基于梯度提升算法的溫室黃瓜株高生長模擬

翟子鶴 陳小文 高莉平 張天柱*

(1.中國農業大學 水利與土木工程學院，北京 100083； 2.北京中農富通園藝有限公司，北京 100083)

黃瓜的表型可以直觀的反映出特定品種的生長狀況，對黃瓜的精細管理、可視化建模和遺傳改良具有重要的研究意義。準確模擬黃瓜表型可以減少人工測量成本，跟蹤監測作物長勢，是黃瓜表型研究中的重要方向。目前主要通過經驗回歸模型和圖像學技術對黃瓜表型進行模擬。但是經驗回歸模型在應用時需要確定較多的參數，應用性有限；基于圖像學的模擬缺乏生物學基礎。株高是黃瓜的重要表型性狀，與葉面積指數(LAI)有一定關系，同時株高也是黃瓜高產穩產的基礎。黃瓜株高與周圍的小氣候密不可分，有學者針對環境因子對黃瓜株高的影響進行了研究，為種植者提供了管理依據，同時也為黃瓜株高生長模擬提供了研究基礎。

溫室黃瓜株高的模擬可以實時評估作物長勢，了解環控效果，從而優化環控目標，許多學者對溫室黃瓜株高模擬進行了研究。Kahlen等利用光量和葉面積作為黃瓜株莖節間變化的驅動因子，用回歸分析的方法建立了黃瓜最終節間長度的模擬模型；李青林等建立了黃瓜節間長度和節間直徑的線性模型；李葉萌等分別以有效積溫、活動積溫和輻射積作為株高的影響因子，建立了黃瓜株高的Logistic模型，結果顯示利用輻熱積指標模擬的精度較高。上述模型具有較強的機理性，但模型應用需要依賴較多的經驗因子，實用性不強，而且實際生產中黃瓜株高的變化往往受多種因素的共同影響，難以用特定的數學函數關系來表達。機器學習是通過一定的算法從大量的歷史數據中去學習規律，從而對新的樣本去做預測或者分類，不需要任何經驗值，近年來已應用在部分作物株高的模擬中。但是基于機器學習算法的溫室黃瓜株高的模擬研究尚不多見。

XGBoost(Extreme gradient boosting)模型對于中小數據集具有較佳的預測表現，且具有算法可拓展性強、對異常值包容性強、并行速度快和加入正則項以防止過擬合等優點。本研究在3個連棟玻璃溫室中進行溫室環境數據和黃瓜株高生長數據的采集，采用XGBoost模型分別建立黃瓜5個生育期的株高生長量模擬模型，并與LASSO模型進行對比試驗，同時進行黃瓜5個生育期各因子與株高生長量的相關性分析，并結合XGBoost模型的特征重要性確定各生育期影響株高生長的重點因子，為溫室黃瓜生產環境調控優化提供決策支持，同時為進一步建立黃瓜的產量和品質模型奠定基礎。

1 材料與方法

1.1 溫室概況

試驗地點位于河北省邢臺市南和區的連棟溫室群，該溫室群由1個育苗溫室，10個生產溫室，共11個連棟溫室及中部連廊組成。溫室頂部覆蓋材料為鋼化玻璃，溫室立面為中空玻璃。溫室立面底部的外墻材質為磚墻，高度為1.0 m，厚度為370 mm。單棟溫室東西方向19跨，每跨長9.6 m,共182.4 m；南北方向共13個開間，每個開間4.0 m，共52.0 m。溫室冬季的采暖方式為熱水供暖，夏季采用濕簾-風機降溫。栽培方式采用巖棉-椰糠復合栽培，行距為1.6 m，株距為25 cm。整枝方式為單稈整枝。灌溉方式為滴灌，在結果期之前和結果期分別使用不同的配方，每周根據基質的EC/pH進行濃度的動態調整，保證植株正常的營養供給。溫室的環控由北京豪根道農業技術有限公司開發的氣候環境控制系統(ISII)進行調控。本試驗選用的溫室為6、7和8號生產溫室。

