The Bouncer Problem: Challenges to Remote Explainability
Univ Rennes（雷恩大学）；Inria（法国国家信息与自动化研究所）；CNRS（法国国家科学研究中心）；Irisa（IRISA研究所）；LAAS/CNRS（LAAS-CNRS实验室）
可解释性的概念是为了满足社会对机器学习决策透明度的要求。这个概念很简单：像人类一样，算法应该解释其决策背后的基本原理，以便评估其公平性。虽然这种方法在本地环境中很有前途（例如，在训练时的调试过程中解释模型），但我们认为这种推理不能简单地在远程环境中转换，其中服务提供商的训练模型只能通过其API访问。这是有问题的，因为它恰恰构成了从社会角度来看需要透明度的目标用例。通过与俱乐部保镖（这可能会提供不真实的解释后，客户拒绝）的类比，我们表明，提供解释不能阻止远程服务说谎的真正原因，导致其决定。更确切地说，我们证明了远程解释单个解释的不可能性，通过构建一个攻击的解释，隐藏歧视性的功能，查询用户。我们提供了这种攻击的示例实现。然后，我们表明，一个观察员发现的攻击，试图找到不连贯的几种解释的概率是低的实际设置。这破坏了一般意义上的远程可解释性的概念。
2020-03-23 cs.CR cs.LG stat.ML
Generalization and Feature Attribution in Machine Learning Models for Crop Yield and Anomaly Prediction in Germany
Leibniz Centre for Agricultural Landscape Research (ZALF)（莱布尼茨农业景观研究中心（ZALF））；CDM Smith
本研究探讨了机器学习模型在德国作物产量预测中的泛化能力与特征归因问题，指出模型在时间验证中的不足及可解释性方法的局限性。
2025-12-17 cs.LG
Machine Learning Approaches on Crop Pattern Recognition a Comparative Analysis
East West University（东西大学）
本文提出基于深度神经网络的作物模式识别方法，并与朴素贝叶斯和随机森林进行比较分析，以提升遥感时间序列数据下的作物分类性能。
2024-11-19 cs.CV cs.LG
Simultaneous Corn and Soybean Yield Prediction from Remote Sensing Data Using Deep Transfer Learning
Iowa State University（爱荷华州立大学）；Syngenta Seeds（先正达种子公司）
之所以能够进行大规模的作物产量估算，部分原因是遥感数据的可用性使得能够在作物的整个生长周期中对作物进行持续监测。拥有这些信息使利益相关者能够做出实时决策，以最大限度地提高产量潜力。虽然存在各种模型，从遥感数据预测产量，目前还没有一种方法，可以同时估计多种作物的产量，从而导致更准确的预测。一种预测多种作物产量并同时考虑多种作物产量之间相互作用的模型。我们提出了一种名为YieldNet的新卷积神经网络模型，该模型利用了一种新型的深度学习框架，该框架通过共享骨干特征提取器的权重，在玉米和大豆产量预测之间使用迁移学习。此外，考虑到多目标响应变量，我们提出了一个新的损失函数。我们使用来自美国1,132个玉米县和1,076个大豆县的数据进行了实验。数值结果表明，我们所提出的方法准确地预测玉米和大豆产量从收获前1至4个月的MAE分别为8.74%和8.70%的平均产量，分别，是有竞争力的其他国家的最先进的方法。
2021-06-03 cs.CV cs.LG eess.IV
Corn Yield Prediction based on Remotely Sensed Variables Using Variational Autoencoder and Multiple Instance Regression
University of Wisconsin-Madison（威斯康星大学麦迪逊分校）
在美国，玉米是产量最高的作物，一直是美国人饮食的重要组成部分。为了满足供应链管理和区域粮食安全的需求，准确及时的大规模玉米产量预测在精准农业中越来越受到重视。近年来，遥感技术和机器学习方法在作物产量预测中得到了广泛的应用。目前，县级产量预测模型大多采用县级均值变量进行预测，忽略了大量的细节信息。此外，作物面积和卫星传感器之间的空间分辨率不一致导致混合像素，这可能会降低预测精度。只有少数工作解决了大规模作物产量预测中的混合像素问题。为了解决信息丢失和混合像素的问题，我们开发了一个基于变分自编码器（VAE）的多实例回归（MIR）模型用于大规模玉米产量预测。我们使用所有未标记的数据来训练一个VAE和训练良好的VAE异常检测。作为一种预处理方法，异常检测可以帮助MIR找到比传统MIR方法更好的每袋的代表性，从而更好地执行大规模的玉米产量预测。我们的实验表明，基于变分自编码器的多实例回归（VAEIIR）在大规模玉米产量预测中优于所有基线方法。虽然需要一个合适的Meta参数，VAEMIR显示出良好的潜力，在大规模的玉米产量预测的特征学习和提取。
2022-11-23 cs.CV 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
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
HarvestNet: A Dataset for Detecting Smallholder Farming Activity Using Harvest Piles and Remote Sensing
