用于高分辨率干旱胁迫评估的物理信息学习实现准确产量预测
机器学习
2025-10-22 v1
摘要
水对农业生产力至关重要。评估水资源短缺和产量潜力下降是确保农业生产力和粮食安全决策中的关键因素。与物理过程对齐的作物模拟模型具有内在的可解释性，但往往表现不佳。相反，用于作物产量建模的机器学习模型功能强大且可扩展，但通常作为黑盒运行，并缺乏对作物生长物理原理的遵循。本研究通过耦合两者的优势弥合了这一差距。我们假设作物产量本质上由水的可用性定义。因此，我们将作物产量表述为时间缺水性的函数，并在精细尺度分辨率下预测作物干旱胁迫和对缺水性的敏感性。对作物产量对水分响应的序列建模实现了准确的产量预测。为了强制物理一致性，提出了一种新颖的物理信息损失函数。我们利用多光谱卫星影像、气象数据和精细尺度产量数据。此外，为了考虑模型内的不确定性，我们基于深度集成方法进行构建。我们的方法在作物产量预测上超越了如 LSTM 和 Transformers 等最先进模型，决定系数（-score）高达 0.82，同时提供了高可解释性。该方法为工业界、政策制定者和农民在不断变化的气候条件下构建更具弹性的农业提供了决策支持。
引用
@article{arxiv.2510.18648,
title = {Informed Learning for Estimating Drought Stress at Fine-Scale Resolution Enables Accurate Yield Prediction},
author = {Miro Miranda and Marcela Charfuelan and Matias Valdenegro Toro and Andreas Dengel},
journal= {arXiv preprint arXiv:2510.18648},
year = {2025}
}