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
Exploring Physics-Informed Neural Networks for Crop Yield Loss Forecasting
University of Kaiserslautern-Landau（凯泽斯劳滕-兰道大学）；German Research Center for Artificial Intelligence（德国人工智能研究中心）
本文提出一种物理信息神经网络方法，在像素级估算水分利用与作物缺水敏感性，通过顺序求解产量响应方程实现可解释的作物产量损失预测，R2最高达0.77，匹配或超越RNN和Transformer等最先进模型。
2024-12-31 cs.AI cs.LG
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
Augmenting The Weather: A Hybrid Counterfactual-SMOTE Algorithm for Improving Crop Growth Prediction When Climate Changes
College of Computer & Cyber Sciences, University of Prince Mugrin（穆格林王子大学计算机与网络科学学院）；School of Computer Science, University College Dublin（都柏林大学学院计算机科学学院）；Insight Centre for Data Analytics, University College Dublin（都柏林大学学院洞察数据分析中心）；VistaMilk SFI Research Centre, University College Dublin（都柏林大学学院VistaMilk SFI研究中心）
针对气候变化导致的作物生长预测中历史数据分布外异常事件样本不足问题，提出混合反事实-SMOTE（CFA-SMOTE）数据增强方法，通过生成气候异常合成样本提升预测性能，并在爱尔兰农场牧草生长预测任务中验证了效果。
2025-11-14 cs.AI cs.LG
ArchesWeather & ArchesWeatherGen: a deterministic and generative model for efficient ML weather forecasting
INRIA（法国国家信息与自动化研究所）；ECMWF（欧洲中期天气预报中心）
本文提出基于Transformer的确定性模型ArchesWeather和基于流匹配的生成式模型ArchesWeatherGen，实现高效概率天气预报，在WeatherBench上超越IFS ENS和NeuralGCM，并开源以推动研究普及。
2024-12-17 cs.LG
A Deep Neural Network Approach for Crop Selection and Yield Prediction in Bangladesh
BRAC University（BRAC大学）
农业是人类的基本组成部分，是人类生活的主要来源。孟加拉国的农业工作大多以旧的方式进行，这直接影响了我们的经济。此外，农业机构正在使用人工数据，无法为作物选择和产量预测提供适当的解决方案。本文提出了以最小的成本和努力进行作物选择和产量预测的最佳方法。人工神经网络被认为是建模和预测的强大工具。该算法旨在获得更好的输出和预测，以及，支持向量机，逻辑回归，和随机森林算法也被认为是在这项研究中的准确性和出错率进行比较。此外，这里使用的所有这些算法只是为了看看它们在超过30万的数据集上的表现如何。我们收集了46个参数，如最高和最低温度，平均降雨量，湿度，气候，天气，土地类型，化肥类型，土壤类型，土壤结构，土壤成分，土壤水分，土壤稠度，土壤反应和土壤质地应用到这个预测过程。在本文中，我们建议使用深层神经网络的农作物选择和产量预测。
2021-08-06 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
Learning-based agricultural management in partially observable environments subject to climate variability
Department of Mechanical Engineering, Iowa Technology Institute, University of Iowa（机械工程系、爱荷华技术研究所、爱荷华大学）；Department of Chemical and Biochemical Engineering, Iowa Technology Institute, University of Iowa（化学与生物化学工程系、爱荷华技术研究所、爱荷华大学）
本研究提出基于深度强化学习和RNN的农业管理框架，通过模拟实验展示其在应对气候变化和极端天气下的适应性与有效性。
2026-02-10 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
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
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
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
3DTCR: Vortex-following generative reconstruction improves tropical cyclone intensity prediction from global AI weather forecasts
3DTCR结合物理约束与生成AI，通过条件流匹配和领域自适应提升热带气旋三维结构重建，提高强度预测精度。
2026-10-16 cs.LG
Generative Models for Modeling and Synthesizing MIMO Channels in Adverse Weather Conditions
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
