Total Nitrogen Estimation in Agricultural Soils via Aerial Multispectral Imaging and LIBS
South Dakota School of Mines and Technology（南达科他矿业与技术学院）
测量土壤健康指标是一项重要而具有挑战性的任务，它影响农民对农场施肥时间、位置和数量的决定。大多数现有的方法来衡量土壤健康指标（SHIs）是在实验室湿化学或光谱为基础的方法，这需要大量的人力投入和努力，耗时，成本高，并且是低通量的性质。为了应对这一挑战，我们开发了一种人工智能（AI）驱动的近实时无人机（UAV）多光谱传感（UMS）解决方案，以估计土壤的总氮（TN），这是一种重要的宏量营养素或SHI，直接影响作物健康。准确预测土壤全氮可以通过对播种时间、施肥量和时间的明智决策来显着提高作物产量。我们训练两个机器学习模型，包括多层感知器和支持向量机，使用一套数据类来预测土壤氮，这些数据类包括土壤和作物在红色，近红外和绿色光谱波段的多光谱特征，计算的植被指数，以及包括空气温度和相对湿度在内的环境变量。为了生成机器学习模型的地面实况数据或训练数据，我们使用激光诱导击穿光谱（LIBS）测量土壤样本（从农场收集）的总氮。
2021-07-06 cs.LG eess.IV
Forecasting Soil Moisture Using Domain Inspired Temporal Graph Convolution Neural Networks To Guide Sustainable Crop Management
IBM Research（IBM研究院）；Sandia National Lab（桑迪亚国家实验室）；Texas A&M（德克萨斯A&M大学）；IBM Corporate Social Responsibility（IBM企业社会责任部）
气候变化、人口增长和水资源短缺给农业带来了前所未有的挑战。该项目旨在利用领域知识和机器学习预测土壤湿度，以制定作物管理决策，实现可持续农业。预测水文响应特征的传统方法需要大量的计算时间和专业知识。最近的工作已经实现了机器学习模型作为预测水文响应功能的工具，但这些模型忽略了传统水文建模的一个重要组成部分，即空间上接近的单元可能具有截然不同的水文响应。在传统的水文模拟中，具有相似水文特性的单元被分组在一起，并且共享模型参数，而不管它们在空间上的接近程度。受这一领域知识的启发，我们构造了一个新的领域启发的时间图卷积神经网络。我们的方法涉及聚类单位的基础上随时间变化的水文特性，构建每个集群的图形拓扑结构，并预测土壤湿度使用图卷积和门控经常性神经网络。在美国东北部的一项案例研究中，我们对由大约99，000个水文响应单元组成的现场规模时间序列数据进行了训练，验证和测试。与现有模型的比较说明了使用领域启发聚类与时间序列图神经网络的有效性。该框架正在作为公益性社会影响方案的一部分部署。经过训练的模型正在德克萨斯州中部的小农场部署。
2022-12-12 cs.LG stat.AP
Prediction of Soil Moisture Content Based On Satellite Data and Sequence-to-Sequence Networks
University of Oxford（牛津大学）；Deep Planet（深星公司）
本研究的主要目的是结合遥感和机器学习来检测土壤水分含量。人口和粮食消费的增长导致需要提高农业产量和减少自然资源的浪费。在本文中，我们提出了一个神经网络架构，基于研究界最近的工作，可以产生强大的社会影响，并帮助实现联合国零饥饿可持续发展目标。其主要目标是：提高用水效率;减少对灌溉的依赖;提高作物总产量;最大限度地减少干旱和极端天气条件造成的作物损失风险。我们通过应用卫星图像，作物分割，土壤分类和归一化植被指数和土壤水分预测卫星数据，地面实况和气候数据记录来实现这一目标。通过将机器学习应用于传感器数据和地面数据，农场管理系统可以发展成为一个实时的人工智能平台，为农民提供可操作的建议和决策支持工具。
2019-06-05 cs.CV cs.LG eess.IV
CropGym: a Reinforcement Learning Environment for Crop Management
Wageningen University and Research（瓦赫宁根大学及研究中心）
氮肥对环境有不利影响，可以通过优化肥料管理策略来减少。我们实现了一个OpenAI Gym环境，其中强化学习代理可以使用基于过程的作物生长模型来学习施肥管理政策，并确定减少环境影响的政策。在我们的环境中，一个代理训练的近端策略优化算法是更成功地减少环境影响比其他基线代理，我们目前。
2021-04-23 cs.LG
