混合现象学模型：用于预测温度对树木休眠影响
机器学习
2025-01-29 v1
摘要
生物物理模型在自然界和农业环境中提供了关于气候-现象学关系的宝贵见解。然而，跨模型之间存在显著的结构性差异，这需要进行现场特定的重新校准，往往在类似气候情景下 yield 不一致的预测。机器学习方法提供了数据驱动的解决方案，但常常缺乏可解释性和与现有知识的一致性。我们提出了一种描述果树休眠的现象学模型，将传统生物物理模型与神经网络集成，以解决其结构性差异。我们在一个广泛的案例研究中评估了该混合模型，对日本、韩国和瑞士的樱桃树现象学进行预测。我们的ethods 在预测跨年份的盛开日期方面 consistently 优于传统生物物理和机器学习模型。此外，神经网络的可适应性促进了特定树木品种的参数学习，使其能够在无需现场特定重新校准的情况下对新地点实现稳健的泛化。该混合模型综合了生物物理约束和数据驱动的灵活性，为实现准确且可解释的现象学建模提供了有前景的途径。
引用
@article{arxiv.2501.16848,
title = {Hybrid Phenology Modeling for Predicting Temperature Effects on Tree Dormancy},
author = {Ron van Bree and Diego Marcos and Ioannis Athanasiadis},
journal= {arXiv preprint arXiv:2501.16848},
year = {2025}
}