日光溫室基質培生菜鮮質量無損估算方法

劉 林 苑 進 張 巖 劉雪美

(1.山東農業大學機械與電子工程學院， 泰安 271018； 2.山東省農業裝備智能化工程實驗室， 泰安 271018)

0 引言

設施栽培中作物鮮質量動態變化作為生長發育的指示性特征，是蔬菜長勢無損監測的重要指標之一[1-2]。蔬菜鮮質量作為最重要的生理性狀表征之一，可為蔬菜生長狀況提供更準確的評估信息[3]，如用于預測蔬菜生長期、確定最佳采收時間和預測蔬菜產量等[4-5]，為栽培數字化管理提供精準數據支撐。

國內外學者對鮮質量估算做了深入研究，REYES-YANES等[6]提出了一種深度學習圖像分割方法用于在水培生菜鮮質量估算中以冠層圖像獲取信息，建立作物尺寸與鮮質量間的回歸模型。JUNG等[5]在環境可控的循環水水培生菜系統中，研究了基于機器視覺的形態學分析方法，將圖像處理后的生菜冠層投影圖像的像素數與離水稱量的生菜實際鮮質量直接關聯，建立了生菜冠層投影面積與實際測量鮮質量的關系模型。由于其離水鮮質量稱量精度高，因而該模型預測精度高，由此也證明了植株冠層投影面積與其鮮質量間存在顯著相關性。基于上述預測模型，JIANG等[7]開發了基于在線實時影像處理的水培生菜鮮質量估算系統，在生產環境控制質量較高的狀況下，實現了生菜鮮質量的高精度估算。水培蔬菜生長條件下，植株允許暫時脫離營養液而直接稱量，且不妨礙其繼續生長，因而方便對鮮質量進行無損標定，容易實現無損的高精度鮮質量估算；但土培或基質培蔬菜條件下，雖然植株離開基質直接稱量也能得到準確的即時鮮質量，但植株已無法繼續生長，即無法對該植株生長過程中的鮮質量進行連續采集[8-9],難以直接建立該植株樣本生長過程中冠層投影面積與其鮮質量變化序列的相關關系，因而使土培或基質培蔬菜在生長過程中的在線無損鮮質量估算成為技術難點。

另一方面，因為日光溫室環控手段少、調控穩定性差，造成溫室內的環境存在高低溫、弱光多發頻發等問題，使得蔬菜的生長發育受到影響，難以一直處于健康的生長狀態[10]。溫度和輻射是影響生菜光合作用的2個重要因子，即顯著影響生菜生長過程中的體內含水率，也對葉片干物質積累和產量形成起著重要作用[11]。因而生菜鮮質量受溫度和光照輻射的影響較大，從而最終顯著影響生菜產量。與受控環境下的水培生菜不同，日光溫室在溫度和輻射變化較大，蔬菜生長難以維持在最佳生長狀態，因而在葉厚等方面存在顯著差異，因此沿用水培生菜的冠層投影圖像面積很難準確估算日光溫室條件下的生菜鮮質量。

日光溫室條件下，不同批次種植的生菜所處的溫度和輻射環境不同，存在相同冠層投影面積的生菜，可能存在葉片厚度、顏色、紋理等參數的差別，造成鮮質量差異。這些特征又很難通過冠層投影面積表征，造成日光溫室基質培蔬菜難以僅僅依靠冠層投影面積估算鮮質量。本文提出基于生菜表型特征參數和生長過程環境參數融合的鮮質量估算方法，用于日光溫室基質培環境下生菜個體和群體的鮮質量無損估算。

1 試驗與方法

1.1 試驗設計

試驗地點(圖1)為山東農業大學科技創新園(園藝實驗站)的6號日光溫室，跨度約8 m，高度約4 m，東西長約50 m(36.16°N，117.16°E)。溫室北墻為實體墻，主采光面附有塑料薄膜，形成封閉小氣候環境，留有通風口，用于換氣除濕降溫。冬季早晚依靠卷簾機提供動力完成棉被鋪卷任務。試驗材料為意大利生菜(河北茂華種業有限公司)。品種主要特性為：耐寒、耐濕、耐熱、晚抽苔、株半直立、葉片近圓形、顏色翠綠、散葉不接球。將生菜種子放入穴盤中進行培育，待幼苗生長到“五葉一心”時，將生菜定植到基質槽中，選用蔬菜通用型基質作為生菜生長載體。緩苗成功后，選用山崎配方營養液連續澆灌，保證生菜正常生長，進行兩批次生菜種植試驗。

