.png){kind=icon}
返回
Integrating machine learning with agroecosystem modelling: Current state and future challenges
.png){kind=icon}
OA
AI
DOI：10.1016/j.eja.2025.127610.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器学习（ML），特别是深度学习（DL），因其能够提高计算密集型任务的效率，正在农业生态系统建模领域日益受到关注。通过采用PRISMA技术回顾以往的建模研究，我们展示了该领域内机器学习应用的若干实例，并强调了使用此类模型的潜力。不同类型的集成和模型构建方法被划分为基于过程的建模（PBMs）和数据驱动建模（DDMs），它们模拟农业生态系统动态的不同方面。虽然PBMs擅长捕捉复杂的生物物理和生物地球化学过程，但它们计算量大，且可能无法总是通过分析方法求解。为应对这些挑战，机器学习（ML）技术，包括深度学习（DL），正越来越多地被整合到农业生态系统建模中。这种整合涉及用数据驱动模型替换PBMs、使用结合PBMs与ML的混合模型，或通过元建模构建PBMs的简化版本。基于ML的元模型提供计算效率，并能捕捉复杂农业系统中的复杂模式和非线性关系。然而，可解释性和数据需求等挑战依然存在。本综述强调了弥合差距和解决挑战的重要性，以充分发挥ML在识别促进可持续农业系统的最有前景的田间管理方式方面的潜力。此外，还强调了成功将ML与PBMs整合到农业中所需的具体考虑因素，如数据需求、可解释性、模型验证和可扩展性，以及结合ML与PBMs的变革性潜力，特别是在从田间到全球尺度的模拟扩展以及通过基于应用的先进传感器技术简化数据收集流程方面。
Keyword:
Process-based models (PBM)
Data-driven models(DDM)
Machine learning (ML)
Agroecosystem
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
5.5
论文数:
759
被引数:
1.3W
机构
引用论文
分享收藏LandscapeDNDC: a process model for simulation of biosphere-atmosphere-hydrosphere exchange processes at site and regional scaleLandscapeDNDC: 在站点和区域尺度上模拟生物圈-大气-水圈交换过程的过程模型.png)
LANDSCAPE ECOLOGY
LANDSCAPE ECOLOGYIF3.7
PREAI
分享收藏Coupling agricultural system models with machine learning to facilitate regional predictions of management practices and crop production将农业系统模型与机器学习相结合，以促进对管理实践和作物生产的区域预测
OAAI
OAAI分享收藏Knowledge-guided machine learning can improve carbon cycle quantification in agroecosystems知识引导的机器学习可以改善农业生态系统中的碳循环量化NATURE COMMUNICATIONSOAAI
NATURE COMMUNICATIONSIF15.7
OAAI分享收藏
查看更多内容