1.一种水培生菜管理及产量的预测方法，其特征在于，包括如下步骤：

（1）育苗

将生菜种子均匀直接播散在岩棉中，然后放入盛有育苗液的容器中，整个育苗期使岩棉浸入有育苗液，保持育苗环境温度25‑28℃；

（2）壮苗移栽

选择壮苗，将带有苗的岩棉先插入配套种植篮，然后一起移栽到温室内装有水培液的管道或盆体装置中，水培液保持浸过种植篮1/2高度，低于管道种植孔最低位置1‑2cm，保持栽培室内白天平均温度约为25‑28℃，湿度为50‑60%，晚上温度为20±1℃，湿度为65‑70%；

（3）环境因子管理

在移栽后缓苗阶段、抽叶稳定生长阶段、叶片数增长放缓后株高快速增加阶段、株高快速增加后进入到单叶面积及生物量增加阶段、可采收阶段，分别对温湿度、光照、空气二氧化碳浓度控制；

营养液控制：第一次移苗时，在水培液加入包衣缓释尿素肥，稀释制成营养液；根据植物生长情况每隔25‑35天更换水培液，保留剩余包衣缓释尿素肥；水培液为总氮≥3 g/kg，总磷≥100 mg/kg，总钾≥120.0 mg/kg，pH 6.0‑7.0，电导率可为2.0 mS/cm ‑3.1 mS/cm，盐度为0.1%‑0.15%；

（4）生菜产量预测

基于营养液指标含量或者基于植株生长指标，预测生菜的产量，以及利用机器学习方法构建采收期水培生菜叶绿素和含氮量预测模型，并根据水培生菜的产量、叶绿素和含氮量的预测结果，调整上述环境因子。

2.根据权利要求1所述的水培生菜管理及产量的预测方法，其特征在于，步骤（1）中，所述的育苗液配置过程为：按照体积重量比0.1‑05g/100 ml在蒸馏水中加入生根粉，同时在液体中加入重量比10‑15%粒径小于0.5 cm的石灰石，保持温度35‑40 ℃，光照强度在10000 lx‑12000 lx下进行放置2‑3天，随后在避光‑18 ℃下放置5‑10天，取出后避光4 ℃冰箱中放置5‑10天；育苗时，取出来稀释8‑12倍，然后将有种子的岩棉放入其中，不完全浸入，保持

0.5‑1cm液面高度，岩棉保持完全湿润即可；保持育苗液pH 6.5‑7.5，电导率可为1.3 mS/cm ‑2.4 mS/cm，盐度为0.1‑0.2%。

3.根据权利要求1所述的水培生菜管理及产量的预测方法，其特征在于，步骤（3）中，温湿度控制方法为：在移栽后缓苗阶段的7天，温度控制在20℃‑25℃，相对湿度控制在60%‑

70%；在缓苗后进入抽叶稳定生长阶段，温度控制在25℃‑30℃，相对湿度控制在70%‑80%；在叶片数增长放缓后株高快速增加阶段，温度控制在20℃‑30℃，相对湿度控制在60%‑80%；在株高快速增加后进入到单叶面积及生物量增加阶段，温度控制在20℃‑33℃，相对湿度控制在70%‑85%；进入可采收阶段后，温度控制在28℃‑35℃，相对湿度控制在75%‑90%；所有生长阶段时期超过这些范围时，进行升温或者降温，增湿或者排除水蒸气。

4.根据权利要求1所述的水培生菜管理及产量的预测方法，其特征在于，步骤（3）中，光照控制方法为：利用光照仪测定早上8:00‑10:00、中午12:00‑14:00、晚上16:00‑18:00三个时间段光照，每半小时一次；在移栽后缓苗阶段的7天，三个时间段平均光照不高于6000 lx，如果低于4000 lx，就必须进行补光；在缓苗后进入抽叶稳定生长阶段，三个时间段平均光照不高于8000 lx，如果低于6000 lx，须晚上18:00后补光时间3‑5小时；在叶片数增长放缓后株高快速增加阶段，三个时间段平均光照不高于9000 lx，如果低于7000 lx，须晚上

18:00后补光时间3‑5小时；在株高快速增加后进入到单叶面积及生物量增加阶段，三个时间段平均光照不高于12000 lx，如果低于8000 lx，须晚上18:00后补光时间6‑8小时；在可采收阶段，三个时间段平均光照不高于8000 lx，如果低于4000 lx，须晚上18:00后补光时间1‑3小时；各阶段均利用紫色灯光进行补光。

5.根据权利要求1所述的水培生菜管理及产量的预测方法，其特征在于，步骤（3）中，空气二氧化碳浓度控制方法为：移栽后开始利用CO2监测设备实时监测；在移栽后缓苗阶段的

7天，空气中CO2浓度控制在500 ppm‑600 ppm；在缓苗后进入抽叶稳定生长阶段，空气中CO2浓度控制在500 ppm‑600 ppm；在叶片数增长放缓后株高快速增加阶段，空气中CO2浓度控制在600 ppm‑800 ppm；在株高快速增加后进入到单叶面积及生物量增加阶段，空气中CO2浓度控制在850 ppm‑1000 ppm；在进入可采收阶段后，空气中CO2浓度控制在1000 ppm‑

