该模型的目标是将物理模型与深度学习模型在结构上融合，形成一个内在混合模型，以同时利用物理模型的可解释性和深度学习强大的数据拟合能力。
以European Journal of Agronomy上的论文
《Physics-guided deep learning for crop yield estimation》为例：
1、选择关键物理过程：碳质量平衡（Carbon Mass Balance）
农业知识：
• 作物生长需要碳：叶片生长（LAI）消耗碳（碳需求）
• 作物通过光合作用产生碳（GPP）（碳供给）
• 物理定律：碳供给 ≈ 碳需求（否则作物会死亡）
数学表达：
LAI_carbon_supply = f(GPP, 分配系数) // 碳供给：光合作用产生的碳能支持多少叶片
LAI_carbon_demand = g(LAI) // 碳需求：当前叶片量需要多少碳维持
约束条件：LAI_carbon_supply ≈ LAI_carbon_demand
2、把物理方程改写成神经网络层（关键步骤！）
传统做法：
物理模型中分配系数是固定值（如0.3），不同地区需手动调整。
本模型创新：
让分配系数动态变化：不是固定值，而是由神经网络根据时空条件自动计算
实现方式：分配系数 α 不再是人工设定的常数，而是由神经网络根据输入的时空数据（经纬度、季节、土壤等）实时生成，使模型能自适应不同地区/季节
3、物理层如何融入整体网络？
物理层的作用：
在特征提取后插入，强制中间特征（LAI）必须满足碳平衡定律，避免神经网络输出违反农业常识的结果。
仅靠物理层还不够，需在训练时惩罚违反物理定律的行为：
(1) 传统损失函数（仅数据驱动）
loss = MSE(预测产量, 真实产量) # 只关注预测值是否接近真实值
(2) 本模型的物理增强损失函数
物理约束项：碳供给与碳需求的差距
physics_loss = (LAI_supply - LAI_demand) ** 2 # 违反碳平衡则损失变大
总损失 = 数据拟合损失 + 物理约束损失
total_loss = MSE(预测产量, 真实产量) + λ * physics_loss
λ：超参数，控制物理约束的强度（文档[3]提到用物理知识正则化网络）
效果：
当模型预测的LAI导致碳失衡时，physics_loss 会激增，迫使网络调整参数
即使没有足够产量数据，也能靠物理定律学习合理规律（解决小样本问题）
端到端训练（关键优势）
传统混合模型：
物理模型和AI模型分开训练 → 误差累积，无法全局优化
所有组件统一训练：
遥感特征提取层 + 物理层 + 产量预测层 → 整个网络用反向传播联合优化
优势：
模型构建流程图