The Effect of Different Optimization Strategies to Physics-Constrained Deep Learning for Soil Moisture Estimation
本文提出一种物理约束深度学习框架，通过整合水分运移物理原理重建土壤水分动态，并比较Adam、RMSprop和GD三种优化器，发现Adam在收敛性上表现最佳。
2024-03-13 cs.LG eess.SP
AgroSense 2.0: Cross-Modal Transformer Fusion with Geospatial Raster Integration and Interpretable Multi-Task Learning for Precision Crop Recommendation
Research Engineer London, UK（英国伦敦研究工程师）；Independent Researcher Kolkata, IN（印度加尔各答独立研究员）；Centre for Development of Telematics（电信发展中心）
提出AgroSense 2.0，通过跨模态Transformer融合、地理空间栅格集成和多任务学习，解决精准农业中作物推荐系统的模态鸿沟问题，实现可解释的作物推荐。
2026-06-23 cs.CV cs.LG
Winter Wheat Crop Yield Prediction on Multiple Heterogeneous Datasets using Machine Learning
School of Computer Science University College Dublin Dublin, Ireland
本研究旨在基于区域层面的土壤和天气等多个异构数据集，使用多种机器学习模型预测英国冬小麦作物产量，并强调了数据质量在机器学习策略中的重要性。
2023-06-20 cs.LG
Monitoring digestate application on agricultural crops using Sentinel-2 Satellite imagery
IEEE Service Center（IEEE服务中心）；IEEE
本研究利用Sentinel-2卫星影像与机器学习模型监测农业作物上的消化物施用，通过分析光谱特征和建立检测模型，实现了高精度的监测，为精准农业和可持续发展提供支持。
2025-07-23 cs.AI cs.CV cs.LG
Crop recommendation with machine learning: leveraging environmental and economic factors for optimal crop selection
Brunel University London（布鲁内尔伦敦大学）
针对印度农业推荐系统仅关注环境因素导致预测受限的问题，本研究结合环境与经济因素，利用10折交叉验证、时间序列分割和滞后变量开发评估了Random Forest和SVM模型，证明基于滞后变量的Random Forest模型为最优作物推荐首选算法。
2025-05-27 cs.LG
Mulberry Leaf Yield Prediction Using Machine Learning Techniques
SJB Institute of Technology（SJB理工学院）
土壤养分对农作物的健康生长至关重要。印度生产大量的桑叶，而桑叶又生产生丝。由于印度的气候条件有利，桑树全年都在种植。大多数农民几乎不注意土壤的性质和非生物因素，由于这些因素，叶子变得营养不良，因此当它们被蚕消耗时，将不会产生所需质量的最终产品生丝。农民知道他们的土地可以生产多少产量是有益的，这样他们就可以提前计划。本文将不同的机器学习技术应用于基于土壤参数的桑树产量预测。本文选取并比较了三种先进的机器学习模型，即多元线性回归、岭回归和随机森林回归。实验结果表明，随机森林回归算法优于其他算法。
2021-09-30 cs.LG
SOMOSPIE: A modular SOil MOisture SPatial Inference Engine based on data driven decisions
University of Tennessee, Knoxville（田纳西大学诺克斯维尔分校）；University of Delaware, Newark（特拉华大学纽瓦克分校）
目前大面积土壤湿度数据的可用性来自卫星遥感技术（即，雷达系统），但这些数据分辨率较低，往往显示出很大的空间信息差距。在数据对于给定需要来说太粗糙或稀疏的情况下（例如，精确农业），可以利用与其他环境信息源（例如，形貌）以生成无间隙信息并且具有更精细的空间分辨率（即，增加粒度）。为此，我们开发了一个空间推理引擎，包括用于处理空间环境数据的模块化阶段，用机器学习技术生成预测，并分析这些预测。我们展示了这种方法的功能和数据处理选择的影响，通过多个预测地图在美国生态区域具有高度多样化的土壤水分剖面（即，大西洋中部沿海平原）。我们工作的相关性源于迫切需要改善土壤水分的空间表示，以用于环境科学（例如，生态位建模、碳监测系统和其他地球系统模型）和精准农业（例如，优化灌溉做法和其他土地管理决策）。
