基于领域知识的增强农业知情神经网络

# 融合领域知识的农业知识增强神经网络
来源：https://arxiv.org/html/2609.19466
CCS: 计算方法 CCS: 计算方法 人工智能 CCS: 计算方法 概率推理 CCS: 计算方法 时序推理 CCS: 计算方法 神经网络，傅通·李 https://orcid.org/0009-0008-5665-7075
附属机构：渥太华大学，渥太华，加拿大 邮箱：[[email protected]](mailto:[email protected])，
罗斯·琼-吴 https://orcid.org/0009-0002-5405-9369
附属机构：渥太华大学，渥太华，加拿大 邮箱：[[email protected]](mailto:[email protected])，
叶添 https://orcid.org/0000-0002-6039-6751
附属机构：渥太华大学，渥太华，加拿大 邮箱：[[email protected]](mailto:[email protected])
以及
伊鲁朱·基林加 https://orcid.org/0000-0002-9119-9451
附属机构：渥太华大学，渥太华，加拿大 邮箱：[[email protected]](mailto:[email protected])

###### 摘要。准确预测农业活动产生的氧化亚氮（N₂O）排放对于理解其环境影响并支持可持续农业实践至关重要。然而，由于土壤、气候和生化过程之间的复杂相互作用，以及高质量数据的有限性，对N₂O排放进行建模极具挑战。尽管深度学习模型展现出了强大的预测能力，但它们通常缺乏可解释性，并且在不同环境条件和农业实践下可能无法泛化。为应对这些挑战，本文提出了知识增强农业知识增强神经网络（KAINN），通过将领域知识整合到混合神经-机理建模框架中。在原始农业知识增强神经网络（AINN）的基础上，所提出的方法明确地将关键环境过程（包括肥料扩散、土壤呼吸速率（Rh）和充水孔隙度（WFP））纳入其中，以指导学习过程并约束解空间。我们使用基于CNN、LSTM和Transformer的架构，在多个生长季节和不同的输入特征配置下评估了所提出的框架。实验结果表明，KAINN在预测准确性和泛化能力方面始终优于纯神经网络模型和原始的AINN，实现了更低的均方根误差（RMSE）和平均绝对误差（MAE），以及更高的决定系数（R²）。此外，界面演化分析显示，KAINN生成了更平滑且物理一致性更高的参数轨迹，不确定性降低，表明其可解释性和稳定性得到了提升。这项工作强调了将领域知识整合到深度学习模型中对于环境应用的重要性。所提出的KAINN框架为桥接数据驱动和机理建模提供了一种有原则且可扩展的方法，使得农业系统中的N₂O排放预测更加可靠和可解释。

###### 关键词：农业知识增强神经网络，领域知识整合，动态陆地生态系统模型，深度学习，土壤氧化亚氮排放，环境建模

## 1.引言
气候变化仍然是21世纪最紧迫的全球挑战之一，这主要是由大气中温室气体（GHGs）的积累所驱动的（Mikhaylov等人，2020 (https://arxiv.org/html/2609.19466#bib.bib14)）。在这些气体中，氧化亚氮（N₂O）因其极高的全球变暖潜能值而日益受到关注。根据政府间气候变化专门委员会（IPCC）的数据，在100年的时间尺度上，N₂O的全球变暖潜能值大约是CO₂的273倍（Hartmann等人，2013 (https://arxiv.org/html/2609.19466#bib.bib17); Malik等人，2022 (https://arxiv.org/html/2609.19466#bib.bib13); Masson-Delmotte等人，2021 (https://arxiv.org/html/2609.19466#bib.bib9)）。除了在气候变暖中的作用外，N₂O目前也是21世纪主要的臭氧消耗物质（Ravishankara等人，2009 (https://arxiv.org/html/2609.19466#bib.bib18); Rapson and Dacres, 2014 (https://arxiv.org/html/2609.19466#bib.bib33)）。人为N₂O排放的很大一部分源自农业活动，其中含氮肥料会触发土壤中复杂的微生物和生化过程（Ussiri and Lal, 2013 (https://arxiv.org/html/2609.19466#bib.bib19); Cui等人，2014 (https://arxiv.org/html/2609.19466#bib.bib52)）。因此，准确预测农业系统的N₂O排放已成为气候缓解和可持续农业管理的重要任务，如图1所示 (https://arxiv.org/html/2609.19466#S1.F1)。