1.2 數據采集

生菜鮮質量受多種因素的影響，與生菜形狀、顏色、紋理等表型特征因素和環境因素有關[12]。因此，利用這些特征快速估算生菜的鮮質量具有重要意義。為了能夠低成本獲取溫室中生菜形狀、顏色和紋理信息，待生菜緩苗成功后，每隔一段時間，利用可見光成像技術，獲取隨機樣本的俯視圖像和側視圖像。利用傳感器實時獲取溫室內溫度和光合有效輻射。

如圖2所示，采用攝像頭獲取生菜的兩類圖像樣本。俯視圖像是生菜冠層垂直映射到基質表面的投影，側視圖像是生菜映射到豎直平面中的投影。兩類圖像經過數字圖像處理技術得到生菜的形狀、顏色和紋理等表型特征信息。形狀特征選取冠層投影面積、冠層投影周長和株高。顏色特征選取生菜冠層圖像中生菜區域H通道和S通道圖像的特征值。紋理特征選取生菜區域H通道和S通道圖像的熵值。采用溫度傳感器和光合有效輻射傳感器獲取溫室內環境信息，經過數學運算得到累積輻熱積作為環境特征。每次采集完樣本圖像后，將樣本去除根部，用電子秤(精度0.01 g)稱其質量，得到鮮質量。整個生長期中總共獲取260株樣本用于模型的建立和驗證。為了驗證模型的泛化能力和可靠性，從第2批次生菜中挑選3個時間(代表不同的生長階段)采集10株樣本數據作為模型的測試集。

1.3 特征提取

利用計算機(CPU：i7-8750，內存16 GB，顯卡GTX1060，Windows 10操作系統)，對樣本圖像進行處理得到生菜的形狀、顏色和紋理等特征參數。

1.3.1特征分割

由于獲取的圖像中生菜與背景有明顯的區別，為了能夠獲取冠層輪廓圖像和株高圖像，采用超綠色法分割圖像。RGB顏色空間是當前使用最廣泛的顏色系統之一，幾乎包含了人類能感知的所有顏色[13]。超綠色法作為一種作物識別或者雜草識別最常用的灰度化方法，在RGB顏色空間中經過計算，圖像中陰影、草和土壤等均能較明顯地被抑制，提取綠色植物圖像效果好，使得葉片圖像更為突出[14]。超綠色法計算式為

Exg=2g-r-b

(1)

式中Exg——像素點經過計算后的值

r、g、b——像素點的R分量、G分量和B分量

利用超綠色法對生菜初步分割后，提取組合圖像像素值分布直方圖，如圖3所示。從圖3中看出，葉片像素值聚集在中間區域，背景像素值聚集在兩側，葉片與背景有明顯區別。將兩側背景區域和葉片區域像素值的交界處作為閾值分割點，組合圖像經過兩次圖像閾值處理后得到生菜冠層投影的二值圖像。

為了驗證分割方法的分割效果，參考GEORGE等[15]建立的圖像分割性能指標，應用重合度和識別率作為分割性能評價指標[16]，計算式為

(2)

(3)

式中e——識別區域與人工提取區域識別重合度，%

Fkq——分割圖像的二值圖

k——圖像序號

q——分割方法序號

Fkp——Photoshop人工提取植物圖像二值圖

i0——圖像行號j0——圖像列號

m0——圖像行數n0——圖像列數

f——分割方法識別率，%

試驗期間選擇圖像5幅，以在Photoshop軟件中采用套繩工具人工提取的生菜區域作為參考依據[16-17]，從表1看出，圖像分割重合度不小于98.3%，識別率不小于97.9%。

表1 圖像分割性能

1.3.2形狀特征提取

生菜形狀特征提取包括生菜冠層投影面積、周長和株高特征的提取，其中生菜冠層投影面積和周長特征提取過程如圖4所示。首先，讀取俯視投影原圖信息，并提取RGB通道圖像，將三通道圖像信息按照超綠色法處理后得到組合圖像，組合圖像經過閾值處理后得到生菜冠層投影的二值圖像。利用二值圖像提取冠層輪廓并計算面積和周長。

