中国科学院深圳先进技术研究院数字所陈劲松研究员、王靖雯助理研究员，联合北京大学等研究人员在Computers and Electronics in Agriculture上发表了题为“A knowledge-informed machine learning (KIML) approach to disentangle single- and double-season rice yields and attainable yield gaps in the mixed cropping systems”的研究论文。论文提出了一种知识引导的机器学习建模框架，有效克服了传统AI模型对目标样本数据的强依赖问题，首次在弱样本条件下实现了对南方单双季稻混作区产量构成的精准识别与未来增产潜力的量化评估。

针对混作系统中“样本标签不可分”的数据瓶颈，研究团队通过引入遥感提取的作物种植强度信息，并将其转化为结构性知识约束嵌入模型训练过程，引导AI模型在学习过程中自动完成对混合产量构成的合理解耦，从而实现混作系统内多类型作物产量及潜力的定量识别。研究结果显示，未来南方混作区水稻可获得约1235万吨 (13.9%) 的增产空间，其中单季稻与双季稻分别贡献46.2%和53.8%。相比之下，传统AI方法由于难以准确识别产量构成，对增产潜力的估计存在高达40.0%的偏差。

该研究在知识先验与智能学习融合机制上取得关键性进展，增强了AI模型对复杂系统的推理与解释能力。研究成果有力推动了农业人工智能的深度应用，有助于更科学地评估区域生产潜力，为优化农业资源配置和提升粮食安全水平提供数据支撑。

中国科学院深圳先进技术研究院助理研究员王靖雯为论文第一作者，陈劲松研究员为该文通讯作者，数字所空间信息研究团队为本研究提供了重要支持。本研究受到国家自然科学基金、广东省自然科学基金面上项目和深圳市科技计划资助。

研究提出的基于知识引导机器学习的混种区水稻产量估算流程

基于传统机器学习和知识引导机器学习估算南方水稻混作区单双季稻未来增产潜力