《Agricultural Systems》:Synergizing process-based modeling and data-driven learning for precision nitrogen optimization in winter wheat
编辑推荐:
•开发了一种基于模拟的APSIM–ML–MOO框架,用于筛选候选氮素策略。•构建了XGBoost代理模型,以模拟APSIM模拟的物候、产量和N2O指标。•使用SHAP解释APSIM模拟器中统计特征的贡献。•将NSGA-II与等权TOPSIS结合,以识别基准折中氮素策略。•探索
- •
开发了一种基于模拟的APSIM–ML–MOO框架,用于筛选候选氮素策略。
- •
构建了XGBoost代理模型,以模拟APSIM模拟的物候、产量和N2O指标。
- •
使用SHAP解释APSIM模拟器中统计特征的贡献。
- •
将NSGA-II与等权TOPSIS结合,以识别基准折中氮素策略。
- •
探索了模型导出的产量、盈利能力、氮素投入和模拟环境指标之间的权衡关系。
引言
小麦是全球关键的谷物作物,对粮食安全和农业经济至关重要。江苏省贡献了中国冬小麦面积和产量的10%以上,具有全国战略地位。氮是作物必需的大量营养元素,参与蛋白质、核酸和叶绿素等关键生物分子的合成,对光合作用、养分吸收和产量形成至关重要(Zeng et al., 2021; Zhang et al., 2022)。该省多样的气候和土壤条件导致氮需求的空间变异性,使统一施肥效率低下。然而,过量施用氮素会增加生产成本和倒伏风险,还会引起温室气体排放、水体富营养化、土壤酸化和生物多样性丧失等严重环境问题(Jiang et al., 2019a; Serio et al., 2018)。在江苏,传统上氮素的过度使用以及气候、土壤和耕作系统的高区域变异性导致施肥不匹配和小麦生产力次优。精准氮管理根据当地条件和作物需求定制氮素投入量,为提高产量、改善氮素利用效率和减少环境足迹提供了方案,支持江苏可持续的小麦生产(Zhang et al., 2024)。
氮素推荐方法通常分为两类:基于传感器的方法和基于地图的模型。前者通过植被指数、充分性指数和主动冠层感知等技术评估作物实时氮素状态,以优化施肥策略(Mehrabi and Sepaskhah, 2018)。后者通过分析预定义的空间变异性来确定氮素投入量,采用的技术包括土壤属性制图、历史产量分区和作物模型-GIS集成(Ebertseder et al., 2005; Ebertseder et al., 2003)。精准农业的一个关键先决条件是获取及时且广泛的地理空间信息。近年来,遥感由于其多尺度覆盖、高时间分辨率和近实时数据获取能力,已被广泛应用于区域氮素管理。通过整合统计或数据驱动的模型,遥感能够实现动态氮素状态评估和因地制宜的施肥策略(Argento, 2021; Jiang et al., 2023)。然而,模型在不同农业生态区的适应性仍然有限,预测精度变化范围为23%–58%(Ransom et al., 2019),限制了更广泛的应用。这一局限性主要源于特定植被指数并不总是直接反映氮素胁迫,可能受到水分或土壤条件等其他因素的影响(Colaco and Bramley, 2018),从而限制了实用性和更广泛的应用。近年来,在遥感与机器学习整合方面取得了显著进展,通过数据融合和先进算法,实现了更稳健的产量预测和因地制宜的管理(Bantchina et al., 2024; Wang et al., 2024)。然而,数据获取成本以及模型在不同农业生态区的泛化能力仍然面临挑战(Wang et al., 2024)。
另一种辅助氮素施肥的方法是使用农业系统模型(也称为作物模型)。作物模型通过整合遗传、环境和管理因素,动态模拟作物生长和氮循环过程,从而实现对产量和环境响应的准确预测(Kivi et al., 2022)。这些模型已成为精准氮管理的重要工具。早期的优化策略主要关注单一目标,如最大化产量、增加利润或最小化与氮素盈余相关的负面环境足迹(Hussain et al., 2023; Miao et al., 2006; Vogeler et al., 2023)。为应对这些挑战,多目标优化已成为氮管理决策中同时考虑产量表现、经济效益和环境可持续性的关键方法(Cammarano et al., 2021; Zhao et al., 2015)。例如,多目标优化算法已被应用于优化氮素施用,通过同时解决多个目标,从而增强多样化农业背景下的决策能力(Jain et al., 2021; Kropp et al., 2019; Yan et al., 2024)。
