我校信息科学与工程学院2023级本科生徐赫在信息科学与工程学院沈金荣研究员和中科院土壤所夏永秋研究员的指导下，围绕水稻产量预测与精准施肥开展系列研究，在多源农业数据融合预测与施氮经济环境效益评估方面取得新进展。研究探索了利用有限田间观测与机理模拟数据提高预测可靠性的方法，并综合评估产量、施肥收益与氮损失，为水稻分区施氮管理提供参考。
图1基于深度学习的水稻种植经济—环境效益综合评估与施氮优化框架
氮肥是保障水稻产量的重要投入，但过量施用不仅会增加生产成本，还会通过氨挥发、氧化亚氮排放、氮淋洗和氮径流带来环境损失。不同地区的土壤、气候与种植管理差异明显，而高质量田间观测数量有限、模拟数据存在偏差，难以实现精确的产量预测和施肥决策。
为提高多源数据预测的可靠性，研究将田间观测与DNDC模型模拟相结合，在深度学习模型中引入数据增强、注意力门控和动态任务权重（图2）。针对模拟偏差对数据融合的影响，提出了动态丢弃深度学习方法：先以高精度观测进行预热训练，再逐步引入模拟数据，依据预测误差对低精度样本进行概率性筛除，并自适应调整任务权重。该方法在水稻产量预测中取得了明显的性能提升，为混合精度农业数据的预测提供了方法支持。
图2面向混合精度农业数据的动态丢弃深度学习方法
在施氮优化环节，研究将深度学习模型与净生态系统经济效益（NEEB）评价相结合，把稻谷收入、氮肥投入以及四条氮损失路径造成的环境成本纳入统一核算，比较经济最优与生态最优施氮策略，从单项产量预测拓展到经济与环境效益的综合评估（图3）。
图3水稻产量与氮损失预测及施氮综合效益评估框架
研究进一步在我国四大水稻种植区的1,847个产稻县开展优化分析（图4）。模型评估表明，相较当前农户施肥方式，生态最优策略可使全国平均施氮量降低18%，净生态系统经济效益提高8%，货币化环境成本降低36%，减氮策略可有效提高综合效益。
优化潜力则呈现明显的区域差异：华中、华南的减氮潜力分别为20.5%和19.3%，东北地区为8.4%，当前施氮水平与模型优化目标更为接近。这些结果为因地制宜制定施肥管理措施、评估减氮的经济环境效益提供了依据。
图4 水稻种植区总经济效益（GEB；黄色实线）、净生态系统经济效益（NEEB；蓝色实线）和环境损失（紫色虚线）对氮肥施用量的响应曲线
相关成果2026年发表于国际期刊《Field Crops Research》和计算机顶级会议ACM SIGKDD。这是河海大学与中国科学院大学南京学院联合培养卓越人才计划—国家级大学生创新训练项目的研究成果。
相关论文信息：
[1] He Xu, Xinge Zhao, Xin Yang, Zihan Liu, Zhixuan Che, Jinrong Shen, Zelin Huang, Dan Xia, Yongqiu Xia. (2026). Maximizing economic and environmental benefits in China's rice farming with an adaptive deep learning framework. Field Crops Research, 346, 110610. https://doi.org/10.1016/j.fcr.2026.110610
[2] He Xu, Xinge Zhao, Zhixuan Che, Zihan Liu, Yuxi Xie, Jinrong Shen, Dan Xia, Yongqiu Xia. (2026). Dynamic Discard Deep Learning for Rice Yield Prediction on Mixed-Accuracy Datasets. Proceedings of the 32nd ACM SIGKDD Conference on Knowledge Discovery and Data Mining V.2 (KDD 2026), 12 pages. https://doi.org/10.1145/3770855.3818874:
地址：江苏省南京市西康路1号
邮编：210024
