code: https://github.com/gabrieltseng/pycrop-yield-prediction
斯坦福大学的研究人员最近开发了一种基于深度学习的系统，可以通过卫星图像预测大豆产量。
研究指出，“虽然根据土地状况、气象数据、及其它各类传感器数据预测作物产量已经取得了很高的准确率，但是对于许多发展中国家来说，这些数据并不易得且成本昂贵。利用遥感数据（如卫星图像）的方法可能提供成本较低且有效的替代方案。
本研究采用的模型是：长短期记忆递归神经网络（LSTM）和卷积神经网络（CNN），并在首层进行高斯过程建模来首先处理输入数据。数据转换及训练过程为：1从遥感影像到直方图的转换，这是一种基于直方图的降维方法；2对直方图进行高斯处理和深度学习建模，输出产量数据。
图1.(a) 3D直方图 (b)LSTM模型 ©CNN模型
本研究使用由MODIS卫星影像获得的地表反射率、地表温度和地表覆盖类型等数据，每年采集30多次多光谱数据，每年第49天至第281天的每间隔8天获取一次。
表1 各个模型训练县级数据的标准差
图2.使用CNN方法预测时，是否添加高斯模型的结果对比
此外，本研究还对比了本领域其它常见方法的基于不同时间所采集数据的预测准确率，在不同的月份有不同的实时准确度。
图3.几种常见方法针对不同时期数据训练结果的方差
图4.采用完整数据集训练评价，随着数据时间不同方差有所不同
本文提出了利用遥感数据进行作物产量预测的框架。它允许对全年进行实时预测，但在世界范围内并不适用，尤其是对难以进行实地调查的发展中国家。本研究成功地从原始数据中学习到比通常使用的手工特征更有效的特征，提出了一种基于直方图的降维方法，并提出了一种深度高斯过程框架，成功地消除了空间相关误差，这可能会启发遥感和计算可持续性的其他应用。
