作物模型与机器学习耦合：应对复杂农业系统模拟挑战

本文基于作物生长机理的模型，将物理、化学和生物知识整合到气候-农业管理互动模型中。然而，作物模型是复杂系统的抽象化，模型结构和参数化的差异会导致预测结果的巨大不确定性。为了克服这些限制，需要进行多模型综合模拟。然而，这种综合模拟只能关注一些特定的情景，难以反映自然界和潜在的可能性。即使我们处在一个数据丰富的时代，但大多数数据不是专门为建模而收集的，很少能被基于过程的生物物理模型直接使用。这会导致驱动模型的巨大不确定性，特别是当以可接受的分辨率跨大尺度应用作物模型时，有限的数据可用性会加剧这种不确定性。 为了克服这些挑战，机器学习技术被越来越多地用于预测作物产量及其对气候和管理的干预。机器学习算法能够在综合学习方法的基础上研究响应变量和预测变量之间的层次和非线性关系。与基于过程的模型相比，机器学习解释作物、气候、土壤和管理方法之间的互动过程的能力有限。然而，将基于过程的模型与机器学习耦合，可以解释作物生长发育过程，并在更精细的分辨率下提高大规模模拟的效率。