生菜株高特征提取過程如圖5所示。首先，讀取側視投影原圖信息，并提取RGB通道圖像，將三通道圖像信息按照超綠色法處理得到組合圖像，組合圖像經過閾值處理分割后得到生菜高度二值圖像。如果將生菜高度二值圖像置于平面直角坐標系中，其中水平向右為x軸正方向，豎直向上為y軸正方向，則在直角坐標系中，二值圖像像素點最低點為生菜基部，橫坐標相同縱坐標最大的點形成的區域代表生菜冠層上部區域。將生菜冠層上部區域點的橫坐標值不變，其縱坐標值減去生菜基部點的縱坐標值，構造的新點形成生菜高度輪廓曲線。因為生菜散葉呈現的高度也不一樣，為了能夠更全面反映植株高度，計算高度曲線輪廓上所有點縱坐標的平均值，將計算結果作為生菜植株高度的特征值。

為驗證圖像方法測量株高的準確性，從生菜高度輪廓曲線中選擇3個點，用米尺人工測量實際生菜3個點對地高度，圖像測量與人工測量株高如表2所示，其結果相對誤差在2.5%以內。

表2 圖像測量與人工測量株高比較Tab.2 Comparison of image measurement and artificial measurement of plant height

1.3.3顏色特征提取

由于人的視覺對亮度的敏感程度明顯高于對顏色濃度的敏感程度，所以使用HSI顏色空間更能反映人類觀察彩色的方式。在HSI顏色空間中，H和S都不受光強變化影響[18]，因而用于描述生菜圖像時能夠更好地表征生菜的顏色和紋理情況。I表示強度或亮度，極易受到光強變化的影響，不易作為表征生菜的顏色和紋理情況。RGB轉HSI通道[18]計算式為

(4)

式中h、s、i——像素點H分量、S分量和I分量

在提取生菜的顏色特征和紋理特征時，減少因為采集過程中光強對成像圖像質量的影響，選取用于描述生菜圖像時能夠更好地表征生菜顏色情況的H通道和S通道圖像作為計算圖形[18]。生菜顏色特征提取過程如圖6所示。首先，將RGB通道圖像(圖4b～4d)，利用式(4)得到H通道和S通道分量圖像，如圖6a、6d所示。由于背景在整個圖像中所占的比例比較大，在實際計算中，必須將背景部分去除，只提取生菜區域的H通道和S通道圖像。將圖6a、6d分別做掩膜運算，得到背景為黑色的圖6b、6e。

掩膜運算是指用選定的物體、圖形或圖像,遮擋待處理的全部或局部圖像,來控制圖像處理區域，其中用于覆蓋的特定圖像稱為掩膜圖像[19]。如圖7所示，以3×3的圖像與3×3的掩膜圖像進行運算為例：原圖中的每個像素和掩膜圖像中的對應像素進行運算，如果掩膜圖像中的像素點為1，則原圖中的像素點保留；如果掩膜圖像中的像素點為0，則原圖中的像素點被設置為0。

利用掩膜運算原理，將圖4f中的冠層二值圖像進行處理得到掩膜圖像(將白色區域的像素點設置為0，黑色區域的像素點設置為1)，在圖6a和圖6d做掩膜運算時，保留的像素點為生菜區域圖像，其像素的頻率分布直方圖如圖6c、6f所示。為了兼顧運算效率，選取生菜區域H通道和S通道像素值的眾數作為顏色的特征值。

1.3.4紋理特征提取

紋理特征是一種區域性特征，用于表征像素的分布規律和變化規律，并能代表像素與其鄰域的空間關系，在反映物體的表面粗糙度、顆粒度、光滑度、規范程度和隨機性等方面較為客觀，可以很好地兼容圖像宏觀性質與微觀結構，可用于描述物體表面的結構組織排列信息及其與環境的關系[20]。在眾多紋理特征中，熵值能夠反映圖像中紋理特征的非均勻程度，其值越大表示圖像紋理越復雜[21]，生菜的紋理特征選取生菜區域圖像的H通道和S通道圖像的熵值作為特征值。計算式為

(5)

式中ENT——熵值P(i,j)——圖像像素

1.3.5生長環境特征提取

溫度和輻射是影響生菜葉片生長的兩個重要因子，對植物的光合作用、植株生長和產量形成起著重要作用。鮮質量作為衡量作物產量的重要指標，受溫度和輻射的累積影響，溫度和輻射對生菜鮮質量的影響可用累積輻熱積來度量，具體計算公式為[22-23]

(6)

TEP=∑RTEP

(7)

