Bu çalışma, sera salatalığı fidelerinde net fotosentez hızının (Pn) ışık yoğunluğu, CO₂ konsantrasyonu, sıcaklık ve besin çözeltisinin elektriksel iletkenliği (EC) birlikte değiştiğinde nasıl tahmin edilebileceğini araştırmaktadır. Kontrollü iklim odasında ölçülen fotosentez verileriyle destek vektör regresyonu (SVR), Random Forest ve XGBoost modelleri kurulmuş; hiperparametreler Parçacık Sürü Optimizasyonu (PSO) ile ayarlanmıştır. Bağımsız test kümesinde PSO-XGBoost modeli R²=0,9973 ve RMSE=0,6274 μmol m⁻² s⁻¹ ile en yüksek genel doğruluğu göstermiştir. SHAP analizi modele göre çevresel değişkenlerin önem sırasını PPFD > CO₂ > sıcaklık > EC olarak belirlemiştir. Bununla birlikte çalışma tek bir salatalık çeşidinin fide döneminde ve kontrollü deney koşullarında yürütülmüştür; sonuçlar ticari sera verimi, bütün büyüme dönemi veya farklı çevrelerde doğrulanmış evrensel kontrol eşikleri olarak yorumlanmamalıdır.

Çalışmanın dikkat çekici yönü, yalnızca bir tahmin modeli geliştirmesi değildir. Araştırmacılar, açıklanabilir yapay zekâ yaklaşımı olan SHAP'ı kullanarak ışık, karbon, sıcaklık ve kök bölgesi beslenmesinin model tahminine nasıl birlikte katkı verdiğini incelemiştir. Sonuçlar özellikle yüksek ışığın tek başına maksimum fotosentez üretmediğini; yüksek PPFD'nin yeterli CO₂, uygun sıcaklık ve yeterli besin çözeltisi koşullarıyla eşleştirilmesi gerektiğini göstermektedir.

Besin çözeltisinin elektriksel iletkenliği için kaynakta yaklaşık 3,0 mS·cm⁻¹ düzeyi önemli bir eşik olarak öne çıkmaktadır. Düşük EC'de besin yetersizliği, yüksek EC'de ise kaynak yazarlarının ozmotik stresle ilişkilendirdiği bir fotosentetik baskılanma görülmektedir. Ancak çok boyutlu model yüzeyleri, ışık ve CO₂ yükseldikçe maksimum Pn için uygun EC noktasının daha yüksek değerlere kayabildiğini göstermektedir. Bu nedenle çalışmanın temel mesajı “tek bir ideal ayar” değil, çevresel faktörlerin birlikte yönetilmesidir.

Araştırmanın temel problemi nedir?

Modern sera üretiminde sıcaklık, ışık, CO₂, su ve besin yönetimi çoğu zaman aynı anda değiştirilir. Bu faktörlerin her biri bitkinin fotosentezini etkilerken birbirlerinin etkisini de değiştirebilir. Araştırmanın odaklandığı bilimsel boşluk, özellikle kök bölgesi beslenmesini temsil eden elektriksel iletkenliğin (electrical conductivity, EC) ışık, CO₂ ve sıcaklıkla birlikte fotosentez tahmin modellerine yeterince entegre edilmemesidir.

Net fotosentez hızı, yani Pn, yaprağın net karbon asimilasyonunu temsil eden fizyolojik bir ölçüttür. Çalışma Pn'yi yalnızca bir bitki fizyolojisi değişkeni olarak değil, sera çevre kontrolünün sonucunu değerlendirebilecek bir hedef değişken olarak ele almaktadır.

Deney hangi bitkilerde ve hangi koşullarda yapıldı?

Deney Ekim–Aralık 2025 döneminde Shanxi Agricultural University Horticulture Experiment Station bünyesindeki kontrollü iklim odasında gerçekleştirilmiştir. Kullanılan salatalık çeşidi Jinyou 358'dir.

