Utafiti huu unachunguza jinsi kasi halisi ya usanisinuru (Pn) katika miche ya tango ya greenhouse inaweza kutabiriwa wakati ukubwa wa mwanga, mkusanyiko wa CO₂, halijoto na upitishaji umeme wa suluhisho la virutubisho (EC) vinabadilika kwa pamoja. Kwa kutumia data za usanisinuru zilizopimwa katika chumba cha hali ya hewa kinachodhibitiwa, miundo ya Support Vector Regression (SVR), Random Forest na XGBoost iliundwa; vigezo-elekezi vya juu vilirekebishwa kwa Particle Swarm Optimization (PSO). Katika seti huru ya majaribio, modeli ya PSO-XGBoost ilionyesha usahihi wa jumla wa juu zaidi kwa R²=0,9973 na RMSE=0,6274 μmol m⁻² s⁻¹. Uchambuzi wa SHAP uliweka mpangilio wa umuhimu wa vigezo vya mazingira kulingana na modeli kuwa PPFD > CO₂ > halijoto > EC. Hata hivyo, utafiti ulifanywa katika hatua ya miche ya aina moja tu ya tango na chini ya hali za majaribio zinazodhibitiwa; matokeo hayapaswi kufasiriwa kama mavuno ya greenhouse ya kibiashara, kipindi kizima cha ukuaji au vizingiti vya udhibiti vya ulimwengu wote vilivyothibitishwa katika mazingira tofauti.

Kipengele kinachovutia cha utafiti si kwamba uliunda modeli ya utabiri pekee. Watafiti walitumia SHAP, mbinu ya akili bandia inayoweza kuelezwa, kuchunguza jinsi mwanga, kaboni, halijoto na lishe ya eneo la mizizi vinavyochangia kwa pamoja katika utabiri wa modeli. Matokeo yanaonyesha hasa kwamba mwanga wa juu peke yake hautoi usanisinuru wa kiwango cha juu; PPFD ya juu lazima iambatane na CO₂ ya kutosha, halijoto inayofaa na hali ya kutosha ya suluhisho la virutubisho.

Kwa upitishaji umeme wa suluhisho la virutubisho, kiwango cha takriban 3,0 mS·cm⁻¹ kinajitokeza katika chanzo kama kizingiti muhimu. Katika EC ya chini huonekana upungufu wa virutubisho, huku katika EC ya juu kukiwa na ukandamizaji wa usanisinuru ambao waandishi wa chanzo wanahusisha na msongo wa kiosmotiki. Hata hivyo, nyuso za modeli za vipimo vingi zinaonyesha kwamba kadiri mwanga na CO₂ zinavyoongezeka, kiwango kinachofaa cha EC kwa Pn ya juu zaidi kinaweza kusogea kuelekea thamani za juu. Kwa hiyo, ujumbe mkuu wa utafiti si “mpangilio mmoja bora”, bali usimamizi wa pamoja wa vipengele vya mazingira.

Tatizo kuu la utafiti ni nini?

Katika uzalishaji wa kisasa wa greenhouse, halijoto, mwanga, CO₂, maji na usimamizi wa virutubisho mara nyingi hubadilishwa kwa wakati mmoja. Kila mojawapo ya vipengele hivi huathiri usanisinuru wa mmea na pia inaweza kubadilisha athari za vipengele vingine. Pengo la kisayansi linalolengwa na utafiti ni kwamba upitishaji umeme (electrical conductivity, EC), unaowakilisha lishe ya eneo la mizizi, haujaunganishwa vya kutosha katika miundo ya utabiri wa usanisinuru pamoja na mwanga, CO₂ na halijoto.

Kasi halisi ya usanisinuru, yaani Pn, ni kipimo cha kifiziolojia kinachowakilisha uingizaji halisi wa kaboni katika jani. Utafiti unaichukulia Pn si tu kama kigezo cha fiziolojia ya mmea, bali pia kama kigezo lengwa kinachoweza kutathmini matokeo ya udhibiti wa mazingira ya greenhouse.

