An Open and Large-Scale Dataset for Multi-Modal Climate Change-aware Crop Yield Predictions

精确的农作物产量预测对于确保粮食安全和可持续农业实践具有国家重要性。虽然AI-for-science方法在解决许多科学问题（如药物发现、降水预测等）方面取得了有希望的成果，但是深度学习模型在预测农作物产量方面的发展仍然受到缺乏一个开放和大规模的、具有多种模式以容纳足够信息的深度学习准备数据集的阻碍。为解决这个问题，我们介绍了CropNet数据集，这是第一个针对气候变化感知的、公开可用的、面向美国连续48个州县级的农作物产量预测的多模态数据集，具有1TB大小。我们的CropNet数据集由三种数据模态组成，即Sentinel-2图像、WRF-HRRR计算数据集和USDA农作物数据集，覆盖了超过2200个美国县，跨越了6年（2017-2022），旨在为研究人员提供多样化的深度学习模型，以便在考虑短期生长季节气候变化和长期气候变化对农作物产量的影响的情况下，及时而准确地预测县级农作物产量。此外，我们开发了CropNet软件包，提供了三种类型的API，以便研究人员在感兴趣的时间和地区下载CropNet数据，并灵活构建准确的农作物产量预测的深度学习模型。通过采用各种类型的深度学习解决方案对我们的CropNet数据集进行了广泛的实验，结果验证了CropNet数据集在气候变化感知的农作物产量预测中的普适性和有效性。

解决精确预测作物产量的问题，特别是考虑到短期和长期气候变化的影响。

引入CropNet数据集，该数据集包含三种数据模态，包括Sentinel-2图像、WRF-HRRR计算数据集和USDA作物数据集，可用于开发深度学习模型以精确预测美国2200多个县的作物产量。

CropNet数据集是第一个面向气候变化感知作物产量预测的大规模、多模态、公开可用的数据集。CropNet软件包提供了三种API，可帮助研究人员灵活地下载CropNet数据并构建深度学习模型。实验结果表明，CropNet数据集的深度学习模型在作物产量预测方面具有广泛的适用性和有效性。

最近的相关研究包括使用遥感数据进行作物类型分类和作物生长模拟的研究，以及使用深度学习进行作物产量预测的研究，如《Deep Multi-Scale Convolutional Neural Networks for Dynamic Scene Understanding》和《Deep Learning-Based Crop Yield Prediction for Large-Scale Farms Using High-Resolution Multispectral Satellite Imagery and Weather Big Data》。