透明作物模型驱动的人工智能辅助农业决策支持框架

《Climate Smart Agriculture》：A transparent crop model-driven and AI-assisted framework for agricultural decision support

　　

农业决策日益需要综合考虑基因型、环境与管理（G × E × M）之间的交互作用，尤其是在非生物与生物胁迫日益加剧的背景下。基于过程的作物模型为评估多样化生产情景下的替代管理策略提供了机理性的定量框架，然而其有效应用往往依赖专业建模知识、完整的输入数据以及主观假设，这在一定程度上削弱了分析过程的透明度、可解释性与可重复性。近年来，大语言模型（Large Language Model, LLM）的进展为农业决策支持带来了新的可能，但单纯依赖人工智能（Artificial Intelligence, AI）生成建议的方式在证据可验证性与可靠性方面仍存在不足。针对这一挑战，研究人员提出了农业大语言模型（Agricultural Large Language Model, AgriLLM）——一种透明的、作物模型驱动且AI辅助的农业决策支持框架。AgriLLM将大语言模型与基于过程的作物模型相结合，采用目标驱动（target-driven）的分析视角，使决策目标决定所需的信息、模拟与分析流程。在该框架中，AI的角色被严格限定为输入结构化与输出解释，而生物物理推断则完全由过程性作物模型承担；决策逻辑通过显式、确定性的规则实现，从而确保整个分析流程透明、可审计且可重复。基于农业生产系统模拟器（Agricultural Production Systems Simulator, APSIM）的概念验证实现，研究展示了该框架在品种选择、播种期确定与氮肥管理三类典型农业决策场景中的应用，表明其能够在保持科学严谨性的同时增强决策支持的可访问性与交互性。该框架为AI在科学引导型农业决策支持系统中的合理定位提供了一种可行的集成路径。

研究背景：农业决策需要综合考虑基因型、环境与管理（G × E × M）的交互作用，传统经验决策因个体差异而难以在不同环境中保持一致。基于过程的作物模型（如农业生产系统模拟器APSIM）提供了量化评估管理策略的科学工具，但其使用门槛较高，且常因输入数据不完整、假设不透明等问题影响结果的可重复性。近年来大语言模型（LLM）的发展为农业决策支持带来了新的交互方式，但单纯由AI生成建议的方式在证据可追踪性与可靠性方面仍显不足。已有整合方案如DSSAT-LM主要围绕回答用户问题组织分析流程，而农业决策更依赖于决策目标本身。为此，研究人员提出了AgriLLM框架，该框架将AI严格限定为解释与沟通角色，生物物理推断完全由作物模型承担，并通过确定性处理层管理数据转换与决策逻辑，从而确保分析流程的透明性和可重复性。研究通过品种选择、播种期和氮肥管理三个案例验证了该框架的可行性，为AI在科学驱动的农业决策支持系统中的合理定位提供了实现路径。

研究人员开展的研究与结论：研究人员开发了AgriLLM框架，其核心是将AI、确定性处理与科学模拟分离。AI仅负责将用户自由文本输入结构化为模型可读的元数据，并将模拟结果转化为用户可读的解释；APSIM等过程性作物模型负责生成生物物理证据；确定性决策逻辑则根据决策目标对模拟输出进行评估。三个案例研究分别针对品种选择、播种期调整和氮肥管理，展示了目标驱动框架如何在不同决策情境下生成定制化的模拟配置与评价标准。该框架的意义在于，通过将AI限制在解释层而非决策层，既保留了自然语言交互的便捷性，又确保了科学推断的独立性与可验证性，为建立可信赖的AI辅助农业决策系统提供了新思路。

关键技术方法：研究人员基于R软件环境构建了AgriLLM原型系统，通过tidyllm接口实现与GPT-5.2的交互，利用rapsimng接口实现APSIM Next Generation模拟实验的程序化配置与执行。确定性决策层由R包rapsimng.decide实现，包含品种选择、播种期与氮肥管理三个目标特异性决策模块。案例研究以澳大利亚新南威尔士州Wagga Wagga为地点，采用SILO气象数据与APSoil土壤数据，模拟年份为1976年至2025年。

研究结果：
品种选择案例：用户仅指定晚播窗口与土壤氮状况，AI将“晚四月至早五月”解析为4月21日至5月10日播种窗口，土壤氮设定为50 kg ha^-1，土壤水分设为满剖面，施氮设为非限制性300 kg ha^-1。APSIM对多个成熟期品种进行模拟，评价指标包括产量与开花期，比较了品种间的生产力与物候风险差异，展示了该框架对不完整输入的解析能力及品种评估的确定性逻辑。
播种期案例：用户仅指定品种为Scepter和小麦，AI将缺失信息以默认值补全，播种窗口扩展为4月1日至6月30日，以3天为间隔生成离散播种日期。模拟结果根据产量与开花期评估不同播种期的响应，阐释了该框架如何在输入信息有限时仍然生成完整的模拟场景，并为播种时间决策提供证据支持。
氮肥管理案例：用户指定品种与固定播种期但未说明土壤和施氮条件，框架将施氮量设为0至440 kg ha^-1、间隔40 kg ha^-1的处理序列，并按各施氮水平下的产量三分位数将模拟年份划分为低、中、高生产力环境，随后将所有氮处理的产量响应按统一年份分组进行比较，揭示了不同生产水平下氮肥施用的边际效益与递减规律。

讨论与结论：讨论部分指出，AI在农业决策支持中的角色不应是替代科学推断，而应作为解释与沟通层增强系统的可访问性。AgriLLM采用目标驱动设计，使分析流程由决策目标决定，而非由问题表述形式主导，从而保证同类决策采用统一评价框架。该框架的模块化结构有利于扩展到灌溉调度、病害风险评估等更多决策场景。研究同时也指出，原型中的默认值是为展示工作流程而设，不构成普适性推荐；未来需进一步评估推荐结果对假设变化的敏感性，并在更大规模数据上比较不同AI后端的一致性。研究结论为：该研究提出了AgriLLM框架，融合自然语言交互的便利性与过程性作物模型的科学严谨性，通过明确分离AI、确定性逻辑与科学推断的职责，将AI限制于解释与沟通，确保决策过程的透明度、可重复性和科学完整性。