基于对比学习的多时相多光谱注意力增强深度卷积神经网络用于作物产量预测
计算机视觉与模式识别
2025-09-22 v1
摘要
精确的产量预测对于农业可持续性和粮食安全至关重要。然而，气候变化通过影响天气条件、土壤肥力和农场管理系统等主要因素，使准确的产量预测变得复杂。技术进步在克服这些挑战中发挥了重要作用，利用卫星监测和数据分析进行精确的产量估计。当前方法依赖时空数据预测作物产量，但在处理多光谱数据时常常遇到困难，而多光谱数据对于评估作物健康状况和生长模式至关重要。为了解决这一挑战，我们提出了一种新颖的多时相多光谱产量预测网络 MTMS-YieldNet，它将光谱数据与时空信息相结合，以有效捕捉它们之间的相关性和依赖关系。现有方法依赖在一般视觉数据上训练的预训练模型，而 MTMS-YieldNet 利用对比学习在预训练期间进行特征判别，专注于从遥感数据中捕捉空间光谱模式和时空依赖性。定量和定性评估均突出了所提出的 MTMS-YieldNet 相对于七种现有 SOTA 方法的卓越性。MTMS-YieldNet 在 Sentinel-1 上实现了 0.336 的 MAPE 分数，在 Landsat-8 上实现了 0.353，在 Sentinel-2 上实现了出色的 0.331，证明了在不同气候和季节条件下有效的产量预测性能。MTMS-YieldNet 的出色表现改善了产量预测，并提供了有价值的见解，可帮助农民做出更好的决策，从而潜在地提高作物产量。
引用
@article{arxiv.2509.15966,
title = {A multi-temporal multi-spectral attention-augmented deep convolution neural network with contrastive learning for crop yield prediction},
author = {Shalini Dangi and Surya Karthikeya Mullapudi and Chandravardhan Singh Raghaw and Shahid Shafi Dar and Mohammad Zia Ur Rehman and Nagendra Kumar},
journal= {arXiv preprint arXiv:2509.15966},
year = {2025}
}
备注
Published in Computers and Electronics in Agriculture