2019-05-20 cs.LG
Winter wheat yield prediction using convolutional neural networks from environmental and phenological data
University of Bonn（波恩大学）；University of Iowa（爱荷华大学）；Iowa State University（爱荷华州立大学）；Wuhan University（武汉大学）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
作物产量预测取决于许多相互作用的因素，包括作物基因型、天气、土壤和管理措施。这项研究分析了机器学习和深度学习方法在冬小麦产量预测中的表现，使用了1999年至2019年德国271个县的天气、土壤和作物物候变量的广泛数据集。我们提出了一个卷积神经网络（CNN）模型，它使用一维卷积运算来捕获环境变量的时间依赖性。我们使用八个监督机器学习模型作为基线，并使用RMSE、MAE和相关系数指标评估其预测性能，以基准测试产量预测结果。我们的研究结果表明，与线性模型相比，提出的CNN，深度神经网络（DNN）和XGBoost等非线性模型在理解作物产量与输入数据之间的关系方面更有效。我们提出的CNN模型优于所有其他用于冬小麦产量预测的基线模型（在测试数据中，RMSE降低7 - 14%，MAE降低3 - 15%，相关系数比表现最好的基线高4 - 50%）。我们以每周分辨率汇总土壤湿度和气象特征，以解决数据的季节性问题。我们还超越了预测，并使用SHAP和力图解释了我们提出的CNN模型的输出，这为解释产量预测结果提供了关键见解（变量随时间的重要性）。结果表明，DUL、第10周风速和第7周辐射量是冬小麦产量预测中最关键的特征。
2022-02-26 cs.LG
A Survey on Data-Driven Models for Soil Moisture Regression and Classification
Electrical Engineering\ University of Technology\ , Sweden（电气工程\ 技术大学\ ，瑞典）
综述了基于AI的土壤湿度建模方法，分为五类：统计时间序列、地统计、经典机器学习、深度学习和概率/贝叶斯方法，利用多源数据实现回归或分类。
2026-06-18 cs.LG
MIS-ME: A Multi-modal Framework for Soil Moisture Estimation
Oklahoma State University（俄克拉荷马州立大学）
本文提出MIS-ME多模态框架，融合地面图像与气象数据估计土壤湿度，MAPE达10.14%，较单模态方法显著降低误差，并公开数据集与代码。
2024-08-21 cs.CV cs.LG
Data-Driven Soil Organic Carbon Sampling: Integrating Spectral Clustering with Conditioned Latin Hypercube Optimization
Deep Planet；Queen Mary University of London（伦敦玛丽女王大学）
针对土壤有机碳采样代表性不足问题，提出融合谱聚类与条件拉丁超立方采样的混合方法，先分区再区内采样，实验证明其覆盖更均匀，可提升SOC预测精度。
2025-06-16 cs.LG
An Explainable Ensemble Learning Framework for Crop Classification with Optimized Feature Pyramids and Deep Networks
本文提出一种可解释的集成学习框架，结合优化特征金字塔、深度网络、自注意力机制和残差网络，通过土壤特征和气候条件预测作物适宜性，利用预处理方法和多种机器学习模型提升分类精度，最终集成模型在准确率、精确率、召回率和F1分数上达到98.80%。
2026-03-26 cs.AI cs.LG
Unsupervised Graph Spectral Feature Denoising for Crop Yield Prediction
York University（约克大学）；GrowersEdge
