#产量预测

结合迁移学习与SCOPE模型，利用不同空间尺度光谱数据预测玉米产量。

用机器学习基于生产和繁殖数据预测奶牛总泌乳量，Extra Trees表现最佳。

提出AI框架，结合机器学习与天气分析，推荐作物并预测产量。

提出SmartCrop AI平台，集成机器学习预测、土壤评估、AI咨询和市场价格信息，辅助精准农业决

提出基于HYDRA字典方法的机器学习框架，结合物候特征预测玉米产量。

用机器学习集成方法预测作物产量，比较七种回归算法，发现Bagging效果最佳。

提出Diag-STFN网络，用于全球收获前玉米和小麦产量预测，在CY-Bench基准上取得最优性能。

评估遥感模型在不同水稻基因型间的可转移性，用于氮肥监测和产量预测。

原文标题: AI-driven approaches in precision agriculture for strawberry production: A systematic literature review。作者: Effrosyni Bitakou、Svetlana Vujić et al.本文系统综述了人工智能在精准农业中应用于草莓生产的研究进展，覆盖机器学习、深度学习、计算机视觉与机器人等技术在草莓产量预测、果实品质分级、病虫害早期诊断、灌溉施肥精准调控、采收机器人等核心场景的应用。研究发现AI方法可显著提升草莓生产效率与资源利用率，但田间多站点外部验证仍不足，未来研究应进一步关注数据异质性、模型可解释性、田间部署成本与农户接受度。本文为草莓产业从传统经验种植向数据驱动智能生产转型提供路线图与未来研究方向。

本文提出自适应广义回归深度卷积强化学习(AGR-DCRL)模型,用于智慧精确农业作物产量预测。模型由输入层、卷积层、池化层和密集层组成,IoT技术采集天气、土壤、农药使用数据。在卷积层,采用加权局部相似性插补和广义Tietjen-Moore检验进行缺失值处理和异常值检测;在池化层,采用Camargo自适应多样性指数进行特征选择;在密集层,通过多项式逻辑回归进行产量预测,采用softmax激活函数生成多类预测结果。实验结果表明,AGR-DCRL模型相比传统深度学习方法准确率提高4%,误差率降低69%,预测时间快20%。原文标题:Adaptive generalized regressive deep convolutional reinforcement learning for crop yield prediction in smart precision farming,作者:Preethi P、Devadas R M,适用于大规模产量预测数据集。

印度 Nagarjuna College of Engineering and Technology 的 Abeed K Attar 等提出 Smart Agriculture Assistant 综合 AI 驱动决策支持系统，集作物推荐、产量预测、肥料优化和市场价格预测于一体。系统利用 Random Forest、XGBoost、CatBoost、LSTM 和 SHAP 等多种机器学习算法分析 Kaggle 和 Agmarknet 收集的农业和市场数据集。框架处理土壤养分（N、P、K）、pH、温度、湿度、降雨量、作物特征和历史市场价格数据，为农民生成智能推荐和预测洞察。实验评估表明，所提出的混合框架达到 99% 的准确率，优于传统机器学习模型。

基于Sentinel-2光学影像的早期甜菜产量预测研究。通过紧耦合领域知识与机器学习，使用极小Vision Transformer patch size与全部Sentinel-2谱段，提升了模型表现。研究通过调整训练设置与基于排名的低产田检测方法，能在生长周期早期识别出大量低产田，为精准农业田间管理提供早期决策依据。