(8)

式中Tb——生長下限溫度，℃

Tm——生長上限溫度，℃

Tob——生長最適溫度下限，℃

Tou——生長最適溫度上限，℃

T——環境溫度，℃

RTE——相對熱效應

RTEP——每日相對輻熱積，MJ/(m2·d)

RTEi——第i小時內的相對熱效應

PARi——第i小時平均光合有效輻射，MJ/(m2·d)

TEP——累積輻熱積，MJ/m2

在栽培階段，根據生菜生長發育期知識[11]，本文設定Tb、Tob、Tou和Tm分別為5、15、30、40℃。

為了提高鮮質量估算精度和減小計算復雜度，將樣本采集時刻前5 d的累積輻熱積作為估算生菜鮮質量的生菜生長環境特征。

生菜樣本部分表型中的形狀、顏色、紋理特征和環境中累積輻熱積如表3所示。

表3 部分生菜樣本表型和環境信息Tab.3 Phenotypic and environmental information of some lettuce samples

1.4 模型建立

1.4.1數據集劃分

數據集劃分是模型實用性的關鍵，選擇合適的訓練集，能使模型預測能力增強[24]。一般訓練集包括總樣本50%～75%，試驗共采集到樣本260個，將數據按照7∶3的比例分為訓練集和驗證集。其中訓練集數為182，驗證集數為78。

1.4.2高斯過程回歸

機器學習的高斯過程是一個通用的監督學習方法，高斯過程回歸是使用高斯過程先驗對數據進行回歸分析的非參數模型。高斯過程回歸中預測是對觀察值的插值且帶有概率，可以用來計算經驗置信區間和超越概率，以便重新擬合預測，在小樣本上能夠獲得泛化能力強的模型[25]。

1.4.3支持向量機回歸

支持向量機回歸是一種通過引入一個損失函數，使經驗風險與置信風險之和最小化的回歸分析方法，其遵循結構風險最小化原則，可以巧妙解決小樣本、高維度、非線性問題，模型對未來數據具有較好的泛化能力[26]。

1.4.4線性回歸

線性回歸是利用線性回歸方程的最小平方函數對一個或多個自變量和因變量之間關系進行建模的一種回歸分析，數據使用線性預測函數來建模，并且未知的模型參數也是通過數據來估計[27]。

1.4.5嶺回歸

嶺回歸是一種旨在消除最小二乘估計因多重共線性而引起的不良后果的回歸估計方法，是一種有偏估計，由HOERL和KENNARD提出的一套改進方法[28]。

1.4.6神經網絡回歸

神經網絡回歸是模擬人腦神經元進行預測的一種經典機器學習算法，其特點是預測精度高，應用廣泛，具備非常良好的非線性收斂能力， 并且在訓練過程中具有簡單高效的特點，可以模擬系統的非線性特征[29-32]。

1.5 模型評價指標

1.5.1決定系數

決定系數用于考察數據集樣本預測值和真實值之間的相關程度，取值范圍為0～1，越接近1，表明模型對數據擬合越好。

1.5.2誤差

因為生菜在不同的生長階段，樣本鮮質量差別很大，所以不適合采用平方根誤差、均方根誤差作為模型的評價指標。相對誤差RE是測量所造成的絕對誤差與被測量真值的比值，更能反映生菜鮮質量樣本點測量的可信程度。相對誤差平均值MRE是所有樣本點的相對誤差的平均值，所以采用相對誤差的平均值更適合描述生菜鮮質量估算模型，其值越小，表明模型對樣本預測能力越高。相對誤差標準差σ是所有樣本點相對誤差的標準差，采用相對誤差標準差能夠反映模型預測樣本相對誤差的波動程度，其值越小，表明模型對樣本預測能力越高。

2 結果與討論

2.1 生菜鮮質量預測最優模型

選用機器學習中的高斯過程回歸、支持向量機回歸、線性回歸、嶺回歸和神經網絡回歸模型對訓練集數據進行訓練，建立訓練模型。將驗證集數據導入訓練的模型中，用決定系數、相對誤差平均值和標準差評價5種模型，選出最優模型。

