In-Season Crop Progress in Unsurveyed Regions using Networks Trained on Synthetic Data
University of Florida（佛罗里达大学）
许多商品作物的生长阶段特别容易受到压力引起的产量损失的影响。当季作物进展信息有助于量化作物风险，卫星遥感可用于跟踪区域尺度的进展情况。目前，所有现有的基于RS的作物进展估计（CPE）方法，目标作物特定阶段依赖于地面实况数据进行训练/校准。这种对地面调查数据的依赖将CPE方法局限于调查区域，限制了其实用性。在这项研究中，开发了一种新的方法进行RS为基础的季节CPE在未经调查的地区相结合的数据，从调查的地区与合成作物进展数据生成的未经调查的地区。阿根廷的玉米种植区被用作替代“未调查”地区。现有的天气生成，作物生长和光学辐射传输模型相关联，以产生合成天气，作物生长和冠层反射率数据。分别对实测数据、合成数据以及实测数据和合成数据的两种不同组合进行训练，建立了基于双向长短期记忆的神经网络方法。利用实测数据和合成数据验证损失的加权散度，建立了一种停止准则。在调查区域和合成数据的组合上训练时，所有作物进展阶段的净F1分数增加了8.7%，总体性能仅比在调查数据上训练NN并应用于美国中西部时低21%。从合成数据的性能增益是最大的双种植窗口的区域，而从美国中西部地区的调查数据的列入有助于减轻神经网络的敏感性噪声的NDVI数据。总体结果表明，随着合成作物进展数据的数量和种类的增加，其他未调查地区的季节CPE可能是可能的。
2022-12-13 cs.CV cs.LG
Forecasting Corn Yield with Machine Learning Ensembles
Iowa State University（爱荷华州立大学）；Emory University（埃默里大学）；University of Padua（帕多瓦大学）；Federal University of Santa Maria（圣玛丽亚联邦大学）
通过高性能计算合成和分析大数据的新技术的出现，提高了我们更准确地预测作物产量的能力。最近的研究表明，与模拟作物建模相比，机器学习（ML）可以提供合理的预测，速度更快，灵活性更高。生长季节的预测越早越好，但这还没有得到彻底的研究，因为以前的研究考虑了所有可用于预测产量的数据。本文提供了一个基于机器学习的框架来预测美国玉米带三个州（伊利诺伊州，印第安纳州和爱荷华州）的玉米产量，考虑完整和部分的季节天气知识。几个集成模型的设计使用块序贯过程，以产生袋外预测。预测是在县级规模和农业区，国家级规模的聚合。结果表明，基于基学习器加权平均的集成模型性能优于单个模型。具体而言，建议的集成模型可以实现最好的预测精度（RRMSE为7.8%）和最小的平均偏差误差（-6.06布/英亩）相比，其他开发的模型。比较我们提出的模型预测与文献表明，我们提出的集合模型的预测的优越性。从部分季节天气知识的情况下的结果表明，体面的产量预测可以早在6月1日。为了找到每个输入功能的边际效应所提出的集合模型的预测，建议的方法，是发现功能的集合模型的重要性的基础。结果表明，与第18-24周（5月1日至6月1日）的天气相对应的天气特征是最重要的输入特征。
2020-11-06 cs.LG stat.AP stat.ML
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
Seasonal false alarms in customer churn and decline early-warning systems: adjacent-window labels confound seasonality with decline, and a year-over-year correction
Field Nation LLC（菲尔德国有限责任公司）
该研究针对客户流失预警系统的季节性误报问题，提出将基线对齐到前一年相同k个日历月的同比修正方法，可提升ROC-AUC并减少行动清单规模。
2026-08-20 cs.LG stat.AP stat.ME
Early- and in-season crop type mapping without current-year ground truth: generating labels from historical information via a topology-based approach
University of Minnesota Twin Cities（明尼苏达大学双城分校）；Ant Group（蚂蚁集团）；Texas Tech University（德克萨斯理工大学）；Institute of Geographic Sciences and Natural Resources Research, Chinese Academy of Sciences（中国科学院地理科学与资源研究所）；Stanford University（斯坦福大学）
