像素中的县区学习：基于注意力加权多实例学习的玉米产量预测

Dec, 2023

像素中的县区学习：基于注意力加权多实例学习的玉米产量预测

Learning county from pixels: Corn yield prediction with attention-weighted multiple instance learning

Xiaoyu Wang, Yuchi Ma, Qunying Huang, Zhengwei Yang, Zhou Zhang

TL;DR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。

Abstract

remote sensing technology has become a promising tool in yield prediction. Most prior work employs satellite imagery for county-level corn yield prediction by spatially aggregating all pixels within a county into

remote sensing technology yield prediction multiple instance learning attention mechanism mixed pixels

发现论文，激发创造

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

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

使用深度长短时记忆模型预测县级玉米产量

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

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

农业精密种植：利用机器学习和 Sentinel-2 卫星图像进行作物映射

本研究利用来自 Sentinel-2 卫星图像的各种光谱波段组合，采用深度学习和基于像素的机器学习方法，对熏衣草田进行精准农业的精确分割，得出了 Dice 系数为 0.8324 的 U-Net 结构的最终模型，同时，我们的研究还强调了像素方法和红绿蓝光谱波段组合在这一任务中的意外功效。

Nov, 2023

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

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

结合机器学习和作物模型改善美国玉米带作物产量预测

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

利用历史数据和专家知识的贝叶斯网络方法对县级玉米产量进行预测

本文提出了一种基于贝叶斯网络分析构建的、结合专家知识的统计网络模型的多变量灰盒玉米产量预测器，利用历史数据对 99 个县的数据进行训练，可用于精确预测作物产量。

Aug, 2016

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

运用迁移学习实现全球农作物地图

本文使用卫星数据和深度学习方法，建立一个基于转移学习的农作物类型检测模型，成功地在韩国、法国、西班牙和荷兰等地区对水稻和大麦进行了检测。

Nov, 2022