İklim odasında gündüz/gece sıcaklığı 28 ± 0,5 °C / 18 ± 0,5 °C, fotoperiyot 12 saat gün⁻¹, ortam fotosentetik foton akı yoğunluğu 350–400 μmol m⁻² s⁻¹ ve bağıl nem %55–75 olarak ayarlanmıştır.

Tohumlar önce 55 °C suda 10–15 dakika, ardından oda sıcaklığında 8 saat bekletilmiş; 28 °C'de çimlendirilmiştir. Fideler 25 × 15 × 10 cm hidroponik kaplara aktarılmıştır. İki kotiledon tamamen açıldığında dörtte bir kuvvette Hoagland besin çözeltisi, ilk gerçek yaprak açıldığında ise yarım kuvvette çözelti uygulanmıştır. Dört gerçek yaprak tamamen geliştikten sonra farklı EC uygulamaları başlatılmış ve bir hafta sonra fizyolojik ölçümler yapılmıştır.

Dört çevresel değişken nasıl tarandı?

Fotosentez ölçümleri LI-6400 taşınabilir fotosentez sistemiyle yapılmıştır. Yaprak odasındaki ışık ve CO₂ cihazın LED ışık kaynağı ve CO₂ kontrol modülüyle düzenlenmiştir. Kaynakta dört ana girdi için aşağıdaki deney seviyeleri verilmiştir:

Ölçüm sırasında hava akışı 500 μmol s⁻¹'de tutulmuş ve kırmızı:mavi ışık oranı 9:1 olarak ayarlanmıştır. Bitki gelişim döneminden kaynaklanan farklılığı azaltmak için fideler yedi günlük aralıklarla gruplar halinde yetiştirilmiş ve benzer gelişim aşamasına ulaştıklarında ölçülmüştür.

Ölçüm için tabandan itibaren dördüncü, tamamen açılmış, gölgelenmemiş ve mekanik hasarı bulunmayan gerçek yaprak seçilmiştir. Her çevresel kombinasyon üç kez ölçülmüş ve üç ölçümün ortalaması ilgili kombinasyonun nihai Pn değeri kabul edilmiştir.

Veriler modellemeye nasıl hazırlandı?

Sıcaklık, EC, CO₂ ve PPFD farklı büyüklük ve birimlere sahip olduğundan kaynak bu değişkenleri Z-skor standardizasyonuyla dönüştürmüştür:

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

Burada \(x^{*}\) standartlaştırılmış değer, \(x_i\) ham gözlem, \(\mu\) değişkenin ortalaması ve \(\sigma\) standart sapmasıdır. Bu dönüşüm sonrasında giriş değişkenlerinin ortalaması yaklaşık sıfır, standart sapması ise bir olacak şekilde ölçeklenmiştir.

Hangi makine öğrenmesi modelleri karşılaştırıldı?

Çalışmada üç regresyon yaklaşımı değerlendirilmiştir:

• Support Vector Regression (SVR): Radyal Temel Fonksiyon (RBF) çekirdeği kullanılmış; C, gamma ve epsilon hiperparametreleri optimize edilmiştir.
• Random Forest (RF): Ağaç sayısı, maksimum ağaç derinliği ve iç düğüm bölünmesi için minimum örnek sayısı optimize edilmiştir.
• XGBoost: Ağaç sayısı, maksimum derinlik ve öğrenme oranı optimize edilmiştir.

XGBoost'un amaç fonksiyonu kaynakta tahmin hatasını ve model karmaşıklığını birlikte dikkate alan genel biçimde verilmiştir:

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

Düzenlileştirme terimi ise:

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

şeklindedir. Burada \(T\) yaprak düğümü sayısını, \(w\) yaprak ağırlıklarını, \(\gamma\) ve \(\lambda\) model karmaşıklığını kontrol eden düzenlileştirme parametrelerini temsil eder.

Parçacık Sürü Optimizasyonu ne yaptı?

Parçacık Sürü Optimizasyonu (Particle Swarm Optimization, PSO), üç makine öğrenmesi modelinin temel hiperparametrelerini elle seçmek yerine çözüm uzayında ortak bir arama yapmak için kullanılmıştır. Her parçacık olası bir hiperparametre kombinasyonunu temsil eder ve parçacığın konumu hem kendi daha önceki en iyi sonucuna hem de sürünün küresel en iyi sonucuna göre güncellenir.

