📄 农业

Physics-Informed Neural Network for Daily Canopy Size Forecasting in Strawberry Production Using Fused Weather and Image Embeddings

本研究开发了一种融合气象数据与图像提取的绿色像素计数值的混合物理信息神经网络（PINN），用于准确预测每日草莓冠层体积，并证明了在真实田间条件下，该模型对于两种商业栽培品种的表现优于基准模型。

原作者： Rohan Bagulwar, Won Suk Lee, Shinsuke Agehara, Hongyoung Jeon, Heping Zhu

发布于 2026-09-08

📖 1 分钟阅读☕ 轻松阅读

原作者： Rohan Bagulwar, Won Suk Lee, Shinsuke Agehara, Hongyoung Jeon, Heping Zhu

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

在佛罗里达州宁静的田野间，草莓正进行着大规模的种植，而植物的健康状况往往书写在它们的叶片之中。对于农户而言，准确了解植物在任何给定时刻拥有多少绿色叶片是至关重要的；这能告诉他们作物是在茁壮成长，是在口渴，还是正在遭受疾病的攻击。传统上，获取这些信息意味着要在田垄间行走并进行手工测量，这是一项缓慢且耗费劳动力的任务，且只能提供过去的一个瞬间快照。近年来，技术提供了一种更快捷的方法：通过摄像头计算植物图像中的绿色像素，以此来估算其大小。然而，简单的绿色像素计数并非预知未来的水晶球。它能告诉农户植物现在的样子，但在预测植物明天会变成什么样方面却显得力不从心，尤其是在天气发生意外变化时。一场突如其来的寒潮或一场暴雨可能会改变植物的外观，而简单的摄像头无法预见这些变化，从而导致一些在生物学上不可能出现的猜测，例如当天气实际上在变暖时，植物却在缩小。

为了弥合摄像头所见与生物学规律之间的鸿沟，佛罗里达大学和美国农业部的研究人员开发了一种新型计算机程序。该系统结合了两种不同的思考方式。第一部分依赖于已知的植物生物学定律，特别是植物如何随着时间的推移积累热量而生长得更快，这是农民几十年来用来追踪发育情况的概念。第二部分是一个灵活的学习工具，它通过观察天气和每日图像，来捕捉短期的异常波动，例如由阴天引起的绿色程度的暂时下降。通过将这两种方法交织在一起，研究人员创建了一个不仅是在猜测未来，而且在尊重自然法则的同时仍能关注田间复杂现实的系统。

研究团队在2025年冬季，在佛罗里达州西特拉（Citra）的一个草莓园中测试了这个系统。他们设置了一个由太阳能电池板驱动的自主摄像头站，在近一个月的时间里，每十五分钟拍摄一次植物照片。他们专注于两种受欢迎的草莓品种，一种名为“Florida Brilliance”，另一种名为“Florida Medallion”。摄像头从上方拍摄植物，研究人员利用软件将绿色叶片从土壤和塑料地膜中分离出来，通过计算绿色像素的数量来测量冠层的规模。除了这些图像外，系统还提取了实时的天气数据，包括温度、湿度和阳光，以观察环境如何逐日影响植物。

他们创新的核心是一个从这些数据中学习的混合计算机模型。模型的其中一部分遵循一条基于植物接收到的总热量的平滑且可预测的曲线，确保预测始终遵循逻辑上的生物路径，即植物通常会随着季节变暖而长得更大。另一部分模型则充当修正机制，学习根据过去一周的具体天气事件来向上或向下调整那条平滑的预测曲线。如果遇到冷锋，模型会学习去预期生长的暂时停滞或颜色的变化，而不是盲目地遵循平滑曲线。至关重要的是，该系统设计了一个安全规则：严禁在热量积累增加的日子里预测植物会缩小，因为这在生物学上是不可能的，而简单的计算机模型经常会掉入这样的陷阱。