Stanford University（斯坦福大学）；University of Waterloo（滑铁卢大学）；Ghent University（根特大学）；Mekelle University（默克莱大学）
针对传统小农耕地测绘效果受限的问题，研究提出基于收获堆检测的方法，发布HarvestNet数据集，基准测试显示模型性能优异，可更及时准确地评估粮食不安全地区的耕地情况。
2024-03-06 cs.CV cs.LG
AgriFM: A Multi-source Temporal Remote Sensing Foundation Model for Agriculture Mapping
Jockey Club STEM Lab of Quantitative Remote Sensing, Department of Geography, The University of Hong Kong, Hong Kong, China（香港大学地理系金钟STEM实验室）；Department of Aerospace Intelligent Science and Technology, School of Astronautics, Beihang University, Beijing, China（北航航天智能科学与技术学院）；School of Remote Sensing and Information Engineering, Wuhan University, China（武汉大学遥感与信息工程学院）
AgriFM是一种多源时序遥感基础模型，通过改进的Video Swin Transformer架构实现多尺度时空特征提取，提升农业制图的准确性和效率。
2026-01-15 cs.CV cs.LG
Extreme Gradient Boosting for Yield Estimation compared with Deep Learning Approaches
University of Bonn（波恩大学）；University of Karlsruhe（卡尔斯鲁厄大学）
在收获前准确预测作物产量对于全球范围内的作物物流、市场规划和粮食分配具有重要意义。产量预测需要在较长时间内监测物候和气候特征，以模拟作物发育中的复杂关系。环绕世界的各种卫星提供的遥感卫星图像是获取产量预测数据的一种廉价而可靠的方法。产量预测领域目前由深度学习方法主导。虽然这些方法达到的精度是有希望的，但所需的数据量和"黑盒“性质可能会限制深度学习方法的应用。可以克服的局限性，提出了一个管道处理遥感图像到基于特征的表示，允许就业的极端梯度提升（XGBoost）的产量预测。对美国大豆产量预测的比较评估显示，与基于深度学习的最先进产量预测系统相比，预测准确率很有希望。特征重要性将光的近红外光谱作为我们模型中的一个重要特征。报告的结果暗示了XGBoost的产量预测能力，并鼓励未来在世界各地的其他作物上进行XGBoost的产量预测实验。
2022-08-26 cs.LG
Towards Global Crop Maps with Transfer Learning
Korea University（高丽大学）；National Observatory of Athens（雅典国家天文台）
全球人口的持续增长和气候变化对作物生产的影响预计将对粮食部门产生重大影响。在这方面，需要及时、大规模和精确地绘制作物地图，以便进行循证决策。这方面的一个关键推动因素是新的卫星飞行任务，这些任务免费提供高时空分辨率和全球覆盖的大量遥感数据。在过去的十年中，由于大规模地球观测的激增，深度学习方法已经主导了遥感和作物制图文献。然而，深度学习模型需要大量的注释数据，这些数据稀缺且难以获取。为了解决这个问题，可以使用迁移学习方法来利用可用的注释，并为其他地区、作物类型和检查年份启用作物映射。在这项工作中，我们使用Sentinel-1 VH时间序列开发并训练了一个用于韩国水稻检测的深度学习模型。然后，我们对模型进行微调，i）法国和西班牙的水稻检测，ii）荷兰的大麦检测。此外，我们建议修改预训练的权重，以纳入额外的输入特征（Sentinel-1 VV）。我们的方法在不同地区转移相同作物类型时表现出优异的性能，在不同地区和作物类型转移时表现出相当有希望的结果。
2022-11-10 cs.AI cs.CV cs.LG
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
EuroCrops: A Pan-European Dataset for Time Series Crop Type Classification
GAF AG（GAF股份公司）；Technical University of Munich (TUM)（慕尼黑工业大学）
我们介绍了EuroCrops，一个基于自我声明的字段注释的数据集，用于训练和评估作物类型分类和映射的方法，以及其获取和协调的过程。通过这一点，我们的目标是丰富的研究工作和讨论数据驱动的土地覆盖分类通过地球观测和遥感。此外，通过纳入欧盟（EU）所有国家在补贴控制范围内收集的自我声明，该数据集突出了在跨国层面上运作时遇到的困难和陷阱。因此，我们还引入了一个新的分类方案，HCAT-ID，希望捕捉来自行政和机构数据库的参考数据的所有方面。为了满足来自遥感和计算机视觉和机器学习社区的研究人员，我们以不同的格式和处理级别发布数据集。
2021-06-14 cs.CV cs.LG eess.IV
Recent applications of machine learning, remote sensing, and iot approaches in yield prediction: a critical review
