Computers and Electronics in Agriculture?|?知識引導(dǎo)AI建模,揭示南方混作區(qū)水稻增產(chǎn)潛力
中國科學(xué)院深圳先進技術(shù)研究院數(shù)字所陳勁松研究員、王靖雯助理研究員,聯(lián)合北京大學(xué)等研究人員在Computers and Electronics in Agriculture上發(fā)表了題為“A knowledge-informed machine learning (KIML) approach to disentangle single- and double-season rice yields and attainable yield gaps in the mixed cropping systems”的研究論文。論文提出了一種知識引導(dǎo)的機器學(xué)習(xí)建??蚣埽行Э朔藗鹘y(tǒng)AI模型對目標(biāo)樣本數(shù)據(jù)的強依賴問題,首次在弱樣本條件下實現(xiàn)了對南方單雙季稻混作區(qū)產(chǎn)量構(gòu)成的精準(zhǔn)識別與未來增產(chǎn)潛力的量化評估。
針對混作系統(tǒng)中“樣本標(biāo)簽不可分”的數(shù)據(jù)瓶頸,研究團隊通過引入遙感提取的作物種植強度信息,并將其轉(zhuǎn)化為結(jié)構(gòu)性知識約束嵌入模型訓(xùn)練過程,引導(dǎo)AI模型在學(xué)習(xí)過程中自動完成對混合產(chǎn)量構(gòu)成的合理解耦,從而實現(xiàn)混作系統(tǒng)內(nèi)多類型作物產(chǎn)量及潛力的定量識別。研究結(jié)果顯示,未來南方混作區(qū)水稻可獲得約1235萬噸 (13.9%) 的增產(chǎn)空間,其中單季稻與雙季稻分別貢獻46.2%和53.8%。相比之下,傳統(tǒng)AI方法由于難以準(zhǔn)確識別產(chǎn)量構(gòu)成,對增產(chǎn)潛力的估計存在高達40.0%的偏差。
該研究在知識先驗與智能學(xué)習(xí)融合機制上取得關(guān)鍵性進展,增強了AI模型對復(fù)雜系統(tǒng)的推理與解釋能力。研究成果有力推動了農(nóng)業(yè)人工智能的深度應(yīng)用,有助于更科學(xué)地評估區(qū)域生產(chǎn)潛力,為優(yōu)化農(nóng)業(yè)資源配置和提升糧食安全水平提供數(shù)據(jù)支撐。
中國科學(xué)院深圳先進技術(shù)研究院助理研究員王靖雯為論文第一作者,陳勁松研究員為該文通訊作者,數(shù)字所空間信息研究團隊為本研究提供了重要支持。本研究受到國家自然科學(xué)基金、廣東省自然科學(xué)基金面上項目和深圳市科技計劃資助。

研究提出的基于知識引導(dǎo)機器學(xué)習(xí)的混種區(qū)水稻產(chǎn)量估算流程

基于傳統(tǒng)機器學(xué)習(xí)和知識引導(dǎo)機器學(xué)習(xí)估算南方水稻混作區(qū)單雙季稻未來增產(chǎn)潛力
附件下載: