王淵龍，張艷，柳平增

(1. 山東農(nóng)業(yè)大學(xué)信息科學(xué)與工程學(xué)院,山東泰安,271018; 2. 山東農(nóng)業(yè)大學(xué)農(nóng)業(yè)大數(shù)據(jù)研究中心,山東泰安,271018; 3. 農(nóng)業(yè)農(nóng)村部黃淮海智慧農(nóng)業(yè)技術(shù)重點(diǎn)實(shí)驗(yàn)室,山東泰安,271018)

0 引言

設(shè)施農(nóng)業(yè)是由傳統(tǒng)農(nóng)業(yè)向現(xiàn)代化集約型農(nóng)業(yè)轉(zhuǎn)變的有效方式,是實(shí)現(xiàn)農(nóng)業(yè)現(xiàn)代化的必由之路,在國(guó)內(nèi)外農(nóng)業(yè)結(jié)構(gòu)調(diào)整中發(fā)揮重要作用[1-2]。其中番茄是我國(guó)設(shè)施蔬菜主栽品種之一,具有易于栽培、市場(chǎng)需求量大、經(jīng)濟(jì)效益高等特點(diǎn),栽培面積和產(chǎn)量均居我國(guó)設(shè)施農(nóng)業(yè)首位[3]。設(shè)施番茄具有較高的科研和經(jīng)濟(jì)價(jià)值,以設(shè)施番茄為研究對(duì)象具有重要的意義[4]。在國(guó)內(nèi)外關(guān)于番茄生長(zhǎng)模型的研究中,大多數(shù)學(xué)者以光溫或光溫濕為主要因素構(gòu)建了番茄生長(zhǎng)模型,如張智優(yōu)等[5]對(duì)不同播期、品種、氮素水平及茬口的試驗(yàn)數(shù)據(jù)進(jìn)行處理,構(gòu)建了反映果實(shí)生長(zhǎng)與溫度、光照關(guān)系的果實(shí)橫、縱徑生長(zhǎng)模型,以及果實(shí)干物質(zhì)機(jī)理性模型和果實(shí)鮮重與橫、縱徑關(guān)系的線性模型,并建立了以上述模型為基礎(chǔ)的番茄產(chǎn)量預(yù)測(cè)模型;程智慧等[6]將空氣溫濕度和光照強(qiáng)度細(xì)分為7個(gè)變量,運(yùn)用逐步回歸建立了顯著環(huán)境因子與果實(shí)日增量的回歸模型;Uzun[7]通過(guò)分析溫度和光照強(qiáng)度,建立了番茄葉片數(shù)生長(zhǎng)發(fā)育模型;Gupta等[8]研究了設(shè)施條件下累積輻熱積對(duì)番茄幼苗長(zhǎng)勢(shì)的影響。部分學(xué)者在光溫濕基礎(chǔ)上以空氣CO2濃度、水分、營(yíng)養(yǎng)元素等為主要因素構(gòu)建了番茄生長(zhǎng)模型,如劉新英等[9]以CO2濃度和營(yíng)養(yǎng)液含氮量為自變量,利用多元線性回歸方法建立了番茄全周期的光合速率預(yù)測(cè)模型;雷濤等[10]為探究不同水分—沸石量—埋深條件下番茄的生長(zhǎng)特性,采用Logistic模型模擬了番茄生長(zhǎng)動(dòng)態(tài)過(guò)程,揭示了各因素對(duì)番茄物候期和生長(zhǎng)參數(shù)的影響;李佳佳等[11]為研究高溫脅迫下設(shè)施番茄植株氮素運(yùn)營(yíng)規(guī)律,開(kāi)展了高溫和施氮量雙因素全面試驗(yàn),發(fā)現(xiàn)設(shè)施番茄臨界氮濃度與地上部干重之間符合冪指函數(shù)關(guān)系;荷蘭的Spitters等[12]建立了TOMSIM番茄生長(zhǎng)模型,綜合考慮了番茄植株不同冠層的光照、葉面積指數(shù)、其他生理作用及溫室環(huán)境等要素。

