生物物理模型为自然和农业设定中的气候物质关系提供了宝贵的见解。然而,模型之间存在实质性的结构差异,这些差异需要特定地点的重新校准,在类似的气候场景下产生了十个不一致的预测。机器学习方法提供了数据驱动的解决方案,但通常缺乏可解释性和与知识的一致性。我们提出了一个描述果树休眠状态的物候模型,将常规生物物理模型与神经网络相结合,以解决其结构分离。我们在一项广泛的案例研究中评估了我们的混合模型,该案例研究预测了日本,韩国和瑞士的樱桃树木学。我们的方法始终优于传统的生物物理和机器学习模型,以预示多年来的开花日期。此外,神经网络的适应性促进了特有树种品种的参数学习,从而可以对没有特定地点重新校准的新站点进行稳健的概括。这种混合模型杠杆既可以生物物理约束和数据驱动的灵活性,从而为准确且可解释的物候建模提供了有希望的途径。
主要关键词