本研究使用 Long Short-Term Memory (LSTM) 這種特殊形式的循環神經網路（RNN）方法，以預測玉米產量，實證結果顯示其在 Iowa 郡一級數據方面的預測能力相對現有的調查方法具有潛在的預測力。

May, 2018

利用 6 种回归模型（线性回归、决策树、梯度下降、梯度提升、K 最近邻和随机森林）预测 196 个国家的农作物产量，并通过农药、降雨量、温度和产量 4 个参数，发现随机森林回归模型的决定系数（r^2）为 0.94，误差（ME）为 0.03。研究使用联合国粮食农业组织的数据和世界银行的气候变化数据训练和测试模型，并分析各个参数对农作物产量的影响。通过使用非传统的模型以及最近收集的数据，实现了独特的研究方法，旨在为农业研究找到最优模型，并利用联合国的数据进行研究。

Dec, 2023

本文通过引入新的图形循环神经网络，将地理和时间信息嵌入到机器学习模型中，进一步提高了作物产量预测的预测能力，并验证了其在各种指标上优于现有的先进方法，为未来的研究提供了坚实的基础。

Nov, 2021

通过混合元模型方法，利用农作物生长模型生成合成数据进行卷积神经网络的（预）训练，然后利用观测数据进行微调，在仿真应用中，我们的元模型方法比纯数据驱动方法得到更好的预测结果，在实际数据中，元模型方法与农作物生长模型相比具有竞争力，但两种模型在该数据集上表现不及由领域专家设计的简单线性回归和手动选择的特征集及专门的预处理。我们的研究结果表明，元模型在准确的农作物产量预测方面具有潜力，但建议进一步改进和验证，以利用大规模的实际数据集来巩固其实际效益。

Jul, 2023

遥感技术在产量预测中已成为一种有前途的工具，本研究运用多实例学习在像素级别对每个县进行研究，利用细粒度数据的详细信息，并通过引入注意机制来解决特征数据集和作物掩膜之间分辨率不一致导致的混合像素问题，实验结果表明该模型在美国玉米带的过去五年中优于其他四个机器学习模型，并在 2022 年达到最佳性能，R2 值为 0.84，RMSE 为 0.83，进一步通过对混合像素和注意力之间关系的深入研究验证了该方法能够捕捉关键特征信息并过滤混合像素中的噪声。

Dec, 2023

通过训练 19 个基于机器学习的模型，研究使用气候、卫星和稻谷产量数据预测印度 Kharif 季稻谷产量，结果表明可以以相当准确的水平进行预测，并通过分析推断出气候和遥感变量对稻谷产量的重要性和方向影响，最终开发出一个证明性仪表盘以便用户探索各个地区的产量变化。

Mar, 2024

本文提出了一个综合的方法，将数据驱动解决方案与作物模拟模型（CSMs）和模型替代品相结合，以支持农作物管理决策时的多个用户配置文件和需求，我们的数据驱动建模方法与作物产量的相关性预测接近 91％，而作物模拟建模结构实现了 6％的误差；所提出的作物模拟模型替代品的精度水平与采用的作物模拟器相似，但执行速度快了近 100 倍

Jun, 2023

利用深度神经网络预测作物产量，结果表明环境因素对作物产量的影响大于基因型而且该模型的精确度优于流行的其他预测方法。

Feb, 2019

本文提出一种利用高分辨率的指标和低分辨率的标记数据来预测作物产量的深度学习框架，并通过低分辨率作物面积和产量统计的弱监督进行校准。该框架的表现优于线性趋势模型和 GBDT，即使缺乏高分辨率产量数据，也可以用弱监督深度学习方法来预测更高分辨率的作物产量。

May, 2022

为了解决孟加拉国农业领域中作物选择和疾病预测的问题，本研究开发了一种智能农业决策支持系统。通过利用机器学习方法和实际数据集，该系统结合了作物生产、土壤条件、农业气象区域、作物疾病和气象因素的综合数据，为用户推荐作物列表并预测可能的疾病，并通过决策树回归模型预测作物产量，帮助农民选择高产作物和预防作物疾病，提高孟加拉国的农业实践水平。

Mar, 2024