遥感土地覆盖分类经常面临着有限的真值的挑战。收集历史信息有可能大大降低与收集真值相关的昂贵成本，更重要的是，能够进行有助于许多收获前决策的早期和季节映射。在这项研究中，我们提出了一种新的方法，可以有效地转移知识的拓扑结构（即相对位置）的不同作物类型的光谱特征空间（例如SWIR 1与RDEG 1波段的直方图），以生成标签，从而支持作物分类在不同的年份。重要的是，我们的方法并不试图转移分类决策边界，易受年际变化的天气和管理，但依赖于更强大的和平移不变的拓扑信息。我们使用Landsat-8和Sentinel-2数据对美国中西部的玉米/大豆和中国东北部的水稻/玉米/大豆进行了测试。结果表明，我们的方法自动生成高质量的标签作物在目标年后，立即每个图像变得可用。基于我们的方法生成的这些标签，随后使用随机森林分类器进行的作物类型映射在玉米早在吐丝阶段达到高达0.887的F1分数，大豆早在开花阶段达到0.851，并且在爱荷华州的总体准确度为0.873。在东北地区，水稻、玉米和大豆的F1评分和总体准确度可以在收获前两个半月超过0.85。总的来说，这些结果突出了我们的方法在转移历史知识和最大限度地提高作物地图的及时性方面的独特优势。我们的方法支持一个一般的范式转变，学习可转移和可推广的知识，以促进土地覆盖分类。
2021-10-19 cs.CV cs.LG
Estimating crop yields with remote sensing and deep learning
IBM Research（IBM研究院）
提高作物产量估计的准确性可能会改善整个作物生产链，使农民能够更好地规划收获，保险公司能够更好地了解生产风险，仅举几个优势。为了进行预测，大多数当前的机器学习模型使用NDVI数据，由于所获取的图像中存在云及其阴影，并且由于缺乏可靠的大面积作物掩模，特别是在发展中国家，因此很难使用。在本文中，我们提出了一个深度学习模型，能够对五种不同的作物进行季节前和季节预测。我们的模型使用作物日历，易于获得的遥感数据和天气预报信息，以提供准确的产量估计。
2020-07-21 cs.CY cs.LG stat.AP
End-to-End Learned Early Classification of Time Series for In-Season Crop Type Mapping
École Polytechnique Fédérale de Lausanne (EPFL)（洛桑联邦理工学院）；Univ. Bretagne Sud（南布列塔尼大学）；CNRS（法国国家科学研究中心）；IRISA（法国信息与随机系统研究所）；Univ Lyon（里昂大学）；UJM-Saint-Etienne（圣艾蒂安大学）；Institut d Optique Graduate School（光学研究所研究生院）；Univ. Rennes（雷恩大学）；LETG（地理环境实验室）
遥感卫星以卫星时间序列数据记录的有规律的时间间隔捕捉地球的周期动态。经过端到端训练的深度学习模型使用这些时间序列数据进行大规模预测，例如，生成最新的作物覆盖图。大多数时间序列分类方法关注预测的准确性。然而，预测的早期性也非常重要，因为早期决策可以在时间敏感的应用中产生至关重要的差异。在这项工作中，我们提出了一个端到端的学习早期分类的时间序列（ELECTS）模型，估计分类得分和概率是否有足够的数据已被观察到来一个早期和仍然准确的决定。ELECTS是模块化的：任何深度时间序列分类模型都可以通过添加输出停止分类的概率的第二预测头来采用ELECTS概念思想。然后，ELECTS损失函数根据提前性和准确性的平衡目标优化整个模型。我们对来自欧洲和非洲的四个作物分类数据集进行的实验表明，ELECTS可以达到最先进的精度，同时大量减少需要下载、存储和处理的数据量。源代码可在https://github.com/marccoru/elects上获得。
2022-12-21 cs.LG stat.ML
High-Resolution Satellite Imagery for Modeling the Impact of Aridification on Crop Production
Indraprastha Institute of Information Technology, Delhi（德里英德拉普拉斯塔信息技术学院）；M S Swaminathan Research Foundation（M S 斯瓦米纳坦研究基金会）
精心策划的数据集的可用性推动了机器学习（ML）模型的成功。尽管农业对地观测数据的获取越来越多，但缺乏精心策划的标记数据集，这限制了其在农业遥感（RS）训练ML模型中的应用潜力。为此，我们引入了第一个同类数据集，SICKLE，具有来自3个不同卫星的不同空间分辨率的时间序列图像，并注释了印度泰米尔纳德邦Cauvery三角洲地区水稻种植的多个关键作物参数。该数据集包括来自三角洲4个地区的388个独特地块的2，398个季节性样本。该数据集涵盖了2018年1月至2021年3月期间的多光谱，热和微波数据。水稻样本标注了4个关键的种植参数，即播种日期、移栽日期、收获日期和作物产量。这是将生长季节（使用播种和收获日期）作为数据集一部分的首批研究之一。我们还提出了一个产量预测策略，使用时间序列数据的基础上观察到的生长季节和标准的季节性信息从泰米尔纳德邦农业大学获得的地区。随之而来的性能改进突出了ML技术的影响，这些技术利用了与特定地区农民遵循的标准实践一致的领域知识。我们对数据集进行了3个独立任务的基准测试，即作物类型、物候期（播种、移栽、收获）和产量预测，并开发了一个端到端的框架，用于预测现实环境中的关键作物参数。
