科技日报记者 罗云鹏
6月16日，中国科学院深圳先进技术研究院披露，该院团队提出一种知识引导的机器学习（以下简称KIML）建模框架，突破当前混作系统中单、双季稻产量标签缺失对传统AI建模的限制，在弱样本条件下实现对南方单、双季稻混作区产量构成的精准识别与增产潜力的量化评估。相关研究成果发表在《农业计算机与电子》上。
明确作物实际产量与潜在产量之间的差距，对于提升农业生产力、保障国家粮食安全具有重要意义。
当前混作系统中可用的产量样本数据通常仅包含种植区域内单、双季稻的混合均值，难以支撑AI模型学习并识别不同稻作类型的产量构成。
针对这一问题，研究人员通过引入遥感技术提取的作物种植强度数据，并将其转化为结构性知识约束嵌入AI模型训练过程中，引导AI模型在学习过程中自动完成对混合产量构成的合理解耦，从而实现混作系统内多类型水稻产量的定量识别。
验证结果表明，KIML模型对于南方混作区单、双季稻的产量估算精度分别达到85.8%和89.8%，纠正了传统机器学习模型对单季稻产量的低估与双季稻产量的高估偏差，进而显著提升后续增产潜力评估的可靠性，使估算精度提升约12.1%。
结果显示，在当前种植模式下，南方混作区（湖南、湖北、江西、广东）水稻的实际产量水平与可获得潜在产量之间仍存在约1235万吨（13.9%）的增产空间，其中单季稻与双季稻分别贡献了46.2%和53.8%。
据悉，传统的机器学习方法难以准确识别单双季水稻产量的构成，对水稻总体增产潜力的估算存在显著高估。
“我们利用KIML模型学习解析单双季水稻的混合平均产量信息，实现了对单双季水稻的增产潜力的精准估算，有望为我国南方地区粮食主产区科学制定种植策略、优化资源配置、提升粮食产量提供坚实的数据支撑。”中国科学院深圳先进技术研究院数字所研究员陈劲松表示，该研究是先验知识与智能学习融合机制上取得的重要进展，在增强AI模型对复杂系统的推理与解释能力的同时，也推动人工智能在农业领域深度应用。
