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，但深度学习模型的发展仍然受到一个问题的困扰，即缺乏一个开放的、大规模的、多模态的深度学习数据集，以容纳足够的信息。为了解决这个问题，我们介绍了CropNet数据集，这是第一个特别针对气候变化意识的农作物产量预测的、公开可用的、多模态的数据集，覆盖了美国本土连续的2200个县，包括Sentinel-2图像、WRF-HRRR计算数据集和USDA农作物数据集，跨越了6年（2017-2022），预计有助于研究人员开发多功能的深度学习模型，以便在县级别上及时而精确地预测农作物产量，同时考虑到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。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灵活地下载CropNet数据，并构建准确的农作物产量预测的深度学习模型。我们通过采用各种类型的深度学习解决方案对CropNet数据集进行了广泛的实验，结果验证了CropNet数据集在气候变化意识的农作物产量预测中的一般适用性和有效性。

解决精确预测作物收成的问题，以确保食品安全和可持续农业实践。

引入CropNet数据集，该数据集是首个针对气候变化感知的作物收成预测的大规模多模态数据集，包括Sentinel-2影像、WRF-HRRR计算数据集和USDA作物数据集，覆盖2200多个美国县，时间跨度为6年（2017-2022）。

开发了CropNet包，提供了三种API，使研究人员可以在感兴趣的时间和地区内下载CropNet数据，并灵活地构建深度学习模型进行准确的作物收成预测。通过采用各种类型的深度学习解决方案，在CropNet数据集上进行了广泛的实验，并验证了其在气候变化感知的作物收成预测中的普适性和有效性。

最近的相关研究包括利用遥感数据进行作物收成预测的研究，如《基于遥感数据的作物生长状态监测与收成预测研究》。