Jaribio lilifanywa kwa mimea gani na chini ya hali gani?

Jaribio lilifanywa katika kipindi cha Oktoba–Desemba 2025 katika chumba cha hali ya hewa kinachodhibitiwa ndani ya Shanxi Agricultural University Horticulture Experiment Station. Aina ya tango iliyotumiwa ilikuwa Jinyou 358.

Katika chumba cha hali ya hewa, halijoto ya mchana/usiku iliwekwa kuwa 28 ± 0,5 °C / 18 ± 0,5 °C, fotoperiodi 12 saa siku⁻¹, msongamano wa mtiririko wa fotoni za usanisinuru wa mazingira 350–400 μmol m⁻² s⁻¹ na unyevunyevu kiasi %55–75.

Mbegu ziliwekwa kwanza katika maji ya 55 °C kwa dakika 10–15, kisha kwa saa 8 katika halijoto ya kawaida; zikaoteshwa katika 28 °C. Miche ilihamishiwa kwenye vyombo vya hidroponiki vya 25 × 15 × 10 cm. Kotiledoni mbili zilipofunguka kikamilifu, suluhisho la virutubisho la Hoagland lenye nguvu ya robo lilitumika, na jani la kwanza la kweli lilipofunguka, suluhisho la nusu nguvu lilitumika. Baada ya majani manne ya kweli kukua kikamilifu, matibabu tofauti ya EC yalianza na vipimo vya kifiziolojia vikafanywa wiki moja baadaye.

Vigezo vinne vya mazingira vilichunguzwaje?

Vipimo vya usanisinuru vilifanywa kwa mfumo wa kubebeka wa usanisinuru LI-6400. Mwanga na CO₂ katika chumba cha jani vilidhibitiwa kwa chanzo cha mwanga cha LED na moduli ya kudhibiti CO₂ ya kifaa. Chanzo kinatoa viwango vifuatavyo vya majaribio kwa pembejeo nne kuu:

Wakati wa kipimo, mtiririko wa hewa ulihifadhiwa katika 500 μmol s⁻¹ na uwiano wa mwanga mwekundu:buluu uliwekwa kuwa 9:1. Ili kupunguza tofauti inayotokana na hatua ya ukuaji wa mmea, miche ilikuzwa kwa makundi yenye tofauti ya siku saba na ikapimwa ilipofikia hatua sawa ya ukuaji.

Kwa kipimo, jani la kweli la nne kutoka chini, lililokuwa limefunguka kikamilifu, lisilotiwa kivuli na lisilo na uharibifu wa kimakanika lilichaguliwa. Kila mchanganyiko wa mazingira ulipimwa mara tatu na wastani wa vipimo vitatu ukachukuliwa kuwa thamani ya mwisho ya Pn ya mchanganyiko husika.

Data ziliandaliwaje kwa ajili ya uundaji wa modeli?

Kwa sababu halijoto, EC, CO₂ na PPFD zina ukubwa na vitengo tofauti, chanzo kilibadilisha vigezo hivi kwa usanifishaji wa Z-score:

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

Hapa \(x^{*}\) ni thamani iliyosanifishwa, \(x_i\) ni uchunguzi ghafi, \(\mu\) ni wastani wa kigezo na \(\sigma\) ni mkengeuko sanifu. Baada ya mabadiliko haya, vigezo vya pembejeo vilipimwa kwa namna ambayo wastani wake ulikuwa takriban sifuri na mkengeuko sanifu ulikuwa moja.

Ni miundo gani ya ujifunzaji wa mashine iliyolinganishwa?

Njia tatu za regression zilitathminiwa katika utafiti:

• Support Vector Regression (SVR): Kernel ya Radial Basis Function (RBF) ilitumika; vigezo-elekezi C, gamma na epsilon viliboreshwa.
• Random Forest (RF): Idadi ya miti, kina cha juu cha mti na idadi ya chini ya sampuli kwa mgawanyiko wa nodi ya ndani viliboreshwa.
• XGBoost: Idadi ya miti, kina cha juu na kiwango cha ujifunzaji viliboreshwa.

