу моделдин божомолуна биргелешип кандай салым кошорун карашкан. Натыйжалар өзгөчө жогорку жарык жалгыз өзү максималдуу фотосинтезди камсыз кылбай турганын; жогорку PPFD жетиштүү CO₂, ылайыктуу температура жана жетиштүү азык эритмеси шарттары менен айкалыштырылышы керектигин көрсөтөт.
Азык эритмесинин электр өткөрүмдүүлүгү үчүн булакта болжол менен 3,0 mS·cm⁻¹ деңгээли маанилүү чек катары белгиленет. Төмөн EC шартында азык жетишсиздиги, жогорку EC шартында болсо булак авторлору осмостук стресс менен байланыштырган фотосинтездик басаңдоо байкалат. Бирок көп өлчөмдүү моделдик беттер жарык жана CO₂ жогорулаган сайын максималдуу Pn үчүн ылайыктуу EC чекити жогорураак маанилерге жылышы мүмкүн экенин көрсөтөт. Ошондуктан изилдөөнүн негизги билдирүүсү “бир идеалдуу жөндөө” эмес, айлана-чөйрө факторлорун биргелешип башкаруу болуп саналат.
Изилдөөнүн негизги көйгөйү эмнеде?
Заманбап күнөскана өндүрүшүндө температура, жарык, CO₂, суу жана азыктандырууну башкаруу көп учурда бир убакта өзгөртүлөт. Бул факторлордун ар бири өсүмдүктүн фотосинтезине таасир берип гана тим болбостон, бири-биринин таасирин да өзгөртө алат. Изилдөө көңүл бурган илимий боштук — өзгөчө тамыр зонасынын азыктануусун чагылдырган электр өткөрүмдүүлүктү (electrical conductivity, EC) жарык, CO₂ жана температура менен бирге фотосинтезди болжолдоо моделдерине жетиштүү интеграциялоонун жоктугу.
Таза фотосинтез ылдамдыгы, башкача айтканда Pn, жалбырактын таза көмүртек ассимиляциясын көрсөткөн физиологиялык өлчөм. Изилдөө Pnди өсүмдүк физиологиясынын жөн гана бир өзгөрмөсү катары эмес, күнөскана чөйрөсүн башкаруунун натыйжасын баалай ала турган максаттуу өзгөрмө катары карайт.
Эксперимент кайсы өсүмдүктөрдө жана кандай шарттарда жүргүзүлдү?
Эксперимент 2025-жылдын октябрь–декабрь айларында Shanxi Agricultural University Horticulture Experiment Station курамындагы башкарылуучу климаттык камерада жүргүзүлгөн. Колдонулган бадыраң сорту Jinyou 358.
Климаттык камерада күндүз/түнкү температура 28 ± 0,5 °C / 18 ± 0,5 °C, фотопериод 12 саат күн⁻¹, айлана-чөйрөнүн фотосинтездик фотон агымынын тыгыздыгы 350–400 μmol m⁻² s⁻¹ жана салыштырма нымдуулук %55–75 болуп белгиленген.
Уруктар адегенде 55 °C сууда 10–15 мүнөт, андан соң бөлмө температурасында 8 саат кармалып, 28 °C шартында өнүктүрүлгөн. Көчөттөр 25 × 15 × 10 cm гидропоникалык идиштерге көчүрүлгөн. Эки урук жалбырак толук ачылганда төрттөн бир күчтөгү Hoagland азык эритмеси, биринчи чыныгы жалбырак ачылганда жарым күчтөгү эритме колдонулган. Төрт чыныгы жалбырак толук өнүккөндөн кийин ар түрдүү EC таасирлери башталып, бир жумадан кийин физиологиялык өлчөөлөр жүргүзүлгөн.
Төрт айлана-чөйрө өзгөрмөсү кандайча сканерленди?
Фотосинтез өлчөөлөрү LI-6400 көчмө фотосинтез системасы менен жүргүзүлгөн. Жалбырак камерасындагы жарык жана CO₂ түзмөктүн LED жарык булагы жана CO₂ башкаруу модулу аркылуу жөнгө салынган. Булакта төрт негизги киргизүү үчүн төмөнкү эксперименттик деңгээлдер берилген:
| Фактор | Эксперименттик деңгээлдер | Деңгээлдердин саны |
|---|---|---|
| EC (mS·cm⁻¹) | 1; 1,5; 2; 2,5; 3; 3,5; 4 | 7 |
| PPFD (μmol m⁻² s⁻¹) | 0; 50; 100; 200; 400; 600; 800; 1000; 1200; 1400; 1600 | 11 |
| CO₂ (μmol mol⁻¹) | 300; 600; 900; 1200 | 4 |
| Температура (°C) | 15; 20; 25; 30; 35 | 5 |
Өлчөө учурунда аба агымы 500 μmol s⁻¹ деңгээлинде кармалып, кызыл:көк жарык катышы 9:1 болуп коюлган. Өсүмдүктүн өнүгүү баскычынан келип чыккан айырмачылыкты азайтуу үчүн көчөттөр жети күндүк аралык менен топторго бөлүнүп өстүрүлүп, окшош өнүгүү стадиясына жеткенде өлчөнгөн.