International Water Research Institute (IWRI)（国际水研究所（IWRI））；Mohammed VI Polytechnic University (UM6P)（穆罕默德六世理工大学（UM6P））；Research and Development Unit in Agriculture and Agri-food of Abitibi-Témiscamingue (URDAAT)（阿比蒂比-泰米斯卡曼格农业与农业食品研发部（URDAAT））；Université du Québec en Abitibi-Témiscamingue（魁北克大学阿比蒂比-泰米斯卡曼格分校）
本文批判性综述RS、ML、云计算与IoT在作物产量预测和水管理中的最新方法，评估其技术现状与实时稳健预测潜力。
2023-06-07 cs.AI cs.LG cs.NI
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
Spatio-temporal crop classification of low-resolution satellite imagery with capsule layers and distributed attention
Yale University（耶鲁大学）
低分辨率遥感影像的土地利用分类是遥感研究的热点之一。尽管卫星技术取得了重大进展，但高分辨率图像缺乏全球覆盖，而且长时间采购高分辨率图像的费用可能高得令人望而却步。在没有高分辨率图像的情况下对土地利用变化进行准确分类，可以监测全球发展议程的重要方面，包括气候智能型农业、抗旱作物和可持续土地管理。利用胶囊层和长短期记忆层与分布式注意力的组合，本文实现了最先进的精度在时间作物类型分类在30 × 30米的分辨率与哨兵2图像。
2019-04-23 cs.CV cs.LG stat.ML
Estimating Leaf Water Content using Remotely Sensed Hyperspectral Data
Indian Institute of Science Bangalore（印度科学理工学院班加罗尔分校）；Indian Institute of Technology, Bombay（印度理工学院孟买分校）
植物水分胁迫可能是由于根系/土壤的可用水有限或由于蒸腾作用增加而发生的。这些因素对植物生理和光合能力产生不利影响，以至于已显示对生长和产量具有抑制作用[18]。植物水分胁迫状态的早期识别使得能够应用合适的纠正措施以获得预期的作物产量。此外，通过精准农业方法提高作物产量是气候政策和联合国可持续发展目标的关键组成部分[1]。叶片含水量（LWC）是一种可用于估计含水量和识别胁迫植物的量度。作物生长初期的LWC是衡量作物生产力和产量的重要指标。水分胁迫的影响可以是瞬时的[15]，影响气体交换或长期的，显着减少[9，18，22]。因此，有必要在生长的早期阶段确定潜在的植物水分胁迫[15]，以引入纠正性灌溉并缓解胁迫。LWC还可用于通过测量甚至在人工诱导的水分胁迫下LWC的稳定性来鉴定耐受水分胁迫和盐度的植物基因型[18，25]。此类实验通常采用破坏性程序来获得LWC，这是耗时且劳动密集的。因此，本研究开发了一种非破坏性的方法来估计LWC基于无人机的高光谱数据。
2021-09-06 cs.LG eess.SP
Integrating remote sensing data assimilation, deep learning and large language model for interactive wheat breeding yield prediction
College of Biosystems Engineering and Food Science, Zhejiang University（浙江大学生物系统工程与食品科学学院）；College of Agriculture and Biotechnology, Zhejiang University（浙江大学农业与生物技术学院）；The University of Manchester（曼彻斯特大学）；University of Toronto（多伦多大学）
针对小麦育种产量预测精度与工具易用性不足，提出融合遥感数据同化、时序深度学习模型及 RAG 增强 LLM 的交互式 Web 预测工具。
2025-01-08 cs.AI cs.LG
Anticipatory Understanding of Resilient Agriculture to Climate
本文提出结合遥感、深度学习、作物产量建模与因果建模的框架，聚焦印度北部小麦主产区，识别粮食安全热点并评估气候变化影响。
2024-11-11 cs.CV cs.LG stat.AP
Agriculture Commodity Arrival Prediction using Remote Sensing Data: Insights and Beyond
Microsoft India Dev. Centre (IDC)（微软印度研发中心（IDC））
在像印度这样的发展中国家，农业在人口生活中发挥着极其重要的作用。在印度，大约80%的人口依赖农业或其副产品作为主要就业手段。鉴于大量人口依赖农业，政府提前估计市场因素并为任何偏离这些估计的情况做好准备变得极为重要。商品到达市场是一个极为重要的因素，在全国各地的地区一级都有体现。政府利用历史数据和对商品到货、价格、作物质量等重要变量的短期预测，采取积极步骤，决定各种政策措施。在本文中，我们提出了一个框架，结合遥感数据预测未来的商品到货短时间序列。我们处理的是非常高维的数据，这些数据超过了观测大小的多个数量级。我们使用级联层的降维技术结合正则化回归模型进行预测。我们目前的结果，以预测抵达主要市场和国家的价格为'图尔'（红克）作物在卡纳塔克邦，印度。我们的模型在许多情况下始终击败流行的ML技术。我们的模型是可扩展的，时间效率高，可以推广到许多其他作物和地区。我们从回归参数中获得了多方面的见解，其中一些是预测未来价格等更复杂数量时需要考虑的重要方面。我们还将这些见解结合起来，为不同的政府组织提供重要的建议。
2019-06-14 cs.CY cs.LG stat.ML
Embedding -based Crop Type Classification in the Groundnut Basin of Senegal
The University of Cambridge Department of Computer Science（剑桥大学计算机科学系）；dClimate Labs（dClimate实验室）
本文提出基于TESSERA嵌入的方法，用于提高塞内加尔花生盆地作物类型分类的准确性，实验显示其比现有方法更有效。
2026-01-23 cs.CV 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
Crop mapping in the small sample/no sample case: an approach using a two-level cascade classifier and integrating domain knowledge
利用遥感技术绘制作物地图对于粮食安全和土地管理十分重要。近年来，基于机器学习的方法已经成为作物制图的流行方法。然而，机器学习的关键，即获取大量准确的样本，通常是耗时费力的。针对这一问题，提出了一种小样本/无样本情况下的裁剪映射方法，该方法融合领域知识，采用一种级联分类框架，将强特征样本学习的弱分类器和弱特征样本训练的强分类器相结合。首先，基于作物的领域知识，采用决策树等低容量分类器，将具有显著特征且观测序列完整的像素点作为“强特征”样本。为了提高样本的代表性，采用样本增广策略，根据目标区域的平均有效观测值比例，人为去除“强特征”样本的观测值。最后，基于原始样本和增强样本，训练一个大容量的分类器，如随机森林作物映射。该方法在2021年中国先正达集团举办的MAP作物识别竞赛中取得了82%的整体准确率（三等奖，排名第四）。该方法融合了领域知识，克服了样本获取困难的问题，为农作物制图提供了一种方便、快速、准确的解决方案。
2022-12-26 cs.CV cs.LG
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
Crop Type Identification for Smallholding Farms: Analyzing Spatial, Temporal and Spectral Resolutions in Satellite Imagery
Indraprastha Institute of Information Technology, Delhi（德里英迪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）
现代机器学习（ML）模型与遥感和农业的结合，扩大了卫星图像在农业领域的应用范围。在本文中，我们提出了如何提高作物类型识别的准确性，因为我们从中时空分辨率（MSTR）的高时空分辨率（HSTR）卫星图像。我们进一步证明了卫星图像中的高光谱分辨率可以提高低空间和时间分辨率（LSTR）图像的预测性能。当使用MSTR图像的多光谱数据时，与从HSTR图像获得的最佳结果相比，F1分数增加了7%。同样，当使用基于作物季节的多光谱数据时间序列时，我们观察到F1分数增加了1.2%。这一结果推动了合成条带生成领域的进一步发展。
2022-05-06 cs.CV cs.LG eess.IV
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 Data-Driven Review of Remote Sensing-Based Data Fusion in Precision Agriculture from Foundational to Transformer-Based Techniques
RF and Communication Technologies (RFCT) Research Laboratory, University of Technology Sydney（悉尼科技大学射频与通信技术研究实验室）
本文系统综述了1994—2024年精准农业中遥感数据融合与Transformer技术进展，比较了多模态融合方法，展示了Transformer在时空建模和异构数据整合上的优势，并提出实施路线图。
2025-09-19 cs.LG
A Comparative Assessment of Multi-view fusion learning for Crop Classification
RPTU（莱茵兰-普法尔茨州凯泽斯劳滕工业大学）
本研究在CropHarvest数据集上评估了多种多视图融合策略用于农作物分类，发现所提方法优于单视图和传统融合方法，但无单一方法始终最优，并据此提出了融合方法选择标准。
2023-08-10 cs.AI cs.CV cs.LG
Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection
University of Idaho（爱达荷大学）
