6月16日，中国科学院深圳先辈手艺研究院披露，该院团队提出一种学问指导的机械进修（以下简称KIML）建模框架，冲破当前混做系统中单、双季稻产量标签缺失对保守AI建模的，正在弱样本前提下实现对南地契、双季稻混做区产量形成的精准识别取减产潜力的量化评估。相关研究颁发正在《农业计较机取电子》上。当前混做系统中可用的产量样本数据凡是仅包含种植区域内单、双季稻的夹杂均值，难以支持AI模子进修并识别分歧稻做类型的产量形成。针对这一问题，研究人员通过引入遥感手艺提取的做植强度数据，指导AI模子正在进修过程中从动完成对夹杂产量形成的合理解耦，验证成果表白，KIML模子对于南方混做区单、改正了保守机械进修模子对单季稻产量的低估取双季稻产量的高估误差，进而显著提拔后续减产潜力评估的靠得住性，使估算精度提拔约12。1%。成果显示，正在当前种植模式下，南方混做区（湖南、湖北、江西、广东）水稻的现实产量程度取可获得潜正在产量之间仍存正在约1235万吨（13。9%）的减产空间，此中单季稻取双季稻别离贡献了46。2%和53。8%。据悉，保守的机械进修方式难以精确识别单双季水稻产量的形成，对水稻总体减产潜力的估算存正在显著高估。“我们操纵KIML模子进修解析单双季水稻的夹杂平均产量消息，实现了对单双季水稻的减产潜力的精准估算，优化资本设置装备摆设、提拔粮食产量供给的数据支持。”中国科学院深圳先辈手艺研究院数字所研究员陈劲松暗示，该研究是先验学问取智能进修融合机制上取得的主要进展，正在加强AI模子对复杂系统的推理取注释能力的同时，也鞭策人工智能正在农业范畴深度使用。