农业是我们国家的主要生计来源。 当前面临水资源短缺、供需失控的成本以及天气不确定性等挑战，农民必须配备智能农业。 尤其需要解决由于气候变化不确定、灌溉设施差、土壤肥力下降和传统耕作技术而导致作物产量低的问题。 机器学习就是一种用于预测农业作物产量的技术。 各种机器学习技术如预测、分类、回归和聚类被用来预测作物产量。 人工神经网络、支持向量机、线性和逻辑回归、决策树、朴素贝叶斯是一些用于实现预测的算法。 然而，从可用算法池中选择合适的算法给研究人员带来了关于所选作物的挑战。 在本文中，对各种机器学习算法如何用于预测作物产量进行了调查。 已经提出了一种在大数据计算范式中使用机器学习技术预测作物产量的方法。

成本会计约当产量法.pptx

Python大作业报告2016-2020全国各地区粮食产量研究，先通过爬虫，在网上爬取数据，再对数据进行可视化处理，其中含折线图，饼状图，预测，地图可视化（将各地区粮食产量在地图上上显示），具体分析报告。

深度学习对作物产量的预测 我们论文的必要代码，《 ，AAAI 2017（计算机可持续性研究最佳学生论文奖）。 我们很高兴也赢得了赛的“最佳大数据解决方案”。 这是每个文件夹的实用程序的简要介绍。 “ / 1下载数据”我们如何将数据从Google Earth Engine下载到Google云端硬盘。 然后，用户需要将数据从Google云端硬盘导出到其本地文件夹（例如集群）。 诀窍在于，我们首先将所有可用年份（例如2003年至2015年）中的所有图像连接在一起，然后立即下载大图像，这可能会快数百倍。 “ / 2干净数据”如何对原始数据进行预处理，包括对巨大图像进行切片以获取单个图像，3-D直方图计算等。 “ / 3模型” CNN / LSTM模型结构，以张量流（v0.9）编写。 用Python编写的高斯过程模型。 “ / 4 model_batch”由于我们每年和每个月都在训练不同的

作物产量毫升 这是使用随机森林回归的作物产量预测指标。

深度学习用于小麦产量预测 使用深度学习使用图像数据预测小麦作物的产量

晚粳稻免耕直播条件下播种量与产量关系的研究.pdf

山东沿黄稻区麦茬直播稻品种产量和品质特性的研究.pdf

基于LSTM递归神经网络的番茄目标产量时间序列预测.pdf

文章深入了解了GM(1,1)模型的内容和原理,提出了一种改进该模型的方法,研究灰色状态马尔柯夫模型和对预测值确定的影响,通过选取2003年~2010年我国煤炭生产量来对比传统和改进后GM(1,1)模型的预测误差率和精度。实践证明基于改进灰色数学模型预测出来的煤炭产量十分接近实际产量,误差值远小于采取传统GM(1,1)计算出来的数值,实用价值和参照价值极高。