1.2 數據采集方法

單棟溫室面積較大，溫室不同方向的建筑結構和設備的不同會影響溫室的保溫性和光照分布的均勻性，進而造成溫室不同區域內的環境存在較大差異，因此將溫室劃分為多個小區域，每個區域均布點測量。考慮到東西側和南北側的邊際效應，東側和西側的傳感器分別布置在距離東墻19.2 m和西墻28.8 m處，東西方向各傳感器之間的距離為 67.2 m。南側和北側的傳感器分別布置在距離南墻8.0 m和距離北墻12.0 m處，各傳感器之間的距離為16.0 m。每個溫室設9個測點，3個溫室共27個測點。每個測點均采用普銳森社高精度溫濕度傳感器測量空氣溫濕度，采用普銳森社光照傳感器測量光照強度，各傳感器設備參數見表1。溫濕度傳感器布置在椰糠條上方1.5 m處，并在其探頭處套一個鋁箔盒使其免受太陽輻射，光照傳感器布置在植株上方，并且保證其不受遮擋。溫濕度傳感器和光照傳感器的采集間隔均設置為5 min。

黃瓜的品種為荷蘭瑞克斯旺公司研制的‘冬之光’，該品種耐寒性好，抗病性強，適合于早春、早秋和秋冬溫室栽培。黃瓜為三葉一心時定植，從定植后開始計算生育期。黃瓜自根部往上第6莖節處開始留果，由于黃瓜植株個體間存在差異，每個測點周圍選擇固定3棵試驗植株進行株高測量，取其均值。由于黃瓜在溫室中的長速較快，故設定測量頻率為1天1次，測量時間為每天8:00—9:00。株高前期用鋼卷尺測量巖棉上表面至生長點的高度，待植株長到一定高度后用30 cm直尺直接測量其生長量。

表1 傳感器設備參數
Table 1 Sensor device parameters

傳感器名稱Sensor name型號Type量程Range精度Accuracy誤差Error溫度傳感器 Temperature sensorPR-3003-WS-5-40～80 ℃0.1 ℃±0.1 ℃傳感器濕度 Humidity sensorPR-3003-WS-50～100%0.1%±1.5%光照傳感器 Light sensorPR-3002H-M-4G0～20萬 lx1 lx±7.0%

試驗共進行了3個播期的數據采集。7號溫室黃瓜的生長周期為2020年8月28日—2020年12月7日，6號溫室黃瓜的生長周期為2020年9月26日—2021年1月7日，8號溫室黃瓜的生長周期為2020年10月29日—2021年2月25日。

1.3 數據預處理

生育期階段劃分：黃瓜在不同生育期的生長特性存在差異，為減小植株本體生長特性對模擬結果的影響，根據文獻資料[22-23]和研究實際情況，將黃瓜的生長周期劃分為5個階段，分別建立株高生長量模擬模型，階段劃分依據如下：幼苗期：定植至第4～5片真葉展開；伸蔓期：第4～5片真葉展開至第一雌花完全開放；結果前期：第1雌花完全開放至根瓜采收；結果中期：根瓜采收至大量產瓜結束；結果末期：果實成熟緩慢至拉秧。將全部數據按照上述標準進行劃分。

缺失值：光照傳感器的數據傳輸方式為GPRS，且需外接電源，由于園區內的斷電或者傳輸信號的不穩定會造成數據缺失，故對于缺失值先用3次樣條插值法進行插值，對插值后產生的個別負值進行剔除，并用線性插值法再次進行插值。

異常值：對光照異常數據采用均值法進行平滑修復，即：

(1)

