《Ecological Informatics》96 (2026) 103860·9月17日 · 周四论文农业人工智能与决策模型阅读 6
Diag-STFN：全球收获前作物产量预测的诊断时空多模态融合网络——覆盖38国玉米29国小麦（Ecological Informatics 2026）
论文解读
78精选
速览
提出诊断式时空多模态融合网络Diag-STFN，实现全球收获前玉米小麦产量预测。
方法
基于CY-Bench基准，按数据特征诊断选择时间趋势与空间模块，覆盖38国玉米2
发现
各前置期均取得最低NRMSE，诊断模块选择贡献最大，国家间差异大于模型间差异。
机会点
可探索自适应诊断机制迁移至其他作物，并针对国家间差异开展区域化建模与不确定性量化。
影响力18
信息增量22
专业深度18
信源权威14
时效性6
方法新颖、覆盖38国玉米与29国小麦的全球收获前产量预测研究，学术价值突出但产业落地尚早，适合作为前沿技术资讯收录。
原文摘要
《Ecological Informatics》2026年第96期：Zhuang等提出Diag-STFN——一种诊断时空多模态融合网络，用于全球收获前作物产量预测。该网络基于数据集特征选择模型结构，以确定是否需要时间趋势耦合和空间模块激活。在三种前置期（早、中、晚季）下，基于覆盖38国玉米和29国小麦的CY-Bench基准数据集进行评估。结果表明，所提方法在所有前置期均实现了两种作物的最低汇总NRMSE，并在MAPE和KGE等补充指标上保持领先。消融研究表明诊断模块选择提供了主要的性能提升；方差分解显示性能差异在国家之间大于模型之间。