Fungsi lengo la XGBoost limetolewa katika chanzo katika umbo la jumla linalozingatia kwa pamoja kosa la utabiri na ugumu wa modeli:

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

Sehemu ya regularization ni:

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

Hapa \(T\) inawakilisha idadi ya nodi za majani, \(w\) uzito wa majani, na \(\gamma\) pamoja na \(\lambda\) ni vigezo vya regularization vinavyodhibiti ugumu wa modeli.

Particle Swarm Optimization ilifanya nini?

Particle Swarm Optimization (PSO) ilitumika kufanya utafutaji wa pamoja katika nafasi ya suluhisho badala ya kuchagua kwa mkono vigezo-elekezi vya msingi vya miundo mitatu ya ujifunzaji wa mashine. Kila chembe inawakilisha mchanganyiko unaowezekana wa vigezo-elekezi, na nafasi ya chembe husasishwa kulingana na matokeo yake bora ya awali pamoja na matokeo bora ya kimataifa ya kundi.

Katika chanzo, kasi ya chembe imefafanuliwa kama:

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

Na usasishaji wa nafasi ni:

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

Katika utafiti, ukubwa wa kundi uliwekwa kuwa 10, idadi ya juu ya iteresheni 30, uzito wa inertia \(w=0,8\), na viambajengo vya ujifunzaji \(c_1=c_2=1,5\).

Seti ya data iligawanywa kwa njia ambayo chanzo kinaiita “stratified random sampling” kuwa %80 kwa mafunzo na %20 kwa seti huru ya majaribio. Utafutaji wa PSO ulifanywa tu kwenye data za mafunzo na cross-validation ya mikunjo 5 ilitumika kwa kila mchanganyiko wa vigezo-elekezi. Chanzo hakielezi zaidi stratification katika tatizo hili la regression lenye kigezo lengwa endelevu ilifanywa kwa kigezo au vipindi gani.

Utendaji wa modeli ulitathminiwaje?

R², RMSE, MAE, MBE na MAPE zilitumika. Utafiti ulifafanua hasa R² na RMSE katika seti huru ya majaribio kama vipimo vya msingi vya kuchagua modeli, huku vipimo vingine vitatu vikitumika kama tathmini ya kusaidia.

Uhusiano wa msingi uliotumika kwa R²:

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

Na RMSE ilitathminiwa kama:

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

Kwa kuwa kitengo cha Pn ni μmol m⁻² s⁻¹, RMSE na MAE pia ziko katika kitengo hicho hicho.

Kwa nini PSO-XGBoost ilichaguliwa kuwa modeli bora?

Katika seti huru ya majaribio, miundo yote mitatu ilitoa thamani za juu za R²; hata hivyo, PSO-XGBoost ilifikia R² ya juu zaidi pamoja na RMSE na MAE za chini zaidi.

*Jedwali 2 linatoa MBE kuwa +0,042, huku maandishi ya matokeo yakiandika −0,042 kwa thamani hiyo hiyo ya PSO-XGBoost. Tofauti ya alama haijaelezwa katika chanzo.

Thamani ya MAPE ya PSO-XGBoost ni %19,855, ambayo ni juu kidogo kuliko %19,302 ya PSO-SVR. Kwa hiyo si sahihi kusema kuwa ndiyo “bora katika vipimo vyote”. Kwa kuwa katika kanuni ya uteuzi ya chanzo yenyewe R² na RMSE ndizo vipimo vya msingi, PSO-XGBoost ilichaguliwa kuwa modeli bora kwa ujumla.

Vielelezo 3–5 vinaonyesha nini kuhusu tabia ya modeli?

