深圳先進院空間信息團隊在數(shù)據(jù)驅(qū)動和機理建模不確定性研究中取得新進展
物理過程驅(qū)動的機理模型和數(shù)據(jù)驅(qū)動的智能學(xué)習(xí)模型是系統(tǒng)計算建模的兩類基本范式。機理模型通過抽象現(xiàn)實世界的生物物理機制,定量計算系統(tǒng)內(nèi)部各因子動態(tài)交互過程,具有相對穩(wěn)定的模型表現(xiàn),一直以來是科學(xué)研究的核心范式。近年來,隨著海量多源數(shù)據(jù)的不斷生產(chǎn)和豐富,數(shù)據(jù)驅(qū)動的智能學(xué)習(xí)模型得到迅猛發(fā)展。學(xué)習(xí)模型通過學(xué)習(xí)推理變量間的隱式關(guān)系,可以跳過對未知物理機制的解析直接建模,在訓(xùn)練數(shù)據(jù)充足的情況下具有較高的模擬精度和計算效率。兩類計算建模范式在不同研究領(lǐng)域得到了大量應(yīng)用實踐,但不同建模范式在復(fù)雜系統(tǒng)模擬研究中的一致性和不確定性仍待深入探索。
近日,中國科學(xué)院深圳先進技術(shù)研究院數(shù)字所空間信息研究中心陳勁松研究員團隊在農(nóng)林科學(xué)領(lǐng)域國際權(quán)威期刊Field Crops Research(中科院1區(qū)TOP)上發(fā)表了題為Consistency and uncertainty of remote sensing-based approaches for regional yield gap estimation: A comprehensive assessment of process-based and data-driven models的研究論文,該論文全面對比分析了機理驅(qū)動和數(shù)據(jù)驅(qū)動兩種建模范式在大尺度農(nóng)業(yè)系統(tǒng)模擬研究中的一致性和不確定性,揭示了模型不確定性在復(fù)雜系統(tǒng)多變量模擬中的層級傳播機制,提出基于多模態(tài)數(shù)據(jù)融合與像元級動態(tài)智能計算的大尺度農(nóng)業(yè)生產(chǎn)潛力評估方案。數(shù)字所助理研究員王靖雯為論文第一作者,陳勁松研究員為通訊作者。
農(nóng)業(yè)系統(tǒng)是自然要素和人為干預(yù)強烈交互作用下形成的復(fù)雜系統(tǒng)。隨著全球氣候變化、地區(qū)沖突頻發(fā)和資源約束加劇,糧食安全和農(nóng)業(yè)系統(tǒng)可持續(xù)發(fā)展受到廣泛重視。在大區(qū)域尺度準(zhǔn)確模擬農(nóng)業(yè)系統(tǒng)中作物實際產(chǎn)量(actual yield, Ya)與潛在產(chǎn)量(exploitable potential yield, Ye)之間的產(chǎn)量差距(yield gap, YG)對于揭示現(xiàn)有耕地的糧食增產(chǎn)潛力、保障未來糧食安全具有重要意義。
研究人員基于多模態(tài)衛(wèi)星遙感、氣象觀測和地面調(diào)查數(shù)據(jù)融合和信息挖掘技術(shù),提出大尺度農(nóng)業(yè)系統(tǒng)的像元級動態(tài)模擬框架,突破了傳統(tǒng)站點模擬的空間升尺度限制。在此框架下,對比分析了不同建模范式對農(nóng)業(yè)系統(tǒng)生產(chǎn)潛力模擬精度的影響,闡述了不同建模范式的不確定性來源及其在實際產(chǎn)量、潛在產(chǎn)量和產(chǎn)量差模擬中的疊加傳播機制。結(jié)果表明,像元級機理過程建模是區(qū)域農(nóng)業(yè)系統(tǒng)生產(chǎn)潛力模擬的可靠方法,同時強調(diào)了采用更細粒度代表性觀測數(shù)據(jù)集來訓(xùn)練智能學(xué)習(xí)模型的必要性。研究闡明了不同建模范式在農(nóng)業(yè)系統(tǒng)生產(chǎn)潛力模擬中的優(yōu)勢和不確定性,揭示了大尺度農(nóng)業(yè)系統(tǒng)的增產(chǎn)熱點區(qū)域,并對于推動農(nóng)業(yè)系統(tǒng)模型發(fā)展和保障糧食安全具有重要意義。
該論文還入選中國科學(xué)院機構(gòu)學(xué)術(shù)榜單當(dāng)月高關(guān)注論文。

研究提出的像元級農(nóng)業(yè)系統(tǒng)生產(chǎn)潛力遙感評估框架,以及嵌入不同模型范式的對比結(jié)果。

不同模型范式模擬水稻實際產(chǎn)量的空間對比驗證,(a)基于過程模型(Process-based model, PB model)模擬的產(chǎn)量空間分布,(b)基于學(xué)習(xí)模型(Machine learning model, ML model)模擬的產(chǎn)量空間分布。
不同模型范式模擬水稻實際產(chǎn)量的地面驗證結(jié)果,(a)學(xué)習(xí)模型(校正前),(b)學(xué)習(xí)模型(校正后)和(c)過程模型。
附件下載: