动态环境资源下的作物生长特征模型结构和条件响应方法

The response mechanism of crop growth to environmental resource change is a critical research question for agricultural informatics. There exists a research gap on crop growth characteristic model construction and structural optimization under dynamic environmental resource change. According to the characteristics of spatial heterogeneity, temporal dynamics and uncertainty faced by crop growth, we propose a mechanism of Bayesian statistics and machine learning to develop structure and conditional response mechanism to understand how crop responses to environmental resources at different spatio-temporal scales. To achieve this goal, we propose three key research contents are proposed: (1) Aiming for spatial heterogeneity, a Bayesian hierarchy based model will be developed to quantify spatial heterogeneity and uncertainty of crop response to environmental resource changes are analyzed; (2) Aiming for temporal dynamics and uncertainty, a probability analysis model of crop growth condition based on Bayesian statistics was proposed to estimate the probability distribution of crop yield based on different environmental conditions; (3) Aiming for the optimization of structure and parameters of crop growth characteristic model, a recurrent neural network method based model will be developed to quantify how crop response to the long-term accumulation of environmental resources and the transmission mechanism of short - term disaster weather. The project aims to provide a new systematic research perspective and approach to better understand the spatiotemporal uncertainty of the regional environmental resource changes and its impact on crop yield prediction.

作物生长应对环境资源变化的响应机制问题是农业信息学科的研究热点与重点，而有关在动态环境资源变化下作物生长特征模型构建和结构优化的研究较为薄弱。针对作物生长面临的空间异质性、时间动态性和不确定性的特点，本项目提出从作物生长空间分布和时间动态响应出发，采用贝叶斯统计和机器学习的机制，系统分析在不同时空尺度下作物对于环境资源响应的模型结构和条件响应机制。为实现这一目标，拟完成如下三个研究内容：针对空间异质性问题，建立贝叶斯层次模型分析作物应对环境资源变化的空间特征区划；针对时间动态不确定性，提出基于贝叶斯统计的作物生长条件概率分析方法，从作物产量的确定点估计转向概率分布估计；针对模型结构问题，基于递归神经网络方法学习作物对于环境资源的长期累积作用和短期灾害天气响应的传导机制，系统分析和优化作物生长模型的结构和参数。为提高作物应对环境资源变化的时空不确定性分析能力，提供新的系统的研究角度和思路。

本项目针对自然环境条件及作物生长响应的空间异质性、时间动态性和不确定性的特点，从作物空间分布变化和作物对气象要素等时间动态响应角度出发，利用深度神经网络的学习能力以及注意力机制和多任务学习机制等，系统性分析了在不同时空尺度下作物对于环境资源响应的模型结构和条件响应机制。项目共发表SCI文章6篇，平均2019年影响因子7.95。研究提出了一种数据驱动的玉米产量预测核心算法，通过融合遥感、气象、物候等多源数据信息，提高玉米估产的精度和鲁棒性。该算法应用于美国玉米主产区（36年26015数据样本），结果表明县级的估产预测精度在0.83吨/公顷，高于其它常用模型如岭回归模型和随机森林模型。在此深度学习核心算法基础上，通过引入注意力学习机制和多任务学习方法，构建了时空特征联合学习的玉米单产估测模型DeepCropNet（DCN深度作物网络）。深度作物网络模型不仅具有高精度的估产能力，还具有空间差异识别能力，例如识别到美国玉米带高温胁迫的南北分布差异。高精度-大尺度-可迁移的作物制图可以提供准确、及时的作物分布信息，为大规模作物估产提供决策支持。我们开发了时空特征联合-可迁移学习的作物识别模型DeepCropMapping（DCM深度作物制图）。DCM模型在美国玉米带六个站点超千万级30米精度像素点的玉米-大豆识别实验中，同时提升了本地和迁移的模型精度，提升了大空间范围玉米大豆制图的模型应用能力。我们通过空间聚类分析中国主粮作物的分布及产量，量化了不同地区的秸秆资源聚集程度变化，并通过分析时空分辨率的统计分析模型，来探究关键的作物生长期、关键产量限制因子，以及不同空间尺度对模型可靠性、鲁棒性和解释能力的影响。项目通过融合农学、机器学习和地理信息科学，对于作物-环境资源的时空特性和不确定性等科学问题进行了探索，结果表明数据驱动的深度学习研究范式可以有效提高大空间尺度作物估产的精度和泛化能力，为进一步探讨动态不确定环境下的作物生长预测提供基础。