Өлчөө үчүн түбүнөн эсептегенде төртүнчү, толук ачылган, көлөкөлөнбөгөн жана механикалык зыянсыз чыныгы жалбырак тандалган. Ар бир айлана-чөйрөлүк комбинация үч жолу өлчөнүп, үч өлчөөнүн орточо мааниси тиешелүү комбинациянын акыркы Pn мааниси катары кабыл алынган.
Маалыматтар моделдөөгө кантип даярдалды?
Температура, EC, CO₂ жана PPFD ар башка чоңдук жана бирдиктерге ээ болгондуктан, булак бул өзгөрмөлөрдү Z-упай стандартташтыруусу менен өзгөрткөн:
\[ x^{*}=\frac{x_i-\mu}{\sigma} \]
Бул жерде \(x^{*}\) стандартташтырылган маани, \(x_i\) чийки байкоо, \(\mu\) өзгөрмөнүн орточо мааниси жана \(\sigma\) стандарттык четтөө. Бул өзгөртүүдөн кийин киргизүү өзгөрмөлөрү орточо мааниси болжол менен нөл, стандарттык четтөөсү бир болчудай масштабдалган.
Кайсы машиналык үйрөнүү моделдери салыштырылды?
Изилдөөдө үч регрессиялык ыкма бааланган:
- Support Vector Regression (SVR): Radial Basis Function (RBF) ядросу колдонулуп, C, gamma жана epsilon гиперпараметрлери оптималдаштырылган.
- Random Forest (RF): Дарактардын саны, максималдуу дарак тереңдиги жана ички түйүндү бөлүү үчүн минималдуу үлгүлөрдүн саны оптималдаштырылган.
- XGBoost: Дарактардын саны, максималдуу тереңдик жана үйрөнүү ылдамдыгы оптималдаштырылган.
XGBoostтун максат функциясы булакта болжолдоо катасын жана моделдин татаалдыгын бирге эске алган жалпы формада берилген:
\[ Obj(\Theta)=\sum_{i=1}^{n}L(y_i,\hat{y}_i)+\sum_{k=1}^{K}\Omega(f_k) \]
Регуляризация мүчөсү болсо:
\[ \Omega(f)=\gamma T+\frac{1}{2}\lambda\|w\|^2 \]
түрүндө. Бул жерде \(T\) жалбырак түйүндөрүнүн санын, \(w\) жалбырактардын салмактарын, \(\gamma\) жана \(\lambda\) моделдин татаалдыгын башкарган регуляризация параметрлерин билдирет.
Бөлүкчөлөр Үйүрүн Оптималдаштыруу эмне кылды?
Бөлүкчөлөр Үйүрүн Оптималдаштыруу (Particle Swarm Optimization, PSO) үч машиналык үйрөнүү моделинин негизги гиперпараметрлерин кол менен тандоонун ордуна чечим мейкиндигинде бирдиктүү издөө жүргүзүү үчүн колдонулган. Ар бир бөлүкчө мүмкүн болгон гиперпараметр комбинациясын билдирет жана бөлүкчөнүн орду анын мурдагы эң жакшы жыйынтыгына да, үйүрдүн глобалдык эң жакшы жыйынтыгына да жараша жаңыртылат.
Булакта бөлүкчөнүн ылдамдыгы төмөнкүдөй аныкталган:
\[ v_i^{t+1}=w v_i^t+c_1r_1(pbest_i-x_i^t)+c_2r_2(gbest-x_i^t) \]
Орун жаңыртуу болсо:
\[ x_i^{t+1}=x_i^t+v_i^{t+1} \]
түрүндө. Изилдөөдө үйүрдүн көлөмү 10, максималдуу итерациялардын саны 30, инерция салмагы \(w=0,8\) жана үйрөнүү коэффициенттери \(c_1=c_2=1,5\) болуп белгиленген.
Маалымат топтому булак “stratified random sampling” деп атаган ыкма менен %80 окутуу жана %20 көз карандысыз тест топтомуна бөлүнгөн. PSO издөөсү окутуу маалыматтарында гана жүргүзүлүп, ар бир гиперпараметр комбинациясы үчүн 5 бүктөмдүү кайчылаш текшерүү колдонулган. Булак үзгүлтүксүз максаттуу өзгөрмөсү бар бул регрессия маселесинде стратификация кайсы өзгөрмө же интервал боюнча жүргүзүлгөнүн өзүнчө түшүндүрбөйт.
