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

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

本文提出了一个综合的方法，将数据驱动解决方案与作物模拟模型（CSMs）和模型替代品相结合，以支持农作物管理决策时的多个用户配置文件和需求，我们的数据驱动建模方法与作物产量的相关性预测接近91％，而作物模拟建模结构实现了6％的误差；所提出的作物模拟模型替代品的精度水平与采用的作物模拟器相似，但执行速度快了近100倍

Jun, 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

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

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

用天气和卫星影像结合的逆模型方法，提出了一种深度学习模型WSTATT，能够精确生成农田作物分布地图，具有较传统方法更好的预测效果和提前五个月预测作物类型的能力，评估结果与作物表现学相一致。

Jan, 2024

通过引入CropNet数据集，该研究提供了一个多模态数据集，用于在县级别上准确预测作物产量，考虑了短期和长期气候变化的影响，并验证了其在气候变化感知作物产量预测中的一般适用性和有效性。

Jun, 2024

通过使用深度学习方法，本研究关注阐述粮食安全和指导政策制定者和农民的农作物产量预测任务，特别针对阿根廷、乌拉圭和德国的大豆、小麦和油菜作物，使用卫星图像、其他数据和地图，开发和解释相应作物的预测模型，以提高模型的可靠性和可解释性。

Jul, 2024