Kaynakta parçacık hızı şu biçimde tanımlanmıştır:

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

Konum güncellemesi ise:

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

şeklindedir. Çalışmada sürü büyüklüğü 10, maksimum iterasyon sayısı 30, atalet ağırlığı \(w=0,8\) ve öğrenme katsayıları \(c_1=c_2=1,5\) olarak belirlenmiştir.

Veri seti kaynak tarafından “stratified random sampling” olarak adlandırılan yöntemle %80 eğitim ve %20 bağımsız test kümesine ayrılmıştır. PSO araması yalnız eğitim verisi üzerinde gerçekleştirilmiş ve her hiperparametre kombinasyonu için 5 katlı çapraz doğrulama kullanılmıştır. Kaynak, sürekli hedef değişkenli bu regresyon probleminde stratifikasyonun hangi değişken veya aralıklara göre yapıldığını ayrıca açıklamamaktadır.

Model performansı nasıl değerlendirildi?

R², RMSE, MAE, MBE ve MAPE kullanılmıştır. Çalışma model seçimi için özellikle bağımsız test kümesindeki R² ve RMSE'yi birincil ölçüt olarak tanımlamış, diğer üç metriği destekleyici değerlendirme olarak kullanmıştır.

R² için kullanılan temel ilişki:

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

RMSE ise:

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

şeklinde değerlendirilmiştir. Pn birimi μmol m⁻² s⁻¹ olduğundan RMSE ve MAE de aynı birimdedir.

PSO-XGBoost neden en iyi model seçildi?

Bağımsız test kümesinde üç model de yüksek R² değerleri üretmiştir; ancak PSO-XGBoost hem en yüksek R²'ye hem de en düşük RMSE ve MAE'ye ulaşmıştır.

*Tablo 2 MBE değerini +0,042 verirken sonuç metni aynı PSO-XGBoost değeri için −0,042 yazmaktadır. İşaret farkı kaynakta açıklanmamıştır.

PSO-XGBoost'un MAPE değeri %19,855 ile PSO-SVR'nin %19,302 değerinden hafifçe yüksektir. Bu nedenle “bütün ölçütlerde en iyi” demek doğru değildir. Kaynağın kendi seçim kuralında R² ve RMSE birincil ölçüt olduğundan PSO-XGBoost genel optimum model olarak seçilmiştir.

Şekil 3–5 model davranışı hakkında ne gösteriyor?

Şekil 3'te tahmin hatalarının kutu grafikleri karşılaştırıldığında PSO-XGBoost hata dağılımı PSO-RF'ye göre daha dar görünmektedir. PSO-RF daha geniş hata aralığı ve daha belirgin uç değerler göstermektedir.

Şekil 4'ün alt bölümündeki ölçülen-tahmin edilen değer grafiklerinde PSO-XGBoost noktaları 1:1 çizgisine en yakın kümelenmektedir. Üst bölümdeki PSO yakınsama grafiklerinde de RMSE'nin ilk birkaç iterasyonda hızlı biçimde düştüğü ve daha sonra durağanlaştığı görülmektedir.

Şekil 5'te bağımsız test örnekleri ölçülen Pn'ye göre sıralandığında modelin tahmin eğrisi ölçülen eğriyi düşük, orta ve yüksek Pn bölgelerinde yakından takip etmektedir. Bununla birlikte bu grafik, modelin farklı sera, çeşit veya sezonda aynı doğruluğu göstereceğini kanıtlamaz; örnekler aynı kontrollü deneyden ayrılmış test verileridir.

SHAP analizi neyi açıklıyor?

SHapley Additive exPlanations (SHAP), modelin her bir girdiye atfettiği tahmin katkısını hesaplamak için kullanılmıştır. Kaynakta açıklama modeli şu biçimde verilmektedir:

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

\(\phi_0\) temel tahmini, \(\phi_j\) ise ilgili özelliğin model çıktısına katkısını temsil eder. Pozitif SHAP değeri, ilgili koşulda model tahminini daha yüksek Pn yönüne; negatif değer ise daha düşük Pn yönüne taşımaktadır.

