基于物理信息神经网络与时间序列分解的植物根系密度分布无损估测方法

为解决传统植物根系检测方法破坏性强、成本高的问题，研究人员创新性地结合物理信息神经网络(PINNs)与时间序列分解技术，通过土壤基质势(SMP)和体积含水量(VSWC)数据实现了根系密度分布的无损估测。研究表明，该方法在信噪比(SNR)≥30dB时保持强鲁棒性(r=0.89)，为农业生态监测提供了新范式。

　　

植物根系如同隐藏在地下的"神经网络"，其分布直接影响土壤水文过程与作物生长。然而现有检测手段面临两难困境：X射线断层扫描等实验室方法虽精确但成本高昂，而田间采样又会破坏根系微环境。尤其当土壤质地复杂时，电磁波断层成像对细根检测效果骤降，电阻抗断层技术又易受土壤离子干扰。这些瓶颈严重制约着精准农业和生态研究的发展。

中国某研究机构团队在《Computers and Electronics in Agriculture》发表的研究中，开创性地将物理信息神经网络(PINNs)与信号处理技术结合。通过建立土壤基质势(SMP)到体积含水量(VSWC)的智能转换模型，并解析VSWC周期性波动特征，实现了根系密度的无损估测。该方法在实验室竹芋(Monsteradeliciosa Liebm)验证中达到0.89的相关性，且VSWC传感器在30dB强噪声下仍保持0.78-0.91的稳定性，显著优于SMP传感器的40dB最低要求。

关键技术包括：1)构建含根系吸水项的理查德方程物理约束；2)采用PINNs融合土壤水力特性数据；3)时间序列分解提取植物吸水周期信号；4)多深度峰值平均归一化算法；5)梯度噪声鲁棒性测试体系。

【Governing equation】
基于一维理查德方程建立物理模型，其中根系吸水项S(ψ)采用Feddes模型表征，通过PINNs实现SMP到VSWC的非线性映射，解决了传统土壤水力参数测量难题。

【Performance of PINNs】
神经网络在砂壤土中成功捕捉土壤水分动态，但在根系吸水剧烈区域出现预测偏差，揭示未知物理过程的建模挑战。

【Conclusion】
研究证实VSWC作为输入信号时算法鲁棒性更优，当SMP信噪比超过30dB时仍具应用价值。实验室验证显示该方法与重量法测量结果高度吻合，为田间原位监测提供了理论支持和技术储备。

该研究的突破性在于：首次将物理约束与数据驱动方法深度融合，既克服了纯数据模型对标注数据的依赖，又规避了传统物理方程对边界条件的严苛要求。特别值得注意的是，研究团队通过系统噪声测试明确了不同传感器的适用阈值，为实际应用中的设备选型提供了量化标准。这些发现对发展智慧农业、生态水文模型优化具有双重推动作用，也为植物表型组学研究开辟了新思路。