参照图注（a）2023年各国N₂O排放量，以CO₂当量（GWP100）计。（Jones, Matthew W., Glen P. Peters, Thomas Gasser, Robbie M. Andrew, Clemens Schwingshackl, Johannes Gütschow, Richard A. Houghton, Pierre Friedlingstein, Julia Pongratz, and Corinne Le Quéré, 2024b (https://arxiv.org/html/2609.19466#bib.bib12)）
参照图注（b）人均温室气体排放量（2023）。（Jones, Matthew W., Glen P. Peters, Thomas Gasser, Robbie M. Andrew, Clemens Schwingshackl, Johannes Gütschow, Richard A. Houghton, Pierre Friedlingstein, Julia Pongratz, and Corinne Le Quéré, 2024a (https://arxiv.org/html/2609.19466#bib.bib11)）
参照图注（c）全球N₂O收支（2010–2019）。改编自全球碳计划，2024。（Tian等人，2024 (https://arxiv.org/html/2609.19466#bib.bib10)）
图1。全球温室气体排放概览。

然而，预测N₂O排放仍然极具挑战性，因为这些排放源于土壤化学、微生物动态、气候条件和农业管理实践之间的高度非线性相互作用。早期的研究主要依赖经验或统计模型，从观测数据集中外推关系（Freibauer and Kaltschmitt, 2003 (https://arxiv.org/html/2609.19466#bib.bib35); Leppelt等人，2014 (https://arxiv.org/html/2609.19466#bib.bib36)）。尽管这类模型可以捕捉某些大尺度趋势，但它们通常无法表征驱动N₂O排放的复杂物理和生物过程，导致在精细空间或时间尺度上的预测能力有限（Butterbach-Bahl等人，2013 (https://arxiv.org/html/2609.19466#bib.bib37)）。为了解决这些局限性，过程机理模型被开发出来，以明确模拟陆地生态系统中潜在的碳氮循环。例子包括CLM-CN（Saikawa等人，2013 (https://arxiv.org/html/2609.19466#bib.bib22)）、动态陆地生态系统模型（DLEM）（Tian等人，2010 (https://arxiv.org/html/2609.19466#bib.bib24); Xu等人，2017 (https://arxiv.org/html/2609.19466#bib.bib23)）和LM3V-N（Huang and Gerber, 2015 (https://arxiv.org/html/2609.19466#bib.bib25)）。这些模型试图表征关键的生物地球化学过程，如硝化作用、反硝化作用和土壤呼吸速率（Rh）。虽然机理模型提供了宝贵的物理可解释性，但它们通常在参数化方面存在很大的不确定性，并且难以重现由降雨或施肥等环境事件触发的短期排放脉冲。因此，不同建模框架对自然和农业系统的全球N₂O排放估算存在显著差异（Ciais等人，2014 (https://arxiv.org/html/2609.19466#bib.bib27); Tian等人，2012b (https://arxiv.org/html/2609.19466#bib.bib28)）。

随着机器学习和深度学习技术的快速发展，数据驱动方法在环境过程建模中得到了越来越多的探索。各种机器学习方法，包括多层感知器（MLPs）（Bigaignon等人，2020 (https://arxiv.org/html/2609.19466#bib.bib20); Taki等人，2018 (https://arxiv.org/html/2609.19466#bib.bib34)）、随机森林（RF）（Saha等人，2021 (https://arxiv.org/html/2609.19466#bib.bib21)）、长短期记忆网络（LSTM）（Lin等人，2022 (https://arxiv.org/html/2609.19466#bib.bib15)）和联邦学习（FL）（Killeen等人，2025 (https://arxiv.org/html/2609.19466#bib.bib2)），已被应用于使用环境和管理数据预测N₂O排放。这些模型能够捕捉复杂的非线性关系并处理高维多变量输入。然而，纯数据驱动方法通常缺乏物理可解释性，并且当应用于训练数据分布之外的条件时，可能会产生不可靠的预测。

为了结合机理建模和深度学习的优势，农业知识增强神经网络（AINN）于2024年被提出（Lin等人，2024 (https://arxiv.org/html/2609.19466#bib.bib16); Lin, 2024 (https://arxiv.org/html/2609.19466#bib.bib3); Yeap等人，2024 (https://arxiv.org/html/2609.19466#bib.bib1)）。AINN将深度神经网络与DLEM集成，允许神经网络学习与生态系统模型内机理过程相互作用的调整因子。这个混合框架相比于纯数据驱动模型和传统过程模型，展现了提升的预测性能。通过将物理结构嵌入学习过程，AINN代表了弥合机器学习和基于过程的环境建模之间鸿沟的重要一步。

### 1.1.研究动机与贡献
参照图注图2。2021、2022和2023年生长季节期间的N₂O排放，显示了受环境和农业实践影响的明显模式。2021年是干旱年，排放延迟到肥料撒播后的首次主要降雨。2022年是湿润年，排放紧随施肥之后发生。2023年，田地在施肥后进行了灌溉，导致了更高的排放峰值和短得多的排放期。观测到的峰值排放量在2021年约为100 μg N₂O-N/m²/秒，2022年为260 μg N₂O-N/m²/秒，2023年仅为175 μg N₂O-N/m²/秒。这些年际差异突显了N₂O排放过程的复杂性以及在不同气候和管理情景下预测排放的挑战。

