知识引导的深度学习提高了水稻地上生物量的估算

《Computers and Electronics in Agriculture》：Knowledge-guided deep learning improves estimation of rice aboveground biomass

　　

•开发了一种知识引导的PL-BioNet，用于水稻地上生物量估算。
•模块化建模表征了受环境限制下的潜在作物生长过程。
•基于模拟的预训练实现了生物量积累动力学的学习。
•PL-BioNet提高了时空泛化能力和数据效率。

引言

作物地上生物量（AGB）是作物生长状态、产量形成和区域农业生态系统碳循环的关键指标（Parag等人，2024；Wan等人，2022；Zheng等人，2023）。它表征了通过光合作用和生物量分配所累积的干物质，既反映了作物的内在生长活力，也反映了其对环境胁迫的适应能力。因此，准确及时的地上生物量估算支持了从田间作物管理（Shi等人，2025）到区域生态系统碳循环（May等人，2024）和农业生产力（Jin等人，2017；Yu等人，2024）评估的广泛应用。然而，由于环境异质性显著、管理方式多样以及基因型-环境-管理互作复杂，可靠的地上生物量估算仍然面临巨大挑战。在区域尺度上，生长条件的强烈时空变异性放大了非线性生长响应，并阻碍了有效特征解耦，使得这一挑战尤为突出。因此，开发一种能够提取关键生长相关特征同时在异质景观中保持稳健的作物地上生物量估算模型，仍然是重要的研究优先事项。

现有的作物地上生物量估算方法主要受基于过程的作物模型和纯数据驱动模型的支配。基于过程的作物模型通过显式构建生理过程及其对环境条件的响应来模拟作物生物量积累（Chapagain等人，2022；Zhao等人，2019）。具体而言，这些模型首先假设资源供给最优，模拟潜在生物量。在此阶段，生长主要受基因型性状和辐射利用效率支配（Jha等人，2022；Tang等人，2009）。在此基础上，模型引入各种削减因子来表征从潜在生长到实际生物量的转变。这些因子通常以胁迫削减函数的形式表示，并考虑热胁迫和水分亏缺等环境限制。尽管对胁迫削减函数已有大量研究（Li等人，2017；Sun等人，2021），但作物对复杂胁迫响应的生理机制仍未被完全理解。这种机制不确定性在从田间模拟转向区域应用时被进一步放大。在区域尺度上，过程模型的性能往往受到管理实践简化表征和区域参数标定的固有困难所制约（Hu等人，2024）。这些问题使其难以捕捉空间异质性和极端气候事件的影响。因此，过程模型在应用于复杂动态农业系统时可能表现出系统性偏差。此外，过程模型的预设固定输入往往缺乏灵活性，无法同化多源观测数据（如对实时冠层变化敏感的光谱数据）。这限制了过程模型纳入实际观测的能力，使其在跟踪作物生长实际时空动态方面表现受限，尤其是在区域尺度上。

数据驱动方法作为一种有效的替代方案已逐渐兴起，通过直接在多源观测与作物生物量之间建立关系来实现估算。基于机器学习和深度学习的方法已被应用于作物地上生物量估算（Adeluyi等人，2022；Fu等人，2024；Marshall等人，2022）。融合SAR和Landsat影像等多源遥感信息已被证明在提高AGB估算精度方面优于单源方法（Adeluyi等人，2022）。通过利用大量遥感、气象和辅助数据，这些模型可以灵活捕捉非线性模式，更好地反映时空维度上的实际作物状况（Qin等人，2025；Xie等人，2025）。然而，大多数纯数据驱动方法将地上生物量估算视为端到端的回归任务，直接将光谱和环境输入映射为生物量值，而不显式考虑生物量形成的潜在生物物理机制（Qin等人，2025）。这些模型的预测性能仍然高度依赖于训练数据的多样性，当迁移到未见过的环境或区域时其稳健性往往下降（Nakajima等人，2025）。在缺乏明确机制基础的情况下，这些模型受限于训练数据的统计分布，这种依赖性限制了其归纳偏差，使其在遇到分布偏移或训练集中未充分表征的协变量关系时容易产生泛化误差（Cao等人，2026）。对于作物生物量估算，这些局限性在数据密度较低的场景中尤为突出，例如极端气候事件、高生物量条件或跨区域应用。在这些情况下，特征空间往往在训练集中表征不足，导致预测不可靠、精度降低。近期研究尝试通过联合预测与生物量积累高度相关的辅助作物性状来改进AGB估算（Yamaguchi，2024）。这些辅助任务通过鼓励学习共享表征并在训练过程中提供额外的监督信号，从而增强了主任务AGB预测。然而，这种多任务学习策略本质上仍然是数据驱动的，并未对模型内部表征施加明确的机制引导。因此，所学特征仍可能缺乏生物学可解释性。因此，有必要将地上生物量形成机制纳入数据驱动模型，引导其获取更具泛化性的特征表征，从而增强模型在不同农业环境中的泛化性和稳健性。

