AgriPINN: A Process-Informed Neural Network for Interpretable and Scalable Crop Biomass Prediction under Water Stress
Yue Shi · Amit Kumar Srivastava · Dominik Behrend 等 10 人
提出过程信息神经网络AgriPINN，嵌入作物生长方程，提升水分胁迫下生物量预测精度与可解释性。
将LINTUL5生长方程嵌入神经网络训练，预训练于SIMPLACE模拟数据，微调
相比CNN-Transformer，冬小麦RMSE降低29.7%，玉米降低22.8%，且具有生理可解
可探索将过程信息神经网络扩展到其他作物、气候区或胁迫类型，并验证其跨域泛化能力。
提出过程信息神经网络AgriPINN，结合机理模型与深度学习，显著提升水分胁迫下作物生物量预测精度，方法新颖且数据扎实。
水分胁迫下作物地上部干生物量（AGB）的准确估算对于评估农业生产、管理灌溉以及支持以水安全为导向的决策至关重要。数据驱动模型能够实现高效的大尺度预测，但往往提供的生理学解释有限，且可能对领域偏移敏感；而基于过程的作物模型则需要大量校准和详细的管理输入。我们提出AgriPINN，一种过程信息神经网络，将源自LINTUL5的可微生物量增长方程嵌入神经网络训练中。AGB是唯一的监督目标。该网络同时估算叶面积指数（LAI）、光合有效辐射（PAR）、辐射利用效率（RUE）以及水分胁迫因子（F W ）；其预测值进入过程残差，而相应的田间实测值则从优化中排除，仅用于事后评估。AgriPINN在覆盖德国397个NUTS-3区域的65年SIMPLACE模拟数据上进行了预训练，并在三年遮雨、雨养和灌溉处理下的小麦和玉米田间试验数据上进行了微调。在主要基准测试中，相对于CNN–Transformer，AgriPINN使冬小麦的RMSE降低了29.7%，玉米降低了22.8%。相对于每种作物最强的非AgriPINN基线，相应的降幅分别为9.0%和2.2%。额外评估包括四种代表性神经骨干网络、过程损失权重的敏感性分析、无预训练的消融实验以及模拟标签的扰动测试。本研究所展示的可迁移性仅限于所评估的独立数据集和德国温带农业生态情境。