Verianla Live: PSO аркылуу фотосинтезди болжолдоо моделин түзүү
Бул процесс 2-сүрөттө берилген чыныгы моделдөө иретинин кыргызча көрсөтүлүшү. Булакта жок аралык талдоо же иш-аракет кошулган эмес.
| Этап | Түшүндүрмө | Булак |
|---|---|---|
| 1. Эксперименттик маалымат | PPFD, CO₂, температура жана EC киргизүүлөрү менен өлчөнгөн бадыраңдын таза фотосинтез ылдамдыгы Pn түзүлөт. | Сүрөт 1; Ыкма 2.2 |
| 2. Алдын ала иштетүү | Киргизүү өзгөрмөлөрү Z-упай ыкмасы менен стандартташтырылат. | Теңдеме 1 |
| 3. Маалыматты бөлүү | Стандартташтырылган маалымат %80 окутуу жана %20 көз карандысыз тест топтомуна бөлүнөт. | Ыкма 2.4.2 |
| 4. Модель жана издөө мейкиндиги | SVR, RF же XGBoost модели жана оптималдаштырыла турган гиперпараметрлер аныкталат. | Ыкма 2.4.1 |
| 5. PSOну баштоо | 10 бөлүкчөдөн турган үйүр ишке киргизилип, эң көп дегенде 30 итерация аткарылат. | Ыкма 2.4.2 |
| 6. Ылайыктуулукту баалоо | Ар бир бөлүкчөнүн ордундагы модель 5 бүктөмдүү кайчылаш текшерүү менен бааланат; RMSE ылайыктуулук көрсөткүчү катары колдонулат. | Сүрөт 2 |
| 7. pbest жана gbest | Бөлүкчөнүн жеке эң жакшы орду жана үйүрдүн глобалдык эң жакшы орду жаңыртылат. | Теңдеме 7–8 |
| 8. Акыркы модель | Эң жакшы гиперпараметрлер колдонулуп оптималдаштырылган PSO-максаттуу модель түзүлөт жана көз карандысыз тест топтомунда бааланат. | Сүрөт 2; Ыкма 2.4.2 |
Verianla Live: Визуалдаштыруу ушул көрүнүп турган илимий маалымат таблицасынан браузерде түзүлөт. Таблица илимий source-of-truth катары сакталат.
Моделдин көрсөткүчтөрү кантип бааланды?
R², RMSE, MAE, MBE жана MAPE колдонулган. Изилдөө моделди тандоо үчүн өзгөчө көз карандысыз тест топтомундагы R² жана RMSEни негизги көрсөткүчтөр катары аныктап, калган үч метриканы колдоочу баалоо катары пайдаланган.
R² үчүн колдонулган негизги байланыш:
\[ R^2=1-\frac{\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} {\sum_{i=1}^{n}(y_i-\bar{y})^2} \]
RMSE болсо:
\[ RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2} \]
түрүндө бааланган. Pn бирдиги μmol m⁻² s⁻¹ болгондуктан, RMSE жана MAE да ошол эле бирдикте.
Эмне үчүн PSO-XGBoost эң жакшы модель болуп тандалды?
Көз карандысыз тест топтомунда үч модель тең жогорку R² маанилерин берген; бирок PSO-XGBoost эң жогорку R²ге жана эң төмөн RMSE менен MAEге жеткен.
| Модель | Тест R² | Тест RMSE (μmol m⁻² s⁻¹) | Тест MAE (μmol m⁻² s⁻¹) | Тест MBE | Тест MAPE (%) |
|---|---|---|---|---|---|
| PSO-SVR | 0,9937 | 0,9532 | 0,711 | 0,093 | 19,302 |
| PSO-RF | 0,9882 | 1,3086 | 0,991 | 0,030 | 25,814 |
| PSO-XGBoost | 0,9973 | 0,6274 | 0,489 | 0,042* | 19,855 |
*2-таблица MBE маанисин +0,042 деп берсе, жыйынтыктар тексти ошол эле PSO-XGBoost мааниси үчүн −0,042 деп жазат. Белгидеги айырма булакта түшүндүрүлгөн эмес.
PSO-XGBoostтун MAPE мааниси %19,855 болуп, PSO-SVRдин %19,302 маанисинен бир аз жогору. Ошондуктан “бардык көрсөткүчтөр боюнча эң жакшы” деп айтуу туура эмес. Булактын өз тандоо эрежесинде R² жана RMSE негизги көрсөткүчтөр болгондуктан, PSO-XGBoost жалпы оптималдуу модель катары тандалган.