2022-09-25 cs.AI cs.CV cs.LG
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
Hierarchical Federated Learning for Crop Yield Prediction in Smart Agricultural Production Systems
ENSIAS, Mohammed V University in Rabat（ENSIAS，摩洛哥拉巴特穆罕默德五世大学）；Samovar, Télécom SudParis, Institut Polytechnique de Paris（Samovar，电信南巴黎，巴黎理工学院）
本文提出一种三层分层联邦学习架构，结合季节性订阅机制，实现作物产量预测中的局部专业化与全局泛化，在保护隐私和降低通信开销的同时显著优于标准机器学习模型。
2025-10-14 cs.AI cs.DC cs.LG
Mitigating Bad Ground Truth in Supervised Machine Learning based Crop Classification: A Multi-Level Framework with Sentinel-2 Images
SatSure Analytics India Pvt Ltd
针对作物分类中地面真值标签错误问题，提出基于 Sentinel-2 多时相影像的多层 GT 清洗框架，通过嵌入、聚类和离群点检测显著提升 Random Forest 的 F1 分数。
2025-03-14 cs.AI cs.CV cs.LG
Remote Sensing and Machine Learning for Food Crop Production Data in Africa Post-COVID-19
AKADEMIYA2063
在农业领域，COVID-19可能导致该地区出现严重的粮食安全危机，预计食品供应链中断和农业生产将收缩2. 6%至7%。从粮食作物生产方面来看，旅行禁令和边境关闭、进口种子、化肥和杀虫剂等农业投入的接收和使用过晚，可能导致粮食作物生产业绩不佳。流动限制措施造成的另一个破坏是农业工人，主要是季节性工人的短缺。封锁措施和边境关闭限制了季节性工人按时到达农场进行种植和收获活动的可能性。此外，大部分进口农业投入都是通过空运，这一流行病严重影响了空运。这种运输中断也会对粮食作物生产系统产生不利影响。本章评估了2020年（收获期之前）所有非洲地区的粮食作物产量水平以及玉米、木薯、水稻和小麦等四种主食。利用卫星遥感反演的地球物理数据和机器学习人工神经网络（ANN）技术相结合的生产水平进行预测。遥感产品被用作输入变量和人工神经网络作为预测建模框架。输入的遥感产品是归一化植被指数（NDVI），白天地表温度（LST），降雨量数据，和农业用地的蒸散量（ET）。产出的地图和数据在网络平台AAgWa（非洲农业观察，www.aagwa.org）上公开提供，以便利政策制定者、决策者和其他利益攸关方获取此类信息。
2021-07-14 cs.AI cs.LG
VITA: Variational Pretraining of Transformers for Climate-Robust Crop Yield Forecasting
针对现有作物产量预测模型在产量偏离历史趋势时性能下降的问题，提出变分预训练框架VITA，通过卫星气象数据预训练实现有限数据下的微调，在美国玉米带的预测任务中达到SOTA，更适用于数据稀缺场景。
2025-11-14 cs.LG
A Hybrid Modeling Framework for Crop Prediction Tasks via Dynamic Parameter Calibration and Multi-Task Learning
Oregon State University（俄勒冈州立大学）；Washington State University（华盛顿州立大学）
本文提出了一种混合建模方法，通过动态参数校准和多任务学习，提高作物预测的准确性，特别是在数据有限的情况下，利用神经网络对生物物理模型进行参数化，并在不同作物品种间高效共享数据，从而提升预测精度和生物合理性。
2026-05-18 cs.AI 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
An Open and Large-Scale Dataset for Multi-Modal Climate Change-aware Crop Yield Predictions
