高分辨率作物产量预测的弱监督框架
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
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
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
通过自我监督学习从原始农业图像数据中学习有意义的特征表示,我们提出了一种利用 SimCLR 对大规模未注释数据集上进行预训练的轻量级框架,该框架具有较强的适用性,可以解决各种农业视觉任务,并降低对注释数据的依赖,从而提高成本效益和可用性,推动农业中计算机视觉技术的广泛应用。
Mar, 2024
利用多视角学习方法和多视图门控融合模型 (MVGF),本研究预测不同作物和地区的农作物产量,数据源包括 Sentinel-2 卫星的多光谱光学图像和作物生长季节的气象数据,以及土壤特性和地形信息等静态特征,实验结果表明 MVGF 模型相较于传统模型在预测任务上具有更好的表现,达到了 0.68 的 R2 值。
Jan, 2024
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
通过设计深度神经网络回归器(DNNR),提出了一种新颖的 DNNR 模型,用于解决天气和土壤变量之间的非线性相互作用问题,同时引入了平均绝对平方根误差(ARSE)指标以综合评估预测准确性,在与随机森林回归器(RFR)和极端梯度提升回归器(XGBR)进行比较后,DNNR 在处理突发的气候和土壤变化数据时表现最佳,进一步的分析揭示了天气和土壤变量之间存在着强烈的相互作用。
Jan, 2024