最近关于遥感和基于深度学习的分析在精准农业中的应用的研究表明，有可能改善作物管理并减少农业生产对环境的影响。尽管有希望的结果，这些技术的实地部署的实际意义，需要新的算法，定制的农业图像分析和强大的自然领域的图像实施。本文提出了一种分析马铃薯（Solanum tuberosum L.）使用深度神经网络进行裁剪。主要目的是在植物水平上展示健康作物与胁迫作物的自动空间识别。具体而言，我们研究了早熟植物衰老导致干旱胁迫对褐色伯班克马铃薯植物。我们提出了一种新的深度学习（DL）模型来检测作物胁迫，命名为Retina-UNet-Ag。所提出的架构是Retina-UNet的变体，包括从低级语义表示映射到特征金字塔网络的连接。本文还介绍了一个数据集的航空领域获得的图像与鹦鹉红杉相机。该数据集包括健康和胁迫植物区域的手动注释边界框。实验验证表明，区分健康和胁迫植物在现场图像的能力，实现了平均骰子得分系数（DSC）为0.74。与相关的最先进的DL模型的目标检测的比较表明，所提出的方法是有效的这项任务。该方法有利于对自然条件下采集的航空遥感影像进行马铃薯作物胁迫程度的评估和识别。
2021-10-28 cs.CV cs.LG
Annual field-scale maps of tall and short crops at the global scale using GEDI and Sentinel-2
Progressive Environmental & Agricultural Technologies（先进环境与农业技术公司）
作物类型图对于跟踪农业土地使用和估计作物产量至关重要。遥感已被证明是一种有效和可靠的工具，用于在具有丰富地面标签的区域创建这些地图，以进行模型训练，但这些标签在许多区域和年份仍然难以获得。美国宇航局的全球生态系统动力学调查（GEDI）星载激光雷达仪器，最初是为森林监测设计的，已经显示出区分高大和矮小作物的前景。在目前的研究中，我们利用GEDI在2019-2021年以10米分辨率在全球范围内开发矮作物与高作物的墙到墙地图。具体来说，我们表明：（1）在去除具有极端视角或地形坡度的镜头后，GEDI返回可以可靠地分为高作物和矮作物，（2）高作物随时间的频率可以用来确定高作物处于峰值高度的月份，以及（3）GEDI在这几个月的拍摄可以用于训练随机森林模型，该模型使用Sentinel-2时间序列来准确地预测矮作物与高作物。然后，来自世界各地的独立参考数据被用来评估这些GEDI-S2地图。我们发现，GEDI-S2的表现几乎与在数千个本地参考训练点上训练的模型一样好，在美洲、欧洲和东亚的准确率至少为87%，通常超过90%。在作物生物量经常较低的区域，即非洲和南亚，观察到对高大作物面积的系统性低估，需要在这些系统中开展进一步的工作。虽然GEDI-S2方法只区分了高作物和矮作物，但在许多景观中，这种区分对绘制主要的个体作物类型有很大帮助。因此，GEDI和Sentinel-2的结合为在最大程度上减少对地面…
2022-12-19 cs.CV cs.LG stat.AP
Combining GEDI and Sentinel-2 for wall-to-wall mapping of tall and short crops
Goldman School of Public Policy, University of California, Berkeley（加州大学伯克利分校高盛公共政策学院）
高分辨率作物类型地图是改善粮食安全的一个重要工具，在拥有用于模型训练的地面实况标签的区域，遥感越来越多地用于制作这类地图。然而，这些标签在许多地区都不存在，在其他地区对典型卫星特征（如来自光学传感器的特征）进行训练的模型在转移时往往表现出较低的性能。在这里，我们探讨使用美国宇航局的全球生态系统动力学调查（GEDI）星载激光雷达仪器，结合哨兵-2光学数据，作物类型映射。使用来自三个主要种植区域（中国，法国和美国）的数据，我们首先证明GEDI能量分布能够可靠地区分玉米，一种高度通常超过2米的作物，与水稻和大豆等作物较短。我们进一步表明，这些GEDI配置文件提供了更多的不变的功能相比，被动光学传感器检测到的光谱和物候特征。GEDI能够在每个区域内将玉米与其他作物区分开来，准确率高于84%，并且能够以高于82%的准确率跨区域传输，而光学特征的传输准确率为64%。最后，我们表明，GEDI配置文件可用于生成基于Sentinel-2光学图像的模型的训练标签，从而能够在标签稀缺地区创建10米长的高作物与矮作物的墙到墙地图。由于玉米是世界上种植第二广泛的作物，而且通常是在一个景观中种植的唯一高大作物，我们得出结论，GEDI为改善全球作物类型地图提供了巨大的希望。
2021-09-10 cs.CE cs.CV 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
Reconstruction of Sentinel-2 Time Series Using Robust Gaussian Mixture Models -- Application to the Detection of Anomalous Crop Development in wheat and rapeseed crops
TerraNIS；University of Toulouse（图卢兹大学）；IRIT-INP-ENSEEIHT（图卢兹国立综合理工学院-ENSEEIHT-图卢兹计算机研究所）；TéSA（航空航天电信实验室）；IRIT-UPS（图卢兹第三大学-图卢兹计算机研究所）
缺失数据是遥感中经常出现的问题，主要是由于多光谱图像的云覆盖和采集问题。这对于作物监测来说是一个关键问题，特别是对于依赖于机器学习技术的应用程序，这些技术通常假设特征矩阵没有缺失值。本文提出了一种高斯混合模型（GMM）的多光谱图像提取的块级特征的重建。还研究了GMM的鲁棒版本，因为数据集可能被不准确的样本或特征（例如，错误的作物类型报告，不准确的边界，未检测到的云等）。使用Sentinel-1数据从合成孔径雷达图像中提取的其他特征也用于提供补充信息和改进估算。在这项工作中研究的鲁棒GMM分配减少的权重的GMM参数估计过程中的离群值，这提高了最终的重建。这些权重在期望最大化（EM）算法的每个步骤中通过使用隔离森林算法提供的离群值得分来计算。位于Beauce地区（法国）的油菜籽和小麦地块进行实验验证。总体而言，我们表明，GMM插补方法优于其他重建策略。平均绝对误差（MAE）为0.013（分别为0.019）的中位数归一化差异指数（NDVI）的插补（分别为。小麦）包裹。其他指标（例如，标准化差异水指数）和统计数据（例如四分位数范围，它捕捉了地块指标之间的异质性）同时重建，具有良好的准确性。在被不相关样本污染的数据集中，建议使用稳健GMM，因为标准GMM插补可能导致插补值不准确。
2022-05-09 cs.LG stat.ML
Improvement in Land Cover and Crop Classification based on Temporal Features Learning from Sentinel-2 Data Using Recurrent-Convolutional Neural Network (R-CNN)
Politecnico di Torino（都灵理工大学）
全球可获得的卫星图像，如哨兵-2号卫星提供的图像，其空间和时间分辨率不断提高，为研究人员使用免费提供的多光谱光学图像创造了新的可能性，这些图像具有十米空间分辨率，并可更频繁地重新访问，用于土地覆盖和作物分类、农业监测和管理、环境监测等遥感应用。现有的解决方案专用于耕地测绘可以分类为基于每像素的和基于对象的。然而，当大规模考虑更多种类的农作物时，仍然具有挑战性。在本文中，一种新的和最佳的深度学习模型，基于递归神经网络（RNN）结合卷积神经网络（CNN）的基于像素的LC&CC开发和实现使用多时相哨兵2意大利中北部地区的图像，其中有不同的农业系统占主导地位的经济作物类型。所提出的方法能够通过学习多个图像的时间相关性来自动化特征提取，从而减少了手动特征工程和建模作物物候阶段。本研究考虑了15个类别，包括主要农作物。我们还测试了其他广泛使用的传统机器学习算法进行比较，如支持向量机SVM，随机森林（RF），Kernal SVM和梯度提升机，也称为XGBoost。我们提出的Pixel R-CNN实现的总体准确率为96.5%，与现有的主流方法相比有了相当大的改进。这项研究表明，基于Pixel R-CNN的模型提供了一种高度准确的方法来评估和使用时间序列数据进行多时间分类任务。
2020-05-05 cs.CV cs.LG eess.IV
Farm-Level, In-Season Crop Identification for India
Google DeepMind（谷歌DeepMind）；Google（谷歌）；Work done while at Google DeepMind（在谷歌深Mind工作的期间）；Work done while at Google（在谷歌工作的期间）
本文提出一种融合 Sentinel-1/2 影像与全国农场边界数据的深度学习框架，在印度全国尺度实现 12 种主要作物的农场级当季识别，并构建了首个全印度当季作物类型数据产品。
2025-06-30 cs.CV cs.LG
Enhancing crop classification accuracy by synthetic SAR-Optical data generation using deep learning
University of Isfahan（伊斯法罕大学）
本研究提出使用条件表格生成对抗网络（CTGAN）合成SAR-光学融合数据，以解决作物分类中少数类训练样本不足的问题，实验证明该方法能生成高质量数据，显著提升分类性能。
2024-02-03 cs.CV cs.LG eess.IV
Generalized Classification of Satellite Image Time Series with Thermal Positional Encoding
Aarhus University（奥胡斯大学）；FieldSense A/S（FieldSense公司）；IRISA UMR 6074（法国国家信息与自动化研究所雷恩分院（IRISA UMR 6074））；Univ. Bretagne Sud（南布列塔尼大学）
大尺度作物类型分类是遥感工作的一项核心任务，其应用具有经济和生态两方面的重要性。当前最先进的深度学习方法是基于自我注意力，并使用卫星图像时间序列（SITS）来基于其独特的生长模式区分作物类型。然而，现有的方法推广到训练过程中没有看到的区域，主要是由于对气候变化引起的生长季节的时间变化不鲁棒。为此，我们提出了热位置编码（TPE）的注意力为基础的作物分类。与之前基于日历时间（例如，一年中的天数）的位置编码不同，TPE基于热时间，热时间通过累积生长季节的日平均温度获得。由于作物生长与热时间直接相关，而不是日历时间，TPE解决了不同地区之间的时间变化，以提高泛化能力。我们提出了多种TPE策略，包括可学习的方法，以进一步改善结果相比，常见的固定位置编码。我们展示了我们的方法在四个不同的欧洲地区的作物分类任务，在那里我们获得了最先进的泛化结果。
2022-06-14 cs.CV cs.LG
Multi-Region Transfer Learning for Segmentation of Crop Field Boundaries in Satellite Images with Limited Labels
Arizona State University（亚利桑那州立大学）；River Hill High School（河山高中）
