通过多任务学习校准葡萄生物物理模型以预测葡萄光谱
机器学习
2025-08-07 v1 人工智能
摘要
准确预测葡萄光谱对于及时决策葡萄园管理至关重要，例如安排灌溉和施肥，以最大化作物产量和品质。虽然可基于历史田间数据校准的传统生物物理模型可用于整个季节的预测，但其精度不足以满足精细化的葡萄园管理需求。深度学习方法是一种引人注目的替代方案，但其性能受限于稀疏的光谱数据集，尤其是在品种层面。我们提出了一种混合建模方法，将多任务学习与循环神经网络结合，用于参数化一个可微的生物物理模型。通过使用多任务学习来预测生物物理模型的参数，我们的方法实现了跨品种的共享学习，同时保留生物学结构，从而提高了预测的鲁棒性和准确性。使用真实数据集和合成数据集进行的经验评估表明，我们的方法在预测光谱阶段以及其他作物状态变量（如寒冒性和小麦产量）方面，显著优于传统生物物理模型和基线深度学习方法。
引用
@article{arxiv.2508.03898,
title = {Calibrating Biophysical Models for Grape Phenology Prediction via Multi-Task Learning},
author = {William Solow and Sandhya Saisubramanian},
journal= {arXiv preprint arXiv:2508.03898},
year = {2025}
}