近日，中国科学院深圳先进技术研究院数字所研究员陈劲松、助理研究员王靖雯等在行业权威期刊《农业计算机与电子》上发表最新研究成果。该研究中，王靖雯助理研究员为论文第一作者，陈劲松研究员为论文共同通讯作者，深圳先进院为该研究第一单位。此项成果的发布，标志着我国在农业AI技术领域取得重大突破。
在农业生产的智能化转型浪潮中，传统AI建模方法在水稻混作系统面临着严峻挑战。由于种植管理的复杂性和数据采集的局限性，单、双季稻产量标签常常缺失，导致模型难以学习到精准的产量特征。研究团队深入剖析这一难题，经过长期攻关，创新性地提出了知识引导的机器学习（KIML）建模框架。该框架巧妙地将农业领域专家知识与机器学习算法深度融合，构建了包含作物生长周期、土壤肥力、气候条件等多维知识图谱，以此为基础优化机器学习模型的训练过程。在KIML的设计中，团队还引入了迁移学习策略，将其他类似农业场景中积累的有效知识迁移到水稻混作系统，大大降低了对样本数量的依赖。
为验证KIML建模框架的有效性，研究团队开展了覆盖我国南方10余个省份的大规模田野实验。他们采集了超过2000块不同种植模式的稻田数据，涵盖了丘陵、平原等多种地形，以及湿润、半湿润等不同气候区。在数据处理环节，通过无人机遥感、地面传感器等多源数据融合，获取了水稻生长全周期的图像和环境数据。经过严格的交叉验证，KIML模型展现出惊人的性能：对于南方混作区单季稻产量估算精度达到85.8%，双季稻产量估算精度更是高达89.8%。相较于传统机器学习模型，KIML模型在单季稻产量估算上纠正了平均15%的低估偏差，在双季稻产量估算上降低了约18%的高估偏差，整体估算精度提升约12.1%。
这一研究成果对我国南方水稻种植产业具有深远意义。广东省农业科学院水稻研究所专家指出，精准的产量估算和增产潜力评估，能帮助农民提前规划农资投入，避免盲目种植导致的资源浪费。以湖南省某万亩水稻种植基地为例，若采用KIML模型指导种植，预计每年可节省化肥用量10%，降低灌溉成本12%，同时实现平均5%的增产。此外，KIML模型还能为政府部门制定农业补贴政策、粮食储备计划提供科学数据支撑。
从技术发展角度看，KIML建模框架为AI与农业深度融合开辟了新路径。目前，团队已着手将该技术拓展至小麦、玉米等其他粮食作物领域，并计划与农业企业合作，开发基于KIML的智慧农业决策支持系统。未来，随着该技术的广泛应用，有望推动我国农业生产从“经验驱动”向“数据智能驱动”转变，为保障国家粮食安全、推进农业现代化注入强大动力。
