Forecasting Weakly Correlated Time Series in Tasks of Electronic Commerce
Kharkiv National University of Radioelectronics（哈尔科夫国立无线电电子大学）
本文以某电子商店的转化率序列为例，利用指数平滑、神经网络和决策树等方法对转化率的弱相关时间序列进行预测。每种方法的优点和缺点被认为是。
2019-04-16 cs.LG
High Resolution Forecasting of Heat Waves impacts on Leaf Area Index by Multiscale Multitemporal Deep Learning
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
气候变化的影响可能导致作物质量和产量逐步下降，直至歉收。特别是，热浪和其他极端气候可能导致局部粮食短缺，甚至威胁到世界各地社区的粮食安全。在这项研究中，我们应用深度学习架构进行叶面积指数（LAI）的高分辨率预测（300米，10天），其动态已被广泛用于模拟作物的生长阶段和热浪的影响。LAI模型可以在0.1度的空间分辨率计算与自回归组件调整与天气条件，验证与遥感测量。然而，在这个尺度上（阿尔卑斯山纬度约8公里），在地形形态不同的地区，模型的可操作性很差。相反，我们的深度学习模型旨在通过训练来自哥白尼全球陆地服务（CGLS）项目的全欧洲300 m分辨率和中等分辨率历史天气数据的多尺度多时相（MSMT）数据来预测叶面积指数。此外，深度学习模型的输入整合了高分辨率的地表特征，已知可以改善农业生产力的预测。然后用预测值替换历史天气数据，以预测欧洲10天范围内的LAI值。我们提出了MSMT模型来开发一个高分辨率的作物特定的预警系统，以减轻由于热浪和其他极端事件造成的损害。
2019-09-13 cs.LG q-bio.PE
A Scalable Machine Learning System for Pre-Season Agriculture Yield Forecast
IBM Research（IBM研究院）
产量预测对农业利益相关者至关重要，可以通过使用来自多个来源的机器学习模型和数据来获得。产量预测的大多数解决方案依赖于归一化植被指数（NDVI）数据，这是耗时的获取和处理。为了实现产量预测的可扩展性，在本文中，我们描述了一个系统，该系统结合了来自卫星的降水和土壤特性数据集，季节性气候预测数据的物理模型和其他来源，以产生一个季节前预测大豆/玉米产量-不需要的NDVI数据。这一系统提供了非常有用的结果，因为它不需要高分辨率遥感数据，并使农民能够为气候对作物周期的不利影响做好准备。在我们的研究中，我们预测了巴西和美国的大豆和玉米产量，这相当于2016年世界粮食产量的44%。结果表明，大豆和玉米产量预测的误差指标与仅在作物周期的前几周到几个月提供产量预测信息的类似系统相当。
2018-10-15 cs.CY cs.LG stat.AP
Agricultural Recommendation System based on Deep Learning: A Multivariate Weather Forecasting Approach
Chittagong University of Engineering & Technology（吉大港工程技术大学）；Khulna University of Engineering & Technology（库尔纳工程技术大学）；University of Illinois at Chicago（芝加哥大学伊利诺伊分校）；Khulna Agricultural University（库尔纳农业大学）；Edith Cowan University（伊迪丝·考恩大学）
本研究针对农业受不利天气影响的问题，提出基于多变量Stacked Bi-LSTM天气预测模型的作物推荐系统，以孟加拉国为验证区域，实现高精度气象预测、极端天气预警及适灾作物建议，助力农业可持续发展。
2024-07-12 cs.AI cs.LG
Improve State-Level Wheat Yield Forecasts in Kazakhstan on GEOGLAM's EO Data by Leveraging A Simple Spatial-Aware Technique
University of Maryland（马里兰大学）；NASA Harvest（美国国家航空航天局丰收项目）
针对遥感数据外生因素导致的产量预测空间异质性问题，提出州级加性偏差技术，显著提升哈萨克斯坦小麦产量预测精度，为空间感知地理预测算法研究提供参考。
2023-06-01 cs.CY cs.LG
Comparison between ARIMA and Deep Learning Models for Temperature Forecasting
University of Moratuwa（莫拉图瓦大学）
天气预报以各种方式使我们受益，从农民耕种和收获作物到航空公司安排航班。由于大气的混乱性质，天气预报是一项具有挑战性的任务。因此，许多研究的注意力已经吸引到获得的好处，克服天气预报的挑战。本文比较了自回归积分滑动平均（ARIMA）模型和深度学习模型在气温预测中的应用。深度学习模型由提取空间特征的一维卷积层和提取时间特征的LSTM层组成。这两个模型都适用于每小时的温度数据集从塞格德，饥饿。根据实验结果，深度学习模型能够比传统的ARIMA方法表现得更好。