Wakati box plots za makosa ya utabiri katika Kielelezo 3 zinalinganishwa, usambazaji wa makosa ya PSO-XGBoost unaonekana kuwa mwembamba kuliko wa PSO-RF. PSO-RF inaonyesha wigo mpana zaidi wa makosa na outliers zilizo wazi zaidi.

Katika grafu za thamani zilizopimwa dhidi ya zilizotabiriwa katika sehemu ya chini ya Kielelezo 4, pointi za PSO-XGBoost zimekusanyika karibu zaidi na mstari wa 1:1. Grafu za convergence za PSO katika sehemu ya juu pia zinaonyesha kuwa RMSE ilishuka haraka katika iteresheni chache za kwanza na kisha ikatulia.

Katika Kielelezo 5, sampuli huru za majaribio zinapopangwa kwa Pn iliyopimwa, mkunjo wa utabiri wa modeli unafuata kwa karibu mkunjo uliopimwa katika maeneo ya Pn ya chini, kati na juu. Hata hivyo, grafu hii haithibitishi kwamba modeli itatoa usahihi huo huo katika greenhouse, aina au msimu tofauti; sampuli ni data za majaribio zilizotengwa kutoka kwenye jaribio lilelile linalodhibitiwa.

Uchambuzi wa SHAP unaeleza nini?

SHapley Additive exPlanations (SHAP) ilitumika kuhesabu mchango wa utabiri ambao modeli inahusisha na kila pembejeo. Katika chanzo, modeli ya maelezo imetolewa kama:

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

\(\phi_0\) inawakilisha utabiri wa msingi, na \(\phi_j\) mchango wa kipengele husika kwenye pato la modeli. Thamani chanya ya SHAP husogeza utabiri wa modeli kuelekea Pn ya juu katika hali husika; thamani hasi husogeza kuelekea Pn ya chini.

Katika Kielelezo 6, mpangilio wa umuhimu wa kimataifa ni:

PPFD > CO₂ > halijoto > EC

Kutoka kwenye grafu, kwa makadirio, thamani za SHAP zinasambaa kutoka −25 hadi +16 kwa PPFD, −10 hadi +8 kwa CO₂, −9 hadi +8 kwa halijoto na −7 hadi +6 kwa EC. Hizi ni safu zilizokadiriwa kutoka kwenye taswira na hazipaswi kuchukuliwa kuwa pointi sahihi za data ghafi.

Kwa nini mwanga ndiyo kigezo chenye nguvu zaidi?

PPFD, yaani msongamano wa mtiririko wa fotoni za usanisinuru, ilikuwa pembejeo iliyobadilisha zaidi utabiri wa Pn wa modeli. Thamani za chini za PPFD ziko kwa kiasi kikubwa katika eneo hasi la SHAP, huku thamani za juu zikiwa katika eneo chanya. Hata hivyo, athari ya mwanga wa juu si ya mstari, na baada ya hali fulani vikwazo vingine vya mazingira huanza kutawala.

Kuna mwingiliano gani kati ya mwanga na CO₂?

Uchambuzi wa utegemezi wa SHAP katika Kielelezo 7a unaonyesha kuwa kadiri CO₂ inavyoongezeka, mchango chanya kwa utabiri wa Pn kwa ujumla huongezeka. Hata hivyo, katika hali ya CO₂ ya chini, hasa katika kiwango cha 300 μmol mol⁻¹, thamani za juu za PPFD zinahusishwa na michango hasi zaidi ya SHAP. Chanzo kinatafsiri hili kuwa mwanga wa juu hauwezi kutumiwa kwa ufanisi pale ambapo substrate ya uingizaji kaboni haitoshi.

CO₂ inapofikia 1200 μmol mol⁻¹, michango chanya yenye nguvu zaidi ya modeli huonekana pamoja na PPFD ya juu. Muundo huu ndiyo kielelezo ndani ya modeli cha mwingiliano ambao utafiti unauita “ushirikiano wa mwanga-kaboni”.

Kwa nini EC haifuati tabia ya mstari?