式中：

x

為異常數據，lx；

x

-1和

x

+1為相鄰有效數據，lx。

特征選擇：由日常管理經驗和文獻資料可知，溫室內每天溫濕度的上下限、平均溫度、平均濕度、平均光強、最大光強、生長天數和水肥條件對黃瓜的生長發育有不同程度的影響，但是水肥條件在溫室中往往較易控制，且本試驗中植物在黃瓜結果前和結果后分別采用固定的配方，故在本研究中水肥作為定量因子，不作為模型特征。同一生育期不同的生長階段植株本體生長勢不同，為減小由于植物當前生長勢差異對株高生長量造成的影響，引入當前生育期生長天數這一特征，每一生長期的第1天測量標記為“1”，第2天測量標記為“2”，依次類推。最終選取的特征為：日平均光強、日最大光強、日平均溫度、日最高溫度、日最低溫度、日平均濕度、日最大濕度、日最小濕度和當前生育期生長天數。

1.4 模型建立方法

梯度提升(Gradient boosting)算法是Boosting中的一大類算法，其基本原理是根據當前模型損失函數的負梯度信息來訓練新加入的弱分類器，然后將訓練好的弱分類器以累加的形式結合到現有模型中。采用決策樹作為弱分類器的梯度提升算法被稱為梯度提升樹(Gradient boosting decison tree, GBDT)。XGBoost是基于梯度提升樹的一種集成算法，其基學習器為分類回歸樹，損失函數對誤差部分進行了二階泰勒展開，提升了精準度。其目標函數分為2個部分，一部分是損失函數，一部分是正則化項(用于控制模型的復雜度，包括L正則化和L正則化)。目標函數表達式如下：

(2)

式中：

n

為樣本數，個；為整個模型第

i

個樣本的預測值，cm；

y

為第

i

個樣本的真實值，cm；

K

代表全部樹的數量，顆。

若使用L正則化，則正則化項展開式如下：

(3)

若使用L正則化，則正則化項展開式如下：

(4)

若同時使用L正則和L正則，則正則化項的展開式如下：

(5)

式中：

γ

控制葉子數量，個；

α

為L正則參數；

λ

為L正則參數；

ω

為決策樹所有葉子節點值組成的向量；

T

為葉子節點數，個。

XGBoost模型中的各關鍵參數釋義如下：N_estimators是集成算法中弱評估器的數量，此參數值越大，模型的學習能力越強，但是模型過擬合的風險越大，一般以300以下為佳；Max_depth為模型中樹的最大深度，用于避免過擬合，此參數的值越大，代表模型越復雜，越容易過擬合，一般的取值范圍為3～10；Min_child_weight控制葉子上所需的最小樣本量，用于控制過擬合；Subsample控制對于隨機抽取的用于訓練的數據的比例，典型值為0.5～1.0；Learning_rate為迭代速率，通過減小每一步的權重以提高模型的魯棒性，典型值為0.01～0.30。

LASSO回歸是在普通線性回歸的目標函數后面加入了L范數懲罰項，能夠同時實現變量選擇和參數估計。其目標函數如下：

(6)

式中：

m

為樣本數，個；

h

(

x

())為整個模型第

i

個樣本的預測值，cm；

y

()為整個模型第

i

個樣本的實測值，cm；

n

為參數數量，個；

λ

為調整參數；

θ

為回歸系數。

本研究用XGBoost模型分別建立黃瓜5個生育期的株高生長量模擬模型，并與LASSO模型進行對比分析。模型的輸入量為日平均光強、最大光強、日平均溫度、日最高溫度、日最低溫度、日平均濕度、日最大濕度、日最小濕度和當前生育期生長天數，輸出量為每日株高生長量。

根據每個生育期數據集的大小進行訓練集和測試集的劃分。其中，苗期、伸蔓期、結果前期和結果末期的數據集均按照8∶2隨機劃分為訓練集和測試集，結果中期的數據集按照9∶1隨機劃分為訓練集和測試集。

1.5 模型評估指標

采用決定系數

R

，均方誤差(MSE)，平均絕對誤差(MAE)作為模型的評價分析指標。若模型的

R

越大，MSE和MAE的值越小，則說明模型的擬合效果越好。

(7)

(8)

(9)

