AgriPINN: A Process-Informed Neural Network for Interpretable and Scalable Crop Biomass Prediction Under Water Stress

Created by

Haebom

저자

Yue Shi, Liangxiu Han, Xin Zhang, Tam Sobeih, Thomas Gaiser, Nguyen Huu Thuy, Dominik Behrend, Amit Kumar Srivastava, Krishnagopal Halder, Frank Ewert

💡 개요

본 논문은 물 스트레스 환경에서의 작물 현존량(above-ground biomass, AGB) 예측의 정확도와 해석력을 높이기 위해 물리 기반 작물 성장 방정식을 미분 가능한 제약 조건으로 통합한 신경망 모델인 AgriPINN을 제안합니다. AgriPINN은 데이터 기반 모델의 확장성과 물리 기반 모델의 생리학적 일관성을 결합하여, 직접적인 지도 학습 없이도 잎 면적 지수(LAI), 흡수 광합성 유효 복사량(PAR) 등 잠재적인 생리학적 변수를 복구합니다. 이를 통해 기존 최첨단 딥러닝 및 물리 기반 모델 대비 뛰어난 정확도와 계산 효율성을 달성하며, 농업 생산성 모니터링 및 기후 회복력 있는 농업 지원에 기여합니다.

🔑 시사점 및 한계

•

해석 가능한 예측: 물리 기반 지식을 신경망에 통합함으로써, 작물 성장 과정을 더 잘 이해하고 설명할 수 있는 예측 모델을 제공합니다.

•

확장 가능성과 정확도 향상: 딥러닝의 확장성을 유지하면서도 물리적 제약을 통해 물 스트레스와 같은 복잡한 조건에서도 정확한 예측이 가능함을 입증했습니다.

•

데이터 부족 및 일반화: 대규모 공간 영역에 대한 적용 가능성을 보여주었으나, 다양한 작물 및 환경 조건에 대한 일반화 성능을 더욱 검증하고, 특정 지역의 데이터 부족 문제를 해결하기 위한 추가 연구가 필요합니다.

PDF 보기

Made with Slashpage