该研究提出了一种使用深度学习框架的CNN-RNN模型，基于环境数据和管理实践来进行作物产量预测，能够有效地捕捉时间依存性，泛化性和预测精度，具有广泛的应用前景。

Nov, 2019

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

通过考虑短期气象变化和长期气候变化对作物的影响，基于多模态时空视觉变换器（MMST-ViT）开发了一个基于深度学习的解决方案，用于预测美国各县的作物产量，并展示其在三个性能指标上优于同类产品。

Sep, 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

利用多视角学习方法和多视图门控融合模型(MVGF)，本研究预测不同作物和地区的农作物产量，数据源包括Sentinel-2卫星的多光谱光学图像和作物生长季节的气象数据，以及土壤特性和地形信息等静态特征，实验结果表明MVGF模型相较于传统模型在预测任务上具有更好的表现，达到了0.68的R2值。

Jan, 2024

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

本研究解决了用于农业监测的年度地图创建中数据标签依赖性的问题，尤其是在地区和年份之间的领域转变中。通过提出一种综合方法，结合基于区域的损失函数和不同的增强技术，显著提高了模型在多个年份的预测准确性。这一方法的应用有望改善大范围农田的多年度作物映射质量。

Aug, 2024