浙江大学林涛研究员课题组基于深度学习的玉米产量估计研究在《Global Change Biology》上发表

2019 年12 月2 日，浙江大学生物系统工程与食品科学学院林涛研究员团队在《Global Change Biology》期刊上发表题为“A deep learning approach to conflating heterogeneous geospatial data for corn yield estimation:a case study of the US Corn Belt at the county level”的研究论文（https://onlinelibrary.wiley.com/doi/full/10.1111/gcb.14885）。该研究开发了一个基于长短期记忆的玉米估产模型，该模型基于长短期记忆单元，具有时序依赖、信息选择性传递、非线性拟合的特点，其输入数据包括遥感数据和气象数据，在该研究中整合了空间异质的作物物候、气象和遥感等多源数据，估算出了美国玉米带县级玉米的产量，且该深度学习模型在季中和季末玉米产量预测中较之传统模型有了明显的性能提升。

该研究以美国玉米带2006—2017年共7 232条县级观测数据为数据集，将生长季内5个不同生长期的降水、积温和植被指数等作为模型输入，使用干旱胁迫的2012年和高产的2016年的观测数据为测试集，验证了深度学习模型对比岭回归和随机森林模型明显提升了玉米估产的精度和鲁棒性。该研究工作为探究气候变化下的作物生长监测提供了一种多源数据驱动的研究方法。本研究受到国家自然科学基金、国家重点研发计划和浙江大学的资助。