结果显示，这种结合的方法比单独使用任何一种方法都要有效得多。对于“Florida Brilliance”品种，系统预测的植物冠层每日大小的平均误差约为6,996个像素，这代表了与实际测量值约4.53%的差异。这比仅遵循平滑生物曲线的模型有了显著改进，后者错过了超过10,000个像素，也远好于假设植物大小与前一天保持不变的简单猜测。该系统在“Florida Medallion”品种上也表现良好，尽管误差率略高，达到了16.4%。研究人员指出，较高的误差率可能是由于针对该特定植物的数据量较少造成的，因为一场严重的风暴在研究初期损坏了他们的设备，缩短了观测期。即便在数据有限的情况下，混合模型仍然优于那些简单的模型，证明了生物法则与天气感知学习相结合的稳健性。

这项发现之所以特别有价值，是因为该计算机模型不仅仅是产生一个数字，它还学习了它所观察到的草莓的具体生长特性。在没有预先告知答案的情况下，系统自行推导出了植物能达到的最大尺寸以及它们生长的速度，这些数值与研究人员在田间观察到的情况相吻合。这表明该模型不仅仅是在记忆数据，而是实际上理解了底层的生物学原理。研究人员发现，该系统可以在仅有信用卡大小的廉价小型计算机上运行，这使得农民无需昂贵的服务器或持续的互联网连接即可实现实时应用。

这项研究展示了精准农业的发展路径，即通过技术帮助农民在问题变得肉眼可见之前做出决策。通过预测植物将如何应对即将到来的天气，种植者可以潜在地在作物最需要的时候进行灌溉或施肥，而不是等待压力迹象出现。虽然目前的系统是在相对较短的时间内进行的测试，并且侧重于早期生长阶段，但研究人员建议，随着更多数据的积累和处理变化光照条件的更好方法，这种方法可以扩展到整个生长季节。这项工作证明，当计算机科学尊重基本的生物学法则时，它可以创造出不仅准确而且能让那些依赖农业养活世界的人们信任的工具。

技术摘要：用于草莓生产中每日冠层大小预测的物理信息神经网络

问题陈述
佛罗里达州的草莓生产需要精确的冠层管理，以优化水分、养分施用和压力检测。虽然基于图像的绿色像素计数为冠层体积提供了一种低成本的代理指标，但现有技术缺乏预测未来冠层增长的能力，也无法将生理驱动因素（如热量积累）与实时环境数据相结合。纯数据驱动的模型往往难以在不同季节或品种之间实现泛化，容易产生生物学上不合理的预测（例如，在热量积累增加期间出现冠层萎缩），并且需要实验农场中通常难以获取的大规模数据集。相反，传统的基于物理的模型（例如由生长积温驱动的逻辑斯谛增长曲线）虽然能捕捉长期趋势，但无法解释由天气驱动的短期波动。