2020-11-09 cs.AI 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
Evaluating and improving crop-yield forecasting methods during extreme drought
Boston College（波士顿学院）
本研究针对极端干旱年份2012年的县级玉米产量预测问题，对比非深度学习与深度学习模型，采用样本加权和特征选择改进非深度学习模型，发现VITA模型表现最优。
2026-08-19 cs.LG
Hierarchical Modeling of Seed Variety Yields and Decision Making for Future Planting Plans
Stanford University（斯坦福大学）
消除饥饿和营养不良是21世纪的一个关键发展目标。我们解决了最佳识别种子品种的问题，以在风险敏感的决策框架内可靠地提高作物产量。具体来说，我们引入了一种新的分层机器学习机制来预测作物产量（同一作物不同种子品种的产量）。我们将这种预测机制与天气预报模型相结合，提出了三种不同的决策方法，用于在不确定性条件下选择种植的种子品种，以平衡产量最大化和风险。我们将我们的模型应用于2016年先正达作物挑战赛中的大豆品种选择问题。我们的预测模型实现了3.74蒲式耳每英亩的中位数绝对误差，从而提供了很好的估计输入到decision models.Our决策模型确定的大豆品种的选择，适当的平衡产量和风险作为农民的风险规避水平的函数。更一般地说，我们的模型支持农民决定种植哪些种子品种。
2017-11-15 cs.LG stat.ML
A Sequence-to-Sequence ConvLSTM Approach for Leaf Area Index Forecasting over the South-Central United States
Cooperative Institute for Research in the Atmosphere, Colorado State University（科罗拉多州立大学大气合作研究所）
针对高分辨率LAI预测难题，提出序列到序列ConvLSTM框架，以美国中南部为研究区，实现1公里分辨率30天时效的LAI预测，性能优于基准，为相关应用提供支撑。
2026-08-04 cs.LG physics.ao-ph
FrAug: Frequency Domain Augmentation for Time Series Forecasting
The Chinese University of Hong Kong（香港中文大学）；International Digital Economy Academy（国际数字经济研究院）
数据增强（DA）已经成为为深度学习扩展训练数据大小的事实上的解决方案。随着用于时间序列分析的深度模型的激增，在文献中提出了各种时间序列DA技术，例如，基于裁剪、扭曲、翻转和混合的方法。然而，这些增强方法主要适用于时间序列分类和异常检测任务。在时间序列预测（TSF）中，我们需要对时间序列段内的细粒度时间关系进行建模，以便在回看窗口中给定数据时生成准确的预测结果。时域中现有的DA解决方案会打破这种关系，导致预测精度差。为了解决这个问题，本文提出了简单而有效的频域增强技术，以确保增强的数据标签对预测的语义一致性，命名为FrAug。我们在八个广泛使用的基准测试中进行了大量的实验，其中包括几个最先进的TSF深度模型。我们的研究结果表明，在大多数情况下，FrAug可以提高TSF模型的预测精度。此外，我们表明，FrAug使1\%的原始训练数据训练的模型，以达到类似的性能训练的完整训练数据，这是特别有吸引力的冷启动预测。最后，我们表明，使用FrAug进行测试时训练可以大大提高具有显著分布偏移的时间序列的预测精度，这在现实生活中的TSF应用中经常发生。我们的代码可在https://anonymous.4open.science/r/Fraug-more-results-1785上获得。
2023-02-18 cs.AI cs.LG
District Wise Price Forecasting of Wheat in Pakistan using Deep Learning
National University of Sciences and Technology（国立科技大学）；Information Technology University (ITU)（信息技术大学（ITU））
小麦是巴基斯坦的主要农作物，是几乎每个巴基斯坦家庭的主食需求，使其成为该国的主要战略商品，其供应和负担能力是政府的主要优先事项。小麦粮食供应可能受到多种因素的极大影响，包括但不限于生产，消费，金融危机，通货膨胀或市场波动。政府通过特定的政策和监测安排确保粮食安全，保持穷人的购买平价。如果进行动态分析以根据某些当前因素估计未来产量，则可以使这种安排更加有效。未来商品定价的规划是通过预测其未来价格来实现的。本文提出了一种小麦价格预测方法，该方法使用过去几年小麦价格的价格，天气，生产和消费趋势，并借助先进的神经网络架构长短期记忆（LSTM）网络进行分析。与其他传统的机器学习和统计时间序列分析方法相比，所提出的方法提出了显着改善的结果。
2021-03-05 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
Forecasting Black Sigatoka Infection Risks with Latent Neural ODEs
University of Toronto（多伦多大学）
黑香蕉叶斑病严重降低了全球香蕉产量，气候变化通过改变真菌物种分布使问题更加严重。由于管理这种传染病的沉重财政负担，发展中国家的农民面临着严重的香蕉作物损失。尽管科学家已经建立了传染病的数学模型，但调整这些模型以纳入气候影响是困难的。我们提出了MR. NODE（多预测神经ODE），一个神经网络，通过神经常微分方程直接从数据中学习的黑色Sigatoka感染的动态模型。除了我们推断的变量之外，我们的方法还将外部预测因子编码到潜在空间中，并且它还可以预测任意时间点的感染风险。从经验上讲，我们在历史气候数据上证明，我们的方法在未来一个月的时间点和不可见的不规则性上具有优越的泛化性能。我们相信，我们的方法可以成为一个有用的工具，以控制黑色Sigatoka的蔓延。
2021-01-10 cs.LG stat.ML
MARLP: Time-series Forecasting Control for Agricultural Managed Aquifer Recharge
University of California, Merced（加州大学默塞德分校）；University of California, Agriculture and Natural Resources（加州大学农业与自然资源分部）
本文提出首个端到端数据驱动 Ag-MAR 控制系统 MARLP，通过两阶段土壤氧气预测和启发式 MPC 优化淹没调度，使氧气亏缺率降低 86.8%、单位时间补给量提高 35.8%。
2024-07-01 cs.LG cs.SY eess.SY
STCast: Adaptive Boundary Alignment for Global and Regional Weather Forecasting
Hong Kong University of Science and Technology（香港科技大学）；Shanghai AI Laboratory（上海人工智能实验室）
STCast提出一种新型AI框架，通过空间对齐注意力机制和时间混合专家模块，实现自适应区域边界优化和动态月度预报分配，提升天气预报的准确性和泛化能力。
2026-04-19 cs.AI cs.LG physics.ao-ph
Crop yield probability density forecasting via quantile random forest and Epanechnikov Kernel function
Pan African University（泛非大学）；University of Nairobi（内罗毕大学）；Michigan State University（密歇根州立大学）
一个可靠、准确的作物产量预测模型对于农业部门的有效决策过程至关重要。然而，由于极端天气和不确定性，大多数作物产量预测模型并不可靠和准确。为了度量作物产量的不确定性，获取未来作物产量的更多信息，提出了基于分位数随机森林和Epanechnikov核函数的概率密度预测模型（QRF-SJ）。利用随机森林的非线性结构，改变分位数回归模型，建立概率预测模型。在核密度估计中采用了Epanechnikov核函数和Sheather和Jones的求解方程插件方法。以加纳花生和小米的年产量为例，说明了该方法的有效性和鲁棒性。两种作物的预测区间覆盖概率和预测区间归一化平均宽度的值表明，所构建的预测区间以高覆盖概率捕获观测产量。概率密度曲线表明，QRF-SJ方法具有很高的预测能力，以较高的覆盖概率预测质量预测区间。特征重要性给出了在建立分位数回归森林模型中每个天气变量的重要性的分数。农民和其他利益相关者能够通过特征重要性认识到影响所选作物产量的特定天气变量。该方法及其在作物产量数据集上的应用在文献中尚属首次。
2019-10-19 cs.LG stat.AP stat.ML
Agent-Based Post-Hoc Correction of Agricultural Yield Forecasts
School of Natural and Computing Sciences（自然与计算科学学院）；University of Aberdeen（阿伯丁大学）；School of Computing Sciences（计算科学学院）；University of East Anglia（东安格利亚大学）；Department of Physics and Technology（物理与技术系）；UiT The Arctic University of Norway（北欧大学（UiT））
本文提出一种结构化的LLM代理框架，用于事后修正现有模型预测，通过编码农业领域知识提升预测准确性，在草莓和玉米数据集上显著降低MAE和MASE。
2026-05-12 cs.AI cs.LG
Traffic Forecasting on Traffic Moving Snippets
ETH Zurich（苏黎世联邦理工学院）
交通预测技术的进步可以极大地影响城市交通。在traffic4cast竞赛中，短期交通预测的任务得到了前所未有的详细处理，交通量和速度信息每隔5分钟提供一次，空间分辨率很高。为了提高对未知城市的泛化能力，按照2021年扩展挑战的要求，我们建议预测小的二次城市部分，而不是一次处理整个城市栅格。在测试时，将测试数据分解为空间裁剪的重叠片段提高了最终预测的稳定性和鲁棒性，因为覆盖一个单元的多个补丁可以独立处理。通过在traffic4cast测试数据上的性能测试和在验证集上的进一步实验，表明分片预测确实提高了准确性。使用Unet++架构以及在测试时处理的每个样本的补丁数量增加，可以获得更多优势。我们的结论是，我们的基于片段的方法，结合竞争中提出的其他成功的网络架构，可以利用性能，特别是在看不见的城市。所有源代码都可以在https://github.com/NinaWie/NeurIPS2021-traffic4cast上找到。