以县为粒度的农作物年产量预测对全国粮食生产和价格稳定具有重要意义。在本文中，为了更好地预测农作物产量的目标，利用最新的图形信号处理（GSP）工具，利用相邻县之间的空间相关性，我们通过图形频谱滤波去噪相关特征，这些特征是深度学习预测模型的输入。具体来说，我们首先构建一个组合图的边权重编码县到县的土壤和位置特征的相似性，通过度量学习。然后，我们通过最大后验概率（MAP）公式与图形拉普拉斯正则化（GLR）去噪功能。我们专注于估计关键的权重参数$μ$的挑战，权衡保真度项和GLR，这是一个函数的噪声方差在无监督的方式。我们首先估计噪声方差直接从噪声损坏的图形信号使用图团检测（GCD）程序，发现局部恒定区域。然后，我们计算一个最佳的$μ$最小化近似均方误差函数，通过偏差方差分析。从收集的USDA数据的实验结果表明，使用去噪的特征作为输入，农作物产量预测模型的性能可以得到显着改善。
2022-08-04 cs.LG
Fuzzy clustering for the within-season estimation of cotton phenology
National Observatory of Athens（雅典国家天文台）；National Technical University of Athens（雅典国立技术大学）
作物物候是作物估产和农业管理的重要信息。传统上，从地面观察物候;然而，地球观测、天气和土壤数据已被用于捕获作物的生理生长。在这项工作中，我们提出了一种新的方法，在田间水平上的棉花季节内物候估计。为此，我们利用各种地球观测植被指数（来自哨兵-2）和大气和土壤参数的数值模拟。我们的方法是无监督的，以解决一直存在的稀疏和稀缺的地面实况数据的问题，使得大多数监督的替代方案在现实世界中是不切实际的。应用模糊C均值聚类方法识别棉花的主要物候期，并利用聚类隶属度权重进一步预测相邻物候期之间的过渡期。为了评估我们的模型，我们在希腊的Orchomenos收集了1，285个作物生长地面观测数据。我们引入了一个新的收集协议，分配了两个物候标签，代表在该领域的主要和次要的生长阶段，从而表明当阶段过渡。我们的模型进行了测试，对基线模型，允许隔离随机协议，并评估其真正的能力。结果表明，我们的模型大大优于基线模型，考虑到该方法的无监督性质，这是有希望的。的局限性和相关的未来工作进行了深入的讨论。地面观测数据被格式化为一个随时可用的数据集，一经发布，将在https://github.com/Agri-Hub/cotton-phenology-dataset上提供。
2022-11-30 cs.LG
Environmental sensor readings in two crop disease image datasets identify the session in which each image was taken
Korea University（高丽大学）
本文揭示作物病害多模态分类的性能提升常源于会话泄漏，提出采用会话留出划分和无传感器基线来确保真实泛化。
2026-10-06 cs.CV cs.LG
A GNN-RNN Approach for Harnessing Geospatial and Temporal Information: Application to Crop Yield Prediction
Cornell University（康奈尔大学）
气候变化对粮食不安全、供应稳定和经济规划等作物相关问题构成新的挑战。作物产量预测是当前机器学习研究领域的一个重要课题。尽管其重要性，预测任务是非常复杂的，因为作物产量取决于各种因素，如天气，地表，土壤质量以及它们的相互作用。近年来，机器学习模型在这一领域得到了成功的应用。然而，这些模型要么将他们的任务限制在相对较小的区域，要么只研究一年或几年，这使得他们很难在空间和时间上进行概括。在本文中，我们引入了一种新的基于图的递归神经网络用于作物产量预测，将地理和时间知识结合到模型中，并进一步提高预测能力。我们的方法在美国大陆41个州的2000多个县进行了培训，验证和测试，涵盖1981年至2019年。据我们所知，这是第一个将地理知识嵌入农作物产量预测的机器学习方法，对全国县级农作物产量进行预测。我们还通过应用知名的线性模型、基于树的模型、深度学习方法并比较它们的性能，为与其他机器学习基线的比较奠定了坚实的基础。实验表明，我们提出的方法始终优于现有的国家的最先进的方法在各种指标，验证了地理空间和时间信息的有效性。
2022-01-21 cs.LG
Spatial-temporal Multi-Task Learning for Within-field Cotton Yield Prediction
Texas Tech University（德克萨斯理工大学）；George Washington University（乔治华盛顿大学）
了解和准确预测作物产量的田间空间变异性对于作物灌溉水和肥料等投入的定点管理以优化作物生产具有关键作用。然而，作物生长与环境和管理因素（如气候、土壤条件、耕作和灌溉）之间复杂的相互作用对这一任务提出了挑战。在本文中，我们提出了一种新的时空多任务学习算法在西德克萨斯州2001年至2003年的作物产量预测田间。该算法集成了多个异构数据源，同时学习不同的功能，并通过引入加权正则化的损失函数的时空特征聚合。我们的综合实验结果始终优于其他传统方法的结果，并提出了一种有前途的方法，改善了作物预测研究领域的景观。