Upitishaji umeme ni mojawapo ya viashiria vya msingi vinavyowakilisha jumla ya msongamano wa ioni katika suluhisho la virutubisho katika hidroponiki au kilimo kisichotumia udongo. Katika utafiti, athari ya modeli ya EC kwenye Pn haikuonyesha ongezeko la mwelekeo mmoja.

Katika safu ya 1,0–1,5 mS·cm⁻¹, mkusanyiko wa chini wa virutubisho unaonekana kama hali inayozuia Pn. EC inapofikia takriban 3,0 mS·cm⁻¹, modeli inaonyesha eneo linalofaa zaidi kwa Pn ya juu. EC inapoongezeka kuelekea 4,0 mS·cm⁻¹, thamani za SHAP hupungua tena. Chanzo kinahusisha upungufu huu na msongo wa kiosmotiki unaotokana na mkusanyiko mkubwa wa virutubisho.

Hata hivyo, haipaswi kuhitimishwa kwamba “3,0 mS·cm⁻¹ ndiyo EC bora katika hali zote”. Katika uchambuzi wa vipimo vingi katika Vielelezo 8–10, inaonyeshwa kwamba kadiri CO₂ na PPFD zinavyoongezeka, EC inayochaguliwa na modeli kwa pointi ya Pn ya juu zaidi husogea kuelekea mikusanyiko ya juu.

Ni ulinganifu gani unaohitajika kati ya mwanga na halijoto?

Katika grafu za utegemezi wa SHAP, athari chanya zenye nguvu zaidi za PPFD ya juu huonekana pamoja na safu ya halijoto ya takriban 30–35 °C. Kinyume chake, katika 15 °C, PPFD ya juu imehusishwa na michango hasi yenye nguvu katika pato la modeli.

Chanzo kinatafsiri matokeo haya kuwa mwanga wa juu unaweza kubadilishwa kuwa Pn ya juu tu unapolingana na hali ya halijoto ambayo kimetaboliki ya usanisinuru inaweza kuutumia. Matokeo haya pia yanatumika kwa safu za 15–35 °C na 0–1600 μmol m⁻² s⁻¹ zilizojaribiwa katika jaribio.

Nyuso za majibu ya vipimo vingi zinaonyesha nini?

Watafiti waliweka halijoto katika 25 °C na kuchunguza athari ya pamoja ya PPFD na EC kwa viwango vinne vya CO₂ kwa kutumia nyuso za majibu za 3D, grafu za contour na mikunjo ya majibu.

Katika mwanga wa chini, mikunjo tofauti ya EC hukaa karibu na kila mmoja; yaani, hata EC ikibadilishwa, Pn hubaki chini. Kadiri mwanga unavyoongezeka, mikunjo hutengana na inaonekana kwamba suluhisho la virutubisho la kutosha huwa muhimu zaidi katika kubadilisha mwanga wa juu kuwa pato la usanisinuru.

Kadiri kiwango cha CO₂ kinavyoongezeka kutoka 300 hadi 1200 μmol mol⁻¹, eneo la Pn ya juu zaidi kwenye uso wa majibu pia huongezeka. Wakati huohuo, thamani ya EC inayotoa pointi ya juu zaidi inaonekana kusogea kuelekea thamani za juu chini ya hali ya PPFD ya juu na CO₂ ya juu.

Kuondoa taarifa ya EC kutoka kwenye modeli kulibadilisha nini?

Utafiti pia uliunda modeli tofauti ya udhibiti ambayo kigezo cha EC kiliondolewa ili kujaribu kama EC ilikuwa tu kipengele msaidizi chenye umuhimu mdogo. Uboreshaji wa PSO ulitumika kwa miundo yote miwili.

Kupungua kwa R² kutoka 0,996 hadi 0,797 na kuongezeka kwa RMSE kutoka 0,742 hadi 5,442 baada ya kuondoa EC kunaonyesha kwamba ndani ya data hii ya majaribio, taarifa kuhusu lishe ya eneo la mizizi ni muhimu kwa utabiri. Hata hivyo, ulinganisho huu si uchambuzi uleule wa nambari na utendaji mkuu wa majaribio ya PSO-XGBoost katika Jedwali 2; chanzo kinaripoti tathmini hizo mbili kando.