2021-10-27 cs.CV cs.LG eess.IV
Learning to forecast vegetation greenness at fine resolution over Africa with ConvLSTMs
Max-Planck-Institute for Biogeochemistry（马克斯·普朗克生物地球化学研究所）；ELLIS Unit Jena（耶拿欧洲学习与智能系统实验室）；Michael-Stifel-Center Jena for Data-driven and Simulation Science（耶拿米夏埃尔·施蒂费尔数据驱动与模拟科学中心）
根据气候和天气事件预测植被状况是一项重大挑战。它的实施将证明对预测作物产量、森林破坏或更一般地对与社会经济运作有关的生态系统服务的影响至关重要，如果不实施，可能导致人道主义灾难。植被状况取决于天气和环境条件，这些条件调节着在几个时间尺度上发生的复杂生态过程。植被和不同的环境驱动因素之间的相互作用表达的反应在瞬间，但也有时滞效应，往往显示出一个新兴的景观和区域尺度的空间背景。我们制定的陆面预测任务作为一个强有力的指导视频预测任务，其目标是预测植被发展在非常精细的分辨率，使用地形和天气变量来指导预测。我们使用卷积LSTM（ConvLSTM）架构来解决这一任务，并使用Sentinel-2卫星NDVI预测非洲植被状态的变化，将ERA 5天气再分析，SMAP卫星测量和地形（SRTMv4.1的DEM）作为变量来指导预测。我们的研究结果突出了ConvLSTM模型不仅可以高分辨率预测NDVI的季节演变，还可以预测天气异常对基线的差异影响。该模型能够预测不同的植被类型，甚至是在目标长度内归一化差异植被指数变异性很高的植被类型，这有望支持在与干旱有关的灾害中采取预期行动。
2022-11-30 cs.CV cs.LG
Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates
Department of Naval, Electrical, Electronics and Telecommunications Engineering, University of Genoa, Italy（海军、电子、电子与电信工程系，热那亚大学，意大利）
本文提出一种概率预测框架，利用稀疏卫星数据和天气协变量进行田间NDVI预测，通过融合历史和未来数据实现多步分位数预测，实验表明优于传统和深度学习方法。
2026-06-26 cs.CV cs.LG stat.ML
A Machine Learning Approach for Crop Yield and Disease Prediction Integrating Soil Nutrition and Weather Factors
Chittagong University of Engineering & Technology（吉大港工程技术大学）
本文提出一种面向孟加拉国的智能农业决策支持系统，融合土壤养分与气象数据，利用SARIMAX、支持向量分类器和决策树回归依次实现作物推荐、病害预测和产量预测，帮助农民优化种植决策并减少损失。
2024-03-28 cs.AI cs.LG
SCENARIODIFF: A Scenario-level Guidance Framework for Multimodal Time Series Forecasting--Extended Version
VinUniversity；FPT Software AI Center, FPT Corporation（FPT软件AI中心，FPT集团）；VNU University of Engineering and Technology（VNU工程技术大学）；Aalborg University（奥尔堡大学）
该研究针对现有多模态时间序列预测方法上下文影响难解释控制的问题，提出SCENARIODIFF分层框架，通过三类智能体生成结构化信号引导多模态扩散Transformer，锚点混合采样优化轨迹，在Time-MMD基准的事件驱动领域表现优异。
2026-08-19 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
Advancing Subseasonal Forecasting with Machine Learning
Harvard College（哈佛学院）；University of Toronto（多伦多大学）；Instituto de Matemática Pura e Aplicada（数学与应用数学研究所）；Massachusetts Institute of Technology（麻省理工学院）；Atmospheric and Environmental Research（大气与环境研究）；Microsoft Corporation（微软公司）；Rhiza Research（Rhiza研究）；Microsoft Research New England（微软新英格兰研究院）；European Centre for Medium-Range Weather Forecasts（欧洲中期天气预报中心）
