物理过程驱动的机理模型和数据驱动的智能学习模型是系统计算建模的两类基本范式。机理模型通过抽象现实世界的生物物理机制，定量计算系统内部各因子动态交互过程，具有相对稳定的模型表现，一直以来是科学研究的核心范式。近年来，随着海量多源数据的不断生产和丰富，数据驱动的智能学习模型得到迅猛发展。学习模型通过学习推理变量间的隐式关系，可以跳过对未知物理机制的解析直接建模，在训练数据充足的情况下具有较高的模拟精度和计算效率。两类计算建模范式在不同研究领域得到了大量应用实践，但不同建模范式在复杂系统模拟研究中的一致性和不确定性仍待深入探索。 

　　近日，中国科学院深圳先进技术研究院数字所空间信息研究中心陈劲松研究员团队在农林科学领域国际权威期刊Field Crops Research（中科院1区TOP）上发表了题为Consistency and uncertainty of remote sensing-based approaches for regional yield gap estimation: A comprehensive assessment of process-based and data-driven models的研究论文，该论文全面对比分析了机理驱动和数据驱动两种建模范式在大尺度农业系统模拟研究中的一致性和不确定性，揭示了模型不确定性在复杂系统多变量模拟中的层级传播机制，提出基于多模态数据融合与像元级动态智能计算的大尺度农业生产潜力评估方案。数字所助理研究员王靖雯为论文第一作者，陈劲松研究员为通讯作者。 

　　农业系统是自然要素和人为干预强烈交互作用下形成的复杂系统。随着全球气候变化、地区冲突频发和资源约束加剧，粮食安全和农业系统可持续发展受到广泛重视。在大区域尺度准确模拟农业系统中作物实际产量（actual yield, Ya）与潜在产量（exploitable potential yield, Ye）之间的产量差距（yield gap, YG）对于揭示现有耕地的粮食增产潜力、保障未来粮食安全具有重要意义。 

　　研究人员基于多模态卫星遥感、气象观测和地面调查数据融合和信息挖掘技术，提出大尺度农业系统的像元级动态模拟框架，突破了传统站点模拟的空间升尺度限制。在此框架下，对比分析了不同建模范式对农业系统生产潜力模拟精度的影响，阐述了不同建模范式的不确定性来源及其在实际产量、潜在产量和产量差模拟中的叠加传播机制。结果表明，像元级机理过程建模是区域农业系统生产潜力模拟的可靠方法，同时强调了采用更细粒度代表性观测数据集来训练智能学习模型的必要性。研究阐明了不同建模范式在农业系统生产潜力模拟中的优势和不确定性，揭示了大尺度农业系统的增产热点区域，并对于推动农业系统模型发展和保障粮食安全具有重要意义。 

　　该论文还入选中国科学院机构学术榜单当月高关注论文。 

研究提出的像元级农业系统生产潜力遥感评估框架，以及嵌入不同模型范式的对比结果。 

不同模型范式模拟水稻实际产量的空间对比验证，（a）基于过程模型（Process-based model, PB model）模拟的产量空间分布，（b）基于学习模型（Machine learning model, ML model）模拟的产量空间分布。

不同模型范式模拟水稻实际产量的地面验证结果，（a）学习模型（校正前），（b）学习模型（校正后）和（c）过程模型。  

论文链接