Şekil 6'da küresel önem sıralaması:

PPFD > CO₂ > sıcaklık > EC

şeklindedir. Grafikten yaklaşık olarak PPFD için SHAP değerleri −25 ile +16, CO₂ için −10 ile +8, sıcaklık için −9 ile +8 ve EC için −7 ile +6 arasında yayılmaktadır. Bunlar görselden yaklaşık okunan aralıklardır ve kesin ham veri noktaları olarak değerlendirilmemelidir.

Işık neden en güçlü değişken?

PPFD, yani fotosentetik foton akı yoğunluğu, modelin Pn tahminini en fazla değiştiren girdi olmuştur. Düşük PPFD değerleri büyük ölçüde negatif SHAP bölgesinde, yüksek değerler ise pozitif bölgede yer almaktadır. Bununla birlikte yüksek ışığın etkisi doğrusal değildir ve belirli koşullardan sonra başka çevresel sınırlamalar devreye girmektedir.

Işık ile CO₂ arasında nasıl bir etkileşim var?

Şekil 7a'daki SHAP bağımlılık analizi, CO₂ arttıkça Pn tahminine olumlu katkının genel olarak yükseldiğini göstermektedir. Ancak düşük CO₂ koşulunda, özellikle 300 μmol mol⁻¹ seviyesinde, yüksek PPFD değerleri daha negatif SHAP katkılarıyla ilişkilendirilmektedir. Kaynak bunu karbon asimilasyon substratının yetersiz olduğu koşullarda yüksek ışığın etkin biçimde kullanılamaması şeklinde yorumlamaktadır.

CO₂ 1200 μmol mol⁻¹ düzeyine çıktığında yüksek PPFD ile birlikte en güçlü pozitif model katkıları görülmektedir. Bu desen, çalışmanın “ışık-karbon sinerjisi” olarak tanımladığı etkileşimin model içindeki karşılığıdır.

EC neden doğrusal davranmıyor?

Elektriksel iletkenlik, hidroponik veya topraksız yetiştiricilikte besin çözeltisindeki toplam iyon yoğunluğunu temsil eden temel göstergelerden biridir. Çalışmada EC'nin Pn üzerindeki model etkisi tek yönlü bir artış göstermemiştir.

1,0–1,5 mS·cm⁻¹ aralığında düşük besin konsantrasyonu Pn'yi sınırlayan bir koşul olarak görülmektedir. EC yaklaşık 3,0 mS·cm⁻¹ düzeyine geldiğinde model yüksek Pn için daha elverişli bir bölge göstermektedir. EC 4,0 mS·cm⁻¹'e doğru yükseldiğinde SHAP değerleri yeniden azalmaktadır. Kaynak bu düşüşü aşırı besin konsantrasyonuna bağlı ozmotik stresle ilişkilendirmektedir.

Ancak “3,0 mS·cm⁻¹ bütün koşullarda optimum EC'dir” sonucu çıkarılmamalıdır. Şekil 8–10'daki çok boyutlu analizlerde CO₂ ve PPFD yükseldikçe modelin maksimum Pn noktası için seçtiği EC'nin daha yüksek konsantrasyonlara doğru kaydığı gösterilmektedir.

Işık ile sıcaklık arasında nasıl bir eşleşme gerekiyor?

SHAP bağımlılık grafiklerinde yüksek PPFD'nin en güçlü pozitif etkileri yaklaşık 30–35 °C sıcaklık aralığıyla birlikte görülmektedir. Buna karşılık 15 °C'de yüksek PPFD, model çıktısında güçlü negatif katkılarla ilişkilendirilmiştir.

Kaynak bu sonucu, yüksek ışığın ancak fotosentetik metabolizmanın onu kullanabileceği sıcaklık koşullarıyla eşleştiğinde yüksek Pn'ye dönüşebileceği biçiminde yorumlamaktadır. Bu sonuç yine deneyde sınanan 15–35 °C ve 0–1600 μmol m⁻² s⁻¹ aralıkları için geçerlidir.