本文提出概率性偏误校正方法，通过学习历史概率预测来减少系统性误差，显著提升亚季预测能力，应用于ECMWF模型后，AI预测系统技能翻倍，操作性去偏模型在91%压力、92%温度和98%降水目标上表现更优。
2026-09-07 cs.LG physics.ao-ph stat.ML
Regularization methods for the short-term forecasting of the Italian electric load
University of Pavia（帕维亚大学）
意大利电力负荷的预测的整个24配置文件的问题被解决作为一个多任务学习问题，其复杂性通过替代正则化方法保持在控制下。考虑到每季度抽样，使用96个预测因子，每个预测因子线性依赖于96个回归因子。96x96矩阵权重形成了一个96x96矩阵，可以看到并显示为在正方形域上采样的表面。不同的正则化和稀疏的方法，以减少表面的自由度进行了探讨，比较所获得的预测与意大利输电系统运营商Terna。除了在每季度平均绝对百分比误差和平均绝对误差方面优于Terna之外，预测残差与Terna的相关性较弱，这表明预测聚合可以进一步改善。事实上，在三个测试年度内，综合预测在每季度和每日平均绝对百分比误差、平均绝对误差和均方根误差（最高达30%）方面进一步下降。
2021-12-08 cs.LG eess.SP
Precision Agriculture Revolution: Integrating Digital Twins and Advanced Crop Recommendation for Optimal Yield
KIIT University（KIIT大学）
本文提出融合数字孪生与农业4.0技术及机器学习推荐模型，利用实时土壤、气象和地理数据革新农业生产，实现精准作物生长预测与优化水肥管理。
2025-02-06 cs.LG
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
Dualformer: Time-Frequency Dual Domain Learning for Long-term Time Series Forecasting
The University of Osaka & RIKEN AIP（大阪大学 & RIKEN AIP）
Dualformer通过双域学习方法，解决长期时间序列预测中高频信息衰减问题，提升模型泛化能力。
2026-01-22 cs.LG
FRWKV+: Periodic-Aware Adaptive Gating for Frequency-Space Linear Time Series Forecasting
College of Information Science and Engineering, Northeastern University（信息科学与工程学院，东北大学）；Foshan Graduate School of Innovation, Northeastern University（创新研究生学院，东北大学）；National Frontiers Science Center for Industrial Intelligence and Systems Optimization（工业智能与系统优化国家级前沿科学中心）
本文提出FRWKV-Plus模型，通过引入跨分支频谱门和信任门控残差修正，提升频率域时间序列预测的准确性与效率，实验表明其在多个基准数据集上表现优异。
2026-06-07 cs.LG
Impact of Employing Weather Forecast Data as Input to the Estimation of Evapotranspiration by Deep Neural Network Models
Universidade do Algarve（阿尔加维大学）；CEOT – Centre for Electronics, Optoelectronics and Telecommunications（电子、光电子与电信中心）；MED – Mediterranean Institute for Agriculture, Environment and Development（地中海农业、环境与发展研究所）；LARSyS – Laboratory of Robotics and Engineering Systems（机器人与工程系统实验室）
本研究评估了深度学习模型在输入天气预报数据时对参考蒸散量（ET0）的估算性能，发现通过ANN模型先估算太阳辐射再结合FAO56-PM方法计算ET0的效果最佳。
2024-03-27 cs.AI cs.LG
Innovations in Agricultural Forecasting: A Multivariate Regression Study on Global Crop Yield Prediction
Dublin High School（都柏林高中）；Princeton University（普林斯顿大学）；Massachusetts Institute of Technology (MIT)（麻省理工学院）
本研究使用6种回归模型预测37国27年作物产量，随机森林表现最佳（r2=0.94），为农业预测提供了新方法。
2024-03-14 cs.AI cs.LG
Beyond Static Positional Encoding: Bayesian Time-aware Attention for Non-Stationary Long-term Time Series Forecasting
