编辑推荐：
为解决基于过程的模型（PBMs）和人工智能模型（AIMs）在模拟作物生长时的不足，研究人员开发 AGLPF 框架模拟中国玉米带玉米物候变化。结果显示其模拟精度高且能自我优化，为作物模拟提供新框架。
在农业领域，作物生长模拟一直是备受关注的重要课题。准确掌握作物的生长过程，尤其是物候变化，对于合理安排农事活动、精准预测作物产量至关重要。目前，基于过程的模型（PBMs）和人工智能模型（AIMs）是模拟作物生长的两大主要手段。PBMs 依据作物生长的物理、化学和生物学机制构建，具有良好的可解释性，能按照物质和能量守恒定律，逐步完善不同物候阶段的过程描述，从而对农田生态系统中作物、物质和能量的流动进行定量刻画。然而，由于作物生长机制仍有未知之处，利用 PBMs 模拟物候存在不确定性，而且确定和量化影响物候计算的额外因素耗时费力。AIMs 则借助人工智能算法强大的数据处理能力，能从海量数据中挖掘复杂的非线性关系，在作物系统建模方面表现出色，并且无需过多人工调参，可通过大量数据不断优化。但它也存在 “黑箱” 问题，为追求高精度牺牲了时间维度和输出类别，难以进行时间上连续的模拟，导致农业解释性不足。
在这样的背景下，为了充分发挥 PBMs 和 AIMs 的优势，弥补各自的缺陷，研究人员开展了一项重要研究。虽然文中未明确提及研究机构，但他们致力于开发一种全新的连续学习框架，以实现更精准的作物物候模拟。最终，研究人员成功开发出了 AGLPF（APSIM Guided LSTM Phenology Framework）框架，并以中国玉米带的玉米物候模拟为案例进行研究。该研究成果具有重要意义，为作物生长模拟领域提供了新的思路和方法，相关论文发表在《Agricultural and Forest Meteorology》上。
研究人员在开展此项研究时，运用了以下几个主要关键技术方法：首先是对玉米在 APSIM 模型中的遗传参数进行校准和验证，通过对比不同遗传参数下模型模拟结果与实际数据，评估模型模拟精度。其次，构建了 AGLPF 框架，该框架整合了 APSIM 模型及其物候数据集，以及基于注意力长短期记忆网络（LSTM）的人工智能模型。利用 APSIM 模型输出的数据集对框架中的 AIM 进行初始训练，之后再使用累积的实际物候数据对 AIM 进行自调整训练。
下面详细介绍研究结果：
- 研究区域和数据集来源：研究聚焦于中国玉米带（CMB），其地域广阔，涵盖我国从西南到东北（97°E 至 135°E，21°N 至 51°N），土地面积占我国的 27.7%，玉米产量约占全国总产量的 80%。由于地理、气候和经济条件差异，玉米种植系统内部变化较大。研究使用了多种数据集，包括 APSIM 模型输出的物候数据集以及来自中国玉米带的实际物候观测数据。
- APSIM 模型中玉米遗传参数的校准和验证：通过对 APSIM 模型中六个玉米遗传参数（包括初始和修订版本）的研究，分析其对玉米物候期模拟的影响。从展示的 nRMSE 值和总 R2值可以看出，使用初始遗传参数时，APSIM 模型在模拟玉米全生育期（FGC）方面具有较高精度。
- AGLPF：由 AI 神经元组成的新作物框架：AGLPF 旨在改进传统 PBMs，减少模拟的不确定性，增强模型的稳健性。研究人员利用 APSIM 模型的输出数据对 AGLPF 中的 AIM 进行初始训练，结果显示，在模拟玉米营养生长阶段和开花期时，平均 RMSE 为 0.8 天；灌浆期为 1.4 天；全生育期为 2.0 天，表明 AGLPF 能够较好地复现 APSIM 模型的结果。随后，研究人员使用 0 至 12 年递增的实际物候数据对 AGLPF 进行自调整训练，发现其模拟结果与实际数据的契合度越来越高，全生育期的 RMSE 从 27.8 天稳步下降至 5.5 天。并且，在所有物候阶段的模拟中，自调整训练方法均优于从头开始训练的方法。
综合上述研究结果，AGLPF 框架成功结合了 PBMs 和 AIMs 的优势。一方面，借助 APSIM 模型的物理机制，为模拟提供了生物学解释基础；另一方面，利用基于 LSTM 的 AIM 强大的数据处理能力，实现了对复杂非线性关系的捕捉，提高了模拟精度。同时，通过自调整训练，AGLPF 能够随着实际数据的积累不断优化，进一步提升模拟的准确性。这一框架的出现，为作物物候模拟乃至其他与作物相关变量的模拟提供了一种全新的思路和方法，使得研究人员能够在兼顾机制理解和预测能力的基础上，更精准地模拟作物生长过程，为农业生产管理和产量预测提供有力支持，对推动农业领域的发展具有重要意义。
