本文提出了一种利用卫星遥感数据进行作物分类的方法，通过将输入进行作物生长阶段的归一化处理来避免种植时间变化带来的领域漂移问题，并结合卷积神经网络和循环神经网络进行像素的分类，该方法在2019年美国中西部极端天气造成了种植延迟的大规模实验中表现出卓越的性能，分类精度在收获前（9月至11月）为85.4％，在季中（7月至9月）为82.8％。

Sep, 2020

本文旨在探讨如何降低时间序列预测的不确定性，并介绍了一种基于相关时间序列引用的简单有效的两阶段方法ReTime用于空时序列和时间序列插值。

Sep, 2022

通过开发ConvLSTMTR网络，结合张量回归方法来预测和分析火灾后植物恢复情况，并利用UMAP和KNN聚类技术识别恢复趋势，该研究开拓了张量回归和ConvLSTM的结合应用，并推进了预测生态建模，可为未来火灾后植被管理策略提供指导。

Nov, 2023

研究发现，气候变化对植物的表型学有重要影响，尤其通过改变碳循环。本研究使用机器学习技术和SHapley加性解释（SHAP）值分析了土壤温度、气象变量与植被表型学的关系，结果表明土壤温度与季节开始和高峰有显著关联，而气象变量也对植被表型学的年际变化产生影响，为预测和管理亚北极草地的植被表型学特征提供了宝贵的洞察和基础。

Dec, 2023

通过使用深度神经网络预测物候指数，我们发现这种方法优于传统的基于过程的模型，突显了数据驱动方法改进气候预测的潜力。我们还分析了时间序列的变量和方面如何影响季节开始的预测，以更好地了解我们模型的优势和局限性。

Jan, 2024

利用Transformer-based深度学习模型，我们在考虑气候变化的短期动态的同时，通过转移与大气状态有关的全球学习表示，仅依靠气象数据全球性地估计了0.25°分辨率的植被活动，并且证明了与从头学习的NDVI模型相比，利用预训练的天气模型可以提高NDVI估计结果。

Mar, 2024

本研究探索了基于基础模型的时间序列预测在智能农业领域中的潜力，特别应用了TimeGPT模型来预测土壤水势，展示了其在农业应用中具有竞争力的预测准确性，为可持续发展的农业奠定了基础。

May, 2024

通过两种预测方法（储水层计算和向量自回归模型）研究了远程地点的气候要素的低成本和准确预测，发现预测精度随观测地点与目标地点之间的距离降低而下降，机器学习方法可以更有效地预测远程地点的气候要素。

Jun, 2024

在全球气候变化和频繁极端天气事件的背景下，准确预测未来地理空间植被状态变化至关重要。为了解决这一问题，本研究提出了VegeDiff模型，通过扩散模型概率地捕捉植被变化过程中的不确定性，从而生成清晰准确的未来植物状态。该模型能够分别模拟动态气象变量和静态环境变量对植被的全局和局部影响，比现有确定性方法更精确地捕捉变量的影响，并在地理空间植被预测任务中表现出色。

Jul, 2024

本研究针对卫星图像与气象数据整合的区域气候变化预测模型中，难以理解气象变量与土地表面演变的复杂关系这一问题，提出了一种新的可解释性管道。该管道结合了扰动基础和全局边际可解释性技术，简化了对复杂时空深度模型的多样性分析。研究发现降水对土地表面的影响最为显著，其次是温度和气压，并揭示了气象变量与植被指数之间的非线性相关性。

Aug, 2024