Matokeo yanayoungwa mkono na utafiti

• PPFD, CO₂, halijoto na EC zilipotumiwa pamoja, PSO-XGBoost ilitoa RMSE ya majaribio ya chini kuliko SVR na RF katika seti hii ya data ya majaribio.
• Katika uchambuzi wa SHAP, mpangilio wa umuhimu wa kimataifa wa vipengele vya modeli ulipatikana kuwa PPFD > CO₂ > halijoto > EC.
• Athari ya EC si ya mstari na ndani ya safu ya majaribio kuna eneo dhahiri la Pn ya juu karibu na 3,0 mS·cm⁻¹.
• Mchango chanya wa modeli wa PPFD ya juu huimarika ukiwa pamoja na CO₂ ya kutosha, hali ya joto zaidi na EC inayofaa.
• Kuondoa kigezo cha EC kutoka kwenye modeli kulipunguza kwa kiasi kikubwa utendaji wa utabiri.
• Modeli ilizalisha upya kwa usahihi wa juu mwingiliano changamano na usio wa mstari kati ya vigezo vya majaribio.

Matokeo ambayo utafiti haukuthibitisha

• Haijaonyeshwa kwamba PSO-XGBoost itafikia thamani ileile ya R² katika aina zote za tango au greenhouse zote.
• Modeli haijajaribiwa kama mfumo wa udhibiti wa kitanzi funge katika greenhouse ya kibiashara.
• Haijapimwa moja kwa moja kwamba mchanganyiko wa mazingira unaopendekezwa na modeli huongeza mavuno, ubora au mapato ya kiuchumi.
• Hakuna uboreshaji wa kiuchumi uliofanywa kati ya matumizi ya nishati na faida ya usanisinuru.
• EC ya 3,0 mS·cm⁻¹ haijathibitishwa kama optimum ya ulimwengu wote katika hali zote za halijoto, PPFD na CO₂.
• Mahusiano ya SHAP pekee si ushahidi wa sababu za kibayolojia; yanaeleza mahusiano ya utabiri ambayo modeli imejifunza.
• Haijaonyeshwa kwamba matokeo yaliyopatikana katika hatua ya miche yanaweza kuhamishwa moja kwa moja kwa mzunguko mzima wa ukuaji.

Hii ina maana gani kwa Uturuki?

Utafiti ulifanywa nchini China katika chumba cha hali ya hewa kinachodhibitiwa, na vizingiti vya modeli vilivyoripotiwa havipaswi kuhamishwa moja kwa moja kwa uzalishaji wa greenhouse nchini Uturuki. Hata hivyo, mbinu iliyotumiwa inatoa mfumo unaostahili kuchunguzwa kwa Uturuki, hasa katika uzalishaji wa greenhouse usiotumia udongo: kipimo cha usanisinuru wa jani, PPFD, CO₂, halijoto na EC ya suluhisho la virutubisho vinaweza kutathminiwa pamoja ili kuunda miundo ya usaidizi wa maamuzi inayotegemea akili bandia.

Kwa matumizi halisi nchini Uturuki, uthibitishaji huru unahitajika kwa kutumia aina za tango za ndani, kifuniko cha greenhouse na upitishaji mwanga, mwanga wa jua wa msimu, fomula ya virutubisho, ubora wa maji, halijoto ya eneo la mizizi, unyevunyevu, hatua ya ukuaji wa mmea na gharama za nishati. Utafiti wa chanzo haukufanya uthibitishaji huu wa ndani.

