标签
论文提出了一种节俭输入的深度学习框架，仅使用常规天气数据和两个静态情境变量即可进行全国作物产量预测，并在巴西大豆20个生长季的数据上对MLP、CNN、LSTM、Transformer和Mamba等模型进行了基准比较。Transformer取得了最佳精度（RMSE为149 kg ha⁻¹，rRMSE为5.3%），相比农户基线降低了47.6%的误差；SHAP诊断表明，作物年份驱动长期趋势，而天气变量则驱动年际间的波动。
本文首次针对塞拉利昂作物产量预测开展机器学习研究，发现将免费卫星气候数据（CHIRPS、NASA POWER）与国家作物统计相结合，可将预测误差较持久性模型降低三分之一，但仅依赖作物统计数据则不足以实现改进。