探索物理信息神经网络用于作物产量损失预测
机器学习
2025-01-03 v1 人工智能
摘要
为应对气候变化，评估极端气候条件下的作物生产力至关重要，以提升粮食安全。作物模拟模型与物理过程相吻合，具有可解释性，但往往表现不佳。相比之下，作物建模的机器学习（ML）模型功能强大且可扩展，但作为黑箱且缺乏对作物生长物理原理的遵循。为弥合这一差距，我们提出了一种新方法，通过估计作物在像素级别的用水量及其对水资源稀缺性的敏感性，来弥合两者的优势。这种方法通过顺序求解作物产量对水资源稀缺性响应的方程，实现以物理原理为基础的产量损失估计。我们利用哨兵-2卫星影像、气候数据、模拟用水数据和像素级产量数据，构建的模型表现出高精度，R2最高可达0.77，匹配甚至超越了如循环神经网络（RNNs）和变换器（Transformers）等最先进模型。此外，它提供了可解释且符合物理一致的输出，支持行业、政策制定者和农户在面对极端气候条件时进行适应。
引用
@article{arxiv.2501.00502,
title = {Exploring Physics-Informed Neural Networks for Crop Yield Loss Forecasting},
author = {Miro Miranda and Marcela Charfuelan and Andreas Dengel},
journal= {arXiv preprint arXiv:2501.00502},
year = {2025}
}
备注
6 pages, 2 figures, NeurIPS 2024 Workshop on Tackling Climate Change with Machine Learning