基于动态参数校准与多任务学习的作物预测混合建模框架
人工智能
2026-05-20 v2 机器学习
摘要
准确预测作物状态（如生育阶段和寒冷耐受性）对于及时决策灌溉、施肥和树冠管理至关重要，以优化作物产量和品质。虽然传统生物物理模型可用于全季节预测，但缺乏针对特定场地管理所需的精度。深度学习方法是有力的替代方案，但会产生生物学不真实的预测且需要大规模数据。我们提出一种混合建模方法，该方法使用神经网络参数化可微分的生物物理模型，并利用多任务学习实现数据在不同作物品种间的高效共享。在数据有限的场景下，通过预测生物物理模型的参数，该方法在保持生物学真实性的同时提高了预测精度。使用真实数据和合成数据进行的实证评估表明，与已部署的生物物理模型相比，我们的方法在生育阶段预测中提高了60%的精度，在寒冷耐受性预测中提高了40%的精度。
引用
@article{arxiv.2603.15411,
title = {A Hybrid Modeling Framework for Crop Prediction Tasks via Dynamic Parameter Calibration and Multi-Task Learning},
author = {William Solow and Paola Pesantez-Cabrera and Markus Keller and Lav Khot and Sandhya Saisubramanian and Alan Fern},
journal= {arXiv preprint arXiv:2603.15411},
year = {2026}
}