2019 年12 月2 日，浙江大學(xué)生物系統(tǒng)工程與食品科學(xué)學(xué)院林濤研究員團隊在《Global Change Biology》期刊上發(fā)表題為“A deep learning approach to conflating heterogeneous geospatial data for corn yield estimation:a case study of the US Corn Belt at the county level”的研究論文（https://onlinelibrary.wiley.com/doi/full/10.1111/gcb.14885）。該研究開發(fā)了一個基于長短期記憶的玉米估產(chǎn)模型，該模型基于長短期記憶單元，具有時序依賴、信息選擇性傳遞、非線性擬合的特點，其輸入數(shù)據(jù)包括遙感數(shù)據(jù)和氣象數(shù)據(jù)，在該研究中整合了空間異質(zhì)的作物物候、氣象和遙感等多源數(shù)據(jù)，估算出了美國玉米帶縣級玉米的產(chǎn)量，且該深度學(xué)習(xí)模型在季中和季末玉米產(chǎn)量預(yù)測中較之傳統(tǒng)模型有了明顯的性能提升。

該研究以美國玉米帶2006—2017年共7 232條縣級觀測數(shù)據(jù)為數(shù)據(jù)集，將生長季內(nèi)5個不同生長期的降水、積溫和植被指數(shù)等作為模型輸入，使用干旱脅迫的2012年和高產(chǎn)的2016年的觀測數(shù)據(jù)為測試集，驗證了深度學(xué)習(xí)模型對比嶺回歸和隨機森林模型明顯提升了玉米估產(chǎn)的精度和魯棒性。該研究工作為探究氣候變化下的作物生長監(jiān)測提供了一種多源數(shù)據(jù)驅(qū)動的研究方法。本研究受到國家自然科學(xué)基金、國家重點研發(fā)計劃和浙江大學(xué)的資助。