针对标签稀缺地区农田边界分割难题，提出多区域迁移学习方法调整目标区域模型权重，实验证明其优于现有方法并显著提升多种架构性能。
2024-03-29 cs.CV cs.LG
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
SatFlow: Generative model based framework for producing High Resolution Gap Free Remote Sensing Imagery
Agricultural Research Service, United States Department of Agriculture（美国农业部农业研究服务局）
提出SatFlow框架，融合MODIS和Landsat影像，通过Conditional Flow Matching生成高分辨率无缝地表反射率影像，有效修复云污染区域，服务于农业和环境监测等下游应用。
2025-02-03 cs.CV cs.LG
Can Multitask Learning Enhance Model Explainability?
University of Kaiserslautern-Landau（凯撒斯劳滕-兰道大学）；German Research Center for Artificial Intelligence（德国人工智能研究中心）
本研究探索通过多任务学习将特定模态作为附加预测目标，在不增加部署输入的前提下提升遥感模型的内在可解释性，同时保持或超越多模态基线性能，并通过辅助任务行为解释主任务误差。
2025-08-09 cs.AI cs.LG
Mapping Tomato Cropping Systems in California Using AlphaEarth Geospatial Embeddings and Deep Learning Analysis
Department of Biological and Agricultural Engineering, University of California, Davis（加州大学戴维斯分校生物与农业工程系）
本研究评估了Google DeepMind的AlphaEarth地理空间嵌入是否可以作为替代方法，用于加利福尼亚州番茄种植系统的映射，通过使用LandIQ 2018的作物多边形构建平衡参考数据集，并利用U-Net分割模型和蒙特卡洛滴落技术实现高精度的番茄种植系统映射。
2026-05-20 cs.CV cs.LG eess.IV
Pest presence prediction using interpretable machine learning
National Observatory of Athens（雅典国家天文台）；National Technical University of Athens（雅典国立技术大学）
棉铃虫（Helicoverpa Armigera）是危害棉花产量和品质的重要害虫。及时了解田间昆虫的存在对于有效的农场干预至关重要。气象-气候和植被条件已被确定为作物虫害发生的主要驱动因素。在这项工作中，我们应用了一个可解释的分类器，即，Explainable Boosting Machine利用地球观测植被指数、数值天气预报和昆虫诱捕器捕获量来预测希腊棉田棉铃虫危害的开始。我们方法的玻璃盒性质为模型的主要驱动因素及其相互作用提供了重要的见解。模型的可解释性增加了我们的方法的可信度，因此，它的潜力，快速吸收和基于上下文的实施，在经营农场管理方案。我们的结果是令人满意的和驱动程序的重要性，通过我们的分析，全球和本地的可解释性，是根据文献。
2022-05-16 cs.CV cs.LG
Multi-Granularity Canonical Appearance Pooling for Remote Sensing Scene Classification
University of East Anglia（东英吉利大学）；Newcastle University（纽卡斯尔大学）；Inception Institute of Artificial Intelligence（起源人工智能研究院）
遥感场景图像的识别仍然具有挑战性，由于大的视觉语义差异。这些主要是由于缺乏详细的注释，可以用来对齐像素级表示与高级语义标签。由于标记过程是劳动密集型和主观的，我们在此提出了一种新的多粒度规范外观池（MG-CAP）自动捕获遥感数据集的潜在本体结构。我们设计了一个粒度框架，允许逐步裁剪输入图像来学习多粒度特征。对于每个特定的粒度，我们从一组预定义的转换中发现规范的外观，并通过基于maxout的Siamese风格架构学习相应的CNN特征。然后，我们用高斯协方差矩阵代替标准的CNN特征，并采用适当的矩阵归一化来提高特征的鉴别能力。此外，我们提供了一个稳定的解决方案，在GPU中训练的特征值分解函数（EIG），并演示了相应的反向传播使用矩阵微积分。大量的实验表明，我们的框架可以在公共遥感场景数据集取得可喜的成果。
2020-04-09 cs.CV cs.LG eess.IV
Explainable AI for Earth Observation: Current Methods, Open Challenges, and Opportunities
Institute of Disaster Management（灾害管理研究所）；Istanbul Technical University（伊斯坦布尔理工大学）；Sabanci University（萨班哲大学）；Kocaeli University（科贾埃利大学）
