（1）作物产量估算 基于作物特有的波谱反射特征 利用遥感手段对作物产量进行监测预报 利用影像的光谱信息可以反演作物的生长信息 (如LAI、生物量) 通过建立生长信息与产量问的关联模型 获得作物产量信息 常用植被指数作为评价作物生长状况的标准

这项研究调查了气候变化因素和非气候变化因素对尼日利亚农作物产量的影响。 采用了经验研究方法，使用了从信誉良好的来源获得的1980-2013年时间序列年度数据的辅助来源。 错误校正机制用于分析。 研究发现，在短期内，只有降雨对气候变化因素中的农作物产量具有显着的正向影响，但从长期来看，有证据表明所有气候变化因子均对作物产量具有显着影响。 例如，对作物产量进行了温度，二氧化碳排放，碳排放和降雨的显着测试。 此外，非气候变化因素，例如从事经济活动的人口，总资本形成以及可供灌溉的土地面积，对作物产量也具有显着的正向作用。 为了阻止气候变化对作物产量的影响，研究建议政策制定者应制定政策，以帮助农民采取适应农业的做法，从而减轻气候变化的影响。 此外，政府和其他有关机构还应设计方案，以激励群众增加对作物生产的参与。

农业是我们国家的主要生计来源。 当前面临水资源短缺、供需失控的成本以及天气不确定性等挑战，农民必须配备智能农业。 尤其需要解决由于气候变化不确定、灌溉设施差、土壤肥力下降和传统耕作技术而导致作物产量低的问题。 机器学习就是一种用于预测农业作物产量的技术。 各种机器学习技术如预测、分类、回归和聚类被用来预测作物产量。 人工神经网络、支持向量机、线性和逻辑回归、决策树、朴素贝叶斯是一些用于实现预测的算法。 然而，从可用算法池中选择合适的算法给研究人员带来了关于所选作物的挑战。 在本文中，对各种机器学习算法如何用于预测作物产量进行了调查。 已经提出了一种在大数据计算范式中使用机器学习技术预测作物产量的方法。

深度学习对作物产量的预测 我们论文的必要代码，《 ，AAAI 2017（计算机可持续性研究最佳学生论文奖）。 我们很高兴也赢得了赛的“最佳大数据解决方案”。 这是每个文件夹的实用程序的简要介绍。 “ / 1下载数据”我们如何将数据从Google Earth Engine下载到Google云端硬盘。 然后，用户需要将数据从Google云端硬盘导出到其本地文件夹（例如集群）。 诀窍在于，我们首先将所有可用年份（例如2003年至2015年）中的所有图像连接在一起，然后立即下载大图像，这可能会快数百倍。 “ / 2干净数据”如何对原始数据进行预处理，包括对巨大图像进行切片以获取单个图像，3-D直方图计算等。 “ / 3模型” CNN / LSTM模型结构，以张量流（v0.9）编写。 用Python编写的高斯过程模型。 “ / 4 model_batch”由于我们每年和每个月都在训练不同的