AgriPINN：一种用于水分胁迫下可解释且可扩展的作物生物量预测的过程知情神经网络

《Smart Agricultural Technology》：AgriPINN: A Process-Informed Neural Network for Interpretable and Scalable Crop Biomass Prediction under Water Stress

　　

在水分胁迫下准确估算作物地上干生物量（AGB）对于评估农业生产、管理灌溉以及支持面向水安全的决策至关重要。数据驱动模型能够实现高效的大规模预测，但通常提供有限的生理学解释，并且可能对领域偏移敏感；而基于过程的作物模型需要大量校准和细致的管理输入。研究人员提出了AgriPINN，一种过程知情神经网络，将源自LINTUL5的可微生物量生长方程嵌入神经网络训练中。AGB是唯一的监督目标。该网络同时估算叶面积指数（LAI）、光合有效辐射（PAR）、辐射利用效率（RUE）和水分胁迫因子（FW）；其预测值进入过程残差，而相应的田间测量值被排除在优化之外，仅用于事后评估。AgriPINN在覆盖德国397个NUTS-3地区的65年SIMPLACE模拟上进行了预训练，并在防雨棚、雨养和灌溉处理下的小麦和玉米三年田间试验上进行了微调。在主基准上，相对于CNN–Transformer，AgriPINN将冬小麦和玉米的RMSE分别降低了29.7%和22.8%。相对于每种作物最强的非AgriPINN基线，相应降低分别为9.0%和2.2%。额外评估包括四种代表性神经骨干网络、过程损失权重的敏感性分析、无预训练的消融实验以及模拟标签的扰动测试。本研究所展示的可迁移性仅限于所评估的独立数据集和德国温带农业生态背景。

准确估算水分胁迫下作物地上干生物量（AGB）对农业生产评估、灌溉管理和面向水安全的决策至关重要。数据驱动模型虽能高效大规模预测，但缺乏生理学解释，对领域偏移敏感；基于过程的作物模型如DSSAT、APSIM、LINTUL5等虽具有可解释性，却需要大量校准和详细管理输入。现有深度学习多不显式约束每日生物量积累，混合方法多将过程信息作为输入特征或状态更新而非纳入优化目标，中间生理变量常被监督或作为输入，而非在无直接监督下联合推断。为此，研究人员提出了AgriPINN——一种将源自LINTUL5的可微生物量生长方程嵌入神经网络训练的过程知情神经网络，将作物生长关系直接作为软约束，同时保留LAI、PAR、RUE、FW等生理成分作为可解释的潜在输出。

AgriPINN以AGB为唯一监督目标，同时预测叶面积指数（LAI）、光合有效辐射（PAR）、辐射利用效率（RUE）和水分胁迫因子（FW），这些预测值进入过程残差，田间测量值被排除优化，仅用于事后评估。模型先在1951—2015年覆盖德国397个NUTS-3区域的SIMPLACE模拟上预训练，随后在2016年冬小麦和2017—2018年玉米的防雨棚、雨养和灌溉处理田间试验上微调。主基准上，与CNN–Transformer相比，冬小麦RMSE降低29.7%，玉米降低22.8%；与各自最强非AgriPINN基线相比，分别降低9.0%和2.2%。额外评估包括四种代表性神经骨干、过程损失权重敏感性、无预训练消融和模拟标签扰动测试。结果表明，AgriPINN取得最低AGB误差，且过程约束改善多种骨干网络。该研究发表在《Smart Agricultural Technology》。

主要技术方法包括：将LINTUL5光能利用效率公式转化为可微生物量增长方程并作为软约束嵌入神经网络；采用CNN骨干提取时空特征；构建由AGB数据损失与过程残差损失组成的混合损失函数，并通过敏感性分析确定权重λ=0.20；利用自动微分计算AGB对时间的导数；采用SIMPLACE模拟预训练与田间微调；对潜变量进行事后留出评估。样本队列来源：预训练数据为德国397个NUTS-3区域1951—2015年冬小麦和玉米SIMPLACE模拟（24,375样本）；田间数据来自德国Selhausen的TERENO Eifel/Lower Rhine观测站（50°52′N, 6°27′E）的2016年冬小麦和2017—2018年玉米，涵盖防雨棚、雨养和灌溉处理；空间评估使用ERA5气候、MODIS NDVI和德国县级产量统计。

**5.1 预训练模型评估**：在主基准上，AgriPINN使冬小麦RMSE从CNN–Transformer的2.02 t ha^?1降至1.42，降幅29.70%；相对最强非AgriPINN基线SLTF（1.56）降幅8.97%。对玉米，相对CNN–Transformer降幅22.84%，相对最强基准ConvLSTM–ViT（1.83）降幅2.19%。

**5.2 时间AGB变异性与留出生理验证**：在防雨棚、雨养和灌溉处理下，AgriPINN的RMSE分别为1.83、2.25和2.03 t ha^?1，平均2.04。模型预测的时间轨迹更接近生长起始、快速积累和峰值时间。对留出的LAI、PAR、RUE和FW田间测量进行事后评估，RMSPE在4.2%至7.1%之间。

**5.3 空间迁移（德国评估域内）**：以2016年冬小麦为例，利用ERA5气候和MODIS NDVI降尺度至250 m，县级产量通过固定收获指数0.55转换为AGB。AgriPINN获得R²=0.837、RMSE=0.781 t ha^?1，优于LINTUL5的R²=0.802和RMSE=0.998，RMSE降低21.74%。空间分布图表明，AgriPINN保留连贯区域梯度，同时减少水平条带和碎片化模式。

**5.4 跨代表性神经骨干的消融**：将相同过程残差应用于1D-CNN、LSTM、ResNet-18和Time-Series Transformer，过程知情变体在参数数量不变的情况下均提升性能。1D-CNN在雨养处理下RMSE从6.74降至1.83 t ha^?1，降幅72.85%，但该值代表单一数据集上的最有利结果，结论限定于所评估的骨干。

**5.5 过程损失权重λ的敏感性**：当λ从0增加到0.20时，平均验证RMSE和