式中：

n

為樣本數，個；為第

i

個樣本的預測值，為

n

個樣本的平均值，cm；

y

為第

i

個樣本的真實值，cm。

1.6 影響株高生長重點因子的確定方法

相關性分析和模型特征重要性得分均可在一定程度上反映各因子對株高生長的影響程度。Pearson相關系數法能在一定程度上反映因子間的相關性大小，但是由于其假設是線性相關，而實際上植物和環境因子之間并非完全的線性相關，所以不可僅僅依照Pearson相關系數法的結果確定影響株高生長的重點因子。XGBoost模型的特征重要性得分是基于已經建立好的模型所得出的，特征重要性得分一方面可以反映某一特征對模型預測精度的影響，同時也可在一定程度上反映某一特征對因變量的影響，體現模型的可解釋性，所以把這2種方法的結果放在一塊可以更好的確定哪個因子對株高生長量的影響最大：即若某因子和株高的相關性很強，同時這一因子的特征重要性得分也很高，即可認為這一因子對株高生長的影響最大。

采用SPSS軟件進行各因子間、各因子與株高的Person相關分析，得到相關系數。相關系數的取值范圍為[-1，1]，相關系數的絕對值越大，代表相關性越強。基于已經建立好的各生育期XGBoost模型采用Gain(信息增益的泛化概念，在XGBoost中指節點分裂時，該特征帶來信息增益優化的平均值)獲得特征重要性得分，特征重要性得分取值范圍為[0，1]，得分越高，代表此特征對模型預測精度的影響越大。因子確定原則為：以相關性分析為主，取排名前3的相關性分析和特征重要性分析中的共有因子。

2 結果與分析

2.1 黃瓜株高生長量模擬模型的建立

機器學習的模型的預測效果一方面取決于數據本身的質量，另一方面取決于模型參數的調整。在調參過程中，首先進行XGBoost模型和LASSO各關鍵參數的范圍設置，如表2所示。

由于XGBoost模型各關鍵參數的重要程度不同，且部分關鍵參數互相之間的影響很大，故將關鍵參數分為3組，按調參順序依次為：N_estimators和Learning_rate，Max_depth和Min_Chil_weight，Subsample。使用網格搜索和交叉驗證的方法依次對上述3組的參數組合進行調整，每個參數在參數設置范圍內選取3～5個候選值，調整過程中上組參數調到最優后在下一組中固定最優參數，然后進行調整，依次類推。LASSO模型的關鍵參數Alpha為L正則化參數，用于控制模型的過擬合。經過多輪測試調參，最終確定的關鍵參數值如表3所示。

表2 模型參數范圍設置
Table 2 Range setting of model parameters

模型Model參數Parameter范圍RangeN_estimators 50～300Learning_rate0.01～0.30XGBoostMax_depth3～7Min_child_weight0～6Subsample0.50～1.00LASSOAlpha 0～10

表3 XGBoost和LASSO的模型參數
Table 3 Model parameters of XGBoost and LASSO

生育期Development stageXGBoostLASSO學習率Learning_rate最小樣本和權重Min_child_weight最大樹深Max_depth樹的個數N_estimators隨機采樣比Subsample正則參數Alpha苗期 Seedling stage0.01662500.740.10伸蔓期 Tendril elongation stage0.03651250.740.20結果前期 Initial fruiting stage0.03632000.851.92結果中期 Full fruiting stage0.03352000.740.05結果末期 Last fruiting stage0.03432100.940.01

由最終所得的模型得到在測試集上各生育期株高生長量的模擬曲線(圖1～5)，由模擬曲線可以看出，在苗期、伸蔓期、結果前期和結果末期，XGBoost模型的擬合效果較好。而在結果中期，XGBoost模型的擬合效果一般，對于日平均株高生長量較多的少數點(>8 cm)，XGBoost的模擬值明顯偏小。LASSO模型在5個生育期的擬合效果均較差，模擬性能均低于XGBoost。LASSO模型在結果中期的模擬效果在5個生育期中最差，對日平均生長量較多的點和日平均生長量較低的點均不能較好的擬合，個別點的模擬值和真實值的差距過大。