该研究针对遥感深度学习可解释性不足的问题，梳理了各类可解释人工智能技术在地球观测领域的应用进展，按应用领域呈现了可解释遥感图像分析的前沿研究全景。
2023-11-08 cs.AI 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
Towards Knowledge Guided Pretraining Approaches for Multimodal Foundation Models: Applications in Remote Sensing
University of Minnesota（明尼苏达大学）
本文提出KG-VSF方法，通过条件生成任务建模预测，提升遥感任务中因果关系的建模能力，提升下游任务性能。
2026-03-27 cs.CV cs.LG
Trainable Noise Model as an XAI evaluation method: application on Sobol for remote sensing image segmentation
Lebanese University（黎巴嫩大学）；National Center for Remote Sensing - CNRS, Lebanon（国家遥感中心 - 法国国家科学研究中心（黎巴嫩））；Center for Digital Systems, IMT Nord Europe, Institut Mines-Télécom, University of Lille（数字系统中心，IMT Nord Europe，矿业电信学院，里尔大学）
本文将无梯度Sobol方法适配于语义分割，并提出基于可学习噪声模型的定量XAI评估方法，首次在高分辨率卫星图像上基准评估了Seg-Grad-CAM、Seg-Grad-CAM++和Seg-Sobol三种方法的性能。
2023-11-25 cs.AI cs.CL cs.CV
JEDI: JEPA-to-Edge Distillation for Efficient Cropland Segmentation from Satellite Imagery
University of California, Riverside（加州大学河滨分校）
JEDI提出两阶段蒸馏框架，将大型I-JEPA教师表示迁移至紧凑SegFormer学生，通过持续特征对齐在CalCROP21上以4.04M参数达68.0 mIoU，接近教师性能并优于多种蒸馏基线。
2026-09-09 cs.CV cs.LG
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
UAV and Machine Learning Based Refinement of a Satellite-Driven Vegetation Index for Precision Agriculture
Politecnico di Torino（都灵理工大学）；Politecnico Interdepartmental Centre for Service Robotics（都灵理工大学跨部门服务机器人中心）；Università degli Studi di Torino（都灵大学）；Institute of Electronics, Computer and Telecommunication Engineering of the National Research Council of Italy（意大利国家研究委员会电子、计算机与电信工程研究所）
精准农业被认为是追求低投入、高效率和可持续农业的基本途径。为了实现这一目标，需要对当地作物状况进行可靠和最新的描述。遥感，特别是卫星图像，已证明是作物制图、监测和疾病评估的宝贵工具。然而，免费提供的低分辨率或中等分辨率的卫星图像在具体的农业应用方面显示出一些限制，例如，农作物是一排排种植的。事实上，在这个框架内，卫星的输出可能会受到行内覆盖的影响，从而提供关于作物状况的不准确信息。本文提出了一种新的卫星图像细化框架，基于深度学习技术，该技术充分利用了无人机（UAV）机载多光谱传感器获取的高分辨率图像中的信息。为了训练卷积神经网络，仅需要单个无人机驱动的数据集，使得所提出的方法简单且具有成本效益。Serralunga d 'Alba（意大利北部）的葡萄园被选为验证目的的案例研究。细化卫星驱动的归一化差异植被指数（NDVI）地图，在葡萄生长季节的四个不同时期获得的，被证明是更好地描述作物状况相对于原始数据集的相关性分析和方差分析。此外，使用基于K-均值的分类器，3级葡萄园活力地图是有益的，从NDVI地图，这是一个有价值的工具，为种植者。
2020-04-29 cs.CV cs.LG eess.IV
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
Deploying Geospatial Foundation Models in the Real World: Lessons from WorldCereal
Mila -- Quebec AI Institute, Canada（魁北克人工智能研究所）；McGill University, Canada（麦吉尔大学）；University of Strasbourg, France（斯特拉斯堡大学）；Arizona State University, United States of America（亚利桑那州立大学）
本文提出一种将地理空间基础模型集成到业务化制图系统的三步协议，通过Presto模型在作物制图案例中验证了微调显著优于传统方法，并在WorldCereal系统中展示了可扩展性。
2025-07-16 cs.AI cs.LG cs.SE
