机构名称：
¥ 1.0
响应气候变化，评估极端天气条件下的作物生产力对于提高粮食安全至关重要。与物理过程保持一致的作物模拟模型，可提供解释性，但表现较差。相反，用于作物建模的机器学习（ML）模型具有强大的可扩展性，但可作为黑匣子，并且缺乏遵守作物生长的物理原理。为了弥合这一差距，我们提出了一种新颖的方法，该方法通过估计用水量和对像素水平的水稀缺性的敏感性来结合两种方法的优势。这种方法通过使用增强的损失函数依次解决对水稀缺性的作物产量反应的方程来实现基于物理原理的产量损失估计。利用Sentinel-2卫星图像，气候数据，模拟的用水数据和像素级产量数据，我们的模型表明了高准确性，达到了高达0.77的R 2，匹配或超过了诸如RNNS和变形金刚（RNNS and Transfors）的先例模型。此外，它还提供了可解释的和物理一致的产出，支持行业，决策者和农民适应极端天气条件。
探索物理知识的神经网络以获取作物产量...
主要关键词
相关文件推荐
