基于甘蓝冠层颜色偏态分布参数的表型-积温反演模型跨生长周期稳定性研究

《Plant Growth Regulation》：Leaf color skewed-distribution parameters enhance the stability of phenotype-environment model across different growth cycles of cabbage

本研究针对温室多茬栽培中作物表型-积温反演模型在不同播期间稳定性差的问题，通过分析甘蓝冠层颜色偏态分布参数(CGSD)与环境积温的关系，构建了以分布参数为主的自变量反演模型。结果表明，冠层图像偏态分布参数与积温显著相关(相关系数>0.8)，基于混合参数构建的模型在不同生长周期均保持约85%的拟合精度，为设施农业智能管理提供了稳定的表型-环境关联模型。

　　

在温室大棚里，蔬菜可以摆脱季节限制实现多茬种植，但这也带来了新挑战——同一作物在不同播种期生长速度差异显著，传统环境监测难以实时反映作物真实生长状态。就像医生需要通过患者面色判断健康状况，农业科学家也试图通过作物"脸色"（冠层颜色）来诊断其生长状况。然而，现有研究多局限于单一生长周期，当面对多茬种植时，颜色与积温的关联模型是否依然可靠？这个难题成为提升设施农业精准调控的关键瓶颈。

近期发表于《Plant Growth Regulation》的研究给出了突破性解决方案。科研团队以温室甘蓝为研究对象，创新性地运用颜色梯度偏态分布（Color Gradation Skewed-Distribution, CGSD）参数系统，成功构建了跨生长周期的表型-环境关联模型。这项研究首次证实了冠层颜色分布特征在不同种植周期中与积温保持稳定关联，为设施农业的智能管理提供了新范式。

研究团队采用三大关键技术方法：通过固定位置摄像头持续采集两个生长周期的甘蓝冠层图像；运用CGSD参数系统提取颜色深度参数（均值、中位数、众数）和分布参数（偏度、峰度）共20个特征值；结合气象站记录的积温数据，采用逐步回归法构建三种参数体系的反演模型，并以独立样本组验证模型稳定性。

相关性分析揭示关键参数

通过分析79组数据发现，除B_Kurtosis外，19个CGSD参数均与积温显著相关（相关系数>0.8）。其中颜色偏度参数表现最为突出，而峰度参数相关性相对较弱。深度参数与积温呈负相关，表明随积温增加叶色加深；分布参数则呈正相关，显示颜色分布向右偏移。这一发现为模型构建奠定了理论基础。

三种参数体系模型性能对比

研究人员分别以深度参数、分布参数和混合参数为自变量，建立了Y1、Y2、Y3三个反演模型。结果显示：Y2模型（分布参数为主）决定系数R²最高达0.940；Y3模型（混合参数）拟合精度最优达91.16%。统计检验表明所有模型均达极显著水平（P<0.01），其中分布参数主导的模型表现出更优的预测性能。

跨生长周期验证模型稳定性

将最优模型Y3应用于不同播期的D2-D4样本组，拟合精度均保持在85%左右。虽然较建模组下降4.05%-6.75%，但模型在不同生长周期中仍保持较高稳定性。特别值得注意的是，即使播种时间相差半月（11月15日 vs 12月1日），模型依然能准确反映积温变化规律。

分布参数稳定性机制解析

通过分析200-700℃·d积温区间内G_Skewness和G_Median的变化趋势，发现分布参数在不同生长周期中数值一致性更好。方差分析显示G_Skewness在样本组间无显著差异，而G_Median则存在明显波动。这解释了为何以分布参数为主的模型具有更好的跨周期稳定性——分布参数捕捉的是颜色分布的形态特征，对绝对颜色强度变化不敏感，从而降低了环境噪声的影响。

讨论部分深入剖析了现象背后的生物学机制。作物表型（P）是基因型（G）、管理（M）和环境（E）互作的结果（P=G×M×E）。在设施农业中，G和M相对固定，环境因子成为主导因素。该研究首次证实积温是驱动冠层颜色变化的主要因素，即使播期不同，只要积温达到特定阈值，植株表型就会呈现规律性变化。这一发现与团队前期在辣椒和秋海棠中的研究相互印证，表明CGSD参数系统具有跨作物、跨环境的普适性。

该研究的创新点在于将统计学中的偏态分布概念引入农业表型分析，通过20维参数全面描述颜色特征，突破了传统RGB均值参数的局限。分布参数特别是偏度参数对积温变化的敏感性，为作物生长监测提供了更稳定的指标。相比深度参数容易受光照条件影响，分布参数更能反映植物生理状态的本质变化。

这项研究成果为设施农业的智能化管理提供了重要技术支撑。未来有望以CGSD参数作为作物生长状态的"语言翻译器"，将冠层颜色变化实时转换为环境调控指令，实现从"环境驱动"到"表型导向"的范式转变。随着数字图像技术的普及，这种低成本、易操作的监测方法具有广阔的推广应用前景，特别适合在中小型温室中部署实施。

研究团队也指出，当前工作仅是"第一阶段"探索，后续将深入解析CGSD参数与叶绿素降解、组织衰老等内在指标的关联机制。通过建立"表型-生理-环境"的完整映射网络，最终实现作物生长状态的全程智能化诊断与调控。这项研究不仅为设施农业精准管理提供了新工具，更开创了基于数字表型的智能农业研究新方向。