AAAINov, 2021

利用 GNN-RNN 方法捕捉地理空间和时间信息：应用于农作物产量预测

PDF
TL;DR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。
climate changecrop yield predictionmachine learninggraph-based recurrent neural networkgeographical knowledge
发现论文，激发创造
  • 一种用于农作物产量预测的 CNN-RNN 框架

    该研究提出了一种使用深度学习框架的 CNN-RNN 模型，基于环境数据和管理实践来进行作物产量预测，能够有效地捕捉时间依存性，泛化性和预测精度，具有广泛的应用前景。

    Nov, 2019

  • 一种创新的基于深度学习的农业作物价格准确预测方法

    本文提出一种基于深度学习的方法，结合图神经网络和卷积神经网络模型，利用历史价格信息、气候条件、土壤类型、位置等农作物价格的关键决定因素进行精确预测，可实现对印度农业市场中土豆和番茄价格的预测，并能达到比文献报道结果至少提高 20% 的准确性。

    Apr, 2023

  • 深度神经网络预测作物产量

    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

  • 农业预测的创新：关于全球作物产量预测的多元回归研究

    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

  • 基于混合深度学习的最优基因型环境选择方法

    精确的农作物产量预测对于改善农业实践和确保农作物在不同气候中的适应性至关重要。在 MLCAS2021 作物产量预测挑战中，我们利用了一个包含 93,028 个训练记录的数据集，预测了 10,337 个测试记录的产量，涵盖了 28 个美国州和加拿大省的 159 个地点，时间跨度为 13 年（2003-2015）。我们开发了两种新颖的卷积神经网络（CNN）架构：CNN-DNN 模型，将 CNN 和全连接网络相结合，以及 CNN-LSTM-DNN 模型，增加了一个 LSTM 层用于天气变量。利用广义集成方法（GEM），我们确定了最优模型权重，相比基准模型，我们的模型性能更优。GEM 模型在测试数据上实现了较低的均方根误差（5.55% 至 39.88%），减小的平均绝对误差（5.34% 至 43.76%）和更高的相关系数（1.1% 至 10.79%）。我们将 CNN-DNN 模型应用于不同地点和气候条件下的高成绩基因型的识别，帮助基于天气变量进行基因型选择。我们的数据驱动方法对于有限测试年份的情况非常有价值。此外，通过使用均方根误差变化进行特征重要性分析，我们突出了地点、MG、年份和基因型的重要性，以及气候变量 MDNI 和 AP 的重要性。

    Sep, 2023

  • 利用气候再分析数据对印度区级基于机器学习的水稻产量预测的可行性研究

    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

  • 机器学习预测作物产量：基于田地和子田水平的输入模式和模型的广泛分析

    通过使用多个具有不同时空分辨率的输入模态处理作物产量预测问题，我们提出了一种简单而有效的早期融合方法。我们使用高分辨率作物产量图作为训练数据，通过亚区域的农作物和机器学习模型不受限地处理。我们使用 Sentinel-2 卫星图像作为主要输入模态，结合其他补充模态，包括天气、土壤和 DEM 数据。所提出的方法使用全球覆盖的输入模态，使得该框架在全球范围内可扩展。我们明确强调输入模态在作物产量预测中的重要性，并强调最佳组合的输入模态取决于地区、作物和所选择的模型。

    Aug, 2023

  • 基于循环卷积神经网络 (R-CNN) 从 Sentinel-2 数据中学习时间特征，提高土地覆盖和作物分类

    本文开发了基于时序相关性的 Pixel R-CNN 模型，可以通过学习多幅图像的时间相关性来进行自动特征提取，从而实现低成本农作物分类，对 15 种作物进行了测试。与传统算法相比，该模型在中北部意大利农业系统拥有支配性经济作物类型的数据集上获得了 96.5％的准确率，为进行多时序分类任务提供了高度准确且低成本的方法。

    Apr, 2020

  • 一个针对多模态气候变化感知作物产量预测的开放和大规模数据集

    通过引入 CropNet 数据集，该研究提供了一个多模态数据集，用于在县级别上准确预测作物产量，考虑了短期和长期气候变化的影响，并验证了其在气候变化感知作物产量预测中的一般适用性和有效性。

    Jun, 2024

  • 机器学习、遥感和物联网在产量预测中的最新应用：一次关键性综述

    将遥感技术和机器学习运用于农业领域可以提高农业生产效率，改善产量预测和水资源管理，以实现联合国《可持续发展目标》中 “零饥饿” 的目标。通过综述现有文献，该研究探究了采用遥感、机器学习等技术进行农作物产量预测与水资源管理的方法，并探讨了如何将这些方法应用于实时决策，为农业生产提供决策依据。

    Jun, 2023