上篇回顾 我们介绍了PINN的基本原理及其在遥感领域的应用版图——水文领跑、地球物理跟进、植被农业追赶。那么，为什么农业遥感会"慢了一拍"？ 尽管起步较晚，2024-2026年农业领域的PINN研究已经涌现出多个亮点：
PI-RNN：将FAO-56作物水分响应方程嵌入RNN，融合Sentinel-2数据，R²达0.77。不仅能预测产量，还能输出可解释的中间生理参数（ET_a、K_y）。NeuralCrop：将LPJmL过程模型与神经网络端到端耦合，在干旱极端条件下表现突出，GPU加速80倍+。PILA：将INFORM辐射传输模型集成到自编码器，校正系统偏差，光谱反演误差降低40-71%。PGDL框架：将Monteith光能利用率模型嵌入深度学习，结合MODIS和Landsat数据，县域玉米估产R²达0.735。油棕成熟度分类：将叶绿素降解物理指数嵌入CNN，在有限不平衡数据下准确率达73%，超纯CNN基线5个百分点。我们从7个维度深入分析了背后的原因：
图3：水文/地球物理 vs 植被/农业——领域发展差距的多维度对比注：红色标注表示植被/农业领域面临更大挑战的维度
表1：植被/农业领域与其他主流遥感领域的核心差距对比1 物理方程太"复杂"
水文领域的Richards方程形式优美、边界清晰；而作物生长涉及碳-水-能量-氮的强耦合循环，还包含大量经验性参数，难以写成标准PDE形式。
"传统作物模型（如APSIM、DSSAT）用Fortran编写，不支持自动微分，需要完全重写才能与PINN耦合。" —— Lin et al., 2025 2 数据太"稀缺"
地下水监测网络密布，数据连续性好；而农业遥感面临的核心问题是：地面真值数据稀疏、异质性强——产量数据、LAI实测值标记成本高昂，且尺度转换困难。
3 人为管理"干扰"
农业系统受灌溉、施肥、品种选择等人为因素强烈影响，而这些管理措施难以用物理方程描述。灌溉信号往往需要通过"特殊代理变量"来引入。
4 缺乏"基准测试"
水文领域已有成熟的基准数据集（如Richards方程标准测试集）；而农业PINN研究多为"概念验证"，缺乏可比性。
PINN在农业/植被领域的应用仍处于"早期探索"阶段（韩国ETRI报告用语）。现有工作多为概念验证，缺乏大规模、系统性的比较研究。
尽管面临诸多挑战，在农业遥感领域推广PINN具有重要意义：
PINN在仅用25%数据时仍保持较好性能，大幅降低标记成本输出符合物理规律的中介变量，为农业决策提供可信依据PINN通过物理约束增强外推能力，在极端天气下更稳健将AquaCrop、APSIM等模型改写为可微分形式当物理遇见数据，当定律遇上智能，农业的精准化、智能化未来可期- Miranda M, et al. Exploring physics-informed neural networks for crop yield loss forecasting. NeurIPS 2024 Workshop on Tackling Climate Change with Machine Learning.
- Lin Y, et al. NeuralCrop: Combining physics and machine learning for improved crop yield predictions. arXiv:2512.20177, 2025.
- 面向干旱灌溉区县域尺度玉米产量的物理引导深度学习框架. Smart Agricultural Technology, 2026.
- Ferber E, et al. Neural networks for flexible parameterization of terrestrial biosphere models. JAMES, 2023, 15(2): e2022MS003268.
- She Y, et al. From spectra to biophysical insights: End-to-end learning with a biased radiative transfer model. arXiv:2403.02922, 2024.
- She Y, et al. PILA: Physics-informed low rank augmentation for interpretable earth observation. arXiv:2405.18953, 2024.
- 卢怡行, 等. 基于物理约束PROSAIL-cGAN的冬小麦LAI光谱样本增强与反演方法. 智慧农业(中英文), 2025, 7(6): 149-160.
- PINN-SM: PINN for forward and inverse modeling of unsaturated flow and root water uptake. Journal of Hydrology: Regional Studies, 2025.
- Physics-informed neural networks for enhanced reference evapotranspiration estimation. 2024.
- Ng K H, et al. Physics-informed neural network-assisted imaging for oil palm fruit ripeness classification. Electronics, 2026, 15(3): 671.
- Aboelyazeed D, et al. Inferring plant acclimation and improving model generalizability with differentiable physics-informed machine learning of photosynthesis. JGR: Biogeosciences, 2025, 130(7): e2024JG008552.
- Vemuri N. Developing a hybrid data-driven and informed model for prediction and mitigation of agricultural nitrous oxide flux hotspots. Frontiers in Environmental Science, 2024, 12.
- ETRI. PINN研究动态及农业领域发展方向. 韩国电子通信研究院, 2024.
10个月宝宝每天需要喝多少奶粉？