圖1 苗期株高生長量模擬曲線Fig.1 Simulation curve of plant height growth at seedling stage

圖2 伸蔓期株高生長量模擬曲線Fig.2 Simulation curve of plant height growth at tendril elongation stage

圖3 結果前期株高生長量模擬曲線Fig.3 Simulation curve of plant height growth at initial fruiting stage

圖4 結果中期株高生長量模擬曲線Fig.4 Simulation curve of plant height growth at full fruiting stage

圖5 結果末期株高生長量模擬曲線Fig.5 Simulation curve of plant height growth at last fruiting stage

表4 2種模擬方法的結果評價
Table 4 Evaluation of two simulation methods

生育期Development stage模型ModelR2MSEMAE訓練Train測試Test訓練Train測試Test訓練Train測試Test苗期Seedling stageXGBoost0.8350.8210.2310.1410.2620.254LASSO0.4300.3630.7970.5020.6270.548伸蔓期Tendril elongation stageXGBoost0.8930.8051.1121.7170.7540.892LASSO0.6550.6433.5843.1351.4551.387結果前期Initial fruiting stageXGBoost0.8700.8011.3792.7380.8921.227LASSO0.5070.5025.2246.8321.7882.017結果中期Full fruiting stageXGBoost0.7720.5020.9962.5500.7661.192LASSO0.3420.2162.8734.0121.3231.448結果末期Last fruiting stageXGBoost0.8550.7010.8871.5630.7390.967LASSO0.5580.5232.7062.5001.3001.239

從模型的模擬效果來看，XGBoost在5個生育期訓練集和測試集的

R

均高于LASSO，MSE和MAE均低于LASSO，表明XGBoost在整個生育期的模擬性能要優于LASSO。XGBoost在苗期、伸蔓期、結果前期和結果末期的測試集的

R

均大于0.700，具有良好的模擬性能，其中苗期的模擬效果最好，測試集的

R

為0.821。XGBoost在結果中期的測試集

R

為0.502，模擬性能一般。LASSO模型在5個生育期的測試集的

R

均較低，模擬性能較差。從模型的穩定性上來看，XGBoost在苗期、伸蔓期、結果前期和結果末期的訓練集和測試集的表現較為穩定，但在結果中期有一定波動，訓練集和測試集的

R

的差距較大，表明模型存在輕度過擬合的現象。LASSO在5個生育期的訓練集和測試集的表現較為穩定。

2.2 影響株高生長的重點因子的確定

由于因子組合的共線性現象會影響相關性分析結果的可信度，故需要先確定各生育期因子組合是否存在共線性，以便后面更好的進行影響株高生長的重點因子的確定。考慮溫室生產的實際情況，規定若因子間相關系數的絕對值>0.85，即說明因子間存在共線性。采用Person相關數法進行分析，結果如表5所示。

表5 各生育期的共線性因子
Table 5 Collinearity elements of every stage

生育期Development stage共線性因子Collinearity element苗期 Seedling stage日平均溫度和日最低溫度、日平均濕度和日最大濕度、日平均濕度和日最小濕度伸蔓期 Tendril elongation stage無結果前期 Initial fruiting stage日平均濕度和日最大濕度結果中期 Full fruiting stage無結果末期 Last fruiting stage無