綜上所述,國(guó)內(nèi)外學(xué)者在研究環(huán)境要素對(duì)番茄生長(zhǎng)發(fā)育的影響上,多以溫光為主;在分析方法上,多以相關(guān)性分析、多元線性回歸為主。但溫室環(huán)境要素較復(fù)雜,還需考慮變量間是否存在多重共線性,否則會(huì)難以區(qū)分每個(gè)解釋變量的單獨(dú)影響,變量的顯著性檢驗(yàn)失去意義,回歸模型也會(huì)缺乏穩(wěn)定性[11]。設(shè)施番茄果實(shí)生長(zhǎng)是影響產(chǎn)量形成的一個(gè)重要指標(biāo)[13],本文擬用設(shè)施番茄果期生長(zhǎng)數(shù)據(jù)和環(huán)境數(shù)據(jù),分析數(shù)據(jù)間的相關(guān)性和多重共線性,然后采用逐步回歸和主成分回歸組合方法構(gòu)建設(shè)施番茄果期生長(zhǎng)模型。

1 材料與方法

1.1 試驗(yàn)區(qū)概況

試驗(yàn)于2020年8月—2021年2月在山東省德州市陵城區(qū)糜鎮(zhèn)智慧農(nóng)業(yè)產(chǎn)業(yè)園進(jìn)行。溫室呈東西走向,長(zhǎng)125 m,寬10 m,北側(cè)墻體厚7.5 m。試驗(yàn)供試番茄品種為“凱德87170”,此品種為大紅果,無(wú)限生長(zhǎng)型。溫室采用龔作種植模式,龔寬0.65 m,溝寬0.55 m,壟內(nèi)雙列栽種,分別于8月6日、8月31日和9月24日在番茄幼苗5葉1心時(shí)按株距30 cm、行距35 cm各定植1 200顆,共種植3 600顆。試驗(yàn)統(tǒng)一水肥及其他農(nóng)事操作。

1.2 指標(biāo)測(cè)定

設(shè)施番茄果期生長(zhǎng)模型由設(shè)施番茄生長(zhǎng)數(shù)據(jù)和溫室內(nèi)環(huán)境數(shù)據(jù)構(gòu)建,它們分別由物聯(lián)網(wǎng)設(shè)備、信息化設(shè)備及人工方式采集。

設(shè)施番茄生長(zhǎng)數(shù)據(jù)由信息化設(shè)備和人工每7天采集一次,采集時(shí)選取10株長(zhǎng)勢(shì)一致的樣本并采集樣本株高、莖粗、葉片數(shù)、葉面積、果實(shí)橫縱徑等指標(biāo),共采集210條生長(zhǎng)數(shù)據(jù),其中葉面積使用國(guó)產(chǎn)LA-S植物圖像分析儀計(jì)算測(cè)得,莖粗由作物莖粗測(cè)量?jī)x測(cè)得,株高采用卷尺測(cè)得。

溫室內(nèi)環(huán)境數(shù)據(jù)由山東農(nóng)業(yè)大學(xué)大數(shù)據(jù)研究中心自主研發(fā)的“神農(nóng)物聯(lián)”設(shè)備每隔30 min自動(dòng)采集一次,共采集4 704條環(huán)境數(shù)據(jù),采集指標(biāo)包括空氣溫度、空氣濕度、二氧化碳濃度、光照強(qiáng)度、土壤溫度等,使用傳感器型號(hào)如表1所示。

表1 傳感器型號(hào)Tab. 1 Sensor type

1.3 數(shù)據(jù)預(yù)處理

溫室內(nèi)環(huán)境數(shù)據(jù)由物聯(lián)網(wǎng)設(shè)備每隔30 min采集一次,用程序處理后得到各環(huán)境變量日平均值及累計(jì)值;設(shè)施番茄生長(zhǎng)數(shù)據(jù)由人工和信息化設(shè)備每隔7天采集一次,用程序處理后得到各生長(zhǎng)指標(biāo)的平均值。將處理后數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化得到試驗(yàn)最終數(shù)據(jù)。本研究使用前兩批數(shù)據(jù)進(jìn)行分析,第三批數(shù)據(jù)進(jìn)行驗(yàn)證。

