Process-based models (PBMs) and deep learning (DL) are two key approaches in agricultural modelling, each offering distinct advantages and limitations. PBMs provide mechanistic insights based on physical and biological principles, ensuring interpretability and scientific rigour. However, they often struggle with scalability, parameterisation, and adaptation to heterogeneous environments. In contrast, DL models excel at capturing complex, nonlinear patterns from large datasets but may suffer from limited interpretability, high computational demands, and overfitting in data-scarce scenarios. This study presents a systematic review of PBMs, DL models, and hybrid PBM-DL frameworks, highlighting their applications in agricultural and environmental modelling. We classify hybrid PBM-DL approaches into DL-informed PBMs, where neural networks refine process-based models, and PBM-informed DL, where physical constraints guide deep learning predictions. Additionally, we conduct a case study on crop dry biomass prediction, comparing hybrid models against standalone PBMs and DL models under varying data quality, sample sizes, and spatial conditions. The results demonstrate that hybrid models consistently outperform traditional PBMs and DL models, offering greater robustness to noisy data and improved generalisation across unseen locations. Finally, we discuss key challenges, including model interpretability, scalability, and data requirements, alongside actionable recommendations for advancing hybrid modelling in agriculture. By integrating domain knowledge with AI-driven approaches, this study contributes to the development of scalable, interpretable, and reproducible agricultural models that support data-driven decision-making for sustainable agriculture.

Bản dịch tiếng Việt:

Mô hình dựa trên quy trình (PBM) và học sâu (DL) là hai phương pháp tiếp cận chính trong mô hình hóa nông nghiệp, mỗi phương pháp đều có những ưu điểm và hạn chế riêng biệt. PBM cung cấp những hiểu biết cơ học dựa trên các nguyên tắc vật lý và sinh học, đảm bảo khả năng diễn giải và tính chính xác về mặt khoa học. Tuy nhiên, họ thường gặp khó khăn với khả năng mở rộng, tham số hóa và thích ứng với môi trường không đồng nhất. Ngược lại, các mô hình DL vượt trội trong việc thu thập các mẫu phi tuyến tính phức tạp từ các tập dữ liệu lớn nhưng có thể bị hạn chế về khả năng diễn giải, nhu cầu tính toán cao và trang bị quá mức trong các tình huống khan hiếm dữ liệu. Nghiên cứu này trình bày đánh giá có hệ thống về PBM, mô hình DL và khung PBM-DL lai, nêu bật các ứng dụng của chúng trong mô hình hóa nông nghiệp và môi trường. Chúng tôi phân loại các phương pháp tiếp cận PBM-DL lai thành PBM được thông tin bằng DL, trong đó mạng thần kinh tinh chỉnh các mô hình dựa trên quy trình và DL được thông báo bằng PBM, trong đó các ràng buộc vật lý hướng dẫn các dự đoán học sâu. Ngoài ra, chúng tôi còn tiến hành một nghiên cứu điển hình về dự đoán sinh khối khô của cây trồng, so sánh các mô hình lai với các mô hình PBM và DL độc lập với chất lượng dữ liệu, cỡ mẫu và điều kiện không gian khác nhau. Kết quả chứng minh rằng các mô hình kết hợp luôn hoạt động tốt hơn các mô hình PBM và DL truyền thống, mang lại độ tin cậy cao hơn cho dữ liệu nhiễu và cải thiện khả năng khái quát hóa trên các vị trí không nhìn thấy được. Cuối cùng, chúng tôi thảo luận về những thách thức chính, bao gồm khả năng diễn giải mô hình, khả năng mở rộng và yêu cầu dữ liệu, cùng với các khuyến nghị hữu ích để thúc đẩy mô hình kết hợp trong nông nghiệp. Bằng cách tích hợp kiến ​​thức miền với các phương pháp tiếp cận dựa trên AI, nghiên cứu này góp phần phát triển các mô hình nông nghiệp có thể mở rộng, có thể giải thích và tái tạo nhằm hỗ trợ việc ra quyết định dựa trên dữ liệu cho nông nghiệp bền vững.

Document Ready

Click below to load the full PDF document natively.