#产量预测

提出改造传感器替换后视觉产量模型校准漂移的检测与置信区间保证方法。

推导卫星云掩膜缺口下反事实解释可靠性的理论界，并评估其对合作社储粮决策的影响。

研究不同品种和生育期下无人机NDVI与马铃薯产量的关系差异。

构建多模态回归学习框架，融合气候、遥感与作物因子，实现水稻产量连续预测。

用机载多光谱传感器评估菜豆产量构成与植被指数的关系。

评估17份豌豆种质与7个加拿大品种在爱荷华的表现，并用无人机时间序列表型关联产量。

开发深度学习模型在真实田间条件下检测并分类肯特芒果为三个出口等级，实现产量估计。

提出分层跨模态时空注意力网络HCM-STAN，融合多源农业数据预测喜马拉雅山区苹果产量。

基于CropIntel数据集，用15+种机器学习算法实现作物分类、灌溉需求预测与产量潜力预测。

评估Sentinel-2 NDVI与苹果园产量的关系，发现仅单一品种同龄地块存在可靠相关。

Smart agriculture improves nitrogen use efficiency yield prediction and sustainability in dryland mixed crop livestock systems。Discover Agriculture

系统综述2020—2026年玉米精准农业技术、应用与产量优化研究。

比较XGBoost、LightGBM和CatBoost在作物产量可解释建模中的表现，强调评估协议与数

结合遥感植被指数与机器学习，预测尼日尔萨赫勒四地区2010–2025年水稻产量。

研究不同训练-测试数据划分比例对无人机多光谱小麦产量预测的影响，发现可降低训练比例。

用无人机RGB影像和深度学习对咖啡开花分级，实现早期产量预测。

用1990–2025年气候数据与机器学习模型预测哈萨克斯坦北部小麦产量。

融合计算机视觉与机器学习，实现高粱病害严重度评估与产量预测。

结合Sentinel-2 NDVI与气候变量，构建多元模型预测米尔-穆甘地区棉花产量。

提出利用日光诱导叶绿素荧光（SIF）遥感构建下一代农田作物管理观测策略。

提出农学知情框架，结合最优物候期与密度产量制图，实现跨季节可迁移的产量预测。

评估春小麦育种品系产量模型在未参与训练品系上的跨季预测能力。

提出多分支AI模型MBF-HybridNet，融合遥感、气象与土壤数据，提前一月预测冬小麦产量。

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。

构建可复现工作流，用气候变量与机器学习分类蜂蜜产量。

提出YieldVision决策支持系统，用RF、LSTM及混合模型预测作物产量并部署应用。

用Sentinel 2A与Landsat 8的NDVI回归模型预测孟加拉国玉米产量并比较精度。

用DSSAT-CERES水稻模型结合Sentinel-2遥感，分析印度Guntur灌区2022-20

An integrated IoT and machine learning framework for maize yield prediction and smart agriculture in Tanzania。Cogent Food & Agriculture

用随机森林和方差分析比较土耳其四省水稻产量差异，识别关键地理驱动因子。

综述设施蔬菜生物量与产量无损感知与建模研究进展。

提出TSAFI-DT数字孪生框架，用贝叶斯优化XGBoost预测印度花生产量并做反事实情景分析。

用无人机与近地多光谱传感器评估有芒/无芒小麦产量与品质，比较不同生育期和年份的植被指数关系。

系统综述AI在可持续农业中的应用，分析生产力与可持续性影响及推广障碍。

提出知识引导的深度学习框架AgroEvoDeep-Yield，实现玉米逐日产量形成的可解释模拟与持续

结合GAN数据增强与随机森林，构建高精度作物产量预测模型。

评估三种机器学习模型在厄瓜多尔农场级玉米产量预测中的空间可迁移性。

基于中国南方多环境水稻数据，评估机器学习产量预测在不同部署场景下的真实精度。

提出分层跨模态时空注意力网络，融合多源数据预测喜马拉雅果园作物产量。

提出基于无人机多光谱的源端性状中介框架，实现玉米动态产量预测。

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。