1.4 相關(guān)方法

1) 逐步回歸。逐步回歸分析方法的基本思路是自動(dòng)從大量可供選擇的變量中選取最重要的變量,建立回歸分析的預(yù)測(cè)或解釋模型。其基本思想是:將自變量逐個(gè)引入,引入的條件是其偏回歸平方和經(jīng)檢驗(yàn)后是顯著的。同時(shí),每引入一個(gè)新的自變量后,要對(duì)舊的自變量逐個(gè)檢驗(yàn),剔除偏回歸平方和不顯著的自變量。一直這樣邊引入邊剔除,直到既無(wú)新變量引入也無(wú)舊變量刪除為止。它的實(shí)質(zhì)是建立“最優(yōu)”的多元線性回歸方程。

依據(jù)上述思想,可利用逐步回歸篩選并剔除引起多重共線性的變量,其具體步驟如下:先用被解釋變量對(duì)每一個(gè)所考慮的解釋變量做簡(jiǎn)單回歸,然后以對(duì)被解釋變量貢獻(xiàn)最大的解釋變量所對(duì)應(yīng)的回歸方程為基礎(chǔ),再逐步引入其余解釋變量。經(jīng)過(guò)逐步回歸,使得最后保留在模型中的解釋變量既是重要的,又沒(méi)有嚴(yán)重多重共線性。

2) 主成分回歸。主成分回歸通過(guò)以主成分為自變量解決多重共線性,它先用主成分分析消除回歸模型的多重共線性,然后將主成分作為自變量進(jìn)行回歸分析,最后根據(jù)得分系數(shù)矩陣將原變量代回得到新模型。

主成分分析是考察多個(gè)變量間相關(guān)性的一種多元統(tǒng)計(jì)方法,它把多個(gè)變量化為少數(shù)幾個(gè)互相無(wú)關(guān)的綜合變量,并使綜合變量盡可能地代表原來(lái)信息,具有明顯的降維優(yōu)勢(shì)。用主成分提取的新變量組內(nèi)差異小而組間差異大,可以有效地消除多重共線性問(wèn)題。

2 基于逐步—主成分回歸的設(shè)施番茄果期生長(zhǎng)模型的構(gòu)建

番茄的果實(shí)生長(zhǎng)是影響產(chǎn)量形成的重要指標(biāo),果實(shí)橫徑能在一定程度上反映番茄在果期的生長(zhǎng)變化情況[14],因此以果實(shí)橫徑為因變量,以溫室內(nèi)空氣溫度、光照強(qiáng)度、空氣濕度、二氧化碳濃度以及土壤溫度累計(jì)量為自變量構(gòu)建設(shè)施番茄果期生長(zhǎng)模型。用Y表示果實(shí)橫徑,用X1～X5分別表示果期溫室內(nèi)各環(huán)境因子。

2.1 設(shè)施番茄果期數(shù)據(jù)相關(guān)性分析

數(shù)據(jù)分析前應(yīng)先對(duì)數(shù)據(jù)從整體上有所認(rèn)識(shí)。散點(diǎn)圖陣表示各變量隨其他變量變化的大致趨勢(shì),能夠反映多個(gè)變量間的相關(guān)關(guān)系,據(jù)此選擇合適的函數(shù)對(duì)數(shù)據(jù)點(diǎn)進(jìn)行擬合。

用果實(shí)橫徑同各環(huán)境因子繪制散點(diǎn)圖陣,觀察數(shù)據(jù)間的相關(guān)關(guān)系。圖1為果實(shí)橫徑與各環(huán)境因子的散點(diǎn)圖陣。

圖1 果實(shí)橫徑與各環(huán)境因子散點(diǎn)圖陣Fig. 1 Scatter plot of fruit horizontal stems and environmental factors