2018-11-16 cs.LG stat.ML
Knowledge-guided machine learning for county-level corn yield prediction under drought
NASA（美国国家航空航天局）
针对传统作物产量模型难整合遥感数据、机器学习模型可解释性差且未充分考虑土壤水分作用的问题，提出嵌入土壤水分中间变量与干旱感知损失的KGML-SM框架，性能优于传统模型并提供误差可解释性。
2025-10-01 cs.AI cs.LG
UniCrop: A Universal, Multi-Source Data Engineering Pipeline for Scalable Crop Yield Prediction
Cardiff University, School of Mathematics, CF24 4AG UK.；Cardiff University, School of Computer Science \& Informatics, CF24 4AG UK
UniCrop通过自动化多源环境数据处理，提供了一种通用的数据工程框架，用于提高作物产量预测的可扩展性和准确性。
2026-01-04 cs.AI cs.LG eess.IV
Causal Modeling of Soil Processes for Improved Generalization
University of Minnesota Twin Cities（明尼苏达大学双城分校）；Microsoft Research（微软研究院）；Rothamsted Research（洛桑研究所）；University of Glasgow（格拉斯哥大学）
测量和监测土壤有机碳对于农业生产力和解决关键环境问题至关重要。土壤有机碳不仅丰富了土壤中的营养，而且还具有一系列的共同利益，如改善水储存和限制物理侵蚀。尽管在土壤有机碳估算方面做了大量工作，但目前的方法在土壤条件和管理实践中并没有很好地推广。我们的经验表明，明确的土壤过程之间的因果关系建模提高了预测模型的分布泛化能力。我们提供了一个比较分析的土壤有机碳估计模型，其中的骨架估计使用因果发现方法。我们的框架提供了81%的测试均方误差和52%的测试平均绝对误差的平均改善。
2022-11-10 cs.CY cs.LG
Coupling Machine Learning and Crop Modeling Improves Crop Yield Prediction in the US Corn Belt
Iowa State University（爱荷华州立大学）
这项研究调查了耦合作物建模和机器学习（ML）是否可以提高美国玉米带的玉米产量预测。主要目标是探索混合方法（作物建模+ ML）是否会导致更好的预测，研究混合模型的组合提供最准确的预测，并确定最有效的作物建模功能与ML集成用于玉米产量预测。五个ML模型（线性回归，LASSO，LightGBM，随机森林和XGBoost）和六个集成模型被设计来解决研究问题。结果表明，加入模拟作物模型变量（APSIM）作为输入功能的ML模型可以降低产量预测均方根误差（RMSE）从7到20%。此外，我们调查了部分包含的APSIM功能的ML预测模型，我们发现土壤水分相关的APSIM变量是最有影响力的ML预测其次是作物相关和物候相关的变量。最后，基于特征重要性度量，已经观察到，模拟的APSIM平均干旱胁迫和平均地下水位深度在生长季节是最重要的APSIM输入ML。这一结果表明，仅仅天气信息是不够的，ML模型需要更多的水文输入，以提高产量预测。
2021-03-01 cs.LG q-bio.PE q-bio.QM
Anomaly Detection in Soil Heavy Metal Contamination Using Unsupervised Learning for Environmental Risk Assessment
Institute of Environment and Sanitation Studies（环境与卫生研究所）；Department of Mathematics（数学系）；Department of Actuarial Science（精算科学系）
本文利用无监督学习方法检测土壤中重金属污染模式，识别异常样本，通过HI和ILCR指数评估健康风险，发现六个稳健异常点，揭示不同类型的污染特征，为环境管理提供精准依据。
2026-04-29 cs.AI cs.LG physics.data-an
Predicting Crop Yield With Machine Learning: An Extensive Analysis Of Input Modalities And Models On a Field and sub-field Level
