Nonlinear Mathematical Modeling of Crop Growth and Biomass Accumulation for Accurate Yield Prediction in Smallholder Farming Systems

方法

综述Logistic、Gompertz、Richards、Beta模型及APSI

发现

生理过程与数据驱动结合的混合模型优于纯经验或纯机理模型，尤其经本地数据校准后。

机会点

数据稀缺小农场景下混合模型参数可识别性、简约性与不确定性量化仍待突破。

小农耕作系统中的准确产量预测仍然是农业科学的核心挑战，尤其是在撒哈拉以南非洲、南亚和东南亚地区，资源约束、气候变率和数据稀缺严重限制了传统线性模型的适用性。本文对用于作物生长和生物量积累建模的非线性数学框架进行了全面综述与综合，重点考察其对小农情境的适用性。我们考察了Logistic、Gompertz、Richards和Beta函数生长模型，以及包括APSIM、DSSAT和AquaCrop在内的基于过程的动态模拟方法，并评估了其与遥感数据和机器学习算法的集成。主要发现表明，将生理过程描述与数据驱动优化相结合的混合模型始终优于纯经验性或机理性的方法，尤其是在可变投入条件下利用当地农艺数据进行校准后。我们进一步讨论了参数可识别性、模型简约性和不确定性量化，将其作为在数据有限的小农环境中部署的关键要求。本综述综合了2019年至2025年的证据，并为开发稳健、可扩展、适应小农农业异质性条件的非线性作物产量预测框架提供了路线图。