University of Delaware（特拉华大学）
本文提出首个TB级、多模态、公开的CropNet数据集及配套API，融合Sentinel-2影像、WRF-HRRR气象和USDA作物数据，覆盖2200多个美国县6年数据，用于气候变化感知的县级作物产量预测，并通过多种深度学习实验验证其有效性。
2024-06-17 cs.CV cs.LG
Automatic Detection of Natural Disaster Effect on Paddy Field from Satellite Images using Deep Learning Techniques
Center for Computational & Data Sciences (CCDS)（计算与数据科学中心（CCDS））；Independent University, Bangladesh（孟加拉国独立大学）
本文利用高分辨率卫星图像和DeepLabV3plus模型检测孟加拉国稻田灾害损失，发现FCI波段IoU达0.51优于RGB的0.41，并开发了可用于高分辨率RGB图像分割的真实数据。
2023-04-02 cs.CV cs.LG
Harnessing Administrative Data Inventories to Create a Reliable Transnational Reference Database for Crop Type Monitoring
Technical University of Munich (TUM)（慕尼黑工业大学（TUM））；TUM School of Engineering and Design（TUM工程与设计学院）
针对作物类型监测中参考数据缺乏的瓶颈，本文提出利用行政数据清单构建跨国参考数据集EUROCROPS，通过汇总协调多国行政数据实现互操作性。
2023-10-10 cs.IR cs.LG
Crop Yield Prediction Integrating Genotype and Weather Variables Using Deep Learning
Iowa State University（爱荷华州立大学）
在科学和领域相关见解的支持下，准确预测作物产量可以帮助改善农业育种，提供对不同气候条件的监测，从而防止作物生产面临的气候挑战，包括不稳定的降雨和温度变化。我们使用来自北美统一大豆试验（UST）的跨越13年数据的历史性能记录来构建基于长短期记忆-递归神经网络的模型，通过利用系谱相关性测量以及每周天气参数来剖析和预测多环境中的基因型响应。此外，为了提供生长季节中重要时间窗口的可解释性，我们开发了一个基于时间注意力机制的模型。这两个模型的组合优于随机森林（RF），LASSO回归和数据驱动的USDA模型的产量预测。我们部署了这个深度学习框架作为“假设生成工具”来解开GxExM关系。基于注意力的时间序列模型在产量预测模型的可解释性方面提供了显著的进步。可解释模型提供的见解适用于理解植物育种计划如何适应全球气候变化，例如识别商业发布的优良品种，品种开发中测试环境的智能采样，以及整合天气参数以实现有针对性的育种方法。使用DL模型作为假设生成工具，将使品种的发展与可塑性反应在可变的气候条件。我们设想这种方法（通过进行敏感性分析和“假设”情景）在不同气候条件下对大豆和其他作物物种的广泛适用性。
2020-06-24 cs.LG stat.ML
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
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
Rapid Response Crop Maps in Data Sparse Regions
关于耕地分布的空间信息，通常称为耕地或作物地图，是广泛的农业和粮食安全分析和决策的关键投入。然而，大多数国家并不容易获得高分辨率农田地图，特别是在以小农农业为主的地区（例如，撒哈拉以南非洲）。这些地图在危机时期尤其重要，因为决策者需要快速设计和制定与农业相关的政策和缓解战略，包括提供人道主义援助，分发有针对性的援助或提高农民的生产力。开发作物地图的一个主要挑战是，许多地区没有培训和验证预测模型所需的农田地面实况数据，实地活动无法收集标签以作出快速反应。我们提出了一种方法，用于快速绘制农田的地区很少或没有地面数据。我们在多哥展示了这种方法的结果，我们在10天内交付了一张高分辨率（10米）农田地图，以促进多哥政府对COVID-19大流行的快速反应。这表明，机器学习应用研究成功地过渡到了对真实人道主义危机的快速反应。所有的地图、数据和代码都是公开的，以便在数据稀疏的地区实现未来的研究和操作系统。
2020-06-23 cs.CV cs.LG eess.IV
Machine Learning-based Nutrient Application's Timeline Recommendation for Smart Agriculture: A Large-Scale Data Mining Approach
