面向多模态气候变化感知作物产量预测的大规模开放数据集：CropNet
机器学习
2024-06-18 v2 计算机视觉与模式识别
摘要
精确的作物产量预测对于确保国家粮食安全和可持续农业实践至关重要。虽然AI-for-science方法在药物发现、降水预报等许多科学问题上已展现出前景，但开发用于预测作物产量的深度学习模型一直受限于缺乏开放且大规模的、多模态的、可直接用于深度学习的数据集。为此，我们介绍了CropNet数据集，这是第一个面向 contiguous 美国各县地区气候变化感知作物产量预测的、容量达太字节级的、公开可获取的、多模态数据集。我们的CropNet数据集由三种数据模态组成：Sentinel-2遥感影像、WRF-HRRR计算数据集和美国农业部作物数据集，覆盖超过2200个美国县，跨越6年（2017-2022）。该数据集旨在促进研究人员开发多样化的深度学习模型，以在县级层面准确地预测作物产量，同时考虑短期生长季节气候波动和长期气候变化对作物产量的影响。此外，我们开发了CropNet软件包，提供三种类型的API，便于研究人员在感兴趣的时间和区域范围内动态下载CropNet数据，并灵活构建用于精确作物产量预测的深度学习模型。我们通过采用多种类型的深度学习解决方案对CropNet数据集进行了大量实验，结果表明CropNet数据集在气候变化感知作物产量预测中具有广泛的适用性和有效性。
引用
@article{arxiv.2406.06081,
title = {An Open and Large-Scale Dataset for Multi-Modal Climate Change-aware Crop Yield Predictions},
author = {Fudong Lin and Kaleb Guillot and Summer Crawford and Yihe Zhang and Xu Yuan and Nian-Feng Tzeng},
journal= {arXiv preprint arXiv:2406.06081},
year = {2024}
}
备注
13 pages