由圖1可知,果實(shí)橫徑與各環(huán)境因子間均存在明顯的線性相關(guān)關(guān)系。

散點(diǎn)圖陣可以直觀地展示數(shù)據(jù)間的關(guān)系,判斷數(shù)據(jù)間的變化趨勢(shì),但只能用來(lái)大致觀測(cè)數(shù)據(jù)的特點(diǎn)。在統(tǒng)計(jì)學(xué)中,皮爾遜相關(guān)系數(shù),又稱皮爾遜積矩相關(guān)系數(shù),是用于度量?jī)蓚€(gè)變量X和Y之間的線性相關(guān),其值介于-1～1之間[15],它可以用數(shù)值精確地說(shuō)明數(shù)據(jù)間的相關(guān)關(guān)系,使用散點(diǎn)圖陣初步分析數(shù)據(jù)特點(diǎn),再利用皮爾遜相關(guān)系數(shù)能進(jìn)一步探明數(shù)據(jù)間的線性相關(guān)程度。使用皮爾遜相關(guān)系數(shù)的前提條件是數(shù)據(jù)服從正態(tài)分布[16],因此在使用皮爾遜相關(guān)系數(shù)之前應(yīng)先用正態(tài)分布檢驗(yàn)方法判斷數(shù)據(jù)是否服從正態(tài)分布。

在顯著性水平為0.05的情況下所有變量的p值均通過(guò)檢驗(yàn),且所有變量的w值接近于1,故各變量均服從正態(tài)分布,符合使用皮爾遜相關(guān)系數(shù)的前提條件,因此可以使用皮爾遜相關(guān)系數(shù)來(lái)查看數(shù)據(jù)間的相關(guān)程度。表2為果實(shí)橫徑與各環(huán)境因子的相關(guān)系數(shù)表。

表2 相關(guān)系數(shù)表Tab. 2 Correlation coefficient

由表2可知,果實(shí)橫徑與各環(huán)境因子間的相關(guān)系數(shù)分別為0.96、0.95、0.95、0.94、0.94,說(shuō)明果實(shí)橫徑與各環(huán)境因子間存在較強(qiáng)的相關(guān)關(guān)系,此外各環(huán)境因子間也存在較強(qiáng)的相關(guān)關(guān)系,故將五個(gè)環(huán)境因子全部引入用來(lái)構(gòu)建模型。

2.2 設(shè)施番茄果期數(shù)據(jù)多重共線性分析

由皮爾遜相關(guān)系數(shù)分析結(jié)果發(fā)現(xiàn)果實(shí)橫徑與各環(huán)境因子間存在較強(qiáng)的相關(guān)關(guān)系,因此每個(gè)環(huán)境因子都不能被忽略。多元線性回歸是構(gòu)建模型最常見(jiàn)的方法,因此首先使用多元線性回歸建立果實(shí)橫徑與各環(huán)境變量間的關(guān)系模型,量化分析果實(shí)橫徑與各環(huán)境因子間的關(guān)系,同時(shí)觀察多元線性回歸對(duì)于設(shè)施番茄果期數(shù)據(jù)是否有效。多元線性回歸結(jié)果如表3所示。

表3 多元線性回歸結(jié)果Tab. 3 Multiple linear regression results

由表3可知,在顯著性水平為0.05情況下,只有常數(shù)項(xiàng)的參數(shù)估計(jì)結(jié)果通過(guò)檢驗(yàn),X1～X5的參數(shù)估計(jì)結(jié)果未通過(guò)檢驗(yàn)。X1、X5的參數(shù)估計(jì)結(jié)果為正值,故隨著X1、X5的增加,Y不斷增加;X2、X3、X4的參數(shù)估計(jì)結(jié)果為負(fù)值,故隨著X2、X3、X4的增加,Y不斷減小,這與相關(guān)性分析結(jié)果不符,造成上述情況最有可能的原因是未充分考慮自變量間的耦合性和多重共線性,從而使多元線性回歸分析結(jié)果失效。