基于过程的作物模型在高精度区域尺度上的应用受到数据需求复杂、参数不确定性和计算量大等挑战的限制(Xiong et al., 2020)。尽管高性能计算的最新进展提高了模拟效率,但涉及数千个单元和众多情景的大规模建模仍然在计算上不可行(Zhao et al., 2013)。机器学习通过实现快速模拟并降低时间成本提供了有前景的解决方案,已被广泛应用于农业任务中,如产量预测和氮素监测(Jiang et al., 2019a, Jiang et al., 2019b; Paudel et al., 2021)。然而,机器学习的"黑箱"性质限制了其对农业系统内复杂相互作用的解释能力。将机器学习与作物模型结合,既保留了机理可解释性又兼具计算效率,为区域氮素管理提供了强大的框架。Reichstein等(2019)提出了五种整合策略,其中使用机器学习模拟作物模型受到了关注。Xiao等(2022)通过整合APSIM与自适应回归样条、随机森林和梯度提升树,成功构建了高精度代理模型,揭示了小麦-玉米轮作的最佳氮素策略。进一步地,开发了一种结合XGBoost和NSGA-II的时空优化模型,用于评估经济氮素速率和气候适应策略(Xiao et al., 2024)。这种混合方法为数据密集型、可持续的氮素管理提供了可扩展的支持。先前的研究已经证明了作物模型模拟和优化在氮素管理中的价值。然而,将基于APSIM的代理建模与区域尺度上的分次施氮优化明确联系起来,同时考虑产量、利润、总氮素投入和APSIM模拟的N2O排放指标的研究相对较少。因此,本研究的贡献在于将这些组成部分整合为一个操作流程,用于在多目标条件下快速筛选具有空间显式性的基肥和追肥氮素策略。
我们假设,在基于APSIM的模拟框架内,所提出的框架能够识别出将氮素投入减少至少15%同时将模拟产量保持在传统做法6%以内的候选氮素策略。为验证这一假设,本研究旨在:(1) 开发APSIM的机器学习代理模型,以进行高分辨率区域模拟;(2) 生成高效的多目标氮管理策略(MONM);(3) 从生产力、盈利能力和环境足迹方面,将MONM与基于文献的传统农户做法(FP)基准和基于实验的最优氮管理(EONM)进行对比评估。
章节摘要
研究区域
本研究聚焦于江苏省,涵盖13个地级市。作为中国11个主要小麦生产省之一,江苏在区域和全国粮食安全中发挥着关键作用。气候方面,江苏被划分为温带和亚热带区域,淮河以北地区呈温带季风气候,南部地区被划为亚热带季风区(He et al., 2015)。研究区域被划分为1 km(约0.0083°)分辨率的网格。
模型校准与评估性能
APSIM模型使用江苏省11个地点的多年田间数据对11个小麦品种进行了校准和评估。模拟涵盖了拔节期、抽穗期、成熟期和籽粒产量,性能如图3所示。
校准期间模拟的拔节日期范围为66至97天,平均80天。宜兴、盱眙和徐州的准确性最高(零误差),大丰最低(4.5天误差),尤其是2010年。评估显示日期范围为56至
机器学习代理模型的选择
在应用机器学习模拟作物生长模型时,算法选择必须平衡模拟精度、模型稳定性、统计可解释性和计算可行性,这取决于可用数据的规模和性质。结果表明,基于树的集成模型具有明显优势。XGBoost在抽穗期(R2 = 0.96)、成熟期(R2 = 1.00)、产量(R2 = 0.86)和模拟N2O排放(R2 = 0.81)方面均达到了最高的预测精度,误差减少了
结论
本研究开发了一种APSIM–ML–MOO框架,用于基于模拟筛选冬小麦区域氮管理策略。XGBoost代理模型表现出强大的模拟APSIM模拟物候、产量和N2O排放指标的能力,提高了区域情景分析和优化的计算效率。
在与基于文献的FP和EONM基准的描述性比较中,模型导出的MONM结果显示中位数氮素投入更低,中位数RERI更高,
CRediT作者贡献声明
叶雨如(Yuru Ye):撰写——初稿,验证,软件,方法论,调查,形式化分析,数据整理,概念化。王倩(Qian Wang):撰写——初稿,验证,调查,形式化分析。Davide Cammarano:撰写——审阅与编辑,指导,方法论,概念化。余康(Kang Yu):撰写——审阅与编辑,指导,方法论,概念化。Siva K. Balasundram:撰写——审阅与编辑,指导,方法论,概念化。李伟(Wei Li):撰写
利益冲突声明
作者声明,他们没有已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
本研究由江苏省农业科技自主创新资金(CX(24)3126)、中央高校基本科研业务费专项资金(KYLH2025011)和江苏省高校"青蓝工程"资助。
Yuru Ye|Qian Wang|Davide Cammarano|Kang Yu|Siva K. Balasundram|Wei Li|Xiuli Li|Xiaojun Liu|Yongchao Tian|Yan Zhu|Weixing Cao|Qiang Cao