Rice University（莱斯大学）；University of Hong Kong（香港大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
该研究针对非平稳长期时间序列预测问题，提出贝叶斯时间感知注意力机制，通过概率视角分析静态位置编码的局限，经实验验证其可提升Transformer的预测性能且开销适中。
2026-10-14 cs.AI cs.LG
Generative weather for improved crop model simulations
School of Agriculture, Food and Wine, The University of Adelaide（阿德莱德大学农业、食品与葡萄酒学院）
本文提出一种构建长期天气预报生成模型的新方法，以改进作物产量预测，并在小麦、大麦和油菜的单年及三年轮作场景中显著优于常规方法。
2024-03-31 cs.LG
Development of Crop Yield Estimation Model using Soil and Environmental Parameters
University of Engineering and Technology, Lahore（拉合尔工程技术大学）
本研究提出一种基于土壤和环境参数的作物产量预测模型，利用神经网络集成方法实现高精度的产量估计。
2025-12-29 cs.LG
Explainability of Sub-Field Level Crop Yield Prediction using Remote Sensing
RPTU Kaiserslautern-Landau and the German Research Center for Artificial Intelligence (DFKI)（莱茵-威斯巴登大学（RPTU）凯撒斯劳滕-兰道分校和德国人工智能研究中心（DFKI））；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心（DFKI））；Forschungszentrum Jülich GmbH（julich研究中心）；University of Bonn（波恩大学）
本研究针对阿根廷等国大豆等作物，利用LSTM网络结合卫星图像等多模态数据预测子田块级作物产量，通过特征归因方法量化输入特征贡献并识别关键生长阶段，提升了模型可解释性。
2024-07-11 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
CYPUR-NN: Crop Yield Prediction Using Regression and Neural Networks
Nitte Meenakshi Institute of Technology（尼特·米纳克希理工学院）
我们最近的研究使用水稻产量的历史数据和相关条件，包括湿度，发光和温度。将回归模型和神经网络相结合，可以对水稻产量进行非常满意的预测。模拟结果表明，我们的模型可以预测水稻产量与高精度，同时检测可能存在的疾病，是不为人所知的眼睛。利用回归和神经网络进行作物产量预测（CYPUR-NN）是在这里开发的一个系统，该系统将有助于农业学家和农民从图片或通过网络界面输入值来预测产量。CYPUR-NN已经在库存图像上进行了测试，实验结果是有希望的。
2020-11-26 cs.AI cs.CV cs.LG
A Bayesian Network approach to County-Level Corn Yield Prediction using historical data and expert knowledge
Iowa State University（爱荷华州立大学）
作物产量预测是在收获前预测作物产量的方法。准确的产量预测框架的可用性从多个角度来看具有巨大的影响，包括对农作物商品期货市场的影响，农业政策的制定以及农作物保险评级。本研究的重点是构建县域尺度的玉米产量预测模型。玉米产量（预测）取决于一组复杂的、相互关联的变量，包括经济、农业、管理和气象因素。传统的预测要么是基于知识的计算机程序（模拟植物-天气-土壤-管理相互作用），结合有针对性的调查，要么是基于统计模型。前者受限于需要进行艰苦的校准，而后者则限于单变量分析或类似的简化假设，无法捕捉影响产量的复杂相互依赖关系。在本文中，我们提出了一种数据驱动的方法，即“灰箱”，即无缝地利用专家知识构建一个统计网络模型的玉米产量预测。我们的多元灰箱模型是基于贝叶斯网络分析建立的，在预测因子和产量之间建立了一个有向无环图（DAG）。从连接各种精心选择的变量和产量的完整图开始，使用专家知识来修剪或加强连接变量的边。随后，通过优化来识别DAG的结构（连接性和边权重），其最大化观察训练数据的可能性。我们为爱荷华州的99个县中的每个县整理了一组广泛的历史数据（1948-2012），作为训练模型的数据。
2016-08-17 cs.LG stat.AP stat.ML
Sample, Crop, Track: Self-Supervised Mobile 3D Object Detection for Urban Driving LiDAR
University of Oxford（牛津大学）
