郡レベルの大豆収量予測のための深層CNN-LSTMモデル

収量予測は、収量マッピング、作物市場計画、作物保険、収穫管理において非常に重要です。リモートセンシングは作物収量予測においてますます重要になっています。リモートセンシングデータに基づき、機械学習、特に畳み込みニューラルネットワーク（CNN）や長短期記憶（LSTM）を含む深層学習（DL）手法を用いて、この分野で大きな進展がありました。この分野の最近の実験では、CNNがより多くの空間的特徴を探索でき、LSTMがフェノロジーの特性を明らかにする能力を持っていることが示唆されており、両者は作物収量予測において重要な役割を果たしています。しかし、作物収量予測のためにこれら2つのモデルを組み合わせた実験は非常に少なく報告されています。本論文では、CONUSにおける郡レベルでのシーズン終了時およびシーズン中の大豆収量予測のための深層CNN-LSTMモデルを提案します。このモデルは、気象データ、MODIS土地表面温度（LST）データ、MODIS表面反射率（SR）データなどの作物成長変数および環境変数によってトレーニングされました；歴史的な大豆収量データをラベルとして使用しました。Google Earth Engine（GEE）に基づいて、これらのトレーニングデータはすべて統合され、深層学習用のヒストグラムベースのテンソルに変換されました。実験結果は、提案されたCNN-LSTMモデルの予測性能が、シーズン終了時およびシーズン中のいずれにおいても純粋なCNNまたはLSTMモデルを上回ることができることを示しています。提案された手法は、将来的にトウモロコシ、小麦、ジャガイモなどの他の作物の収量予測の精度を向上させる大きな可能性を示しています。