從圖8可以看出，日光溫室生菜鮮質量估算的最優模型為高斯過程回歸建立的模型。模型的決定系數為0.949 3，高于支持向量機、線性回歸、嶺回歸和神經網絡回歸模型。模型相對誤差的平均值和標準差分別為11.50%和11.21%，明顯小于支持向量機回歸、線性回歸、嶺回歸和神經網絡模型。這主要因為高斯過程回歸模型中預測值是對觀察值的插值，預測是帶有概率，可以用來計算經驗置信區間和超越概率，以便重新擬合預測，特別適用于小數據集預測模型[26-27]。其中線性回歸模型和嶺回歸模型當生菜鮮質量比較小時，預測出的鮮質量有負值出現；神經網絡回歸當生菜鮮質量低于50 g時，預測出的鮮質量誤差比較大。所以，利用高斯過程回歸方法預測的生菜個體鮮質量更準確。

2.2 不同輸入特征下模型比較

將模型輸入分別去除顏色、紋理和環境特征后，利用剩余特征數據訓練得到相關模型，分別定義為模型a、模型b和模型c，其中將模型輸入原特征(帶有顏色、紋理和環境特征)數據訓練得到的模型定義為模型d。用決定系數、相對誤差平均值和標準差，評價顏色、紋理和環境參數在生菜鮮質量估算中的作用。

如表4所示，對比模型d，模型a的R2減小0.020 9、MRE增加5.01個百分點、σ增加8.37個百分點，模型b的R2減小0.012 8、MRE增加1.97個百分點、σ增加2.01個百分點，模型c的R2減小0.015 0、MRE增加0.98個百分點、σ增加0.10個百分點，說明顏色、紋理和環境特征在生菜鮮質量估算中具有一定作用。一般來說，生菜外層葉子外輪廓表現為整株生菜冠層輪廓特征(冠層面積和冠層周長)，中層或內層葉子很難通過整株生菜冠層輪廓特征表征。當生菜冠層輪廓特征比較接近時，如果生菜缺水，呈現的紋理和顏色特征會發生變化。另一方面，假設生菜歷經5 d輻射和溫度累積的影響后，如果生菜健康生長，葉片表現較厚，如果生菜不健康生長，葉片表現較薄。同時，由于葉片存在相互遮擋，葉片厚度將很難通過主視或俯視二維圖像呈現。上述情況下若僅依靠冠層投影輪廓將很難準確估算生菜鮮質量，因此，顏色、紋理和環境特征參數在生菜鮮質量估算中有不可替代的作用。

表4 不同輸入特征下回歸模型性能參數比較Tab.4 Comparison of performance parameters of regression models under different input characteristics

2.3 生菜鮮質量模型分段預測能力

將驗證集中生菜樣本按照鮮質量分成3個區間，代表生菜生長不同階段樣本。評估利用高斯過程回歸方法建立的模型對生菜不同生長階段個體鮮質量的預測能力。

將驗證集數據按照鮮質量真實值劃分為0～55 g、55～102 g、102～300 g 3個鮮質量區間，每個區間26個樣本數據，分別編號，得到樣本區間的相對誤差的平均值和標準差。從圖9可以看出，0～55 g區間的預測生菜鮮質量相對誤差的平均值和標準差明顯大于55～102 g、102～300 g 2個區間，而且出現一個相對誤差為74.06%的數據，表明當生菜鮮質量比較小時，鮮質量估算相對誤差比較大，主要是因為當生菜比較小時，葉片薄且數量少，形狀特征參數很容易受到外界環境(例如溫度、光照、風速等)變化的影響；當生菜比較大時，生菜的葉片相對較厚、數量多且緊湊，形狀特征參數不易受到外接環境變化的影響，由圖9b生菜預測鮮質量的相對誤差的平均值和標準差居中可以得到驗證；在生菜生長后期，由于生菜的葉面積較大，根部吸收的水分和葉片蒸散的水分比較大，對生菜鮮質量的影響較前一階段影響大，由圖9c預測生菜鮮質量的相對誤差的平均值和標準差比55～102 g區間大可以得到驗證。

2.4 驗證模型的泛化能力

在第2批次生菜的生長期內選擇3個階段，每個階段選取10個樣本數據，預測生菜群體的鮮質量，驗證模型的泛化能力和可靠性。個體可以看作樣本數量為1的群體，為了能夠利用有限的樣本獲得不同數量的群體樣本，將每階段生菜樣本做組合處理，具體步驟如下：

(2)計算第1階段預測生菜群體鮮質量樣本數為l的相對誤差的平均值和標準差。

(3)依次選取第2、3階段的樣本，分別循環步驟(1)～(2)，得到第2階段和第3階段的預測生菜群體鮮質量樣本數為l(l=1，2，…，10)的相對誤差的平均值和標準差。

