NeuralCrop：结合物理模型与机器学习以提升作物产量预测的混合方法
机器学习
2026-03-31 v2 计算物理
摘要
全球网格化作物模型（GGCMs）是预测气候变化对农业生产力影响并评估食物安全风险的关键工具。尽管经过数十年的发展，领先的GGCMs仍保留着 substantial 不确定性，源于过程表示。最近，基于观测数据的机器学习方法在作物产量预测中提供了替代方案。然而，这些模型在传统GGCMs上尚未显示出 improved performance，也不适用于因气候变化而进行的作物产量预测，因为其在分布外泛化能力较差。本文引入NeuralCrop，一种可微混合GGCM，将先进基于过程的GGCM的优势（显式解决重要过程）与数据驱动的机器学习组件相结合。NeuralCrop首先被训练以模拟一种具竞争力的GGCM，然后在观测数据上进行微调。我们表明，NeuralCrop在站点级和大尺度作物模拟中，产出的投影与领先GGCMs相当。NeuralCrop能够准确预测欧洲小麦地区和美国玉米带的年间产量波动。捕捉产量异常值对于应对气候变化背景下的适应策略至关重要。NeuralCrop能够在各种气候条件下更准确地再现产量异常值，在干旱极端情况下表现尤为突出。对于大规模、长期模拟，本方法在计算效率上高出数个数量级。我们的结果表明，端到端的混合作物建模在气候变化和恶化的极端天气事件下，为食物风险评估提供了更可靠的产量预测。
引用
@article{arxiv.2512.20177,
title = {NeuralCrop: Combining physics and machine learning for improved crop yield projections},
author = {Yunan Lin and Sebastian Bathiany and Maha Badri and Maximilian Gelbrecht and Philipp Hess and Brian Groenke and Jens Heinke and Christoph Müller and Niklas Boers},
journal= {arXiv preprint arXiv:2512.20177},
year = {2026}
}