AFM | 一种基于AI、有过程、可持续进化的作物物候模拟框架

本研究提出了一种结合基于过程的模型（PBMs）和人工智能模型（AIMs）优势的连续学习框架——AGLPF，旨在动态模拟中国玉米带的玉米物候变化。研究背景指出，玉米作为中国主要粮食作物之一，其物候阶段的精准模拟对农业管理和产量预测具有重要意义。研究目的是通过整合多源数据，包括气象、土壤、作物物候等，设计AGLPF框架，实现从“基于模拟”到“走向真实”的持续进化。主要结论显示，AGLPF在模拟玉米物候阶段时表现出色，随着实际数据的逐年积累训练，自适应训练显著降低了误差，全生育期的RMSE从27.8天降至5.5天，显著高于传统模型APSIM的模拟精度。该框架不仅适用于玉米物候模拟，还可扩展至其他作物及相关变量的模拟，为精准农业和气候变化适应策略提供支持。