方差膨脹因子是診斷變量多重共線性嚴(yán)重程度常用的方法之一,因此使用方差膨脹因子衡量多元線性回歸模型中各環(huán)境因子間的多重共線性。由多重共線性診斷結(jié)果可知所有變量的方差膨脹系數(shù)VIF均大于10,其中X1、X2、X4的方差膨脹系數(shù)高達(dá)1 352.66、526.64、458.69,說(shuō)明溫室內(nèi)環(huán)境因子間存在多重共線性,且空氣溫度、光照強(qiáng)度以及CO2濃度的多重共線性更為嚴(yán)重,說(shuō)明空氣溫度、光照強(qiáng)度以及CO2濃度分別與不包括自身的其余四個(gè)變量間的耦合性較高,其余變量可用上述變量通過(guò)線性組合得到,猜想可用上述變量代替全部變量進(jìn)行回歸分析。以空氣溫度為例,從實(shí)際情況出發(fā),一般空氣溫度的升高或降低會(huì)直接影響其他變量的大小,如土壤溫度會(huì)隨空氣溫度的升高而升高,空氣濕度會(huì)隨空氣濕度的升高而降低等。多重共線性會(huì)導(dǎo)致一些嚴(yán)重后果;完全多重共線性會(huì)導(dǎo)致最小二乘法下的參數(shù)估計(jì)量不存在;近似共線性時(shí)會(huì)導(dǎo)致參數(shù)估計(jì)量的方差與協(xié)方差增大,使最小二乘參數(shù)估計(jì)量失效,進(jìn)而導(dǎo)致參數(shù)區(qū)間估計(jì)不合理,并使得各解釋變量的t檢驗(yàn)與方程的F檢驗(yàn)失效[17]。故應(yīng)選擇能夠解決多重共線性的回歸方法進(jìn)行分析。

2.3 設(shè)施番茄果期生長(zhǎng)模型構(gòu)建

由多重共線性診斷結(jié)果可知環(huán)境因子間存在較為嚴(yán)重的多重共線性,在構(gòu)建設(shè)施番茄果期生長(zhǎng)模型時(shí)應(yīng)該使用能夠處理多重共線性的建模方法。解決多重共線性的方法大致分為四類:第一類為添加懲罰項(xiàng)的嶺回歸、lasso回歸等;第二類為篩選變量的逐步回歸;第三類為重組主成分的偏最小二乘回歸和主成分回歸;第四類為神經(jīng)網(wǎng)絡(luò)。由于本試驗(yàn)數(shù)據(jù)較少,而神經(jīng)網(wǎng)絡(luò)需要大量數(shù)據(jù)用于練習(xí),因此先用最常見(jiàn)解決多重共線性的方法嶺回歸來(lái)構(gòu)建設(shè)施番茄果期生長(zhǎng)模型,分析果實(shí)橫徑與各環(huán)境因子間的關(guān)系,同時(shí)觀察嶺回歸分析結(jié)果是否有效。表4為嶺回歸分析結(jié)果。

表4 嶺回歸分析結(jié)果Tab. 4 Ridge regression analysis results

由表4可知,在顯著性水平為0.05的情況下,X1、X2的參數(shù)估計(jì)結(jié)果通過(guò)檢驗(yàn),X3、X4、X5、Intercept的參數(shù)估計(jì)結(jié)果未通過(guò)檢驗(yàn),說(shuō)明嶺回歸效果較差,故選擇其他解決多重共線性的回歸方法。逐步回歸的思路與嶺回歸完全不同,其基本思想是先用被解釋變量對(duì)每一個(gè)所考慮的解釋變量做簡(jiǎn)單回歸,以貢獻(xiàn)最大的解釋變量對(duì)應(yīng)的回歸方程為基礎(chǔ),再逐步引入其余解釋變量。經(jīng)過(guò)逐步回歸,最后保留在模型中的解釋變量既是重要的,又沒(méi)有嚴(yán)重多重共線性[18]。表5為對(duì)數(shù)據(jù)進(jìn)行逐步回歸分析的過(guò)程。