University College Dublin (UCD)（都柏林大学学院）
本研究提出一种基于机器学习的大规模数据挖掘方法，通过结合天气条件与土壤特征预测并调整整个季节的肥料施用量，经验证该方法高效且可扩展，有助于在稳定或减少农业养分需求的同时促进作物生长。
2023-10-18 cs.AI cs.LG
Cropland PAtteRNS: Parallel Dimensional Attention Networks and Attention to Dataset Disparity for Crop Segmentation in Satellite Imagery Time Series Data
Swansea University（斯旺西大学）
提出PAtteRNS混合Transformer-卷积模型，分别对时间、光谱、空间维度使用自注意力，在PASTIS和MTLCC数据集上超越现有模型，并揭示数据集类别分组和瓦片尺寸对公平比较的影响。
2026-09-30 cs.CV cs.LG
A Hybrid Deep Learning-based Approach for Optimal Genotype by Environment Selection
Iowa State University（爱荷华州立大学）
本文提出CNN-DNN和CNN-LSTM-DNN两种混合深度学习模型，结合广义集成方法GEM优化权重，在MLCAS2021作物产量预测挑战赛中显著降低预测误差，并用于基于天气变量的最优基因型选择。
2023-09-22 cs.AI cs.LG q-bio.QM
CMAViT: Integrating Climate, Managment, and Remote Sensing Data for Crop Yield Estimation with Multimodel Vision Transformers
University of California Davis（加州大学戴维斯分校）；E&J Gallo Winery（E&J加洛酒庄）
针对作物产量预测因气候、天气与管理措施复杂相互作用带来的挑战，提出多模型CMAViT，集成遥感、气象和文本形式的管理数据，在葡萄园像素级预测中优于传统模型，验证了各模态的重要性。
2024-11-25 cs.CV cs.LG
Transfer Learning via Auxiliary Labels with Application to Cold-Hardiness Prediction
Washington State University（华盛顿州立大学）
针对部分果树品种缺乏抗寒性训练数据的问题，本研究提出基于辅助标签的迁移学习框架TAL，利用物候数据预测目标作物抗寒性，在葡萄品种实验中证明了其有效性。
2025-04-17 cs.LG
Maize Yield and Nitrate Loss Prediction with Machine Learning Algorithms
作物生产结果的季前预测，如粮食产量和氮损失，可以为利益相关者提供决策时的见解。模拟模型可以帮助场景规划，但由于数据要求和长时间运行，其使用受到限制。因此，需要更多的计算方便的方法来扩大预测。我们评估了五种机器学习（ML）算法作为种植系统模拟器（APSIM）元模型的潜力，以告知未来的决策支持工具开发。我们问：1）ML元模型使用季前信息预测玉米产量和氮损失的效果如何？2)训练机器学习算法以达到可接受的预测需要多少数据？3)哪些输入数据变量对精确预测最重要？和4）ML元模型的集合是否改善了预测？模拟数据集包括300多万个基因型、环境和管理情景。随机森林最准确地预测玉米产量和氮损失在种植时间，RRMSE分别为14%和55%。ML元模型合理地再现了模拟的玉米产量，但没有N损失。它们对训练数据集大小的敏感性也不同。在所有ML模型中，产量预测误差随着训练数据集从0.5增加到180万个数据点而降低了10-40%，而N损失预测误差没有显示出一致的模式。ML模型对输入变量的敏感性也不同。在所有ML模型中，天气条件、土壤特性、管理信息和初始条件在预测产量时大致同等重要。适度的预测改进来自ML集成。这些结果可以帮助加速耦合模拟模型和ML的进展，为季前管理开发动态决策支持工具。
2020-11-06 cs.LG q-bio.OT stat.AP
An Applied Deep Learning Approach for Estimating Soybean Relative Maturity from UAV Imagery to Aid Plant Breeding Decisions
Iowa State University（爱荷华州立大学）；The University of Alabama in Huntsville（阿拉巴马大学亨茨维尔分校）；Syngenta（先正达）
