FARM：微调地理基础模型用于场内作物产量回归
机器学习
2025-10-31 v1
摘要
准确及时地预测作物产量对于全球粮食安全和现代农业管理至关重要，但传统方法往往缺乏实现精密农业所需的规模和细粒度。本文提出 FARM：微调农业回归模型 (Fine-Tuning Agricultural Regression Models)，一种专为高分辨率、场内亚麻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基础模型 (Prithvi-EO-2.0-600M)，将其适用于连续回归任务，将多时相卫星影像转化为稠密的像素级 (30 米) 产量图。该模型在加拿大大平原的综合数据集上实现了均方根误差 (RMSE) 为 0.44，R² 为 0.81。利用独立的高分辨率产量监测数据集进一步表明，对 FARM 进行有限地面真实标签的微调优于从头训练相同架构，这一结果确认了在大规模、上采样后的县级数据上进行预训练，以适应数据稀缺的精密农业的优势。这些结果超越了 3D-CNN 和 DeepYield 等基线模型，凸显了微调大型地理基础模型以适应特定农业应用的有效性。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操作性的精密农业工具。本工作验证了一种将大规模地球观测与现场决策衔接的新方法，为详细的农业监测提供了可扩展的解决方案。
引用
@article{arxiv.2510.26607,
title = {Wasserstein Regression as a Variational Approximation of Probabilistic Trajectories through the Bernstein Basis},
author = {Maksim Maslov and Alexander Kugaevskikh and Matthew Ivanov},
journal= {arXiv preprint arXiv:2510.26607},
year = {2025}
}