人工智能模型提高了葡萄园的葡萄生长预测能力

华盛顿州立大学的研究人员开发出一种预测葡萄生长阶段的新方法，旨在帮助葡萄园管理者更好地决定灌溉、施肥和采收时机。这项由威廉-索洛（William Solow）和桑迪亚-赛苏布拉马尼安（Sandhya Saisubramanian）领导的研究引入了一种混合建模方法，将深度学习与传统的生物物理模型相结合，提高了葡萄物候预测的准确性。

葡萄物候指的是葡萄树关键发育阶段的时间，如破皮、开花和成熟（成熟的开始）。对这些阶段的准确预测对葡萄园的运营至关重要。干预不当会降低产量和质量，或损害葡萄树的健康。然而，由于每个葡萄品种的历史数据有限，而且天气条件与植物生长发育之间的关系复杂，因此预测这些阶段具有挑战性。

传统上，种植者依赖于生物物理模型，如生长度日（GDD）模型，该模型使用累积的热量单位来估计物候事件发生的时间。虽然 GDD 模型被广泛使用，但它只考虑温度，往往缺乏现代葡萄园管理所需的精确度。深度学习方法有望利用更多的天气数据建立更复杂的关系模型，但由于许多葡萄品种缺乏详细的物候记录，其有效性受到了限制。

Solow 和 Saisubramanian 提出的新方法通过使用多任务学习框架解决了这些局限性。这种方法允许循环神经网络同时从多个葡萄品种中学习，同时保留植物发育的生物结构。神经网络根据更广泛的天气特征，包括太阳辐射和降雨量，预测 GDD 模型的每日参数。这种动态参数化使模型能够适应整个生长季不断变化的条件。

为了测试他们的方法，研究人员使用了真实世界数据集和合成数据集。真实世界的数据来自华盛顿州立大学位于华盛顿州普罗瑟的灌溉农业研究与推广中心监测到的 32 个葡萄栽培品种。这些记录跨越了三十多年，包括对物候期和休眠期耐寒性的日常观测。合成数据集是利用已建立的作物模型和美国多个州的历史天气数据生成的。

研究小组将他们的混合模型--多任务学习动态模型校准（DMC-MTL）--与几种基线方法进行了比较：传统生物物理模型、标准深度学习方法、仅将深度学习与生物物理模型部分整合的混合模型，以及物理信息神经网络。他们评估了每种方法在各种天气情况下预测季节物候、耐寒性和小麦产量的准确性。

结果表明，DMC-MTL 明显优于传统的 GDD 模型，在所有测试的葡萄栽培品种中，预测误差减少了一半以上。与标准的深度学习方法相比，新模型还能做出更具生物一致性的预测。例如，它避免了纯数据驱动方法可能出现的错误，如预测开花后花蕾破裂或生长开始后恢复休眠。

研究人员还发现，当对来自不同地区的数据进行测试时，DMC-MTL 具有很强的鲁棒性。当其他深度学习模型应用于训练区域之外时，误差会大幅增加，而DMC-MTL却能保持相对稳定的性能。这表明，对于历史数据有限或面临异常气候事件的地区的葡萄园来说，DMC-MTL 是非常有用的。

多任务方法的另一个优势是它能够利用许多栽培品种的稀疏数据，而不是简单地将其汇总--这一过程可能会掩盖品种间的重要差异。通过在神经网络架构中嵌入特定栽培品种的信息，DMC-MTL 提高了每个栽培品种的准确性，同时还能从共享学习中获益。

研究还考察了该模型在各个物候阶段的表现。DMC-MTL 不仅在整体上，而且在关键时刻（如破蕾期和开花期--葡萄园任务安排的关键时刻）都将误差降到了最低。研究人员评估了有多少栽培品种低于与种植者需求相关的各种误差阈值；在 10 天的误差容限内，DMC-MTL 准确预测了 90% 的栽培品种，而次好的替代方案只有 80%。

可解释性是作者强调的另一个优点。由于 DMC-MTL 预测的是已建立的生物物理模型的参数，而不是不透明的预测，因此农学家可以更好地理解天气因素如何影响结果--这是农业决策所看重的特点。

计划今年晚些时候在种植者使用的数字平台上部署这种新的建模方法（具体平台未透露）。研究团队还在探索如何进一步改进作物状态预测的实时校准和不确定性量化。

这项工作得到了美国农业部国家农业发展基金（USDA NIFA）通过AgAID人工智能研究所提供的资金支持，并得益于与华盛顿州立大学马库斯-凯勒（Markus Keller）博士实验室的长期合作。

这些研究成果标志着人工智能在农业领域的应用向前迈进了一步，为面临日益多变的气候条件和苛刻的生产目标的种植者提供了实用的工具。