表5 逐步回歸分析過(guò)程Tab. 5 Stepwise regression analysis process

AIC(赤池信息準(zhǔn)則)是一個(gè)運(yùn)算退出的標(biāo)志,當(dāng)AIC值最小時(shí)運(yùn)算退出。由表可知第一步在全部變量的基礎(chǔ)上除去一個(gè)變量進(jìn)行回歸分析時(shí)AIC最小值為64.966,此時(shí)保留的變量為X1、X2、X4、X5,第二步在第一步基礎(chǔ)上除去一個(gè)變量進(jìn)行回歸分析時(shí)AIC最小值為63.487,此時(shí)保留的變量為X1、X2、X4,第三步在第二步基礎(chǔ)上除去一個(gè)變量進(jìn)行回歸分析時(shí)AIC最小值仍為63.487,保留的變量與第二步相同,此時(shí)AIC值最小,逐步回歸退出運(yùn)算。

表6為對(duì)數(shù)據(jù)進(jìn)行逐步回歸分析的結(jié)果。逐步回歸選取的最優(yōu)自變量集為X1、X2、X4,由表6可知,在顯著性水平為0.05情況下,各變量的參數(shù)估計(jì)結(jié)果顯著性比嶺回歸分析明顯提高,但X2的參數(shù)估計(jì)結(jié)果仍未通過(guò)檢驗(yàn),且X2、X4的參數(shù)估計(jì)結(jié)果為負(fù)值,與相關(guān)性分析結(jié)果不符。逐步回歸通過(guò)選取變量初步解決了多重共線性問(wèn)題,但是仍然存在分析結(jié)果與相關(guān)性不符、部分變量的參數(shù)估計(jì)結(jié)果未通過(guò)檢驗(yàn)等問(wèn)題。

表6 逐步回歸分析結(jié)果Tab. 6 Stepwise regression analysis results

主成分回歸是通過(guò)線性變換,將原來(lái)的多個(gè)指標(biāo)組合成相互獨(dú)立的少數(shù)幾個(gè)能充分反映總體信息的指標(biāo),從而在不丟掉重要信息的前提下避開(kāi)變量間共線性問(wèn)題,便于進(jìn)一步分析[19]。在主成分分析中提取出的每個(gè)主成分都是原來(lái)多個(gè)指標(biāo)的線性組合。考慮將逐步回歸選取的變量進(jìn)行主成分回歸分析,嘗試解決逐步回歸尚未解決的問(wèn)題。

由主成分分析結(jié)果可知第一主成分Comp1的方差累計(jì)貢獻(xiàn)率為98.07%,第二主成分Comp2的方差累計(jì)貢獻(xiàn)率為99.97%,第三主成分Comp3的方差累計(jì)貢獻(xiàn)率為100%,由于Comp1即可解釋大部分變差,故用第一主成分進(jìn)行回歸分析?，F(xiàn)用Z1表示第一主成分,Z1為X1、X2和X4三個(gè)變量的線性組合且由主成分分析結(jié)果知Z1=0.583×X1+0.575×X2+0.574×X4,用Z1進(jìn)行回歸分析的結(jié)果如表7所示。

表7 主成分回歸分析結(jié)果Tab. 7 Principal component regression results

由表7可知,第一主成分的參數(shù)估計(jì)結(jié)果為0.548 6,在顯著性水平為0.05情況下通過(guò)檢驗(yàn)。根據(jù)主成分回歸分析結(jié)果知常數(shù)項(xiàng)可以忽略不計(jì),回歸方程為Y=0.548 6×Z1,將Z1=0.583×X1+0.575×X2+0.574×X4代入Y=0.548 6×Z1,可得Y=0.319 8×X1+0.315 4×X2+0.314 9×X4,最后將回歸方程中的變量還原為原始變量,得到最終回歸方程為