Mbinu na Matokeo ya Utafiti

Muhtasari wa jaribio na ukusanyaji wa data

Vigezo-elekezi bora

Utendaji wa mafunzo na majaribio

Thamani za RMSE na MAE ziko katika kitengo kilekile na Pn, μmol m⁻² s⁻¹. *Thamani ya MBE ya majaribio ya PSO-XGBoost iliyotolewa kama +0,042 katika Jedwali 2 imeandikwa kama −0,042 katika maandishi ya matokeo.

Tafsiri ya kiufundi ya matokeo ya SHAP

Safu hizi za SHAP zimekadiriwa kutoka kwenye grafu na hazikutolewa katika chanzo kama jedwali la nambari ghafi. Kwa hiyo hazipaswi kutumiwa kama pointi sahihi za data.

Mwingiliano muhimu zaidi

• CO₂ × PPFD: Chini ya 300 μmol mol⁻¹ CO₂, mchango wa modeli wa PPFD ya juu unaweza kuwa hasi; katika 1200 μmol mol⁻¹ CO₂, PPFD ya juu kwa pamoja huzalisha mchango mkubwa chanya.
• EC × PPFD: Katika mwanga wa chini athari ya mabadiliko ya EC hubaki ndogo, huku katika mwanga wa juu tofauti ya Pn kati ya viwango vya EC ikiongezeka.
• PPFD × halijoto: Chini ya hali za PPFD >1000 μmol m⁻² s⁻¹, michango ya Pn ya juu huonekana hasa katika safu ya takriban 30–35 °C.
• Kizingiti cha EC: Takriban 3,0 mS·cm⁻¹ huunda eneo muhimu la Pn ya juu katika nafasi ya majaribio ya sasa, huku mchango wa modeli ukipungua inapokaribia 4,0 mS·cm⁻¹.

Mapungufu muhimu

• Aina moja tu ya tango ilitumika.
• Utafiti umewekewa mipaka katika hatua ya miche.
• Jaribio lilifanywa katika chumba cha hali ya hewa kinachodhibitiwa.
• Seti ya majaribio ya modeli ilitengwa kutoka kwenye hifadhi ileile ya data ya majaribio; hakuna uthibitishaji huru wa shambani au wa msimu tofauti uliotolewa.
• Vigezo vya mazingira vilijaribiwa katika viwango vilivyobainishwa mapema na vya vipindi tofauti.
• Utafiti si jaribio la mfumo wa udhibiti wa greenhouse ya kibiashara wa wakati halisi.
• Mavuno, ubora wa matunda, matumizi ya maji na gharama ya nishati havikupimwa kama vigezo vya mwisho vya lengo la uboreshaji wa modeli.
• Uchambuzi wa SHAP unaeleza muundo wa utabiri wa modeli; pekee yake hauthibitishi sababu za kibayolojia.
• Thamani ya “EC bora” haipaswi kuchukuliwa kuwa kizingiti thabiti kisichotegemea vipengele vingine vya mazingira.

Maelezo ya Chanzo na Mbinu

Jina kamili la kazi asilia: Photosynthetic rate prediction and synergistic environmental optimization for cucumber based on PSO-XGBoost

Waandishi: Rongcheng Zhu, Shiyan Wang, Xinyu Tian, Liru Ren, Qianyu Zhao na Bin Li.

Mpangilio wa waandishi: Mpangilio uliotolewa katika chanzo umehifadhiwa bila kubadilishwa.

Mwandishi wa mawasiliano: Bin Li.

Mchango sawa/mwandishi wa kwanza sawa: Haujaainishwa katika chanzo.

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

Aina ya chanzo: Preprint ya jaribio la fiziolojia ya mimea katika mazingira yanayodhibitiwa na utafiti wa uundaji wa modeli za ujifunzaji wa mashine.

Hali ya peer review: Kazi hii ni preprint ambayo haijapitia peer review; matokeo yake yanapaswa kutathminiwa kwa kuzingatia hatua hii ya uchapishaji.

Jukwaa: SSRN.

Kitambulisho cha SSRN: 6837425.

DOI: 10.2139/ssrn.6837425.

Tarehe ya uchapishaji: 27 Mei 2026.

