AgriPINN：一种用于水分胁迫下可解释且可扩展的作物生物量预测的过程信息神经网络
人工智能
2026-01-23 v1
摘要
准确预测水分胁迫下的作物地上生物量（AGB）对于监测作物生产力、指导灌溉和支持气候适应型农业至关重要。数据驱动模型扩展性好，但通常缺乏可解释性，且在分布偏移下性能下降；而基于过程的作物模型（如DSSAT、APSIM、LINTUL5）则需要大量校准，难以在大空间域部署。为了解决这些局限性，我们提出了AgriPINN，这是一种过程信息神经网络，它将生物物理作物生长微分方程作为可微约束集成到深度学习骨干网络中。这种设计鼓励在水分胁迫条件下产生生理上一致的生物量动态，同时保持模型在空间分布式AGB预测上的可扩展性。AgriPINN无需直接监督即可恢复潜在的生理变量，包括叶面积指数（LAI）、吸收的光合有效辐射（PAR）、辐射利用效率（RUE）和水分胁迫因子。我们在德国397个地区60年的历史数据上预训练AgriPINN，并在受控水分处理下的三年田间实验数据上进行微调。结果表明，AgriPINN在准确性（RMSE降低高达43%）和计算效率方面，始终优于最先进的深度学习基线模型（ConvLSTM-ViT、SLTF、CNN-Transformer）和基于过程的LINTUL5模型。通过将深度学习的可扩展性与基于过程建模的生物物理严谨性相结合，AgriPINN为时空AGB预测提供了一个稳健且可解释的框架，为灌溉基础设施规划、产量预测和气候适应规划提供了实用价值。
引用
@article{arxiv.2601.16045,
title = {AgriPINN: A Process-Informed Neural Network for Interpretable and Scalable Crop Biomass Prediction Under Water Stress},
author = {Yue Shi and Liangxiu Han and Xin Zhang and Tam Sobeih and Thomas Gaiser and Nguyen Huu Thuy and Dominik Behrend and Amit Kumar Srivastava and Krishnagopal Halder and Frank Ewert},
journal= {arXiv preprint arXiv:2601.16045},
year = {2026}
}