Ml-enhanced mechanistic crop modeling to address noise-induced uncertainty for drought environmental monitoring in rice.

El avance en nuestra comprensión de las interacciones ambientales en los cultivos de arroz contribuye a la producción de alimentos en regiones con escasez de agua. Este artículo propone una arquitectura integrada de modelado de cultivos, que demuestra cómo los modelos de aprendizaje automático (ML) mejoran las estimaciones clásicas del Modelado Mecanístico de Cultivos (MCM) al aprender directamente de los datos ambientales. En este trabajo, cuantificamos el impacto de la incertidumbre inducida por ruido en el modelo de crecimiento de cultivos CERES-Rice, especialmente relevante para variedades tolerantes a la sequía que presentan mecanismos de adaptación complejos, como Nerica 4 (híbrido de Oryza sativa y Oryza glaberrima). La caracterización ambiental se logra mediante un novedoso Modelo de Mezcla Gaussiana (GMM) 3D, que ofrece mayor precisión y escalabilidad al combinarse con datos ambientales satelitales obtenidos mediante teledetección. Al acoplar los modelos MCM y ML, logramos estimaciones superiores para el rendimiento de grano () y biomasa () en la región noroeste de Tambacounda de Senegal en África, proporcionando estimaciones confiables de la eficiencia de conversión de grano y la eficiencia del uso de agua kg/ha·mm de un entorno caracterizado por suelos arenosos con alta conductividad hidráulica saturada (1,1 cm/h) y la precipitación regional más baja (513 mm, 49%).