如圖10所示，可以看出模型預測個體(l=1)生菜鮮質量相對誤差的平均值和標準差較大，預測生菜群體鮮質量的相對誤差的平均值和標準差較小，預測生菜群體(l=10)鮮質量相對誤差的平均值與預測的生菜個體(l=1)鮮質量相對誤差的平均值在3個生長階段分別相差4.44、5.71、5.89個百分點；隨著群體樣本數的增多，預測生菜群體鮮質量相對誤差的平均值和標準差逐漸減小，其中相對誤差的平均值最終趨于穩定，相對誤差的標準差逐漸減小。主要因為生菜樣本個體差異，預測的生菜個體鮮質量有正偏離，有負偏離，經過求和，抵消了一部分鮮質量差異，使得預測群體鮮質量的相對誤差明顯減小。

在實際的應用過程中，比較容易獲取群體生菜的冠層投影圖像信息，群體生菜的株高參數卻不易獲取[33]。所以在群體鮮質量估算時，研究去除株高特征參數的模型具有重要的意義。因此，將數據集中的株高特征參數去除，僅利用冠層投影圖像中的形狀特征(冠層投影面積和周長)、顏色特征、紋理特征和環境信息，采用高斯過程回歸方法建立模型，驗證模型對生菜群體鮮質量的預測能力，并將兩種模型(有株高(模型1)、無株高(模型2))的預測能力做比較。生菜群體樣本數量為10。

從圖11可看出，模型1和模型2預測生菜群體鮮質量的相對誤差比較接近，最大不超過1.54個百分點，說明采用模型2能夠達到模型1估算生菜群體鮮質量的目的。模型2的輸入數據集中去除了生菜株高這一維度的特征數據，導致模型2預測的個體鮮質量比模型1預測的相對誤差波動大，表明模型2預測生菜個體鮮質量能力有所下降。然而，對于生菜群體鮮質量來說，較大的個體鮮質量誤差，最終對群體的預測能力有可能增加，從圖11b中模型2比模型1預測的生菜群體鮮質量的相對誤差小得到驗證。所以，模型1和模型2都能夠達到準確預測生菜群體鮮質量的目的。對于實時監測生菜群體鮮質量的場所，采用模型2更具有優勢。因為不需要獲得生菜的株高信息，而僅需要獲得生菜群體冠層圖像就可以準確預測出群體鮮質量。因此，在無損監測生菜群體鮮質量方面，模型2比模型1更具有優勢。利用上述方法預測的群體鮮質量，可為基質培綠葉菜類作物的栽培管理決策提供數據支撐。

3 結論

(1)提出了基于表型特征參數和生長過程環境參數融合的鮮質量估算方法，并用于日光溫室基質培環境下生菜個體和群體的鮮質量無損估算。利用具有少樣本建模優勢的高斯過程回歸方法，以生菜生長過程為對象，建立了表型參數和環境參數與生菜鮮質量的回歸關系模型。

(2)通過采集同批次生菜樣本個體在不同生長階段的表型特征參數及其鮮質量，用于表征該生長點的作物表型參數與鮮質量的回歸關系，通過在生菜全生育期上密集取樣，獲得了整個生長期上表型參數與鮮質量的完備表達。

(3)日光溫室基質培生菜鮮質量估算，最優模型為高斯過程回歸建立的模型，模型的決定系數R2為0.949 3，相對誤差平均值為11.50%，相對誤差標準差為11.21%。與支持向量機回歸、線性回歸、嶺回歸和神經網絡回歸模型相比，高斯過程回歸模型更適用于小樣本數據集建立的鮮質量估算模型，預測精度更高，相對誤差更小。

(4)本文生菜鮮質量估算模型，可以預測出生菜在生長過程中個體鮮質量和群體鮮質量。雖然生菜的個體鮮質量預測相對誤差比較大，但是生菜群體鮮質量預測相對誤差較小，預測生菜群體鮮質量相對誤差的平均值與預測的生菜個體鮮質量相對誤差的平均值在3個生長階段分別相差4.44、5.71、5.89個百分點；隨群體數量的增加，預測生菜群體鮮質量相對誤差的平均值和標準差逐漸減小。利用預測的群體鮮質量數據可為基質培綠葉菜類作物的栽培管理決策提供數據支撐。