原文链接：Crop yield prediction using machine learning: A systematic literature review - ScienceDirect

亮点

-综述了基于机器学习 (ML) 的作物产量预测论文。

-我们选择了 50 篇基于 ML 的论文，随后又选择了 30 篇基于深度学习的论文。

-使用最多的特征是温度、降雨量和土壤类型。

-使用最广泛的 ML 算法是神经网络。

-使用最广泛的深度学习算法是 CNN。

摘要

机器学习是农作物产量预测的重要决策支持工具，包括支持关于种植什么农作物以及在农作物生长季节做什么的决策。已有多种机器学习算法被用于支持作物产量预测研究。在本研究中，我们进行了一次系统文献综述（SLR），以提取和归纳已用于作物产量预测研究的算法和特征。根据检索标准，我们从六个电子数据库中检索到 567 项相关研究，并根据纳入和排除标准从中选出 50 项研究进行进一步分析。我们仔细调查了这些选定的研究，分析了所使用的方法和特征，并为进一步研究提供了建议。根据我们的分析，这些模型中使用最多的特征是温度、降雨量和土壤类型，应用最多的算法是人工神经网络。在分析了基于机器学习的 50 篇论文后，我们又在电子数据库中搜索了基于深度学习的研究，共搜索到 30 篇基于深度学习的论文，并提取了所应用的深度学习算法。根据这一补充分析，卷积神经网络（CNN）是这些研究中最广泛使用的深度学习算法，其他广泛使用的深度学习算法是长短期记忆（LSTM）和深度神经网络（DNN）。