3–5-сүрөттөр моделдин жүрүм-туруму жөнүндө эмнени көрсөтөт?
3-сүрөттө болжолдоо каталарынын кутуча графиктери салыштырылганда, PSO-XGBoostтун ката бөлүштүрүлүшү PSO-RFке караганда тарыраак көрүнөт. PSO-RF кеңири ката диапазонун жана кыйла ачык четки маанилерди көрсөтөт.
4-сүрөттүн төмөнкү бөлүгүндөгү өлчөнгөн-болжолдонгон маанилер графиктеринде PSO-XGBoost чекиттери 1:1 сызыгына эң жакын топтолот. Жогорку бөлүгүндөгү PSO жакындашуу графиктеринде да RMSE алгачкы бир нече итерацияда тез төмөндөп, андан кийин турукташканы көрүнөт.
5-сүрөттө көз карандысыз тест үлгүлөрү өлчөнгөн Pn боюнча иреттелгенде, моделдин болжолдоо ийри сызыгы төмөн, орто жана жогорку Pn аймактарында өлчөнгөн ийри сызыкты жакын ээрчийт. Бирок бул график модель башка күнөсканада, сортто же мезгилде ошол эле тактыкты көрсөтөрүн далилдебейт; үлгүлөр ошол эле башкарылуучу эксперименттен бөлүнгөн тест маалыматтары.
SHAP талдоосу эмнени түшүндүрөт?
SHapley Additive exPlanations (SHAP) моделдин ар бир киргизүүгө ыйгарган болжолдоо салымын эсептөө үчүн колдонулган. Булакта түшүндүрүү модели төмөнкүдөй берилген:
\[ g(z')=\phi_0+\sum_{j=1}^{M}\phi_jz'_j \]
\(\phi_0\) базалык болжолдоону, \(\phi_j\) тиешелүү өзгөчөлүктүн моделдин чыгышына кошкон салымын билдирет. Оң SHAP мааниси тиешелүү шартта моделдин болжолун жогорураак Pn багытына, терс маани төмөнүрөөк Pn багытына жылдырат.
6-сүрөттө глобалдык маанилүүлүк тартиби:
PPFD > CO₂ > температура > EC
түрүндө. Графиктен болжол менен PPFD үчүн SHAP маанилери −25тен +16га, CO₂ үчүн −10дон +8ге, температура үчүн −9дан +8ге жана EC үчүн −7ден +6га чейин таралган. Бул диапазондор сүрөттөн болжол менен окулган жана так чийки маалымат чекиттери катары кабыл алынбашы керек.
Эмне үчүн жарык эң күчтүү өзгөрмө?
PPFD, башкача айтканда фотосинтездик фотон агымынын тыгыздыгы, моделдин Pn болжолун эң көп өзгөрткөн киргизүү болду. Төмөн PPFD маанилери негизинен терс SHAP аймагында, жогорку маанилер оң аймакта жайгашат. Бирок жогорку жарыктын таасири сызыктуу эмес жана белгилүү шарттардан кийин башка айлана-чөйрөлүк чектөөлөр ишке кирет.
Жарык менен CO₂ ортосунда кандай өз ара аракеттенүү бар?
7a-сүрөттөгү SHAP көз карандылык талдоосу CO₂ көбөйгөн сайын Pn болжолуна оң салым жалпысынан жогорулай турганын көрсөтөт. Бирок төмөн CO₂ шартында, өзгөчө 300 μmol mol⁻¹ деңгээлинде, жогорку PPFD маанилери көбүрөөк терс SHAP салымдары менен байланышкан. Булак муну көмүртек ассимиляция субстраты жетишсиз шартта жогорку жарыкты натыйжалуу пайдалануу мүмкүн эместиги менен түшүндүрөт.
CO₂ 1200 μmol mol⁻¹ деңгээлине көтөрүлгөндө жогорку PPFD менен бирге эң күчтүү оң моделдик салымдар байкалат. Бул көрүнүш изилдөө “жарык-көмүртек синергиясы” деп атаган өз ара аракеттенүүнүн модель ичиндеги көрүнүшү.
Эмне үчүн EC сызыктуу жүрүм-турум көрсөтпөйт?
Электр өткөрүмдүүлүк гидропоникада же топураксыз өстүрүүдө азык эритмесиндеги жалпы ион концентрациясын көрсөткөн негизги көрсөткүчтөрдүн бири. Изилдөөдө ECнин Pnге болгон моделдик таасири бир багыттуу өсүштү көрсөткөн эмес.