Jarida/juzuu/toleo: Hakuna taarifa ya jarida lililopitiwa na wataalamu, juzuu au toleo katika toleo hili.

Kiungo rasmi cha uchapishaji: Rekodi ya SSRN Abstract ID 6837425.

Leseni/hakimiliki: Rekodi ya SSRN inaeleza kuwa haki zimehifadhiwa na matumizi tena bila ruhusa hayajaruhusiwa wazi. Kwa hiyo, vielelezo asilia vya kazi ya chanzo havijanakiliwa moja kwa moja katika maudhui haya ya Verianla; thamani za nambari zimewasilishwa upya kwa majedwali safi ya HTML na muundo wa Verianla Live.

Ufadhili: Miradi yenye nambari 202302010101003 na 202402140601012 chini ya Shanxi Province Key R&D Plan pamoja na msaada wa 2026CYJSTX08 chini ya Modern Agro-industry Technology Research System in Shanxi Province.

Upatikanaji wa data: Waandishi wanaeleza kuwa data zitashirikiwa kwa ombi.

Mgongano wa maslahi: Waandishi hawajaripoti maslahi yoyote ya kifedha yanayoshindana yanayojulikana au uhusiano binafsi unaoweza kuathiri kazi.

Michango ya waandishi ya CRediT

• Rongcheng Zhu: Uundaji wa dhana, usimamizi wa data, mbinu, programu, uonyeshaji, uandishi wa rasimu ya kwanza, mapitio na uhariri.
• Shiyan Wang: Programu, uchambuzi rasmi, uthibitishaji, uonyeshaji.
• Xinyu Tian: Programu, uthibitishaji, uonyeshaji.
• Liru Ren: Uchunguzi na usimamizi wa data.
• Qianyu Zhao: Uchunguzi na usimamizi wa data.
• Bin Li: Rasilimali, mapitio na uhariri, usimamizi, usimamizi wa mradi na upatikanaji wa ufadhili.

Dokezo la kutokulingana ndani ya chanzo

Kwa seti huru ya majaribio ya PSO-XGBoost, Jedwali 2 linatoa thamani ya MBE kama +0,042, huku maandishi ya matokeo yakiandika −0,042. Tofauti hii haijasahihishwa kimya kimya.

Katika Sehemu 3.4, ulinganisho wa miundo yenye EC na isiyo na EC unatajwa kama “Fig. 9a/9b”, ingawa kielelezo husika kimepewa nambari Kielelezo 12 katika chanzo.

Matokeo ya R²=0,996 na RMSE=0,742 yaliyotolewa katika Sehemu 3.4 kwa modeli yenye EC hayajaunganishwa kama uchambuzi uleule na matokeo makuu ya majaribio ya PSO-XGBoost katika Jedwali 2, ambayo ni R²=0,9973 na RMSE=0,6274.

Mpaka wa maudhui ya kisayansi

Hali za majaribio, miundo ya modeli, vigezo-elekezi, matokeo ya utendaji, tafsiri za SHAP na vizingiti vya mazingira katika makala hii ya Verianla zinategemea kazi iliyopakiwa. Hakuna matokeo mapya ya majaribio au utaratibu mpya wa kibayolojia ulioongezwa kutoka vyanzo vya nje. Uthibitishaji wa nje ulitumika tu kwa uthibitisho wa kibibliografia wa utambulisho wa kazi, DOI, tarehe ya SSRN na taarifa za leseni.

Kikomo muhimu zaidi cha ujumla wa utafiti ni kwamba modeli ilijengwa kwenye data ya majaribio inayodhibitiwa iliyowekewa mipaka kwa aina moja na hatua ya miche. Uthibitishaji huru wa nje katika hali ya greenhouse ya kibiashara, udhibiti wa mazingira wa kitanzi funge wa wakati halisi, tathmini ya muda mrefu ya mavuno na uboreshaji wa kiuchumi/nishati havijaonyeshwa na utafiti huu.