Despite deep learning being state of the art for data‐driven model predictions, its application in ecology is currently subject to two important constraints: (i) deep‐learning methods are powerful in data‐rich regimes, but in ecology data are typically sparse; and (ii) deep‐learning models are black‐box methods and inferring the processes they represent are non‐trivial to elicit. Process‐based (= mechanistic) models are not constrained by data sparsity or unclear processes and are thus important for building up our ecological knowledge and transfer to applications. In this work, we combine process‐based models and neural networks into process‐informed neural networks (PINNs), which incorporate the process knowledge directly into the neural network structure. In a systematic evaluation of spatial and temporal prediction tasks for C‐fluxes in temperate forests, we show the ability of five different types of PINNs (i) to outperform process‐based models and neural networks, especially in data‐sparse regimes with high‐transfer task and (ii) to inform on mis‐ or undetected processes.

中文翻译：

---

过程知情神经网络：一种混合建模方法，可提高生态学及其他领域神经网络的预测性能和推理


尽管深度学习是数据驱动模型预测的最新技术，但其在生态学中的应用目前受到两个重要限制：（i） 深度学习方法在数据丰富的制度中很强大，但在生态学中，数据通常很少;（ii） 深度学习模型是黑盒方法，推断它们所代表的过程并非易事。基于过程的 （= 机械） 模型不受数据稀疏性或不明确过程的限制，因此对于建立我们的生态知识和转移到应用程序非常重要。在这项工作中，我们将基于过程的模型和神经网络结合到过程知情神经网络 （PINN） 中，后者将过程知识直接整合到神经网络结构中。在对温带森林中 C 通量的空间和时间预测任务的系统评估中，我们展示了五种不同类型的 PINN 的能力 （i） 优于基于过程的模型和神经网络，尤其是在具有高传递任务的数据稀疏状态中，以及 （ii） 通知错误或未检测到的过程。