Çok boyutlu yanıt yüzeyleri ne gösteriyor?

Araştırmacılar sıcaklığı 25 °C'de sabitleyerek dört CO₂ seviyesi için PPFD ve EC'nin ortak etkisini 3B yanıt yüzeyleri, kontur grafikleri ve yanıt eğrileriyle incelemiştir.

Düşük ışıkta farklı EC eğrileri birbirine yakın seyretmektedir; yani EC değiştirilse bile Pn düşük kalmaktadır. Işık yükseldikçe eğriler ayrışmakta ve yeterli besin çözeltisinin yüksek ışığın fotosentetik çıktıya çevrilmesi açısından daha önemli hâle geldiği görülmektedir.

CO₂ seviyesi 300'den 1200 μmol mol⁻¹'e yükseldikçe yanıt yüzeyinin maksimum Pn bölgesi de yükselmektedir. Aynı zamanda maksimum noktayı veren EC değerinin yüksek PPFD ve yüksek CO₂ koşullarında daha yüksek değerlere kaydığı görülmektedir.

EC bilgisini modelden çıkarmak ne değiştirdi?

Çalışma, EC'nin yalnızca zayıf öneme sahip yardımcı bir özellik olup olmadığını sınamak için EC değişkeni çıkarılmış ayrı bir kontrol modeli de kurmuştur. Her iki model için de PSO optimizasyonu uygulanmıştır.

EC'nin çıkarılmasıyla R²'nin 0,996'dan 0,797'ye düşmesi ve RMSE'nin 0,742'den 5,442'ye yükselmesi, bu deneysel veri içinde kök bölgesi beslenme bilgisinin tahmin açısından önemli olduğunu göstermektedir. Ancak bu karşılaştırma Tablo 2'deki ana PSO-XGBoost test performansıyla aynı sayısal analiz değildir; kaynak iki değerlendirmeyi ayrı olarak raporlamaktadır.

Çalışmanın desteklediği sonuçlar

• PPFD, CO₂, sıcaklık ve EC birlikte kullanıldığında PSO-XGBoost, bu deneysel veri kümesinde SVR ve RF'den daha düşük test RMSE'si üretmiştir.
• SHAP analizinde modelin küresel özellik önem sırası PPFD > CO₂ > sıcaklık > EC olarak bulunmuştur.
• EC'nin etkisi doğrusal değildir ve deney aralığında yaklaşık 3,0 mS·cm⁻¹ çevresinde belirgin bir yüksek-Pn bölgesi bulunmaktadır.
• Yüksek PPFD'nin olumlu model katkısı yeterli CO₂, daha sıcak koşullar ve uygun EC ile birlikte güçlenmektedir.
• EC değişkeninin modelden çıkarılması tahmin performansını belirgin biçimde düşürmüştür.
• Model, deneysel değişkenler arasındaki karmaşık ve doğrusal olmayan etkileşimleri yüksek doğrulukla yeniden üretmiştir.

Çalışmanın kanıtlamadığı sonuçlar

• PSO-XGBoost'un bütün salatalık çeşitlerinde veya bütün seralarda aynı R² değerine ulaşacağı gösterilmemiştir.
• Modelin ticari serada kapalı çevrim kontrol sistemi olarak çalıştırılması test edilmemiştir.
• Modelin önerdiği çevresel kombinasyonların ürün verimini, kaliteyi veya ekonomik getiriyi artırdığı doğrudan ölçülmemiştir.
• Enerji tüketimi ile fotosentez kazancı arasında ekonomik bir optimizasyon yapılmamıştır.
• 3,0 mS·cm⁻¹ EC bütün sıcaklık, PPFD ve CO₂ koşullarında evrensel optimum olarak doğrulanmamıştır.
• SHAP ilişkileri tek başına biyolojik nedensellik kanıtı değildir; modelin öğrendiği tahmin ilişkilerini açıklar.
• Fide döneminde elde edilen sonuçların bütün büyüme döngüsüne doğrudan aktarılabileceği gösterilmemiştir.