1,0–1,5 mS·cm⁻¹ аралыкта төмөн азык концентрациясы Pnди чектеген шарт катары көрүнөт. EC болжол менен 3,0 mS·cm⁻¹ деңгээлине келгенде модель жогорку Pn үчүн ылайыктуураак аймакты көрсөтөт. EC 4,0 mS·cm⁻¹ге жакындаганда SHAP маанилери кайра төмөндөйт. Булак бул төмөндөөнү ашыкча азык концентрациясына байланышкан осмостук стресс менен түшүндүрөт.
Бирок “3,0 mS·cm⁻¹ бардык шарттарда оптималдуу EC” деген жыйынтык чыгарылбашы керек. 8–10-сүрөттөрдөгү көп өлчөмдүү талдоолордо CO₂ жана PPFD жогорулаган сайын моделдин максималдуу Pn чекити үчүн тандаган EC мааниси жогорураак концентрацияларга жылары көрсөтүлгөн.
Жарык менен температуранын ортосунда кандай шайкештик керек?
SHAP көз карандылык графиктеринде жогорку PPFDнин эң күчтүү оң таасирлери болжол менен 30–35 °C температура аралыгы менен бирге байкалат. Тескерисинче, 15 °C шартында жогорку PPFD моделдин чыгышында күчтүү терс салымдар менен байланышкан.
Булак бул жыйынтыкты жогорку жарык фотосинтездик метаболизм аны пайдалана ала турган температура шарттары менен шайкеш келгенде гана жогорку Pnге айлана алат деп чечмелейт. Бул жыйынтык да экспериментте текшерилген 15–35 °C жана 0–1600 μmol m⁻² s⁻¹ диапазондору үчүн жарактуу.
Көп өлчөмдүү жооп беттери эмнени көрсөтөт?
Изилдөөчүлөр температураны 25 °Cде туруктуу кармап, төрт CO₂ деңгээли үчүн PPFD менен ECнин биргелешкен таасирин 3D жооп беттери, контурдук графиктер жана жооп ийри сызыктары аркылуу изилдешкен.
Төмөн жарыкта ар башка EC ийри сызыктары бири-бирине жакын жүрөт; башкача айтканда EC өзгөртүлсө да Pn төмөн бойдон калат. Жарык көбөйгөн сайын ийри сызыктар ажырап, жетиштүү азык эритмеси жогорку жарыкты фотосинтездик натыйжага айландырууда маанилүүрөөк экени көрүнөт.
CO₂ деңгээли 300дөн 1200 μmol mol⁻¹ге көтөрүлгөн сайын жооп бетинин максималдуу Pn аймагы да жогорулайт. Ошол эле учурда максималдуу чекитти берген EC мааниси жогорку PPFD жана жогорку CO₂ шарттарында жогорураак маанилерге жылары көрүнөт.
EC маалыматын моделден алып салуу эмнени өзгөрттү?
Изилдөө EC жөн гана мааниси төмөн жардамчы өзгөчөлүкпү же жокпу текшерүү үчүн EC өзгөрмөсү алынып салынган өзүнчө контролдук модель да түзгөн. Эки модель үчүн тең PSO оптималдаштыруу колдонулган.
| Моделдерди салыштыруу | R² | RMSE | Булак |
|---|---|---|---|
| EC камтылган модель | 0,996 | 0,742 | Сүрөт 12 / Бөлүм 3.4 |
| EC камтылбаган модель | 0,797 | 5,442 | Сүрөт 12 / Бөлүм 3.4 |
EC алынып салынганда R²нин 0,996дан 0,797ге төмөндөшү жана RMSEнин 0,742ден 5,442ге көтөрүлүшү бул эксперименттик маалыматтарда тамыр зонасынын азыктануусу жөнүндө маалымат болжолдоо үчүн маанилүү экенин көрсөтөт. Бирок бул салыштыруу 2-таблицадагы негизги PSO-XGBoost тест көрсөткүчтөрү менен бирдей сандык талдоо эмес; булак эки баалоону өзүнчө билдирет.
Изилдөө колдогон жыйынтыктар
- PPFD, CO₂, температура жана EC бирге колдонулганда PSO-XGBoost бул эксперименттик маалымат топтомунда SVR жана RFке караганда төмөн тест RMSEсин берген.
- SHAP талдоосунда моделдин глобалдык өзгөчөлүк маанилүүлүк тартиби PPFD > CO₂ > температура > EC деп табылган.
- ECнин таасири сызыктуу эмес жана эксперимент диапазонунда болжол менен 3,0 mS·cm⁻¹ айланасында айкын жогорку-Pn аймагы бар.
- Жогорку PPFDнин оң моделдик салымы жетиштүү CO₂, жылуураак шарттар жана ылайыктуу EC менен бирге күчөйт.
- EC өзгөрмөсүн моделден алып салуу болжолдоо көрсөткүчүн олуттуу төмөндөткөн.
