学院2023级本科生徐赫以第一作者在国际顶级期刊《Field Crops Research》和顶级会议ACM SIGKDD（知识发现与数据挖掘国际会议，KDD 2026）发表了深度学习框架下的中国水稻种植经济与环境效益多目标优化、产量预测算法相关研究论文，是计算机与农业学科交叉创新成果，论文标题分别为“Maximizing economic and environmental benefits in China's rice farming with an adaptive deep learning framework”和“Dynamic Discard Deep Learning for Rice Yield Prediction on Mixed-Accuracy Datasets”，河海大学为论文第一署名单位。论文系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成果，由河海大学沈金荣研究员和中科院南京土壤研究所夏永秋研究员联合指导。

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

长期以来，氮肥施用一直是保障我国水稻高产的重要措施，但为增产而多施肥的传统模式也带来了严重的环境问题。大量氮素以氨挥发（NH₃）、氧化亚氮排放（N₂O）、氮淋洗（LTN）和氮径流（RTN）等形式流失，不仅增加农业生产成本，还导致温室气体排放、水体富营养化等一系列生态风险。

因此，如何在保障粮食安全、维持农民收益和降低环境污染之间取得平衡，一直是农业精准管理中的核心难题。传统经验施肥方法难以描述复杂的土壤—气候—管理耦合关系，而过程模型虽然具有机理基础，却又受到参数复杂、区域推广困难等限制。

针对这一问题，本研究融合706组田间观测数据与43772组DNDC模拟数据，提出了一套基于深度学习的Adaptive DNN-NEEB框架。该框架利用深度神经网络同时预测水稻产量及四条氮损失路径，再将稻谷收入、氮肥成本与环境成本纳入净生态系统经济效益（Net Ecosystem Economic Benefit，NEEB）评价体系，在全国尺度，比较经济最优（ON）和生态最优（EON）施氮策略，实现从多源数据预测到施肥优化的衔接（图2），为我国水稻精准施肥提供了新的智能化决策方案。

图2 面向多源数据的产量、氮损失量预测与NEEB评估框架

不同于传统研究仅关注产量或经济收益，本研究最大的创新在于，首次将水稻产量、氮肥成本以及NH₃挥发、N₂O排放、氮淋洗和氮径流四种环境损失统一纳入NEEB评价体系，将深度学习、环境学与经济学有机结合，构建了一套完整的"特征变量预测—经济效益评估—目标函数优化"决策框架。针对农业领域高质量观测数据有限的问题，研究融合田间观测与DNDC模拟数据，引入SMOGN数据增强、多任务学习和动态损失权重等机制，使模型既能够学习真实观测规律，又能够充分利用机理模型提供的大量物理先验信息，在小样本条件下仍保持较高预测精度，该机器学习算法经扩增后作为独立成果发表于ACM SIGKDD会议，并在论文中提出针对多源混合精度数据集的动态丢弃机制（图3），进一步提升了预测的准确度和泛化能力。

期刊论文研究显示，深度学习框架对水稻产量和氧化亚氮排放的预测决定系数R²分别达到0.684和0.856，整体性能优于多种传统机器学习模型，产量预测平均误差降低15%，验证了多源数据融合策略的有效性。

图3 面向混合精度数据的动态丢弃深度学习框架

此外，论文将该框架推广到全国四大水稻主产区，在1847个县尺度开展优化分析，建立了具有区域差异性的精准施肥方案，为不同地区制定科学合理的施肥管理策略提供了重要依据。

模型评估表明，相较当前农户施肥方式，EON策略可使全国平均施氮量降低18.1%，净生态系统经济效益提高7.7%，货币化环境成本降低36.3%（图4），说明综合效益提升主要来自环境损失成本的降低，整体生态经济效益显著提高，实现了减肥增效的目标。

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

与此同时，不同区域表现出明显的空间差异（图5）。华中、华南地区具有更大的减氮潜力，而东北地区当前施肥水平已较为合理，优化空间相对较小。这表明未来我国水稻施肥管理应更加注重区域差异，逐步由统一施肥向精准施肥转变。

图5 EON策略下全国产稻县NEEB提升潜力（%）和氮肥减施比例（%）的空间分布双变量地图

本研究提出的Adaptive DNN-NEEB框架，为人工智能赋能农业绿色发展提供了一种新的技术路线。未来，可进一步融合遥感影像、实时气象及物联网监测数据，构建动态更新的智能施肥决策系统，提高模型对复杂农业环境的适应能力。

此外，结合可解释人工智能技术，有望进一步揭示气候、土壤及管理措施对氮肥利用效率和环境效应的影响机制，为精准农业和智慧农业提供更加透明、可靠的科学依据。同时，该框架也具备向小麦、玉米等主要粮食作物推广的潜力，为我国农业绿色低碳发展和粮食安全保障提供智能化决策支持。

《Field Crops Research》是爱思唯尔（Elsevier）出版的作物科学领域国际标杆期刊，中科院1区TOP 期刊；ACM SIGKDD是数据挖掘与知识发现领域具有广泛影响力的国际学术会议，被中国计算机学会（CCF）列为A类会议。

论文链接

[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