Agri digital twin–driven intelligent computing framework for real-time crop yield forecasting and sustainable decision support
提出农业数字孪生框架，结合GRU与物联网实现实时产量预测与可持续决策支持。
← 主题
#作物产量预测
F.A.R.M. (Field Analysis Revenue Management): An IoT and ML Integrated Solution
提出F.A.R.M.系统，用IoT传感与机器学习实现作物推荐、价格预测和产量估算。
Time Series Extrinsic Regression for Smart Agriculture: Field‐Level Crop Yield Prediction From Multisource Agricultural Time Series
将田块级作物产量预测建模为时间序列外回归，比较多源农业时间序列上的神经与非神经方法。
MDPI Remote Sensing 18(18):3107 MODIS NDVI与机器学习作物产量预测比较研究
基于印度州级MODIS NDVI与机器学习比较作物产量预测，随机森林优于梯度提升。
An Optimized Temporal Attention-based Deep Learning Framwork for Accurate Crop Yield Prediction from Multi-source Agricultural Data
提出TA-ABC-Bi-LSTM模型，用多源农业数据精准预测水稻产量。
APPLICATION OF ARTIFICIAL INTELLIGENCE IN SOIL FERTILITY ASSESSMENT AND CROP YIELD PREDICTION IN SOUTHWEST NIGERIA: A STATISTICAL APPROACH
研究AI在尼日利亚西南部土壤肥力评估和作物产量预测中的应用，发现随机森林模型表现最佳。
基于FAO全球农业数据的机器学习作物产量预测:线性回归 随机森林 XGBoost比较研究
International Journal for Multidisciplinary Research (IJFMR) 2026年第8卷第4期(2026-08-28发表):基于FAO全球农业数据集(覆盖212个国家和地区、10种主要作物、1961-2016年56,717条记录),比较线性回归、随机森林、XGBoost三种机器学习模型。80:20 train-test split,Random Forest取得最佳性能:R²=0.9586、MAE=6724.19 hg/ha、RMSE=13829.60 hg/ha;XGBoost: R²=0.8115;线性回归:R²=0.0608。特征重要性分析识别作物类型(Item Code)为最具影响力预测因子,其次是地理区域和时间因素。[注:本论文使用2016年截止数据,模型泛化能力可能存在边界]