- Модель эксперименттик өзгөрмөлөрдүн ортосундагы татаал жана сызыктуу эмес өз ара аракеттенүүлөрдү жогорку тактык менен кайра берген.
Изилдөө далилдебеген жыйынтыктар
- PSO-XGBoost бардык бадыраң сортторунда же бардык күнөсканаларда ошол эле R² маанисине жетери көрсөтүлгөн эмес.
- Модель коммерциялык күнөсканада жабык циклдүү башкаруу системасы катары иштетилип сыналган эмес.
- Модель сунуштаган айлана-чөйрөлүк комбинациялар түшүмдү, сапатты же экономикалык кирешени көбөйтөрү түздөн-түз өлчөнгөн эмес.
- Энергия керектөөсү менен фотосинтез пайдасынын ортосунда экономикалык оптималдаштыруу жүргүзүлгөн эмес.
- 3,0 mS·cm⁻¹ EC бардык температура, PPFD жана CO₂ шарттарында универсалдуу оптимум катары тастыкталган эмес.
- SHAP байланыштары өз алдынча биологиялык себептүүлүктүн далили эмес; алар модель үйрөнгөн болжолдоо байланыштарын түшүндүрөт.
- Көчөт стадиясында алынган жыйынтыктарды бүтүндөй өсүү циклине түздөн-түз өткөрүүгө болору көрсөтүлгөн эмес.
Бул Түркия үчүн эмнени билдирет?
Изилдөө Кытайда башкарылуучу климаттык камерада жүргүзүлгөн жана билдирилген моделдик чектер Түркиядагы күнөскана өндүрүшүнө түздөн-түз колдонулбашы керек. Ошентсе да колдонулган ыкма, өзгөчө топураксыз күнөскана өндүрүшүндө Түркия үчүн изилдөөгө татыктуу алкак сунуштайт: жалбырактын фотосинтез өлчөөсү, PPFD, CO₂, температура жана азык эритмесинин ECси бирге бааланып, жасалма интеллектке негизделген чечимди колдоо моделдерин түзүүгө болот.
Түркияда чыныгы колдонуу үчүн жергиликтүү бадыраң сорттору, күнөскана жабуусу жана жарык өткөрүмдүүлүгү, сезондук күн тийүү, азык рецепти, суунун сапаты, тамыр зонасынын температурасы, нымдуулук, өсүмдүктүн өнүгүү стадиясы жана энергия чыгымдары менен көз карандысыз текшерүү жүргүзүлүшү керек. Булактагы изилдөө бул жергиликтүү текшерүүнү жүргүзгөн эмес.
Изилдөөнүн Ыкмасы жана Жыйынтыктары
Эксперимент жана маалымат чогултуунун кыскача мазмуну
| Аталыш | Булакта колдонулган маани |
|---|---|
| Өсүмдүк | Бадыраң, Jinyou 358 |
| Эксперимент мезгили | Октябрь–Декабрь 2025 |
| Эксперимент чөйрөсү | Башкарылуучу климаттык камера |
| Күндүз/түнкү температура | 28 ± 0,5 °C / 18 ± 0,5 °C |
| Фотопериод | 12 саат күн⁻¹ |
| Айлана-чөйрө PPFD | 350–400 μmol m⁻² s⁻¹ |
| Салыштырма нымдуулук | %55–75 |
| Фотосинтез түзмөгү | LI-6400 |
| Өлчөө аба агымы | 500 μmol s⁻¹ |
| Кызыл:көк жарык катышы | 9:1 |
| EC деңгээли | 7 |
| PPFD деңгээли | 11 |
| CO₂ деңгээли | 4 |
| Температура деңгээли | 5 |
| Кайталоо | Ар бир комбинация үч өлчөө; орточо маани акыркы Pn |
Оптималдуу гиперпараметрлер
| Модель | PSO менен тандалган гиперпараметрлер |
|---|---|
| PSO-SVR | C=13; gamma=1; epsilon=0,2137 |
| PSO-RF | n_estimators=464; max_depth=15; min_samples_split=5 |
| PSO-XGBoost | n_estimators=200; max_depth=5; learning_rate=0,1 |
Окутуу жана тест көрсөткүчтөрү
| Модель | Маалымат | R² | RMSE | MAE | MBE | MAPE (%) |
|---|---|---|---|---|---|---|
| PSO-SVR | Окутуу | 0,9974 | 0,5937 | 0,404 | 0,015 | 12,633 |
| PSO-SVR | Тест | 0,9937 | 0,9532 | 0,711 | 0,093 | 19,302 |
| PSO-RF | Окутуу | 0,9951 | 0,8171 | 0,602 | 0,021 | 14,531 |
| PSO-RF | Тест | 0,9882 | 1,3086 | 0,991 | 0,030 | 25,814 |
| PSO-XGBoost | Окутуу | 0,9987 | 0,4242 | 0,316 | 0,001 | 9,801 |
| PSO-XGBoost | Тест | 0,9973 | 0,6274 | 0,489 | 0,042* | 19,855 |
RMSE жана MAE маанилери Pn менен бирдей бирдикте, μmol m⁻² s⁻¹. *2-таблицада +0,042 деп берилген PSO-XGBoost тест MBE мааниси жыйынтык текстинде −0,042 деп жазылган.
