面向大区域县级作物产量预测的检索增强多尺度框架
机器学习
2026-03-10 v1
摘要
本文提出了一种新的作物产量预测方法，这对于开发管理策略、 informing 保险评估以及确保长期粮食安全至关重要。尽管已有数据驱动方法在该领域显示出前景，但在大范围地理区域和长时间段上应用时性能常常下降。这种限制源于两个关键挑战：（1）难以同时捕捉短期和长期的时间模式，（2）无法有效适应农业系统中空间数据变量的差异。忽视这些问题常常导致特定地区或年份的预测不可靠，从而影响政策决策和资源分配。本文提出了一种新的预测框架以应对这些挑战。首先，我们引入了一种新的 backbone 模型架构，既捕捉短期日尺度作物生长动态，又捕捉跨年份的长期依赖性。为进一步提高在不同空间区域上的泛化能力，我们通过检索式适应策略增强了该模型。鉴于年间产量波动的显著性，我们设计了一种新的检索-细化管道，通过移除输入特征未解释的跨年偏差来调整检索样本。我们在美国 630 个县的真实县级玉米产量数据上进行实验，结果表明该方法在各种基线方法上均表现出一致优势。结果还验证了检索式数据增强方法在提高空间异构性下模型鲁棒性方面的有效性。
引用
@article{arxiv.2603.07305,
title = {Retrieval-Augmented Multi-scale Framework for County-Level Crop Yield Prediction Across Large Regions},
author = {Yiming Sun and Qi Cheng and Licheng Liu and Runlong Yu and Yiqun Xie and Xiaowei Jia},
journal= {arXiv preprint arXiv:2603.07305},
year = {2026}
}