University of Kaiserslautern-Landau (RPTU)（凯泽斯劳滕-兰道大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Vision Impulse GmbH（Vision Impulse 有限责任公司）
提出一种处理多模态的早期融合农作物产量预测方法，在亚田块级别利用Sentinel-2等全球覆盖数据训练模型无关方法，并强调最佳输入模态组合取决于地区、作物和所选模型。
2023-08-17 cs.AI cs.CV cs.LG
TerraMAE: Learning Spatial-Spectral Representations from Hyperspectral Earth Observation Data via Adaptive Masked Autoencoders
Colorado State University（科罗拉多州立大学）
提出TerraMAE框架，通过自适应通道分组和增强重建损失学习高光谱空间-光谱表示，在图像重建及作物识别等下游任务中表现优异。
2025-08-09 cs.CV cs.LG
DeepG2P: Fusing Multi-Modal Data to Improve Crop Production
Microsoft Research（微软研究院）；University of Stanford（斯坦福大学）
农业是实现可持续养活世界人口的解决方案的核心，但我们仍然需要进一步了解农业产量如何应对气候变化。精准农业（PA）是一种管理策略，使用遥感、地理信息系统（GIS）和机器学习等技术进行田间决策，已成为提高作物产量、提高产量、减少水和养分损失及环境影响的一种有前途的方法。在这种背景下，已经开发了多种模型来预测农业表型，例如从基因组学（G）、环境（E）、天气和土壤以及田间管理实践（M）预测作物产量。这些模型传统上是基于机械或统计方法。然而，人工智能方法本质上非常适合对复杂的交互进行建模，并且最近才得到开发，其性能优于经典方法。在这里，我们提出了一个基于自然语言处理（NLP）的神经网络架构来处理G，E和M输入及其交互。我们表明，通过将DNA建模为自然语言，我们的方法在测试新环境时比以前的方法表现得更好，并且与其他方法相似。
2022-11-11 cs.CY cs.LG
A CNN-RNN Framework for Crop Yield Prediction
Iowa State University（爱荷华州立大学）；University of Hyderabad（海得拉巴大学）；University of Georgia（佐治亚大学）
作物产量预测是极具挑战性的，因为它依赖于多种因素，如作物基因型，环境因素，管理措施，以及它们之间的相互作用。本文提出了一种基于环境数据和管理实践的深度学习框架，该框架使用卷积神经网络（CNN）和递归神经网络（RNN）进行作物产量预测。提出的CNN-RNN模型，以及其他流行的方法，如随机森林（RF），深度全连接神经网络（DFNN）和LASSO，用于预测美国整个玉米带（包括13个州）2016年，2017年和2018年的玉米和大豆产量。新模型的均方根误差（RMSE）分别为各自平均产量的9%和8%，大大优于所有其他测试方法。CNN-RNN具有三个显著的特点，使其成为其他作物产量预测研究的潜在有用方法。(1)CNN-RNN模型旨在捕获环境因素的时间依赖性和种子随时间的遗传改良，而无需其基因型信息。(2)该模型证明了将产量预测推广到未经测试的环境而不会显着降低预测精度的能力。(3)结合反向传播方法，该模型可以揭示天气条件、天气预报的准确性、土壤条件和管理措施在多大程度上能够解释作物产量的变化。
2020-01-24 cs.LG q-bio.QM stat.ML
Adaptive Fusion of Multi-view Remote Sensing data for Optimal Sub-field Crop Yield Prediction
University of Kaiserslautern-Landau (RPTU)（凯撒斯劳滕-兰道大学（RPTU））；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Vision Impulse GmbH（Vision Impulse 有限公司）
针对多源异质农业数据融合难题，提出含视图编码器与门控单元的MVGF模型，自适应融合多光谱遥感、气象、土壤等多视图数据，在多国多作物的子田块产量预测中性能优于传统模型。
2024-01-22 cs.AI cs.CV cs.LG
Machine Learning Models for Soil Parameter Prediction Based on Satellite, Weather, Clay and Yield Data