Türkiye açısından ne ifade ediyor?

Çalışma Çin'de kontrollü iklim odasında yürütülmüştür ve bildirilen model eşikleri Türkiye'deki sera üretimine doğrudan aktarılmamalıdır. Bununla birlikte kullanılan yaklaşım, özellikle topraksız sera üretiminde Türkiye açısından araştırmaya değer bir çerçeve sunmaktadır: yaprak fotosentez ölçümü, PPFD, CO₂, sıcaklık ve besin çözeltisi EC'si birlikte değerlendirilerek yapay zekâ tabanlı karar destek modelleri oluşturulabilir.

Türkiye'de gerçek uygulama için yerel salatalık çeşitleri, sera örtüsü ve ışık geçirgenliği, mevsimsel güneşlenme, besin reçetesi, su kalitesi, kök bölgesi sıcaklığı, nem, bitki gelişim dönemi ve enerji maliyetleriyle bağımsız doğrulama yapılması gerekir. Kaynak çalışma bu yerel doğrulamayı gerçekleştirmemektedir.

Çalışmanın Yöntemi ve Bulguları

Deney ve veri toplama özeti

Optimal hiperparametreler

Eğitim ve test performansı

RMSE ve MAE değerleri Pn ile aynı birimde, μmol m⁻² s⁻¹'dir. *Tablo 2'de +0,042 verilen PSO-XGBoost test MBE değeri sonuç metninde −0,042 olarak yazılmıştır.

SHAP sonuçlarının teknik yorumu

Bu SHAP aralıkları grafikten yaklaşık okunmuştur ve kaynakta ham sayısal tablo olarak verilmemiştir. Bu nedenle kesin veri noktaları olarak kullanılmamalıdır.

En önemli etkileşimler

• CO₂ × PPFD: 300 μmol mol⁻¹ CO₂ altında yüksek PPFD'nin model katkısı olumsuzlaşabilmektedir; 1200 μmol mol⁻¹ CO₂ ile yüksek PPFD birlikte güçlü pozitif katkı üretmektedir.
• EC × PPFD: Düşük ışıkta EC değişiminin etkisi sınırlı kalırken yüksek ışıkta EC seviyeleri arasındaki Pn farkı büyümektedir.
• PPFD × sıcaklık: PPFD >1000 μmol m⁻² s⁻¹ koşullarında yüksek Pn katkıları özellikle yaklaşık 30–35 °C aralığında görülmektedir.
• EC eşiği: Yaklaşık 3,0 mS·cm⁻¹ mevcut deney alanında yüksek Pn için önemli bir bölge oluştururken 4,0 mS·cm⁻¹'e yaklaşırken model katkısı düşmektedir.

Temel sınırlılıklar

• Tek bir salatalık çeşidi kullanılmıştır.
• Çalışma fide dönemiyle sınırlıdır.
• Deney kontrollü iklim odasında yürütülmüştür.
• Model test kümesi aynı deneysel veri havuzundan ayrılmıştır; bağımsız saha veya farklı sezon dış doğrulaması sunulmamıştır.
• Çevre değişkenleri önceden tanımlanmış ayrık seviyelerde denenmiştir.
• Çalışma gerçek zamanlı ticari sera kontrol sistemi deneyi değildir.
• Ürün verimi, meyve kalitesi, su tüketimi ve enerji maliyeti model optimizasyonunun nihai hedef değişkenleri olarak ölçülmemiştir.
• SHAP analizi modelin tahmin yapısını açıklar; tek başına biyolojik nedensellik kanıtlamaz.
• “Optimum EC” değeri diğer çevresel faktörlerden bağımsız sabit bir eşik olarak kabul edilmemelidir.

Kaynak ve Yöntem Notu

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

Yazarlar: Rongcheng Zhu, Shiyan Wang, Xinyu Tian, Liru Ren, Qianyu Zhao ve Bin Li.

Yazar sırası: Kaynakta verilen sıra aynen korunmuştur.

Sorumlu yazar: Bin Li.

Eş katkı/eş birinci yazar: Kaynakta belirtilmemiştir.