近年来，深度学习在城市驾驶场景中的移动（即，具有移动能力）对象的检测方面取得了很大进展。监督方法通常需要对大型训练集进行注释;因此，人们对利用弱监督、半监督或自监督方法来避免这种情况非常感兴趣，并取得了很大的成功。虽然弱监督和半监督方法需要一些注释，但自监督方法使用了运动等线索来完全消除对注释的需求。然而，注释的完全缺失通常会降低它们的性能，并且在运动分组期间出现的歧义会抑制它们找到准确对象边界的能力。在本文中，我们提出了一种新的自监督移动目标检测方法称为SCT。这使用运动线索和预期的对象大小来提高检测性能，并预测3D定向边界框的密集网格来提高对象发现。在KITTI跟踪基准测试中，我们的性能明显优于最先进的自监督移动目标检测方法TCR，并且对于IoU <= 0.5，性能在完全监督PV-RCNN++方法的30%以内。
2022-09-21 cs.CV cs.LG cs.RO
Out-of-Distribution Generalization in Climate-Aware Yield Prediction with Earth Observation Data
本研究在CropNet数据集上基准测试GNN-RNN和MMST-ViT，发现时空对齐是跨区域产量预测稳健泛化的关键，且GNN-RNN训练更快、OOD表现更优。
2025-10-08 cs.LG
Crop Recommendation and Agricultural Query Answering System Using Spatio-Temporal Graph Neural Networks and Hybrid Retrieval Augmentation
University of California, Berkeley（加州大学伯克利分校）；Stanford University（斯坦福大学）
提出融合时空图神经网络（STGCN）与检索增强生成（RAG）的精准农业系统，实现30天天气预报、作物推荐及农业问答，在尼泊尔1359个地点数据上STGCN预测MSE达0.011。
2026-06-08 cs.AI 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
Unsupervised Transformer Pre-Training for Images: Self-Distillation, Mean Teachers, and Random Crops
Technical University Munich（慕尼黑技术大学）
本综述梳理图像无监督Transformer预训练方法DINOv2的核心技术（多裁剪增强、均值教师自蒸馏）的发展脉络，对比其与相关方法在下游任务的性能，介绍其特征涌现特性，并讨论局限性与未来方向。
2025-10-04 cs.CV cs.LG eess.IV
EarthNet2021: A large-scale dataset and challenge for Earth surface forecasting as a guided video prediction task
Max-Planck-Institute for Biogeochemistry（马克斯·普朗克生物地球化学研究所）；German Aerospace Center (DLR)（德国航空航天中心）；University of Jena（耶拿大学）；Michael-Stifel-Center Jena for Data-driven and Simulation Science（耶拿米夏埃尔·施蒂费尔数据驱动与仿真科学中心）；Technische Universität Berlin（柏林工业大学）
卫星图像是地球表面的快照。我们建议预测它们。我们将地球表面预报定义为以未来天气为条件预测卫星图像的任务。EarthNet2021是一个大型数据集，适合在任务上训练深度神经网络。它包含20米分辨率的哨兵2号卫星图像，匹配地形和中尺度（1.28公里）气象变量包装成32000个样本。此外，我们将EarthNet 2021视为一项挑战，允许模型相互比较。由此产生的预报将大大提高（> 50倍）的空间分辨率在数值模式。这使得可以预测极端天气的局部影响，从而支持下游应用，如作物产量预测、森林健康评估或生物多样性监测。在www.earthnet.tech上查找数据、代码以及如何参与
2021-04-16 cs.AI 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
The Canadian Cropland Dataset: A New Land Cover Dataset for Multitemporal Deep Learning Classification in Agriculture
Université du Quebec à Montréal（魁北克大学蒙特利尔分校）；Agriculture and Agri-Food Canada（加拿大农业与农业食品部）
本文发布加拿大农田多时相高分辨率土地覆盖数据集，并提供单图与时序分类基准模型，以支撑农业遥感深度学习研究。
2023-06-04 cs.AI cs.CV cs.LG
Forecasting West Nile Virus with Graph Neural Networks: Harnessing Spatial Dependence in Irregularly Sampled Geospatial Data
Department of Statistics, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校统计系）；Department of Statistics, Texas A&M University（德克萨斯A&M大学统计系）；Department of Pathobiology, University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校病理生物学系）
