作物生长模型是精准农业、数字农业和智能农业的重要支撑,近年来模型研究呈现出内容细致化、目标多样化和应用具体化等发展趋势。基于小样本数据的作物生长模型具有低耗、灵活、高效、兼容性强等优点,能够弥补大型综合性模型在作物生理学研究、环境胁迫研究以及温室调控应用等方面存在的不足,但如何确保模型性能是小样本作物生长建模的难点和研究意义所在。本文以多种作物的光合生理-环境实测数据为对象,研究小样本作物生长建模的若干关键问题,探讨确保模型性能的可行方法。主要内容和结果包括:(1)监测数据的预处理研究。针对PTM-48A型作物光合生理-环境参数监测仪对草莓、黑豆、番茄、南瓜、黄瓜等作物的连续监测数据,采用聚类分析对数据集的时间维度进行分类,获得连续、全面、均匀的数据段,再针对聚类获得的符合要求的数据段进行异常检测,剔除干扰数据点。通过聚类分析及异常检测处理,为后续分析和建模提供了可靠的样本数据。(2)因子分析与选择研究。以作物的CO2交换速率及其环境影响因子的相互关系为对象,定量地研究、比较了数据建模中常用的两种多因子分析方法——相关分析及通径分析的性能。实验结果表明,与相关分析相比,通径分析能够解释因子间的直接和间接作用效果,分析过程更全面,而且能够消除变量间的多重共线性,变量选择更有效,更适宜小样本数据作物建模。(3)模型构建方法研究。研究、比较了两种代表性建模方法——回归模型和人工神经网络模型的性能。针对四种常见回归模型的实验表明,纯二次模型精度较高而复杂度较低,更适宜用作小样本数据作物建模;运用黄瓜的CO2交换率-环境参数,建立了性能良好的小样本GA-BP预测模型;与纯二次回归模型相比,GA-BP神经网络模型更适宜用于小样本数据的作物模型构建。