進行了各生育期因子間的共線性分析后即可進行影響株高生長的重點因子的確定(圖6～圖10)。苗期相關性分析和模型特征重要性得分見圖6。在苗期和株高生長量相關性排名前3的因子從高到低依次為：當前生育期生長天數、日最大光強和日最低溫度，其中當前生育期生長天數的相關系數最大，為0.40。當前生育期生長天數代表黃瓜在苗期不同階段的長勢情況。在苗期的初始，植株較小，整體長勢較弱，隨著生長天數的增加，植株葉片逐漸增加，植株自身的長勢逐漸增強，株高的增量也逐漸增加。但是這一因子的值并非越大越好，若過大，表明植物可能存在徒長，影響開花結果，造成生殖生長和營養生長不平衡，這會影響植物的干物質積累，從而影響產量。因此在實際生產過程中，若隨著生長天數的增加植物出現長速過快的情況，則需要及時采取措施來進行調整。同時當前生育期生長天數在模型的特征重要性得分中最高，這表明此特征對模型的預測結果影響最大，且由表5可知，當前生育期生長天數與其他因子間不存在共線性。故綜合分析可得當前生育期生長天數是苗期影響株高生長的重點因子。

Lave表示日平均光強，Lmax表示日最大光強，Tave表示日平均溫度，Tmax表示日最高溫度，Tmin表示日最低溫度，Have表示日平均濕度，Hmax表示日最大濕度，Hmin表示日最小濕度，Day表示當前生育期生長天數。下同。 Lave represents the daily average light intensity, Lmax is the daily maximum light intensity, Tave is the daily average temperature, Tmax is the daily maximum temperature, Tmin is the daily minimum temperature, Have means daily average humidity, Hmax is the maximum daily humidity, Hmin represents the minimum daily humidity, Day represents the growth days of the current growth stage. The same below.圖6 苗期株高與各因子相關性分析(a)和模型特征重要性得分(b)Fig.6 Correlation analysis between plant height and various elements (a) and feature importance score of model (b) at seedling stage

伸蔓期相關性分析和模型特征重要性得分見圖7。在伸蔓期和株高生長量相關性排名前3的因子從高到低依次為：日平均濕度、日平均溫度和日最大濕度，其中日平均濕度的相關系數最大，為0.63(日平均濕度的相關系數為0.634 7，大于日平均溫度的0.634 5)。濕度可以影響作物蒸騰，而蒸騰作用是植物吸收水分和營養物質的動力，空氣濕度過大會降低植株的蒸騰作用，導致營養物質的吸收和運輸能力下降；空氣濕度過低，會造成葉片邊緣以及葉尖的壞死，進而影響植株生長。在伸蔓期，黃瓜的長勢較苗期顯著增強，并由營養生長為主向生殖生長過渡，對水分和營養物質的需求加大，故此階段日平均濕度對株高生長量的影響較大。同時日平均濕度在模型特征重要性得分中最高，且由表5可知伸蔓期日平均濕度與其他因子間不存在共線性。故綜合分析可得日平均濕度是伸蔓期影響株高生長的重點因子。

圖7 伸蔓期株高與各因子相關性分析(a)和模型特征重要性得分(b)Fig.7 Correlation analysis between plant height and various elements (a) and feature importance score of model(b) at tendril elongation stage

結果期相關性分析和模型特征重要性得分見圖8～10。在結果前期、中期和后期，和株高生長量相關性最強的因子均為日平均溫度，相關系數分別為0.72、0.55和0.49。溫度對黃瓜的生長至關重要，結果期植株同時進行營養生長和生殖生長，且以生殖生長為主。適宜的溫度可以讓植株更加有效的進行光合作用，促進株高的生長，同時日平均溫度這一特征在結果前期、中期和后期的特征重要性得分排名依次為第3、第1和第1，且由表5可知，這3個生育期日平均溫度與其他因子均不存在共線性。故綜合分析可得日平均溫度是結果期影響株高生長的重點因子。

圖8 結果前期株高與各因子相關性分析(a)和模型特征重要性得分(b)Fig.8 Correlation analysis between plant height and various elements (a) and feature importance score of model(b) at initial fruiting stage

圖9 結果中期株高與各因子相關性分析(a)和模型特征重要性得分(b)Fig.9 Correlation analysis between plant height and various elements (a) and feature importance score of model(b) at full fruiting stage

圖10 結果末期株高與各因子相關性分析(a)和模型特征重要性得分(b)Fig.10 Correlation analysis between plant height and various elements (a) and feature importance score of model(b) at last fruiting stage

