Hierarchical cross-modal spatiotemporal attention network for crop yield prediction in complex Himalayan agroecosystems
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。
← 主题
多模态融合 智慧农业
A multimodal context-aware AI recommender for smart farming
提出融合玉米叶片图像与气象数据的多模态AI推荐框架，实现病害诊断与农事建议生成。
AgriMAC: An Attention Based Multimodal Deep Clustering Framework for Rice Health Assessment
提出无监督多模态聚类框架AgriMAC，融合无人机NDVI、IoT土壤与气象数据评估水稻健康。
Advances in Bioacoustics Sensing and Signal Processing Technologies
综述生物声学传感与信号处理进展，涵盖医疗、生态与农业应用。
Rule-driven functional zoning index prediction for sustainable agricultural landscapes design based on multimodal fusion deep learning
构建规则驱动农业景观功能分区指数，并用多模态融合深度学习实现自动预测。
《分层跨模态时空注意力网络用于复杂喜马拉雅农业生态系统作物产量预测》
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。
DMP-UNet: a multimodal fusion network for high-precision nitrogen status monitoring in wheat from UAV multispectral images
提出多模态融合网络DMP-UNet，利用无人机多光谱图像高精度监测小麦氮素水平。
Time-Aware Late Fusion for Multimodal Rice Growth-Rate Prediction from UAV Imagery and Weather Context
本文针对精准农业中纯图像模型难以表征季节性上下文的问题,提出时序感知晚期融合(TALF)模型,通过CNN分支编码图像特征、MLP编码上下文特征,仅在回归头合并两条流。相对湿度、风速、累积时间作为上下文输入,在多季节公开水稻苗数据集上,MAE降至0.031(图像单一基线0.1455,早期融合0.0890),容差精准度达94.9%。结果表明,天气与时间上下文能显著提升无人机图像的水稻生长速率预测,图像与表格编码器分离至最后层的晚期融合设计具有竞争力。原文标题:Time-Aware Late Fusion for Multimodal Rice Growth-Rate Prediction from UAV Imagery and Weather Context,作者:Elhadi A O、Darwish S M、Mahdi M A(埃及Zagazig大学/Alexandria大学),发表于MDPI Computers 2026年第15卷第8期523。