SHAP жыйынтыктарынын техникалык чечмелениши
| Айлана-чөйрө фактору | Моделдеги маанилүүлүк тартиби | 6-сүрөттөн болжолдуу SHAP диапазону | Булакта баса белгиленген жүрүм-турум |
|---|---|---|---|
| PPFD | 1 | Болжол менен −25тен +16га чейин | Эң күчтүү моделдик таасир; жогорку маанилер көбүнчө оң салым |
| CO₂ | 2 | Болжол менен −10дон +8ге чейин | CO₂ жогорулаган сайын жалпысынан оң салым |
| Температура | 3 | Болжол менен −9дан +8ге чейин | Жогорку жарыктын таасири температурага жараша өзгөрөт |
| EC | 4 | Болжол менен −7ден +6га чейин | Сызыктуу эмес, чектик жана чоку жүрүм-туруму |
Бул SHAP диапазондору графиктен болжол менен окулган жана булакта чийки сандык таблица түрүндө берилген эмес. Ошондуктан алар так маалымат чекиттери катары колдонулбашы керек.
Эң маанилүү өз ара аракеттенүүлөр
- CO₂ × PPFD: 300 μmol mol⁻¹ CO₂ шартында жогорку PPFDнин моделдик салымы терс болушу мүмкүн; 1200 μmol mol⁻¹ CO₂ менен жогорку PPFD бирге күчтүү оң салым жаратат.
- EC × PPFD: Төмөн жарыкта EC өзгөрүүсүнүн таасири чектелүү бойдон калса, жогорку жарыкта EC деңгээлдеринин ортосундагы Pn айырмасы чоңоёт.
- PPFD × температура: PPFD >1000 μmol m⁻² s⁻¹ шартында жогорку Pn салымдары өзгөчө болжол менен 30–35 °C диапазонунда байкалат.
- EC чеги: Болжол менен 3,0 mS·cm⁻¹ учурдагы эксперименттик мейкиндикте жогорку Pn үчүн маанилүү аймак түзүп, 4,0 mS·cm⁻¹ге жакындаганда моделдик салым төмөндөйт.
Негизги чектөөлөр
- Бир гана бадыраң сорту колдонулган.
- Изилдөө көчөт стадиясы менен чектелген.
- Эксперимент башкарылуучу климаттык камерада жүргүзүлгөн.
- Моделдин тест топтому ошол эле эксперименттик маалымат бассейнинен бөлүнгөн; көз карандысыз талаа же башка мезгил боюнча тышкы текшерүү берилген эмес.
- Айлана-чөйрө өзгөрмөлөрү алдын ала белгиленген дискреттик деңгээлдерде текшерилген.
- Изилдөө реалдуу убакыттагы коммерциялык күнөскана башкаруу системасынын эксперименти эмес.
- Түшүмдүүлүк, мөмө сапаты, суу керектөө жана энергия чыгымы моделдик оптималдаштыруунун акыркы максаттуу өзгөрмөлөрү катары өлчөнгөн эмес.
- SHAP талдоосу моделдин болжолдоо түзүлүшүн түшүндүрөт; өзү эле биологиялык себептүүлүктү далилдебейт.
- “Оптималдуу EC” мааниси башка айлана-чөйрө факторлорунан көз карандысыз туруктуу чек катары кабыл алынбашы керек.
Булак жана Ыкма Жөнүндө Эскертүү
Толук оригиналдуу изилдөө аталышы: Photosynthetic rate prediction and synergistic environmental optimization for cucumber based on PSO-XGBoost
Авторлор: Rongcheng Zhu, Shiyan Wang, Xinyu Tian, Liru Ren, Qianyu Zhao жана Bin Li.
Авторлордун ирети: Булакта берилген ирет өзгөртүүсүз сакталган.
Жооптуу автор: Bin Li.
Тең салым/тең биринчи автор: Булакта көрсөтүлгөн эмес.
Мекеме: College of Horticulture, Shanxi Agricultural University, Jinzhong 030801, China.
Булактын түрү: Башкарылуучу чөйрөдөгү өсүмдүк физиологиясы эксперименти жана машиналык үйрөнүү моделдөө изилдөөсү түрүндөгү preprint.