本文提出由 GraphSAGE 层构成的空间感知图神经网络，对伊利诺伊州不规则采样地理空间数据中的西尼罗河病毒存在情况进行预测，并证明其优于逻辑回归、XGBoost 和全连接神经网络等基线。
2022-12-21 cs.LG q-bio.PE q-bio.QM
Weakly Supervised Few-Shot Segmentation Via Meta-Learning
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；University of São Paulo（圣保罗大学）；Federal University of Mato Grosso do Sul（南马托格罗索联邦大学）
语义分割是一个经典的计算机视觉任务，具有多种应用，包括医学和遥感图像分析。尽管最近在基于深度的方法方面取得了进展，但为训练模型标记样本（像素）是费力的，并且在某些情况下是不可行的。在本文中，我们提出了两种新的Meta学习方法，名为WeaSeL和ProtoSeg，用于具有稀疏注释的Few-Shot语义分割任务。我们在医学成像和农业遥感的不同应用（12个数据集）中对所提出的方法进行了广泛的评估，这是非常不同的知识领域，通常受到数据稀缺的影响。结果表明，我们的方法的潜力，实现适当的结果分割咖啡/橙作物和人体的解剖部位相比，全密集注释。
2021-09-03 cs.CV cs.LG
Weakly Supervised Learning Guided by Activation Mapping Applied to a Novel Citrus Pest Benchmark
University of Campinas (UNICAMP)（坎皮纳斯大学）
虫害和疾病是造成农业生产损失的相关因素，因此需要在预防和检测其病原体方面进行巨额投资。在许多国家，病虫害综合防治是预防和减轻柑橘作物病虫害造成的损害的最广泛使用的方法。然而，它的结果是由人类谁目视检查果园，以确定疾病的症状，昆虫和螨害虫。在这种情况下，我们设计了一个弱监督学习过程的显着性地图的指导下，自动选择感兴趣的区域的图像，显着减少注释任务。此外，我们还创建了一个由阳性样本（六类螨类）和阴性样本组成的大型柑橘害虫基准。在两个大型数据集上的实验表明，我们的结果是非常有前途的农业领域的病虫害分类问题。
2020-04-22 cs.CV cs.LG
Global Extreme Heat Forecasting Using Neural Weather Models
Google Research（谷歌研究院）；California Institute of Technology（加州理工学院）；University of Oklahoma（俄克拉荷马大学）
随着全球变暖，热浪的频率和严重程度预计将增加。改进预警系统将有助于减少相关的生命损失、野火、电力中断和农作物减产。在这项工作中，我们探索了在历史数据上训练的深度学习系统在短期，中期和亚季节时间尺度上预测极端高温的潜力。为此，我们训练了一组具有卷积架构的神经天气模型（NWM），以$\sim200~\mathrm{km}$分辨率和立方体球体提前1至28天预测全球地面温度异常。NWM使用ERA5再分析产品和一组候选损失函数进行训练，包括均方误差和针对极端的指数损失。我们发现，训练模型，以尽量减少定制的损失，强调极端导致显着的技能提高，在热浪预测任务，相比NWM训练的均方误差损失。这种改进在一般温度预测任务中几乎没有技能减少的情况下完成，并且可以通过迁移学习有效地实现，通过重新训练具有几个时期的自定义损失的NWM。此外，我们发现，使用对称指数损失减少了平滑的NWM预测与提前期。我们最好的NWM是能够跑赢持久性在回归意义上的所有前置时间和温度异常阈值考虑，并显示积极的回归技能相比，ECMWF季节性到季节性控制预测两周后。
2022-11-18 cs.LG physics.ao-ph
Visual Pre-Training on Unlabeled Images using Reinforcement Learning
该研究将无标注图像视觉预训练建模为强化学习问题，通过智能体变换图像训练价值函数，可借助奖励函数利用精选图像或弱标注字幕优化特征学习，在多类真实无标注数据上实现了更好的图像表征。
2025-06-13 cs.CV cs.LG
Self-supervised learning predicts plant growth trajectories from multi-modal industrial greenhouse data
本文提出自监督学习方法，利用移动机器人平台采集的多模态工业温室数据，预测植物生长轨迹，包括株高和收获质量，推动农业自动化与机器学习结合。
2025-07-08 cs.LG cs.RO q-bio.QM
Weakly-Constrained 4D Var for Downscaling with Uncertainty using Data-Driven Surrogate Models
Argonne National Laboratory（阿贡国家实验室）
针对数据驱动预报模型在长时效降尺度中易偏离实际的问题，提出在弱约束4DVar框架中用FourCastNet替代传统NWP模型以稳定预报并量化不确定性，实验证明其准确性和不确定性表现优于EnKF和未稳定模型。
2025-03-04 cs.LG math.OC physics.ao-ph
