Ecological Informatics · Elsevier · 2026-08-31·8月31日 · 周一论文农业人工智能与决策模型阅读 5
Diag-STFN：用于全球收获前作物产量预测的诊断时空多模态融合网络
论文解读
75精选
速览
提出Diag-STFN网络，用于全球收获前玉米和小麦产量预测，在CY-Bench基准上取得最优性能。
方法
诊断时空多模态融合网络，自动选择时空趋势耦合与空间模块激活，基于CY-Bench
发现
Diag-STFN在玉米和小麦所有时段均取得最低NRMSE，诊断模块选择是性能提升首要因素。
机会点
国别间差异大于模型间差异，可探索区域自适应或跨域迁移的产量预测模型，以提升全球适用性。
影响力18
信息增量22
专业深度18
信源权威14
时效性3
全球尺度的作物产量预测研究，方法新颖且数据规模大，对农业信息化有参考价值。
原文摘要
针对全球 38 国玉米和 29 国小麦在早、中、晚三个收获前时段的产量预测，提出 Diag-STFN 诊断时空多模态融合网络；根据数据集特征自动选择时空趋势耦合与空间模块激活；在 CY-Bench 基准下，玉米和小麦所有时段均取得最低池化 NRMSE，在 MAPE 和 KGE 上亦保持领先；消融研究表明诊断模块选择是性能提升的首要因素，融合策略是次要因素；方差分解显示国别间差异大于模型间差异。