该研究针对极端天气下MIMO信道测量受限问题，构建含多天气类型与强度的5G/6G场景数据集，训练天气条件扩散模型生成恶劣天气信道，评估后验证其可泛化用于恶劣环境信道建模。
2026-08-25 cs.LG eess.SP
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
Crop Yield Prediction Using Deep Neural Networks
Iowa State University（爱荷华州立大学）
作物产量是一个高度复杂的性状，由基因型、环境及其相互作用等多种因素决定。准确的产量预测需要对产量与这些交互因素之间的函数关系有基本的了解，而揭示这种关系需要全面的数据集和强大的算法。在2018年的先正达作物挑战赛中，先正达发布了几个大型数据集，记录了2008年至2016年间在2,247个地点种植的2,267个玉米杂交种的基因型和产量表现，并要求参与者预测2017年的产量表现。作为获奖团队之一，我们设计了一种深度神经网络（DNN）方法，利用了最先进的建模和解决方案技术。我们的模型被发现具有优越的预测精度，均方根误差（RMSE）为平均产量的12%和使用预测天气数据的验证数据集的标准差的50%。在完美的天气数据下，RMSE将降低到平均收益率的11%和标准差的46%。我们还根据训练好的DNN模型进行了特征选择，成功地降低了输入空间的维数，而预测精度没有明显下降。我们的计算结果表明，该模型显着优于其他流行的方法，如拉索，浅神经网络（SNN），回归树（RT）。环境因子对产量的影响大于基因型。
2019-06-10 cs.LG stat.AP stat.ML
Contrastive Learning Boosts Deterministic and Generative Models for Weather Data
Imperial College London（帝国理工学院伦敦分校）；The Grantham Institute for Climate Change（格兰塔姆气候变化研究所）
本文研究对比学习在天气数据压缩中的应用，提出SPARTA模型，通过对比损失和图神经网络融合提升稀疏数据的嵌入质量，提升下游任务性能。
2026-03-25 cs.LG
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
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
Generative assimilation and prediction for weather and climate
Chinese Academy of Sciences（中国科学院）；Nanjing University（南京大学）；Technical University of Munich（慕尼黑工业大学）；Potsdam Institute for Climate Impact Research（波茨坦气候影响研究所）；Chinese Academy of Meteorological Sciences（中国气象科学研究院）；National University of Defense Technology（国防科技大学）；Peking University（北京大学）；National Climate Center（国家气候中心）；Xiong’an Institute of Meteorological Artificial Intelligence（雄安气象人工智能研究院）
提出统一深度生成框架GAP，通过在多种约束下量化大气状态概率分布，同时实现数据同化与天气气候预测，在多项任务中媲美最先进方法并稳定重现多时间尺度气候变率。
2025-03-04 cs.LG physics.ao-ph
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
AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification
本文系统比较了CNN、对比视觉语言模型和生成式VLM在作物疾病分类中的表现，揭示了不同架构在不同场景下的性能差异，强调部署环境对架构选择的影响。
2026-04-08 cs.CV cs.LG
A generative adversarial network approach to (ensemble) weather prediction
Memorial University of Newfoundland（纽芬兰纪念大学）
我们使用一个有条件的深度卷积生成对抗网络来预测欧洲未来24小时500 hPa气压水平的位势高度、2米温度和总降水量。所提出的模型基于2015-2018年4年的ERA 5再分析数据进行训练，目标是预测2019年的相关气象场。预报结果表明，在位势高度和两米温度方面，与真实再分析数据在定性和定量上都很吻合，而在总降水方面则不吻合，这表明，仅根据数据对特定的气象参数进行天气预报是可能的。我们进一步使用Monte-Carlo dropout来开发一个完全基于深度学习策略的集合天气预测系统，该系统在计算上很便宜，并且通过允许量化模型学习的当前天气预报的不确定性，进一步提高了预测模型的技能。
2020-06-13 cs.LG physics.ao-ph stat.ML
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
FlowDA: Accurate, Low-Latency Weather Data Assimilation via Flow Matching
National University of Singapore（新加坡国立大学）
FlowDA通过流匹配实现低延迟、高精度的天气数据同化，展现出在不同观测率下的优越性能和鲁棒性。
2026-02-06 cs.LG
UniGIO: Unified Generative Global In-situ Weather Modeling from Spatiotemporal Incomplete Observations
Beihang University（北京航空航天大学）；Shanghai Artificial Intelligence Laboratory（上海人工智能实验室）；The Chinese University of Hong Kong（香港中文大学）；Tsinghua University（清华大学）
