温度与光照条件下金鱼草生长模型的研究

《温度与光照条件下金鱼草生长模型的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、III摘要本研究主要对温室的温光数据和金鱼草生长数据（叶片干物质含量、株高、叶面积等）进行收集，基于金鱼草生长发育的生理辐热积（PTEP）来建立温室环境下金鱼草叶面积、单位面积叶片干物质含量和外观品质的模拟模型，来对温室金鱼草生产和调控进行预测及决策支持。主要研究结果如下，1、温室环境金鱼草生长发育预测本研究基于金鱼草生长发育阶段的生理辐热积，来预测金鱼草完成各发育阶段的预计天数及花期，通过试验观察金鱼草完成各发育阶段的实际天数，并将观察值与预测值通过回归估计标准误差公式来计算，两者之间的误差分别为2.2和2.8d，且基于1:1线的

2、决定系数R2=0.97，预测值和观察值相似度较高。基于生理辐热积的金鱼草发育模拟模型预测度较高，可为温室金鱼草周年生产光温调控的优化提供决策支持。2、温室环境金鱼草叶面积预测本研究模型基于金鱼草生长发育的生理辐热积对金鱼草叶片生长速率和叶片长度预测，由叶面积计算公式L2A=LL×Am来计算叶面积预测值，并通过观测得到金鱼草叶面积观察值，两种结果基于1:1直线的决定系数(R2)为0.91，回归估计标准误差为0.65、0.42，预测值与观察值相似度较高。基于生理辐热积建立的温室金鱼草叶面积模拟模型，可以准确地预测在肥水供应充足、种植密度

3、适宜的温室环境下金鱼草叶面积指数。本模型综合考虑了温度、光合有效辐射和日照时长对金鱼草叶面积形成的影响，模型参数少且容易获得、预测精度高、实用性强，为温室金鱼草生产预测和外观品质的调控提供理论依据与决策支持。3、温室环境金鱼草叶片干物质生产预测本研究基于生理辐热积对单位面积金鱼草叶片干物质含量进行预测，预测值与实测值基于1:1线间的R2和RMSE分别为0.96和0.15g·m-2，而基于光合作用的干物质生产模型(R2和RMSE分别为0.82和0.42g·m-2)。生理辐热积法对单位面积金鱼草叶片干物质的预测精度比基于光合作用的预测精

4、度提高了64.2%。因此生理辐热积为尺度，构建温室单位面积金鱼草叶片干物质生产的模拟模型可以准确预测生长期内单位面积金鱼草叶片干物质含量的动态变化。模型输入参数少，预测精度较高，具较强的实用性，可以为温室金鱼草生产的温光调控提供决策支持，并为进一步建立金鱼草品质模拟模型奠定了基础。4、温室环境金鱼草品质预测本研究基于生理辐热积对金鱼草的株高，茎粗进行预测，预测值与实测值之间基于1:1线间的决定系数(R2)分别为:0.97，0.98。模型对温室环境金鱼草外观品质指标的预测精度较高。本试验根据金鱼草外观品质对温光的反应，建立了基于生理辐

5、热积的温室金鱼草外观品质预测模型。该模型可以准确地预测肥水供应充足、种植密度适宜的温室金鱼草外观品质指标。经过计算，模型对株高，茎粗的预测值与实际观测值的相对标准误差分别为:5.5%，5.9%。模型预测精度高，参数少且容易获取，具有较强实用性。该模型为温室金鱼草外观品质的控制和环境优化提供科学依据和决策支持。关键词:金鱼草，生长模型模拟，温室环境，模型预测IAbstractInthispaper,simulatedexperimentaboutsnapdragon’sgrowthingreenhousesofUniversitywa

6、sconductedtobuildmodelsaboutleafarea，leafdrymattercontentandappearancequalitybycollectingrelevantdata.Thestudywouldprovidesupportforsnapdragon’sproductioningreenhouse.Themainresultsareasfollows:1、Predictionofsnapdragon’sgrowthingreenhouseWepredictedtimethatthesnapdrago

7、nneededtocompletegrowthbasedonPTEP.Afterobservinghowmanydaysthesnapdragonneededtogrowup，weusedregressionformulatocalculatetheerrorbetweenobservationsandpredictions.Theresultwere2.1,3.1and2.8d，whichthedeterminatecoefficientwas0.97.Thisshowedthatpredictedvalueisquitesimi

8、larwithobservedvalue，whichalsoprovedthatthepredictmodelhadahighpredictionbasedonPTEPanditcouldprovidesupportforoptimi