MI4People；Technische Hochschule Ingolstadt（因戈尔施塔特应用技术大学）
本研究利用卫星、天气、黏土和产量数据，通过随机森林、XGBoost和全连接神经网络等机器学习模型预测土壤养分，为精准施肥和资源分配提供可扩展方案。
2025-03-28 cs.AI cs.LG
DeepSalt: Bridging Laboratory and Satellite Spectra through Domain Adaptation and Knowledge Distillation for Large-Scale Soil Salinity Estimation
Department of Computer Science, Colorado State University, USA（计算机科学系，科罗拉多州立大学）；Department of Soil and Crop Sciences, Colorado State University, USA（土壤与作物科学系，科罗拉多州立大学）
DeepSalt通过域适应和知识蒸馏，将实验室光谱知识迁移至卫星高光谱，实现无需大量采样的准确大规模土壤盐分估算。
2025-10-27 cs.CV cs.LG
Cotton Yield Prediction Using Random Forest
USDA-ARS（美国农业部农业研究局）；University of Nebraska（内布拉斯加大学）；Nebraska Water Center（内布拉斯加水中心）；School of Natural Resources（自然资源学院）
本研究融合历史田间数据与 GOSSYM 模拟数据，采用 Random Forest Regressor 预测棉花产量，获得97.75%准确率，为气候智能型棉花生产提供可靠模型。
2023-12-04 cs.CY cs.LG stat.AP
An Input-Frugal Deep Learning Framework for Weather-Driven National Crop-Yield Forecasting: A Case Study of Brazilian Soybean
SENAI CIMATEC University（SENAI CIMATEC大学）；University of Surrey（萨里大学）
提出一种仅用常规天气和轻量静态输入的通用深度学习框架，在巴西大豆20季数据上验证，Transformer模型达最优精度，误差较基线降低47.6%，且易推广至其他作物和区域。
2026-10-01 cs.LG stat.AP
The New Agronomists: Language Models are Experts in Crop Management
本文提出结合深度强化学习、语言模型与DSSAT作物模拟的智能作物管理系统，将状态变量转为语言以提升决策能力，在玉米模拟实验中实现利润提升超49%并降低环境影响。
2024-03-28 cs.AI cs.CL cs.LG
Naïve Bayes and Random Forest for Crop Yield Prediction
Saint Louis University（圣路易斯大学）；Washington University in Saint Louis（圣路易斯华盛顿大学）
本研究利用Linear Regression、Naïve Bayes和Random Forest等机器学习技术分析印度1997-2020年农作物产量预测，发现Naïve Bayes和Random Forest尤为有效，显著提升了预测准确性与可靠性，为农业数据科学做出重要贡献。
2024-04-23 cs.AI cs.LG
Uncertainty-aware neural emulation reveals climate-resilient maize traits at scale
Department of Mathematics and Department of Computer Science, Iowa State University（数学系和计算机科学系，爱荷华州立大学）；Department of Horticultural Sciences, University of Florida（园艺科学系，佛罗里达大学）；Department of Mechanical Engineering, and Translational AI Center, Iowa State University（机械工程系和转化人工智能中心，爱荷华州立大学）
开发APSIM的概率神经仿真器，以高保真度模拟玉米生长过程，将模拟时间降低数个数量级，并实现大规模基因型-环境-管理空间探索。
2026-11-09 cs.CE cs.LG q-bio.OT