如图2所示 (https://arxiv.org/html/2609.19466#S1.F2)，展示了2021-2023年的N₂O排放模式，强调了天气条件、肥料管理和灌溉实践对排放动态的强烈影响。这些观察结果突显了预测建模面临的主要挑战，包括数据稀缺、高变异性、环境噪声，以及需要能够处理小规模且不确定数据集，同时利用领域知识进行泛化的健壮框架。

在当前的AINN框架中，神经网络和机理模型之间的相互作用主要通过应用于关键变量的调整因子来实现。因此，几个重要的环境过程并未在神经-机理界面中被明确建模（Lin等人，2024 (https://arxiv.org/html/2609.19466#bib.bib16)）。例如，土壤层内肥料扩散、土壤呼吸（Rh）对温度-水分的依赖性，以及土壤水分和温度估算的水填充孔隙度（WFP）等过程，并未直接纳入学习框架。这些特定领域机制的缺失可能限制了模型的可解释性以及其捕捉控制N₂O排放的关键物理过程的能力。

为了解决这些局限性，本文提出了一种知识增强的农业知识增强神经网络（KAINN），将领域知识整合到AINN中。所提出的方法在保留深度学习模型灵活性的同时，改进了对关键环境过程的表示。这项工作的主要贡献总结如下：
- • 提出了KAINN，它将领域知识整合到神经-机理界面中，以提高农业系统N₂O排放预测的准确性和可解释性。
- • 整合并系统评估了包括肥料扩散、土壤呼吸动力学以及从土壤水分和温度估算WFP在内的领域知识。界面参数的时序演化为农业实践提供了见解。
- • 开发并评估了一系列多样化的变体，跨越多个生长季节，使用农业数据集进行训练、验证和测试。它们的比较性能分析有助于揭示N₂O排放的潜在机制。

### 1.2.文章结构
本文其余部分的结构如下。第2节 (https://arxiv.org/html/2609.19466#S2) 回顾了现有的用于N₂O排放估算的统计、过程和数据驱动模型，强调了它们的局限性，并引出了对混合的、知识增强的、不确定性感知方法的需求。第3节 (https://arxiv.org/html/2609.19466#S3) 介绍了所提出的KAINN框架的设计和理论基础，这是一个通过整合领域知识来预测N₂O排放的增强型混合模型。第4节 (https://arxiv.org/html/2609.19466#S4) 描述了实验设置、数据预处理和模型评估。使用RMSE、MAE和R²作为评估指标，在基于LSTM、CNN和Transformer的架构（有无知识集成）上进行了性能比较。第5节 (https://arxiv.org/html/2609.19466#S5) 总结了KAINN的贡献，强调了其在数据稀缺和噪声环境条件下改进的预测性能、可解释性和鲁棒性。还讨论了该框架的局限性，以及N₂O排放建模未来研究的潜在方向。

## 2.文献综述
基于过程的建模对于评估和预测氮循环和N₂O排放对各种全球因素的响应至关重要。几种基于过程的模型已被应用于在不同时间和空间尺度上估算自然和农业土壤的N₂O排放。作为降雨事件驱动的过程模型，反硝化-分解（DNDC）模型已被广泛用于模拟不同管理实践下农田和草地的氮循环（Li等人，1992 (https://arxiv.org/html/2609.19466#bib.bib50); Congreves等人，2016 (https://arxiv.org/html/2609.19466#bib.bib51); Cui等人，2014 (https://arxiv.org/html/2609.19466#bib.bib52); Giltrap等人，2010 (https://arxiv.org/html/2609.19466#bib.bib53)）。此外，考虑到硝化和反硝化过程同时发生在好氧（存在氧气的环境或条件）和缺氧（氧气不存在或存在不足的环境或条件）位点的概念（通过动态厌氧气球概念），PnET-N-DNDC被开发用于森林区域。该模型明确考虑了冻融对土壤水分的影响（Kiese等人，2005 (https://arxiv.org/html/2609.19466#bib.bib54); Li等人，2000 (https://arxiv.org/html/2609.19466#bib.bib55)）；然而，其应用受到限制，因为它需要详细的田间生长信息（Miehle等人，2006 (https://arxiv.org/html/2609.19466#bib.bib56)）。基于“管道孔洞模型”概念，卡内基-安-斯坦福方法（CASA）生物圈模型被开发用于估算自然土壤的N₂O通量（Firestone and Davidson, 1989 (https://arxiv.org/html/2609.19466#bib.bib39)）；然而，其应用受到限制，因为它需要详细的田间生长信息（Miehle等人，2006 (https://arxiv.org/html/2609.19466#bib.bib56)）。基于“管道孔洞模型”概念，卡内基-安-斯坦福方法（CASA）生物圈模型被开发用于估算自然土壤的N₂O通量（Firestone and Davidson, 1989 (https://arxiv.org/html/2609.19466#bib.bib39)）