知识引导的编码器-解码器框架：整合多个物理模型用于农业生态系统建模
机器学习
2025-05-14 v2 人工智能
摘要
农业监测对于确保粮食安全、维持可持续农业实践、为减缓粮食短缺的政策提供信息以及管理温室气体排放至关重要。传统的基于过程的物理模型通常为特定情境设计和实现，其参数也可能高度不确定。相比之下，数据驱动模型常采用黑箱结构，且未显式建模不同生态变量之间的相互依赖，结果是需要大量训练数据且在数据分布迁移和观察变量不一致的情况下缺乏普适性。为此提出一种知识引导的编码器-解码器模型，能够通过利用来自多个物理模型的底层过程知识来预测关键作物变量。该方法还集成了语言模型以处理复杂且不一致的输入，并利用其实现对不同物理模型知识进行模型选择，从而选择性地组合其知识。在预测多个地点的碳和氮通量方面进行评估，结果表明该方法在各种情境下表现出有效性和鲁棒性。
引用
@article{arxiv.2505.06266,
title = {Knowledge Guided Encoder-Decoder Framework: Integrating Multiple Physical Models for Agricultural Ecosystem Modeling},
author = {Qi Cheng and Licheng Liu and Yao Zhang and Mu Hong and Shiyuan Luo and Zhenong Jin and Yiqun Xie and Xiaowei Jia},
journal= {arXiv preprint arXiv:2505.06266},
year = {2025}
}