FARM：微调地理空间基础模型用于田间作物产量回归
计算机视觉与模式识别
2026-01-06 v2 机器学习
图像与视频处理
摘要
准确及时的作物产量预测对全球粮食安全和现代农业管理至关重要。传统方法往往缺乏精准农业所需的可扩展性和细粒度。本文提出了FARM：Fine-tuning Agricultural Regression Models，这是一个专为高分辨率田间油菜籽产量预测设计的深度学习框架。FARM利用预训练的大规模地理空间基础模型（Prithvi-EO-2.0-600M），并将其适配为连续回归任务，将多时序卫星影像转换为密集的像素级（30 m）产量图。在加拿大草原的综合数据集上评估，FARM实现了均方根误差（RMSE）为0.44和R²为0.81。利用独立的高分辨率产量监测数据集，我们进一步表明，在有限真实标签上微调FARM优于从头训练相同架构，确认了在大规模上采样县级数据上进行预训练对数据稀缺精准农业的益处。这些结果代表了相对于3D-CNN和DeepYield等基线架构的改进，突显了微调基础模型用于专业农业应用的有效性。通过提供连续的高分辨率输出，FARM比传统的分类或县级聚合方法提供了更具可操作性的精准农业工具。这项工作验证了一种连接大规模地球观测与田间决策的新方法，为详细的农业监测提供了可扩展的解决方案。
引用
@article{arxiv.2510.26609,
title = {FARM: Fine-Tuning Geospatial Foundation Models for Intra-Field Crop Yield Regression},
author = {Shayan Nejadshamsi and Yuanyuan Zhang and Shadi Zaki and Brock Porth and Lysa Porth and Vahab Khoshdel},
journal= {arXiv preprint arXiv:2510.26609},
year = {2026}
}