基于知识与数据的模拟植物生长模型方法——以番茄为例

简介：
本研究提出了一种结合知识驱动和数据驱动的模拟植物生长模型，并通过具体案例分析了番茄从播种到收获全过程中的生长发育规律。 本段落提出了一种新颖的知识与数据驱动建模（KDDM）方法来模拟植物生长，该方法由两个子模型构成：一个基于所有已知领域的知识构建的物理或机械模型；另一个仅利用数据建立，并不依赖任何领域专业知识。在本研究中，GreenLab模型被用作知识驱动（KD）子模型，而径向基函数网络（RBFN）则作为数据驱动（DD）子模型。番茄作物作为植物生长建模的案例进行分析。 使用了来自五个年度十二个温室实验中的番茄生长数据集来校准和测试该模型。与现有的知识驱动模型(KDM, BIC = 1215.67) 和 数据驱动模型 (DDM, BIC = 1150.86) 相比，提出的KDDM方法(BIC = 1144.36)，在预测番茄产量方面表现出显著优势。尤其值得注意的是，在没有观察到器官数据的情况下，该方法能够对包括叶子、茎和果实在内的不同类型的器官进行有力的产量预测。 案例研究显示了KDDM方法继承了知识驱动模型（KDM）与数据驱动模型（DDM）的优点，并进一步讨论了在KDDM框架内叠加以及合成耦合算子的应用。