从仿真到发现：基于AI的作物系统概率仿真

全球粮食安全依赖于预测作物对气候变化的响应，但基于过程的作物模型仍过于计算昂贵，难以进行大规模基因型-环境相互作用的探索。本文开发了一种概率神经模拟器，用于仿真APSIM，能够以高保真（R^2=0.93）再现13项关键玉米生长过程，同时将仿真时间缩短数个数量级。该模型基于两百万次仿真训练，涵盖多样化的基因型、土壤与管理条件，并辅以卷积型合成天气发生器，生成物理一致的气候序列。该框架实现了对作物在真实且多样化环境输入下的可扩展探索，同时提供无需昂贵贝叶斯推断的校准预测不确定性。将该框架应用于10万种基因型配置、爱荷华与伊利诺伊六个土壤环境，以及至2100年两套排放情景的气候预测，发现181种玉米性状组合在所有测试条件下均能保持高产——这类分析若仅依赖过程模型则不可实现。我们进一步表明，辐射利用效率与温度驱动的根系动态是产量韧性的主要驱动因素。值得注意的是，不同地点的投射产量分布差异显著，其中一些低生产力区域在未来气候情景下可能实现产量提升，表明气候变化可能以非直觉的方式重塑区域产量潜力。这些结果表明，具不确定性感知的仿真技术将过程作物仿真从计算瓶颈转变为按需发现引擎，其能够探究基因型、环境与管理空间的全部组合，规模之大任何基于过程的模型都无法匹配。