精确预测农业生产产出，对农民、政策制定者和农业相关产业至关重要。本文介绍了一种新的作物产量预测方法，即利用具有卷积最小二乘模型和注意机制的Capsular神经网络进行作物产量预测。模型结合了3DCNN和ConvLSTM的优势，前者可以捕获作物产量数据的时间依赖性和3D特征，而注意力机制可以优先考虑最重要的特征进行预测。在大量的2003年至2019年美国大豆作物产量数据进行评估，结果表明，本文提出的方法在RMSE、相关系数和预测误差图方面的性能优于其他模型。具体来说，与最先进的Deep-Yield模型相比，本文提出的模型在RMSE方面实现了约14%的改进，还展示了提取更有意义的特征和捕捉作物产量数据与气象变量之间复杂关系的能力。综上所述，该方法具有准确、高效的作物产量预测潜力，可应用于其他作物和地区。

图1  提出了结合Capsule 神经网络、注意力机制和Conv-LSTM的模型架构，用于改进特征提取和作物产量预测。

图2  新版本的神经元示意图。

图3  基于残差网络和双注意机制(SSMSCR)的光谱空间多可扩展3DCNN图。

图4  不同模块间均方根误差的比较。

图5  不同激活函数上的损失值。

图6  测试数据集上的RMSE损失值用箱形图表示。每个网络结构的数据采集了15次实验，每个模型的参数保持一致。箱形图显示了中位数(中线)、四分位数间距(箱形)和代表置信区间的晶须。比较的网络是CACN，Deep Yield, ConvLSTM, 3DCNN和CNNLSTM。CACN模型的方差和RMSE值均最小，具有较高的稳定性和性能。测试数据集上的RMSE损失值用箱线图表示。数据来自15个实验，每个模型的参数保持一致。

图7  训练损失函数图。

图8  不同方法的预测值与真实产量值的散点图。(a) 3D-CNN。(b) CNN-LSTM。(c) ConvLSTM。(d) DeepYield。(e) Method in (Nejad et al. 2023)。(d) CACN。颜色表示数据点的密度，黄色表示密度较高，暗红色表示密度较低。

图9  与我们提出的方法相比，各种方法的预测误差分布在地图中。这些地图显示了每种方法在2019年的预测误差分布。比较的方法包括。(a) 3D-CNN。(b) CNN-LSTM。(c) ConvLSTM。(d) DeepYield。(e) Method in (Nejad et al. 2023)。(d) CACN。