对于一个全球育种组织来说，确定下一代优质作物对其成功至关重要。识别新的基因品种需要多年的田间测试，以收集有关作物产量，抗虫性，耐热性等的数据，在生长季节结束时，组织需要确定哪些品种将提前到下一个生长季节（或出售给农民），哪些品种将从候选库中丢弃。特别是对于大豆，确定其相对成熟度是用于推进决策的重要信息。然而，这种特质需要身体观察，并且存在资源限制（时间，金钱等）。阻碍了数据汇集过程。为了解决这个问题，育种组织正在转向先进的图像捕捉设备。在本文中，我们开发了一个强大的和自动的方法来估计大豆的相对成熟度使用的时间序列的无人机图像。提出了一种结合卷积神经网络（CNN）和长短期记忆（LSTM）的端到端混合模型来提取特征并捕获时间序列数据的序列行为。该深度学习模型在美国六个不同的环境中进行了测试。结果表明，与局部回归方法相比，我们提出的CNN-LSTM模型是有效的。此外，我们还展示了如何利用这些新发现的信息来帮助植物育种进步决策。
2021-08-02 cs.CV cs.LG eess.IV
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
MetaCropFollow: Few-Shot Adaptation with Meta-Learning for Under-Canopy Navigation
Technical University of Munich（慕尼黑工业大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
本文提出MetaCropFollow方法，利用元学习训练基学习器以极少数据快速适应新农业环境，解决冠层下导航中的领域偏移问题，提升低数据场景下的导航鲁棒性。
2024-11-21 cs.AI cs.CV cs.LG
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
Uncertainty Measures and Prediction Quality Rating for the Semantic Segmentation of Nested Multi Resolution Street Scene Images
University of Wuppertal（伍珀塔尔大学）
在街道场景的语义分割中，预测的可靠性以及因此的不确定性度量是最感兴趣的。我们提出了一种方法，为每个输入图像生成一个层次结构的嵌套作物周围的图像中心，并提出这些，所有重新缩放到相同的大小，神经网络的语义分割。然后对产生的softmax输出进行后处理，这样我们就可以研究所有图像作物的均值和方差，以及从应用于每个作物softmax输出的像素不确定性度量（如熵）获得的不确定性热图的均值和方差。在我们的测试中，我们使用公开的DeepLabv3+ MobilenetV2网络（在Cityscapes数据集上训练），并证明农作物的加入提高了预测的质量，并且我们获得了更可靠的不确定性度量。然后在预测的片段上聚合这些数据，以便在IoU=0和IoU>0之间进行分类（Meta分类）或通过线性回归（Meta回归）预测IoU。后者为分割网络提供了可靠的性能估计，特别是在没有地面实况的情况下。对于Meta分类的任务，我们获得了$81.93\%$的分类精度和$89.89\%$的AUROC。对于Meta回归，我们获得的$R^2$值为$84.77\%$。与其他方法相比，这些结果产生了显着的改进。
2019-04-09 cs.CV cs.LG stat.ML
Calibrating Biophysical Models for Grape Phenology Prediction via Multi-Task Learning
提出结合多任务学习与循环神经网络参数化可微生物物理模型的方法，通过跨品种共享学习提升葡萄物候预测的鲁棒性和准确性，优于传统模型和基线深度学习方法。
2026-06-29 cs.AI cs.LG
FARM: Fine-Tuning Geospatial Foundation Models for Intra-Field Crop Yield Regression
University of Manitoba（曼尼托巴大学）；AIRM Consulting Ltd.（AIRM咨询有限公司）
FARM通过微调地理空间基础模型，实现了高分辨率田间作物产量预测，优于传统方法，为精准农业提供更有效的工具。
2025-12-17 cs.CV cs.LG eess.IV
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
Integrating machine learning paradigms and mixed-integer model predictive control for irrigation scheduling
University of Alberta（阿尔伯塔大学）；Lethbridge College（莱斯布里奇学院）
本研究针对农业水资源稀缺与传统灌溉调度不足的问题，融合聚类、深度学习与强化学习三类机器学习范式，结合混合整数模型预测控制实现精准灌溉调度，在实际农田案例中达成显著节水与增产效果。
2023-06-14 cs.AI cs.LG cs.SY