方法论
本研究提出了一种混合物理信息神经网络（PINN）架构，旨在通过融合天气数据和图像嵌入特征，预测每日草莓冠层体积（以绿色像素计数衡量）。

数据采集： 在西特拉（Citra, FL）对两种栽培品种（“Florida Brilliance”和“Florida Medallion”）进行了为期38天的图像采集，每15分钟拍摄一次。图像经过预处理，包括手动区域提取、光照归一化以及HSV阈值处理（色调：35°–90°，饱和度/明度：40–255），以分离绿色像素。天气数据（13个变量）来源于佛罗里达自动化天气网络（FAWN），并使用7°C基准温度计算了生长积温（GDD）。
特征工程： 每日输入为一个45维向量：包含13个天气变量和32维图像嵌入（源自预训练CNN并通过PCA降维）。采用7天滑动窗口构建序列，用于预测第8天的冠层大小。
PINN架构： 该模型由两个并行分支组成：
1. 物理分支： 一个可学习的三参数逻辑斯谛增长函数（ $G(x) = K(1 + e^{-r(x-x_0)})^{-1}$ ），由累积GDD驱动。该分支捕捉确定性的、单调的生物学增长轨迹。参数 $K$ （渐近线）、 $r$ （速率）和 $x_0$ （拐点）通过端到端学习获得。
2. 数据分支： 一个单层LSTM（隐藏层大小为64）配合一个多层感知器（MLP）头部，处理7天序列以预测符号化的每日残差（ $\Delta$ ）。该分支捕捉由瞬时天气事件（如寒潮、降雨）引起的随机偏差，而这些事件是平滑的逻辑斯谛曲线无法解释的。
3. 输出： 最终预测为物理分支输出与LSTM残差之和（ $\hat{y} = G_{physics} + \Delta$ ）。
训练与正则化： 模型使用复合损失函数进行训练： $L = MSE(\hat{y}, y) + 0.1 \times P$ 。当GDD增加但预测的冠层大小减少时，惩罚项 $P$ 会被激活，从而强制执行生物学约束，即在正向热量积累期间，冠层面积不应下降。模型使用Adam优化器训练了400个轮次（epochs）。

核心贡献

针对小数据的混合架构： 研究表明，将结构化的物理先验（逻辑斯谛增长）与数据驱动的残差学习器（LSTM）相结合，即使在训练数据有限（一种品种约30天，另一种约7天）的情况下，也能提高预测精度。
生物一致性： 通过将生长约束直接嵌入损失函数，该模型防止了生物学上不合理的预测（例如，在热量积累期间冠层缩小），从而增加了系统在农学应用中的可信度。
可学习的物理参数： 与需要手动校准的传统模型不同，该PINN直接从数据中学习逻辑斯谛参数（ $K, r, x_0$ ），所得数值与经验观察一致（例如，学习到的渐近线 $K$ 与观察到的最大冠层大小相匹配）。
边缘部署： 该系统非常轻量化（参数量 <22,000），能够在具备离网供电能力的低成本硬件（树莓派 4）上实现实时运行。

结果
模型使用平均绝对误差（MAE）和平均绝对百分比误差（MAPE）对两种栽培品种进行了评估：

“Florida Brilliance”（38天数据集）： 在五天的测试期内，PINN实现了6,996像素的MAE（MAPE 4.53%）。与仅基于物理的逻辑斯谛基准（MAE 10,260）相比，误差降低了32%；与持久性基准（MAE 9,416）相比，误差降低了26%。
“Florida Medallion”（9天数据集）： 尽管数据有限，PINN在两天的测试期内仍实现了9,440像素的MAE（MAPE 16.4%），优于仅基于物理的基准（MAE 10,880）和持久性基准（MAE 9,580）。该模型是在总共9天的数据集中的7天数据上进行训练的。Medallion较高的误差率归因于数据集较小，以及百分比指标对较小植株较低绝对像素数的敏感性。
训练动态： 物理惩罚项在最初的150个轮次中最活跃，它引导模型趋向于符合生物学规律的行为，随后随着逻辑斯谛分支充分适应数据，惩罚项的贡献逐渐减弱。

意义与主张
论文声称，这种混合方法成功地弥合了可解释农学模型与灵活机器学习之间的鸿沟。通过将预测锚定在已知的生物学定律之上，同时允许神经网络学习短期环境偏差，该系统为种植者提供了“具有生物学依据的前瞻性估计”。作者断言，此类系统可用于及早检测异常生长模式，从而辅助水分、养分管理和压力缓解。研究结论认为，该架构在数据匮乏的农业环境中特别有价值，因为纯数据驱动的模型在此类环境下存在过拟合或产生不可靠输出的风险。作者建议的未来工作包括：通过果实期延长观测期、使用不受光照影响的指数（如GCC）取代原始像素计数以减少光照伪影，以及探索多植株迁移学习。

技术摘要：用于草莓生产中每日冠层大小预测的物理信息神经网络

类似论文