A continually evolving knowledge-guided deep learning framework for daily maize yield formation

背景 随着多源农业数据集的不断扩展，准确且可解释地模拟作物产量形成过程日益可行，对粮食安全也愈发重要。基于过程的模型广泛用于产量预测，但需要耗费大量精力进行区域校准。人工智能模型能够从大规模数据集中学习生理模式，但缺乏生理一致性，在数据稀缺条件下泛化能力较差。目标 我们开发了AgroEvoDeep-Yield，这是一种知识引导模型，通过其神经网络架构编码机理认识，能够对玉米从开花到成熟的逐日产量形成过程进行显式且可解释的模拟。我们还建立了一个框架，以支持在新数据可用时模型的持续演化。方法 该模型在APSIM模拟的粒数和逐日籽粒生物量序列上进行预训练，以施加生理一致性约束。预训练后，模型通过两个持续学习阶段进行演化。首先，利用796个田间观测数据进行田块级持续学习，以减少继承自APSIM的偏差。随后，利用945个气象站的长期记录和专家约束的品种参数优化，将模型适配到区域尺度多源输入。结果与结论 经过田块级持续学习后，AgroEvoDeep-Yield相对于APSIM将粒数和产量模拟误差分别降低了29%和24%，并在区域外预测中优于传统机器学习模型。区域级持续学习将产量RMSE降至1.09 t/ha，专家约束的品种参数优化进一步将其降至0.80 t/ha。意义 本研究表明，知识引导模型可以在新数据可用时被反复适配，为模型持续演化提供了实用框架，并为未来农业决策支持奠定了基础。