Рецензия абалы: Бул иш рецензиядан өтпөгөн preprint болуп саналат; жыйынтыктары ушул жарыялоо стадиясын эске алуу менен бааланышы керек.
Платформа: SSRN.
SSRN идентификатору: 6837425.
DOI: 10.2139/ssrn.6837425.
Жарыяланган күнү: 27 май 2026.
Журнал/том/сан: Бул версияда рецензияланган журнал, том жана сан тууралуу маалымат жок.
Расмий жарыялоо шилтемеси: SSRN Abstract ID 6837425 жазуусу.
Лицензия/автордук укук: SSRN жазуусунда укуктар сакталганы жана уруксатсыз кайра колдонууга ачык уруксат берилбегени көрсөтүлөт. Ошондуктан булактагы изилдөөнүн оригиналдуу сүрөттөрү бул Verianla мазмунуна түздөн-түз көчүрүлгөн эмес; сандык маанилер таза HTML таблицалар жана Verianla Live түзүмү аркылуу кайра берилген.
Каржылоо: Shanxi Province Key R&D Plan алкагындагы 202302010101003 жана 202402140601012 номерлүү долбоорлор, ошондой эле Modern Agro-industry Technology Research System in Shanxi Province алкагындагы 2026CYJSTX08 колдоосу.
Маалыматтардын жеткиликтүүлүгү: Авторлор маалыматтар суроо-талап боюнча бөлүшүлөрүн билдиришкен.
Кызыкчылыктардын кагылышы: Авторлор белгилүү атаандаш финансылык кызыкчылык же ишке таасир этиши мүмкүн болгон жеке мамиле жок экенин билдиришкен.
CRediT автордук салымдары
- Rongcheng Zhu: Концептуалдаштыруу, маалыматтарды курациялоо, методология, программалык камсыздоо, визуалдаштыруу, баштапкы долбоорду жазуу, карап чыгуу жана редакциялоо.
- Shiyan Wang: Программалык камсыздоо, формалдык талдоо, валидация, визуалдаштыруу.
- Xinyu Tian: Программалык камсыздоо, валидация, визуалдаштыруу.
- Liru Ren: Изилдөө жана маалыматтарды курациялоо.
- Qianyu Zhao: Изилдөө жана маалыматтарды курациялоо.
- Bin Li: Ресурстар, карап чыгуу жана редакциялоо, көзөмөл, долбоорду башкаруу жана каржылоону камсыз кылуу.
Булак ичиндеги дал келбестик жөнүндө эскертүү
PSO-XGBoost көз карандысыз тест топтому үчүн 2-таблица MBE маанисин +0,042 деп берсе, жыйынтыктар тексти −0,042 деп жазат. Бул карама-каршылык үнсүз түрдө оңдолгон эмес.
3.4-бөлүмдө EC камтылган жана камтылбаган моделдерди салыштыруу “Fig. 9a/9b” деп аталганы менен, тиешелүү сүрөт булакта 12-сүрөт болуп номерленген.
EC камтылган модель үчүн 3.4-бөлүмдө берилген R²=0,996 жана RMSE=0,742 жыйынтыктары негизги модель салыштыруусунун 2-таблицасындагы PSO-XGBoost тест жыйынтыктары болгон R²=0,9973 жана RMSE=0,6274 менен бирдей талдоо катары бириктирилген эмес.
Илимий мазмундун чеги
Бул Verianla макаласындагы эксперимент шарттары, модель түзүмдөрү, гиперпараметрлер, көрсөткүчтөрдүн жыйынтыктары, SHAP чечмелөөлөрү жана айлана-чөйрөлүк чектер жүктөлгөн изилдөөгө негизделет. Тышкы булактардан жаңы эксперименттик жыйынтык же биологиялык механизм кошулган эмес. Тышкы текшерүү изилдөөнүн идентификациясын, DOI, SSRN датасын жана лицензия маалыматын библиографиялык жактан ырастоо үчүн гана колдонулган.
Изилдөөнүн эң маанилүү жалпылоо чектөөсү — модель бир сорт жана көчөт стадиясы менен чектелген башкарылуучу эксперименттик маалыматтардын негизинде түзүлгөн. Коммерциялык күнөскана шартында көз карандысыз тышкы валидация, реалдуу убакыттагы жабык циклдүү чөйрө башкаруусу, узак мөөнөттүү түшүмдүүлүк баалоосу жана экономикалык/энергиялык оптималдаштыруу бул изилдөөдө көрсөтүлгөн эмес.
Пикир калтырыңыз
E-mail дарегиңиз жарыяланбайт. Милдеттүү талаалар * менен белгиленген