将机制知识与数据驱动学习相结合，是那些物理一致性和可解释性与预测精度同等重要的领域的前沿方向。在气候科学、水文学和遥感等领域，这种混合范式已被应用于提高模型稳健性、增强样本效率和可解释性（Reichstein等人，2019；Wei等人，2024；Willard等人，2022）。在农业领域，融合过程模型、遥感和机器学习的混合框架已有开展，但大多数工作集中于作物产量估算（Danner等人，2021；Kheir等人，2025；Wang等人，2025b）。过程模型的模拟结果被作为额外输入纳入机器学习模型，与遥感和环境变量一起用于提高作物产量预测精度（Kheir等人，2025）。相比之下，专门针对作物地上生物量估算的研究仍然相对不足。在近期研究中探索的融合范式里，有两条路径展现了潜力。一种范式是将机制知识直接嵌入模型架构，通过编码生理原理作为神经网络的结构组件或功能约束来实现（Fang等人，2026）。这种方法不仅保留了深度学习的表征能力，还提供了可追溯的因果路径，增强了模型的可解释性。重要的是，这种可解释结构有助于提升估算性能。例如，显式约束上游生物物理变量（如总初级生产力）已被证明可以通过缓解因果链上的误差传播来提升下游产量估算（Yang等人，2023）。将作物生长机制路径嵌入模型结构，使其能够分离不同生长驱动因子的效应，确保模拟遵循自然生长规律而非仅仅拟合统计噪声。另一种范式是在基于过程模型生成的大型合成数据集上对数据驱动网络进行预训练（Shi等人，2026；Wang等人，2023；Wocher等人，2022）。这些合成数据集实现了网络的生理学信息参数初始化，在真实观测稀缺时改善了学习稳定性。通过预训练后微调的策略，该方法减少了对过程模型大量标定和大规模标注数据集的依赖，同时支持从模拟条件到真实观测场景的稳健适应（Wang等人，2023）。

尽管取得了这些进展，但这类知识引导的数据驱动学习策略在作物生物量估算中的应用仍然有限。生物量积累是一个受机制约束的过程，其时空变异性由可达生长潜力与环境约束之间的相互作用所驱动。当前的数据驱动方法缺乏一种结构化表征来联系潜在生长与其受约束的实现，因此难以区分生物量变异性源于内在潜力还是环境约束。这可能削弱模型在表征时空异质性和气候极端事件时的稳健性。因此，亟需纳入一种知识引导结构来区分潜在能力与受约束条件下的实际生长。此外，在生物量估算任务中，预训练和微调的有效性仍未被充分探索，因为分阶段生物量观测数据往往难以获取。预训练能否从模拟数据中学习分阶段生物量动力学，从而缓解地面数据的稀缺性——尤其是在区域尺度上——仍有待深入研究。

为解决这些研究空白，本研究提出了一种知识引导的潜在-限制生物量网络（PL-BioNet），用于水稻地上生物量估算。该模型显式遵循生物量形成原理，将累积生物量表征为理想条件下可达的生长潜力，经真实世界环境约束修正后得到实际生物量。据此，PL-BioNet设计了两个并行模块：潜在生物量模块用于表征作物生长的理论上限，环境限制模块用于考虑气候胁迫、冠层动态、土壤特性和空间因素等造成的约束效应。为增强生理一致性和数据效率，该框架采用了预训练和微调策略。首先，过程模型RiceGrow生成大规模模拟数据用于预训练。随后，使用观测数据对模型进行微调。这种方法使PL-BioNet能够将机制知识与多源观测相融合，确保在异质环境中实现稳健的生物量估算。本研究旨在回答以下研究问题：

RQ1：与纯数据驱动和基于过程的作物模型相比，知识引导的PL-BioNet在作物地上生物量估算中的表现如何？

RQ2：PL-BioNet中提出的潜在生物量模块和环境限制模块各自在地上生物量估算中扮演什么角色？

RQ3：预训练和微调策略如何使PL-BioNet学习到基于过程作物生长模型的生物量积累模式？

RQ4：在有限训练数据条件下，预训练和微调策略在多大程度上提高了数据效率，同时保持了稳健的估算性能？

方法概述

为弥合基于过程的作物模型的可解释性与深度学习的灵活性，我们提出了一种基于以下两个原则的水稻生物量估算框架：知识引导的网络结构设计，以及基于模拟的预训练和微调策略。

捕捉水稻生物量时空变异的表现

提出的PL-BioNet模型在水稻地上生物量估算中显著优于传统的深度学习、机器学习和基于过程的模型。PL-BioNet模型的整体RMSE为1.61 t/ha（图3）。在同一测试集上应用基准方法，纯数据驱动模型LSTM、RF和过程模型RiceGrow的整体RMSE分别为1.91 t/ha、1.88 t/ha和2.55 t/ha。相关系数（r）的评价也表明……

知识引导的潜在-限制架构的优势

本研究开发了PL-BioNet，一种基于作物生物量形成层级式"潜在-限制"逻辑的知识引导深度学习框架，用于异质生长条件下的区域水稻地上生物量估算。在长江中下游县域尺度水稻生物量估算的案例研究中，PL-BioNet持续优于主流的机器学习（RF）、深度学习（LSTM）和过程模型（RiceGrow）基准，并保持……

结论

本研究开发了一种知识引导的深度学习框架（PL-BioNet），通过将作物生长知识同时融入网络设计和模型训练，用于区域水稻地上生物量估算。基于"从潜在到受限"的生物量形成概念，PL-BioNet将潜在生物量模块（表征有利条件下的生长能力）与环境限制模块（捕捉环境胁迫导致的生物量削减）相结合。本研究以长江中下游……

CRediT作者贡献声明

Qiyu Tian：撰写-初稿，验证，方法论，正式分析。
Renhai Zhong：撰写-审阅与编辑，调查。
Xingguo Xiong：撰写-审阅与编辑，调查。
Hao Jiang：撰写-审阅与编辑，调查。
Jingfeng Huang：撰写-审阅与编辑，验证。
Zhenhong Du：撰写-审阅与编辑。
Tao Lin：撰写-审阅与编辑，监督，概念化。

利益冲突声明

作者声明不存在已知的竞争性经济利益或个人关系可能影响本文所述工作。

致谢

本研究受国家重点研发计划（批准号2022YFD2001001）和国家自然科学基金（批准号32071894）资助。

Qiyu Tian | Renhai Zhong | Xingguo Xiong | Hao Jiang | Jingfeng Huang | Zhenhong Du | Tao Lin