基于因果推断和机器学习的农田玉米产量预测模型
王毅、崔茜彤、王晨、熊宝伟、邵国敏、王琬莹、曹培、韩文霆(西安财经大学/西北农林科技大学/西安理工大学)针对传统玉米产量预测方法难以揭示变量间因果关系的问题,提出融合因果推断与机器学习的预测方法:基于遥感指数、气象数据、土壤剖面湿度和阶段性作物观测数据等多源异构信息,采用偏相关与瞬时条件独立算法系统分析玉米产量与各影响因子之间的因果关系,构建可解释的玉米产量预测模型。
阅读 10
关键词 · 相关资讯与研究
#VMD LSTM
沿着“VMD LSTM”继续探索，共 0 条内容。
你可能还想看
没有这个标签，内容接近Proactive early invisible spoilage-risk prediction through uncertainty-quantified temporal microbial growth intelligence
提出BAT-MG Net，用不确定性量化预测微生物浓度并提前识别隐形腐败风险。
关注点
该模型在ComBase数据子集上以6小时窗口预测微生物浓度，并用蒙特卡洛Dropout给出预测区间，将浓度与不确定性合成D-PSRI三级风险；适用边界是仅限该分析子集，未做跨数据集对比。
阅读 0
A Hybrid Model for Crop Yield Prediction Using Recurrent Neural Networks and Explainable Artificial Intelligence
用LSTM结合可解释AI预测肯尼亚玉米产量，兼顾精度与透明度。
阅读 5
Physicochemically Motivated Decomposition for Long-Sequence Urban O3 Forecasting: A Cross-Method Comparison
提出分解-集成框架融合地面观测与NWP预报因子，实现城市臭氧168小时长序列预报。
阅读 0
Multimodal spatiotemporal perception fusion: An intelligent classification system for fish stress using iterated dilated convolutional graph temporal neural network
提出多模态时空感知融合系统，用迭代膨胀卷积图时序网络分类鱼类应激状态。
阅读 4
基于改进YOLOv11n-seg的胡麻倒伏区域识别方法——兼顾精度与轻量化的智能化倒伏监测
针对胡麻倒伏区域识别难题，研究构建改进YOLOv11n-seg模型。改进后的模型在精确度和平均精度均值上分别达到92.6%和95.2%，较原始YOLOv11n-seg模型分别提升3.7个百分点和2.1个百分点。模型参数量仅为1.73 M，计算量为8.0 GFLOPs，模型体积仅为3.8 MB，显示出较好的轻量化优势。该方法兼顾精度与轻量化，为智能化胡麻倒伏监测与实际田间设备部署提供了技术基础。
阅读 10
Kernel-Driven Model Correction of Thermal Directionality: Pixel-Level Analysis Using Airborne Multi-Angular Observations
基于机载多角度热红外数据，在像素尺度评估核驱动模型并简化，以校正地表温度方向性效应。
阅读 3
Knowledge Distillation for Hybrid CNN–Vision Transformer Architectures: A Systematic Review
系统综述2015-2026年混合CNN-ViT架构的知识蒸馏方法，按迁移方向、知识类型和应用领域分类
阅读 0