深度学习与基于过程的模型：面向农业挑战的混合方法
机器学习
2025-04-24 v1
摘要
基于过程的模型(PBMs)和深度学习(DL)是农业建模中的两种关键方法，各自提供独特的优势和局限。PBMs提供基于物理和生物原理的机制性见解，确保可解释性和科学严谨性。然而，它们常在可扩展性、参数化和适应异构环境方面受限。相比，DL模型在从大数据中捕获复杂非线性模式方面卓越，但可能在可解释性、计算需求和数据稀缺场景中出现过拟合。本研究系统综述了PBMs、DL模型及混合PBM-DL框架，突出其在农业和环境建模中的应用。我们将混合PBM-DL方法归类为DL信息化PBMs(神经网络细化基于过程的模型)和PBM信息化DL(物理约束指导深度学习预测)。此外，我们对作物干物质量预测进行案例研究，比较混合模型与独立PBM和DL模型在不同数据质量、样本规模和空间条件下的表现。结果表明，混合模型持续优于传统PBM和DL模型，在噪声数据鲁性和跨不可见位置的泛化方面表现更佳。最后，我们讨论了关键挑战，包括模型可解释性、可扩展性和数据需求，并提出可行建议以推动农业混合建模的发展。通过整合领域知识与AI驱动方法，本研究为开发支持可持续农业数据驱动决策的可扩展、可解释和可复现的农业模型作出了贡献。
引用
@article{arxiv.2504.16141,
title = {Deep Learning Meets Process-Based Models: A Hybrid Approach to Agricultural Challenges},
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:2504.16141},
year = {2025}
}