UniGIO提出统一生成框架，直接从稀疏不完整的全球原位观测建模天气，通过掩码生成统一预测、插补与生成，在Weather-5K上实现SOTA，精度、保真度和极端事件捕获分别提升11%、12%和5%。
2026-09-22 cs.LG stat.ML
Xaurora: Generative Weather Forecasting with Denoising Stochastic Interpolants from a Foundation Model Prior
Vrije Universiteit Amsterdam（阿姆斯特丹自由大学）；University of Amsterdam（阿姆斯特丹大学）；Delft University of Technology（代尔夫特理工大学）；Centrum Wiskunde & Informatica（数学与计算机科学中心）
本研究将确定性基础模型Aurora扩展为生成式集合预测模型Xaurora，通过去噪随机插值法结合回放缓冲区训练SDE轨迹，实现高效概率预报，在13分钟内生成有技巧的15天预报，并接近最先进水平。
2026-10-07 cs.LG physics.ao-ph
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
A comparative study of stochastic and deep generative models for multisite precipitation synthesis
IBM Research（IBM研究院）
未来的气候变化情景通常是使用天气发生器的模拟来假设的。然而，只有少数作品比较和评估有前途的深度学习模型与经典方法的天气生成。这项研究显示了初步的结果，使这样的评价多点沉淀合成任务。我们比较了两个开源天气生成器：IBMWeathergen（Weathergen库的扩展）和RGeneratePrec，以及两个深度生成模型：GAN和VAE。我们的初步结果可以作为改进多位点沉淀合成任务的深度学习架构和算法设计的指导。
2021-07-16 cs.AI cs.LG physics.ao-ph
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
Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales
NVIDIA（英伟达）；University of Oxford（牛津大学）；University of California Irvine（加州大学欧文分校）
提出基于分数的深度生成式数据同化方法，利用无条件扩散模型融合稀疏气象站观测，在公里尺度生成降水与风场，初步验证优于现有业务系统基线。
2025-04-01 cs.LG physics.ao-ph
Generative modeling of spatio-temporal weather patterns with extreme event conditioning
University of Warwick（华威大学）；TUM（慕尼黑工业大学）；LSE（伦敦政治经济学院）；DLR（德国航空航天中心）
深度生成模型越来越多地用于获得地理空间数据领域的见解，例如，for climate气候data数据.然而，大多数现有的方法与时间快照或假设1D时间序列，很少有能够同时捕获时空过程。除此之外，地球系统的数据往往表现出高度不规则和复杂的模式，例如由极端天气事件造成的。由于气候变化，这些现象只会越来越频繁。在这里，我们提出了一种新的基于GAN的方法，用于生成以检测到的极端事件为条件的时空天气模式。我们的方法增强了GAN生成器和编码的极端天气事件分割掩模。这些分割掩码可以使用现有的事件检测框架从原始输入创建。因此，我们的方法是高度模块化的，可以与自定义GAN架构相结合。我们强调我们提出的方法在实验中与现实世界的地面辐射和纬向风数据的适用性。
2021-04-26 cs.AI cs.CV cs.LG
Synthetic weather radar using hybrid quantum-classical machine learning
Rigetti Computing
高分辨率天气雷达图像的可用性是有效预报和决策的基础。在传统雷达覆盖范围以外的地区，生成模型已成为一种重要的合成能力，将卫星图像和数值天气模型等更普遍的数据源融合成精确的雷达产品。在这里，我们展示了用量子辅助模型增强传统卷积神经网络的方法，用于全球合成天气雷达中的生成任务。我们表明，量子内核原则上可以在相关的底层数据上执行比经典学习机器更复杂的任务。我们的研究结果建立了合成气象雷达作为量子计算能力的有效启发式基准，并为高影响力的操作相关问题的详细量子优势基准测试奠定了基础。
2021-11-30 cs.LG quant-ph
Photographic Visualization of Weather Forecasts with Generative Adversarial Networks
Federal Office of Meteorology and Climatology MeteoSwiss（瑞士联邦气象与气候办公室）；Comerge（Comerge公司）；Friedrich-Alexander-Universität Erlangen-Nürnberg（埃尔朗根-纽伦堡弗里德里希-亚历山大大学）；ETH Zürich（苏黎世联邦理工学院）；University of Amsterdam（阿姆斯特丹大学）
户外网络摄像头图像是过去和现在天气状况的信息密集但可访问的可视化，并由气象学家和公众咨询。然而，天气预报仍然以文本、象形图或图表的形式传播。因此，我们介绍了一种新的方法，使用摄影图像也可视化未来的天气状况。这是具有挑战性的，因为天气预报的照片可视化应该看起来真实，没有明显的伪影，并且应该与预测的天气状况相匹配。从观察到预测的过渡应该是无缝的，并且在连续的提前时间内图像之间应该具有视觉连续性。我们使用条件生成对抗网络来合成这样的可视化。生成器网络以数值天气预报（NWP）模式的分析和预报状态为条件，将当前相机图像转换为未来图像。神经网络判断给定的图像是否是未来的真实图像，或者它是否是合成的。将两个网络相互训练，得到一种可视化方法，该方法在所有四个评估标准上都得分很高。我们目前的结果，在瑞士各地的气候和地形不同的三个相机网站。我们表明，用户发现区分真实图像和生成的图像是一个挑战，比他们随机猜测的效果好不了多少。在至少89%的检查案例中，生成的图像与COSMO-1 NWP模型预测的大气，地面和照明条件相匹配。生成的图像的临近预报序列实现了从观测到预报的无缝过渡，并获得视觉连续性。