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

Kaynak türü: Kontrollü ortam bitki fizyolojisi deneyi ve makine öğrenmesi modelleme çalışması niteliğinde preprint.

Hakemlik durumu: Bu çalışma hakem değerlendirmesinden geçmemiş bir preprinttir; sonuçları bu yayın aşaması dikkate alınarak değerlendirilmelidir.

Platform: SSRN.

SSRN kimliği: 6837425.

DOI: 10.2139/ssrn.6837425.

Yayın tarihi: 27 Mayıs 2026.

Dergi/cilt/sayı: Bu sürümde hakemli dergi, cilt ve sayı bilgisi bulunmamaktadır.

Resmî yayın bağlantısı: SSRN Abstract ID 6837425 kaydı.

Lisans/telif: SSRN kaydında hakların saklı olduğu ve izin olmadan yeniden kullanımın açık olmadığı belirtilmektedir. Bu nedenle kaynak çalışmanın özgün şekilleri bu Verianla içeriğine doğrudan kopyalanmamıştır; sayısal değerler temiz HTML tablolarla ve Verianla Live yapısıyla yeniden sunulmuştur.

Finansman: Shanxi Province Key R&D Plan kapsamında 202302010101003 ve 202402140601012 numaralı projeler ile Modern Agro-industry Technology Research System in Shanxi Province kapsamında 2026CYJSTX08 desteği.

Veri erişilebilirliği: Yazarlar verilerin talep üzerine paylaşılacağını belirtmektedir.

Çıkar çatışması: Yazarlar bilinen rekabet eden finansal çıkar veya çalışmayı etkileyebilecek kişisel ilişki bildirmemiştir.

CRediT yazar katkıları

• Rongcheng Zhu: Kavramsallaştırma, veri düzenleme, yöntem, yazılım, görselleştirme, ilk taslak yazımı, inceleme ve düzenleme.
• Shiyan Wang: Yazılım, biçimsel analiz, doğrulama, görselleştirme.
• Xinyu Tian: Yazılım, doğrulama, görselleştirme.
• Liru Ren: Araştırma ve veri düzenleme.
• Qianyu Zhao: Araştırma ve veri düzenleme.
• Bin Li: Kaynaklar, inceleme ve düzenleme, gözetim, proje yönetimi ve finansman temini.

Kaynak içi tutarsızlık notu

PSO-XGBoost bağımsız test kümesi için Tablo 2 MBE değerini +0,042 olarak verirken sonuç metni −0,042 olarak yazmaktadır. Bu çelişki sessizce düzeltilmemiştir.

Bölüm 3.4'te EC içeren ve içermeyen modellerin karşılaştırılması “Fig. 9a/9b” olarak anılmasına rağmen ilgili görsel kaynakta Şekil 12 olarak numaralandırılmıştır.

EC içeren model için Bölüm 3.4'te verilen R²=0,996 ve RMSE=0,742 sonuçları, ana model karşılaştırmasının Tablo 2'deki PSO-XGBoost test sonuçları olan R²=0,9973 ve RMSE=0,6274 ile aynı analiz olarak birleştirilmemiştir.

Bilimsel içerik sınırı

Bu Verianla makalesindeki deney koşulları, model yapıları, hiperparametreler, performans sonuçları, SHAP yorumları ve çevresel eşikler yüklenen çalışmaya dayanmaktadır. Dış kaynaklardan yeni deneysel sonuç veya biyolojik mekanizma eklenmemiştir. Dış doğrulama yalnız çalışma kimliği, DOI, SSRN tarihi ve lisans bilgisinin bibliyografik doğrulanması amacıyla kullanılmıştır.

Çalışmanın en önemli genelleme sınırı, modelin tek çeşit ve fide dönemiyle sınırlı kontrollü deney verisi üzerinde kurulmuş olmasıdır. Ticari sera koşullarında bağımsız dış doğrulama, gerçek zamanlı kapalı çevrim çevre kontrolü, uzun dönem verim değerlendirmesi ve ekonomik/enerji optimizasyonu bu çalışma tarafından gösterilmemiştir.