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

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 模型进行土壤温度预测的首次尝试，对比深度学习方法和文献研究，实验证明 Transformer 模型在该领域取得了显著成果，成为新的最先进技术。

Nov, 2023

利用深度学习方法，结合免云的光学观测和天气无关的合成孔径雷达数据，采用组合卷积神经网络 (CNN) - 循环神经网络 (RNN) 架构生成连续的归一化植被指数 (NDVI) 时间序列，该方法在连续观测序列中对事件检测任务的准确性进行了改进，并有效滤除由云观测引起的突变和噪声。

Mar, 2024

本篇论文介绍了一个包含同期多光谱、热学和微波数据以及关键的稻作参数注释的数据集 ——SICKLE，并在三个不同的任务上对其进行了基准测试，即庄稼类型、生长季日期（播种、移栽、收获）和预测收成，并提出了使用根据观察到的生长季节和 tamalnadu 农业大学获取的标准季节信息生成的时间序列数据的收成预测策略。该数据集提供了一个可以训练机器学习模型来进行农业遥感的研究方向。

Sep, 2022

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

大豆生产对生物和非生物胁迫非常敏感，极端天气事件加剧了这种胁迫。水限制胁迫，即干旱，成为大豆生产的一项重大风险，凸显了育种和生产中对压力监测的需求。本项目通过多模态信息的结合，以识别最有效和高效的自动化方法，探讨干旱响应的研究。我们以高通量时间序列表型分型的方式，通过使用无人机和传感器进行高通量时间序列表型分型，并结合机器学习分析，开发了快速分类大豆干旱胁迫症状的流程，并研究了早期干旱胁迫检测方法。我们发现红边和绿色波段对于分类植被枯萎胁迫是最有效的。在目视症状发展之前，红边叶绿素植被指数（RECI）成功区分了易感和耐旱的大豆资源。我们采用不同的植被指数的组合实现了早期检测大豆枯萎。这些结果可以为早期胁迫检测方法和育种和生产应用中的筛选苗圃快速分类干旱响应做出贡献。

Feb, 2024

本研究运用机器学习技术，分析伯克利地球的全球陆地表面温度数据以及世界银行的 GDP 和人口数据，研究了温度变化对经济增长的长期影响，发现了平均温度和 GDP 增长之间的显著关系，进而指出了气候变化对经济发展的重要影响，并展示了机器学习在揭示气候与经济关系的复杂性研究中的实用性。

Jun, 2023

本文提出一种基于深度学习技术的卫星图像细化框架，利用多光谱无人机获取的高分辨率图像信息作为训练数据，可在特定农业领域（如葡萄园生长）中优化卫星驱动的归一化植被指数（NDVI）图，生成更准确的 3 类葡萄园乔木优势图，使管理者能更好地描述和监测农作物状态和病害。

Apr, 2020

通过研究不同的机器学习方法，包括梯度提升和深度学习等，对美国本土的次季气候预测（SSF）进行了研究，发现通过精细构建特征表示方法，即使是简单的线性回归模型，如 Lasso，都可以取得良好的表现。期望通过研究特征的重要性，实现对气候和土地等协变量预测的进一步改善。

Jun, 2020