本研究提出了一种新型深度集成模型RicEns-Net，通过融合SAR、光学遥感和气象数据，显著提高了作物产量预测的精度。实验结果表明，该模型性能优于现有方法。

本文探讨了多种基于深度学习和数据同化的方法，以提高气体流量和作物产量等动态系统的预测准确性。研究表明，结合卷积神经网络与长短期记忆网络的模型在处理不确定性和填补数据空缺方面表现优异，具有广泛的应用潜力。

该文综述机器学习与深度学习在作物产量预测中的应用：随机森林等模型精度较高；CNN-RNN、图神经网络及CNN-LSTM-DNN等可捕捉时空依赖，提升预测表现；结合APSIM模拟特征可降低误差；深度强化学习可优化氮肥管理；高分辨率弱监督方法及价格预测模型亦展现潜力。