Calibrating Biophysical Models for Grape Phenology Prediction via Multi-Task Learning

技术摘要：通过多任务学习校准葡萄物候期预测的生物物理模型

问题陈述
准确预测葡萄物候期（特别是萌芽期、开花期和转色期）对于灌溉和施肥等葡萄园管理决策至关重要。然而，现有方法面临显著局限性：

1. 生物物理模型： 传统的模型（如积温模型 GDD）依赖于历史田间数据进行校准，但往往缺乏精细化管理的精度。这些模型通常仅使用环境温度，忽略了其他外生天气特征（如太阳辐射、降雨量），并且假设参数是静态的，这在动态的生长季节中可能并不成立。
2. 深度学习模型： 虽然能够建模复杂的非线性关系，但纯深度学习方法在品种层面的数据稀疏性方面存在问题。此外，它们往往会产生不符合生物学逻辑的预测（例如，在萌芽期后预测回到了休眠状态），这使得它们无法适用于种植者所依赖的中期操作性预测（7–14 天）。
3. 数据约束： 现实世界的作物观测数据具有稀疏性，因品种而异，且遵循严格的生物学约束（例如，物候阶段的单向推进）。

方法论：DMC-MTL
作者提出了动态模型校准多任务学习（DMC-MTL），这是一个将深度学习与可微生物物理模型相结合的混合框架。

• 核心概念： 该模型并非直接预测物候阶段，而是预测生物物理模型（如 GDD）的每日参数 ($\omega_t$)，该参数以每日天气特征 ($W_t$) 和品种身份为条件。
• 架构：
  • 多任务 RNN 主干： 一个带有 GRU 层的循环神经网络（RNN）处理序列天气数据。一个可学习的嵌入层将品种的独热编码（one-hot encodings）转换为稠密向量，使模型能够在共享信息的同时保留品种特有的特征。
  • 可微生物物理模型： GDD 模型在可微框架（PyTorch）中实现，通过使用张量运算取代标准数学运算，从而实现梯度反向传播。这使得神经网络可以通过监督学习来优化其生物物理模型的参数。
  • 动态参数化： RNN 输出每日参数以实时更新生物物理模型，从而使系统能够考虑外生天气特征和非平稳条件。
• 训练： 模型通过最小化生物物理模型输出（使用预测参数）与观测到的作物状态之间的误差来进行训练。该方法在三个任务上进行了评估：葡萄物候期、葡萄抗寒性和合成小麦产量。

主要贡献

1. 新型混合方法： 一种以天气特征为条件来预测生物物理模型参数的方法，结合了机械模型的解释性和结构化特征，以及深度学习的灵活性。
2. 多任务表述： 通过共享嵌入，该框架能够高效地利用多个葡萄品种（任务）的数据，解决了单品种数据稀疏的问题。
3. 可微实现： 一种新型 GDD 模型实现方式，支持梯度下降，从而实现了参数化网络的端到端训练。
4. 经验验证： 使用真实数据集（华盛顿州）和合成数据集（美国各地）进行的全面评估，证明了其鲁棒性和准确性的提升。

结果
作者将 DMC-MTL 与生物物理基准（GDD、Ferguson 模型）、深度学习基准（分类-MTL、回归-MTL、PINN-MTL）以及混合变体（TempHybrid）进行了对比评估。

• 准确性： DMC-MTL 显著优于标准 GDD 模型，在物候期预测方面实现了累计均方根误差（RMSE）降低 50% 以上。它也优于梯度下降和 TempHybrid 基准。
• 多任务效率： DMC-MTL 的表现优于单任务学习（DMC-STL）和朴素数据聚合（DMC-Agg），证实了多任务学习能有效利用跨品种的数据。
• 生物一致性： 与产生生物学不一致输出（例如，物候阶段倒退或预测出不可能的抗寒值）的分类或回归基准不同，DMC-MTL 保持了对生物学约束（如单向推进）的严格遵循。
• 鲁棒性： 在针对不同地理位置（佛蒙特州、加利福尼亚州、俄勒冈州）的天气数据进行测试时，DMC-MTL 的误差增加极小，而深度学习基准的表现则出现了大幅下降。这表明其混合结构对变化的天气分布具有鲁棒性。
• 单品种可靠性： 在 14 天 RMSE 阈值内，DMC-MTL 的品种达 100%，而 GDD 模型仅为 18%。在 10 天容差范围内，90% 的品种被 DMC-MTL 准确预测。

意义与主张
本文声称，DMC-MTL 通过解决生物物理模型的解释性/结构性与深度学习的预测能力之间的权衡，为中期作物状态预测提供了一种可靠的解决方案。通过确保生物一致性，该模型的预测是明确且具有可操作性的。作者断言，这种方法不仅限于葡萄物候期，还适用于其他具有稀疏数据和严格生物结构的领域，如抗寒性和小麦产量预测。这项工作将混合建模定位为在数据稀缺和物理约束至关重要的农业科学领域中，替代纯数据驱动方法的有效途径。