2022-03-29 cs.CV cs.LG eess.IV
Generative ensemble deep learning severe weather prediction from a deterministic convection-allowing model
NSF National Center for Atmospheric Research（国家大气研究中心）
本文提出一种结合CGANs与CNN的集成后处理方法，利用确定性CAM预报生成合成集成成员以预测强对流天气概率，实验表明该方法显著提升了预测技巧并保留了原始预报的关键相关性。
2024-03-07 cs.AI cs.LG physics.ao-ph
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
Physics-informed generative neural network: an application to troposphere temperature prediction
East China Regional Air Traffic Management Bureau, CAAC（中国民用航空局华东地区空中交通管理局）；Shanghai Em-Data Technology Co. Ltd.（上海亿数数据科技有限公司）
对流层是发生大多数天气现象的大气层之一。对流层温度变化，特别是对流层中层典型的500 hPa温度变化，是未来天气变化的重要指标。数值天气预报是一种有效的温度预报方法，但其计算复杂性影响了预报的及时性。提出了一种基于物理信息的深度学习框架下的温度预测方法。新模型称为PGnet，建立在具有掩码矩阵的生成神经网络之上。掩模被设计为区分由第一物理阶段生成的低质量预测区域。生成神经网络将掩模作为第二阶段精细预测的先验。提出了一种掩模丢失和跳跃模式的策略来训练生成式神经网络，在进行时间序列预测时不会积累误差。ERA5上的实验表明，PGnet可以生成比最先进的更精确的温度预测。
2021-07-08 cs.LG physics.ao-ph
Precipitation nowcasting with generative diffusion models
University of Bologna（博洛尼亚大学）；Cineca（Cineca（意大利高校与研究机构超级计算联盟））
针对降水临近预报，提出生成集成扩散（GED）方法，利用扩散模型生成多种天气情景并经后处理网络融合，在中欧ERA-5数据上显著优于U-Net等现有模型。
2023-09-05 cs.AI cs.LG physics.ao-ph
A Generative Framework for Probabilistic, Spatiotemporally Coherent Downscaling of Climate Simulation
University of Tübingen（图宾根大学）；Tübingen AI Center（图宾根人工智能中心）
本文提出基于分数扩散模型的生成式框架，以粗分辨率气候模拟为条件，生成多变量、长时间范围且时空一致的高分辨率天气动态，并通过再分析数据验证其与全球气候输出的一致性。
2025-09-23 cs.LG physics.ao-ph
NeuralCrop: Combining physics and machine learning for improved crop modelling
Technical University of Munich（慕尼黑工业大学）；Potsdam Institute for Climate Impact Research（波茨坦气候影响研究所）；University of Exeter（埃克塞特大学）
NeuralCrop结合先进过程基GGCM和数据驱动机器学习，通过模拟和微调提升作物产量预测精度，尤其在干旱极端条件下表现更优，且计算效率显著提高。
2026-11-03 cs.LG physics.comp-ph
Computing the ensemble spread from deterministic weather predictions using conditional generative adversarial networks
University Bremen（不来梅大学）；Memorial University of Newfoundland（纽芬兰纪念大学）
天气预报系统是天气预报的宝贵工具。实际上，集合预报是通过运行确定性控制预报的几个扰动来获得的。然而，集合预测与高计算成本相关联，并且通常涉及统计后处理步骤以提高其质量。在这里，我们建议使用基于深度学习的算法来学习集合预测系统的统计特性，即集合传播，仅给出确定性控制预测。因此，一旦被训练，将不再需要昂贵的集合预报系统来获得未来的集合预报，并且集合的统计特性可以从单个确定性预报中导出。我们适应经典的pix 2 pix架构的三维模型，并与共享的潜在空间编码器-解码器模型的实验，和训练他们对几年的业务（合奏）天气预报的500百帕的位势高度。结果表明，经过训练的模型确实允许仅从控制预测获得高度准确的集合传播。
2022-05-18 cs.CV cs.LG physics.ao-ph
Harnessing IoT and Generative AI for Weather-Adaptive Learning in Climate Resilience Education
本文提出FACTS系统，结合IoT实时数据与生成式AI，动态生成气候韧性学习挑战并提供个性化反馈，有效提升了教育参与度和气候意识。
2025-11-04 cs.AI cs.CY cs.HC
Intrinsic Explainability of Multimodal Learning for Crop Yield Prediction
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