3 討論與結論

3.1 各生育期XGBoost模型的模擬性能

黃瓜的生長發育受溫度、濕度和光照等多種環境因素的影響，采用1種或2種環境因子對黃瓜生長進行模擬難免產生一定的模擬誤差。本研究選取3個高產連棟玻璃溫室，以溫室內日平均光強、日最大光強、日平均溫度、日最高溫度、日最低溫度、日平均濕度、日最大濕度、日最小濕度和當前生育期生長天數為輸入量，黃瓜株高每日生長量為輸出量，采用XGBoost模型建立了黃瓜不同生育期的株高生長量模擬模型，并與LASSO模型進行了對比分析。XGBoost模型在黃瓜不同生育期的模擬性能均優于LASSO模型，苗期、伸蔓期、結果前期和結果末期表現出了較好的擬合效果，結果中期的擬合效果一般，本研究所建立的XGBoost模型的模擬性能整體上與李葉萌等通過輻熱積法建立的黃瓜株高模擬模型較為接近，但是XGBoost模型不依賴3基點溫度等經驗因子，實用性更強。XGBoost模型在結果中期的模擬效果相對一般的原因可能是此階段營養生長和生殖生長同時進行，株高的變化規律較其他時期更為復雜，模型對數據集的學習難度增加，導致模擬效果不如其他時期。從擬合曲線綜合來看，XGBoost模型對每個時期中絕大部分數據點都進行了較好的擬合，但是日株高生長量較多點XGBoost模型沒有很好的擬合上，在結果中期的表現尤為明顯，這可能是由于數據集本身的樣本量不多，而增長量較多的樣本在數據集中的占比很低，模型不易學習到這種變化規律。曾志雄等利用XGBoost模型對豬舍溫度預測的研究表明個別離群點和小規模數據集可能會降低模型的擬合效果，與本研究的結果類似。因此在后續研究中可增加樣本數據量和優化特征工程，以進一步提高XGBoost模型的模擬性能。

3.2 各生育期影響株高生長的重點因子

在黃瓜的生長過程中，不同的環境因子對株高生長的影響程度在不斷變化，確定黃瓜各個生育期影響株高生長的重點因子可以為溫室黃瓜生產環境調控提供參考依據。本研究分別進行了黃瓜不同生育期株高生長量與各因子的相關分析，并結合各生育期已經建好的XGBoost模型的特征重要性得分來確定各生育期影響株高生長的重點因子。結果表明：苗期、伸蔓期和結果期影響株高生長的重點因子分別是當前生育期生長天數、日平均濕度和日平均溫度。張帆洋等研究發現在黃瓜全生育期的中后段，日平均溫度和株高生長量有極顯著的相關性，與本研究的研究結果一致。由于溫室的環境因子和時間因子存在一定的耦合關系，這種耦合關系是溫室內多種因素綜合作用的結果，往往較為復雜，可能有線性和非線性等多種形式，本研究所得出的各生育期影響株高生長的重點因子在確定過程中只考慮了線性耦合形式，而對于非線性耦合對最終結果的影響還有待進一步研究。

3.3 XGBoost模型的適用性

在中國現有的溫室作物種植中，溫濕度和光照是最為常見的環境監測因子，數據獲取較為便利，同時由于XGBoost是基于數據驅動的模型，不依賴于經驗因子，所以本研究所建立的溫室黃瓜株高生長模擬模型具有通用的潛力，也可為溫室作物其他生長量的模擬提供研究思路。由于本研究是在可控溫室內進行的，黃瓜的生長未受到營養脅迫和環境脅迫，若外部環境和水肥條件變化較大，模型的模擬性能則會受到一定影響，所以該模型在適應性和穩定性方面存在一定局限性。本研究所建立的溫室黃瓜株高生長模擬模型主要針對特定的黃瓜品種和栽培條件，對不同黃瓜品種和栽培條件還有待進一步研究。