1200 ppm。

6.根据权利要求5所述的水培生菜管理及产量的预测方法，其特征在于，步骤（3）中，在移栽后第一周的缓苗期，自然通风达到CO2浓度要求；第二周开始施用CO2增长剂增加空气中二氧化碳浓度，当空气中CO2浓度（Cair）低于最低数值Cmin时，将CO2气体瓶或者干冰放在生菜3

种植区域中间，高度与生菜距离为H，CO2气体覆盖高度应在2H之内，则覆盖体积应为V （m）=s*2H；调整CO2气体瓶释放速率v为2‑5 mg/min；需要的CO2重量MCO2和时间T为：MCO2 （mg）=[（Cmax+Cmin）/2‑Cair]*V；

T （min）= MCO2/v；

其中，H取值范围30cm‑60cm；

2

生菜种植区域面积s<100m；

Cmin、Cmax分别为生菜不同生长阶段空气中最低和最高二氧化碳浓度，取值范围为在移栽后缓苗阶段及进入抽叶稳定生长阶段，空气中CO2浓度Cmin、Cmax均分别为500 ppm、600 ppm；在叶片数增长放缓后株高快速增加阶段，Cmin、Cmax分别为600 ppm、800 ppm；在株高快速增加后进入到单叶面积及生物量增加阶段，Cmin、Cmax分别为850 ppm、1000 ppm；在进入可采收阶段后，Cmin、Cmax分别为1000 ppm、1200 ppm。

7.根据权利要求1所述的水培生菜管理及产量的预测方法，其特征在于，步骤（3）营养液控制过程中，水培液原液中N 含量来自氯化铵，P来自二胺，钾来自草木灰清洗液，按照总氮、总磷、总钾要求与蒸馏水配置而成，另外添加有Mg、 Ca、 S、 Fe、 B、Mn、 Zn、 Cu、 Mo微量元素，并按照重量体积比1‑2mg/10000 ml加入维生素B1、B2或B6；草木灰清洗液是用清洗稻麦草木灰的剩余过滤液，离心后取上层清液，按照与水培夜1‑2:10 比例加入；所述外源添加的包衣缓释尿素肥为自制60天缓释尿素肥，其中含氮量不低于45%，其释放效果应为初期养分溶出率不低于18.5%，累积养分释放率第14、28、56、84天不低于50%、75%、85%、90%。

8.根据权利要求1所述的水培生菜管理及产量的预测方法，其特征在于，步骤（4）中，基于营养液指标含量的生菜产量预测模型为：Y=29.177+0.196EC1‑333.155pH1+.219EC2+235.674pH2‑0.116EC3+84.758pH3‑0.131EC4+2

43.829 pH4‑0.547N1‑0.599N2+0.406N3‑0.103N4 (R=0.747，p<0.0001)；

其中，Y为单株生菜新鲜叶子生物量，单位为g/株；EC1、EC2、EC3、EC4为第1次到第4次更换营养液时电导率含量，单位为uS/cm；pH1、pH2、pH3、pH4为第1次到第4次更换营养液时酸碱度；N1、N2、N3、N4第1次到第4次更换营养液时总氮含量，单位为mg/L。

9.根据权利要求1所述的水培生菜管理及产量的预测方法，其特征在于，步骤（4）中，基于植株生长指标的生菜产量预测模型为：

2 2 2 2

Y=212.440+2.345H‑0.384L‑0.003A‑59.852H+15.236L+1.741A (R=919，p<0.001)其中，Y为单株生菜新鲜叶子生物量，单位为g/株；H、L、A分别表示为株高、叶片数、最大2

叶面积，单位分别为cm、片、cm。

10.根据权利要求1所述的水培生菜管理及产量的预测方法，其特征在于，步骤（4）中，水培生菜的叶绿素和含氮量预测模型的确定方法如下：S1：拍照

对生菜进行拍照，照片分辨率必须达到1080p及以上，背景为黑色；

S2：修剪图片

从指定路径读取图像，以及图像的高度和宽度，从原始图像的垂直方向上裁剪出高度的 10% 到 80% 的区域；

S3：分割图片

创建一个掩码和背景、前景模型，使用 GrabCut 算法对 image1 进行分割，通过指定一个矩形区域来初始化分割，并用找到已知的前景或可能的前景，使用连通组件分析，找到最大的连通组件，相等为1，不等为0，其中，1为前景，0为背景，并创建相应的二值掩码，随后将将原始图像复制到连通组件中，将不属于最大连通组件的部分置为0，得到只包含叶片的图像，然后转换为灰度图像，应用阈值化方法得到二值图像；复制原始图像，将二值图像中不属于叶片的区域复制的图像中置为0，得到最终分割的叶片图像，并在垂直方向上在图像的顶部和底部添加边框；最后返回经过处理的叶片图像，来移除图像的背景；

S4：获取图片颜色值

获取图片中叶片的R、G、B的均值，并将计算得到的数据填入excel表中对应位置；

S5：计算颜色植被指数

按照颜色植被指数R、G、B确定红、绿、蓝颜色植被指数自变量；先获取excel表中的R、G、B列中的数据，将上述R、G、B以及计算得到的参数作为自变量X，指标叶片叶绿素SPAD、叶片 N含量分别作为因变量Y；

S6：模型构建与指标评价确定

以RGB三个通道值为自变量，叶片叶绿素SPAD值、叶片 N含量（mg/g）为因变量分别构建弹性网络、核岭回归、梯度提升回归GBRT、XGBoost、Light GBM模型，通过计算评估指标R²确定最佳的预测模型。