本研究利用基于Transformer模型的内在可解释性进行亚田块级作物产量预测，提出WMA方法评估模态归因，并发现Transformer优于其他架构，AR提供更稳健的时间归因。
2025-08-09 cs.AI cs.LG
In the Search for Optimal Multi-view Learning Models for Crop Classification with Global Remote Sensing Data
Department of Computer Science, University of Kaiserslautern-Landau (RPTU)（科斯拉特兰大学计算机科学系）；SDS, German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
本研究针对全球遥感数据下的作物分类，提出同时选择融合策略与编码器架构的MVL方法，并建议先定编码器再选融合策略，以应对标记样本有限的情况。
2024-09-04 cs.AI 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
Assessing the Geographic Generalization and Physical Consistency of Generative Models for Climate Downscaling
Delft University of Technology（代尔夫特理工大学）；University of Cambridge（剑桥大学）；University of Oxford（牛津大学）；Politecnico di Torino（托里诺理工学院）
针对气候降尺度生成模型地理泛化与物理一致性不足的问题，本文引入物理诊断方法评估并发现CorrDiff等模型缺陷，提出功率谱密度损失函数以改善泛化。
2025-10-15 cs.LG
Generative models-based data labeling for deep networks regression: application to seed maturity estimation from UAV multispectral images
INSA CVL（法国国立应用科学学院中央-卢瓦尔河谷分校）；University of Orléans（奥尔良大学）；PRISME（PRISME研究所）
针对无人机多光谱影像种子成熟度估计中真值标注困难的问题，提出基于参数与非参数生成模型的自动弱标签方法，提升深度回归网络的泛化与鲁棒性。
2022-08-09 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
Benchmarking Generative Models for Near-Surface Data Assimilation on Real Station Observations
Massachusetts Institute of Technology（麻省理工学院）
该研究首次在真实站点观测上对生成式天气数据同化进行受控基准测试，发现生成先验优于3D-Var，全梯度引导最有效，扩散与流匹配性能相当，并建立了标准化基准。
2026-10-08 cs.AI cs.LG
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
Generative machine learning methods for multivariate ensemble post-processing
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Technical University of Darmstadt（达姆施塔特工业大学）；Heidelberg Institute for Theoretical Studies（海德堡理论研究所）
针对传统多变量集合天气预报后处理两步法难以纳入额外预测变量的局限，提出基于生成式神经网络的非参数后处理方法，经德国气温与风速预报案例验证，其性能优于现有方法且提升了空间依赖表征效果。
2024-02-01 cs.LG physics.ao-ph stat.ME
Comparing Machine Learning Techniques for Alfalfa Biomass Yield Prediction
University of Georgia（佐治亚大学）
苜蓿作物是全球重要的牲畜饲料，因此高效的种植和收获可以使许多行业受益，特别是随着全球气候变化和传统方法变得不那么准确。最近使用机器学习（ML）预测苜蓿和其他作物产量的工作已经显示出希望。以前的努力使用遥感、天气、种植和土壤数据来训练机器学习模型进行产量预测。然而，虽然遥感效果很好，但模型需要大量数据，在收获季节开始之前无法做出预测。利用肯塔基州和佐治亚州苜蓿品种试验的天气和种植数据，我们以前的工作比较了特征选择技术，以找到最佳技术和最佳特征集。在这项工作中，我们训练了各种机器学习模型，使用交叉验证进行超参数优化，以预测生物量产量，并且我们表现出比采用更复杂技术的类似工作更好的准确性。我们的最佳个体模型是随机森林，平均绝对误差为0.081吨/英亩，R{ $^2$ }为0.941。接下来，我们扩展了这个数据集，包括威斯康星州和密西西比州，我们重复了我们的实验，用回归树获得了更高的最佳R{ $^2$ }为0.982。然后，我们按状态隔离我们的测试数据集，以探索这个问题是否适合领域自适应（DA），因为我们在多个源状态上训练并在一个目标状态上测试。这种琐碎的DA（TDA）方法留下了很大的改进空间，通过探索更复杂的DA技术在即将到来的工作。
2022-10-20 cs.CV cs.LG
Generative Modeling of Microweather Wind Velocities for Urban Air Mobility
NASA Langley Research Center（美国国家航空航天局兰利研究中心）；Analytical Mechanics Associates（分析力学协会）
本文提出一种基于去噪扩散概率模型等生成建模的方法，学习区域天气预报与局部风速间的概率宏观到微观映射，以计算高效且仅需临时测量的方式刻画城市微天气风速，助力UAM安全运行。
2025-03-04 cs.CE cs.LG physics.ao-ph
