佳文赏析 | 一种基于物理引导深度学习的作物物候模拟持续学习框架

文章题目：A continuous learning framework based on physics-guided deep learning for crop phenology simulation

发表期刊 ：Agricultural and Forest Meteorology

影响因子：4.5
第一单位：中国农业大学

在线日期：2025-04-16

研究背景

作物物候受到遗传和环境双重影响，对农业管理与产量预测至关重要。传统的过程模型（PBMs）如APSIM具有良好的可解释性，但往往滞后于最新机理研究；而纯数据驱动的人工智能模型（AIMs）虽能挖掘潜在模式，却难以生成时序连续、可解释的模拟。为充分发挥二者优势，需要一种既有机理支撑又具备持续学习能力的新框架。

研究方法

本文提出APSIM Guided LSTM Phenology Framework（AGLPF），通过三步实现作物物候模拟的连续学习：（1）利用APSIM在中国玉米带（CMB）6个分区、62年历史数据上重新校准并生成物候输出；（2）基于Attention-BiLSTM结构，以APSIM输出为初始训练集，构建物理引导AIM，实现日尺度、四物候期（VGP、FP、GFP、PNC）一次性输出；（3）设计5种基于逐年累积的实际观测数据增量方案（分别对应1年、2年、4年、8年和12年数据），用于评估模型在不同数据量条件下的连续学习性能，并分别采用“自调优（self-tuning）”和“从零训练（from-scratch）”两种方式进行比较，评估模型随观测数据积累的性能变化。

研究结果

初始训练时，AGLPF对VGP和FP的RMSE均为0.8天，GFP为1.4天，全周期为2.0天；随着实际观测数据从1年、2年、4年、8年逐步累积至12年，模型经自适应训练后，全生育周期RMSE从27.8天稳步降至5.5天；在所有方案中，自适应训练优于从零训练，且在仅4年数据时已达与APSIM相当的精度。区域模拟上，83.8%的网格期望nRMSE<4%，表现最佳的区域误差<1.2%。

研究意义

AGLPF首次将物理过程模型与深度学习持续学习框架深度耦合，实现了可解释、时序连续且易于升级的作物物候模拟。该框架不仅可推广至其他作物物候或相关变量（如土壤水分、氮素动态）模拟，也为未来基于分相时间序列的高可解释性农业AI模型奠定了基础，助力精准农业与气候变化适应研究。