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

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

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

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

该研究旨在使用多个异质数据集，如土壤和天气数据，基于区域级别使用机器学习模型来预测冬小麦产量，实验结果表明，这些模型单独使用或组合使用时均有影响。此外，我们采用了许多机器学习算法以强调数据质量在任何机器学习策略中的重要性。

Jun, 2023

研究探讨将作物建模和机器学习（ML）相结合是否能提高美国玉米带的玉米产量预测，并确定 APSIM 特征对于玉米产量预测的影响，研究结果显示将 APSIM 模拟作为输入特征用于 ML 模型中可将预测均方根误差（RMSE）降低 7 到 20％，其中土壤湿度相关的 APSIM 变量对于 ML 预测最具影响力。

Jul, 2020

利用卫星图像等地球观测数据结合机器学习，可以深入了解贫困地理的预测居住条件，并探索因果关系以及政策分析。

May, 2024

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

本研究提出一种基于卷积神经网络的机器学习方法，利用单个动力学模型集成来对表示预测误差协方差矩阵的状态相关预测不确定性进行估计，并在杂交数据同化方法中进行性能测试，证明该方法能够相对精确地预测高维状态中的预测协方差矩阵值。

May, 2023