Y=0.169 8×X1+0.012 15×X2+

0.000 557 7×X4+24.08

分析擬合方程可知X1、X2、X4的系數(shù)為正值符合相關(guān)性分析結(jié)果,解決了嶺回歸分析和逐步回歸分析不符合相關(guān)性分析結(jié)果、參數(shù)估計(jì)結(jié)果未通過(guò)檢驗(yàn)的問(wèn)題。

2.4 設(shè)施番茄果期生長(zhǎng)模型評(píng)價(jià)與驗(yàn)證

用逐步—主成分組合算法構(gòu)建的設(shè)施番茄果期生長(zhǎng)模型所有參數(shù)估計(jì)結(jié)果在顯著性水平為0.05情況下均通過(guò)檢驗(yàn),且全為正值,符合相關(guān)性分析結(jié)果。通過(guò)均方差、均方根和確定系數(shù)對(duì)模型進(jìn)行評(píng)價(jià),其中均方差為0.070 3,均方根為0.272 1,確定系數(shù)為0.929 7,模型誤差較小,擬合效果較好。取試驗(yàn)第三批數(shù)據(jù)進(jìn)行模型的驗(yàn)證,圖2為模型驗(yàn)證結(jié)果。

圖2 模型驗(yàn)證結(jié)果Fig. 2 Model verification results

設(shè)施番茄果實(shí)自坐果期開(kāi)始,橫徑和縱徑均隨生育進(jìn)程的進(jìn)行而不斷增大,呈“S”型曲線的變化規(guī)律,至成熟期達(dá)到最大值[12]。由圖2可知,設(shè)施番茄果期生長(zhǎng)模型預(yù)測(cè)值比真實(shí)值更加平穩(wěn),因此前期誤差較大,后期誤差較小,總體來(lái)看擬合效果較好,能較好地表達(dá)溫室內(nèi)環(huán)境因子與果實(shí)橫徑間的關(guān)系。

3 結(jié)論

本文以設(shè)施番茄果期為例,空氣溫度、空氣濕度、有效光輻射、CO2濃度、土壤溫度的累計(jì)量為輸入,果實(shí)橫徑為輸出,將前兩批數(shù)據(jù)用逐步回歸分析出顯著環(huán)境變量,然后進(jìn)行主成分回歸構(gòu)建設(shè)施番茄生長(zhǎng)模型,用第三批數(shù)據(jù)驗(yàn)證模型,解決了其他方法分析結(jié)果與相關(guān)性分析不符、部分參數(shù)估計(jì)結(jié)果未通過(guò)檢驗(yàn)等問(wèn)題。

1) 設(shè)施番茄結(jié)果期果實(shí)橫徑與空氣溫度、空氣濕度、有效光輻射、CO2濃度、土壤溫度存在較強(qiáng)的正相關(guān)性,相關(guān)系數(shù)分別為0.96、0.95、0.95、0.94、0.94。

2) 溫室內(nèi)環(huán)境因子間存在較強(qiáng)的多重共線性,逐步回歸分析出顯著環(huán)境變量為空氣溫度、有效光輻射、CO2濃度。

3) 主成分回歸建立的設(shè)施番茄生長(zhǎng)模型對(duì)果實(shí)橫徑的擬合效果較好,確定系數(shù)為0.93,能夠較好地表示果實(shí)橫徑與各環(huán)境因子間的關(guān)系?；谌展鉁厥覂?nèi)主要環(huán)境因子構(gòu)建的設(shè)施番茄結(jié)果期生長(zhǎng)模型,為設(shè)施番茄數(shù)字化的深入研究奠定了基礎(chǔ)。

本文通過(guò)試驗(yàn)構(gòu)建了設(shè)施番茄果期生長(zhǎng)模型,但仍需要進(jìn)行以下探索。未來(lái)工作可以考慮更換試驗(yàn)場(chǎng)地或者控制環(huán)境變量單一驗(yàn)證模型的有效性。本文只考慮了設(shè)施番茄果期,后續(xù)可以考慮設(shè)施番茄不同時(shí)期環(huán)境因子對(duì)番茄植株生長(zhǎng)的影響。