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。

研究人员利用93,028个训练记录的数据集，预测了10,337个测试记录的作物产量。他们开发了两种新颖的卷积神经网络架构，并使用广义集成方法确定了最优模型权重。模型在测试数据上表现更好，具有较低的均方根误差和更高的相关系数。研究人员还将模型应用于基因型的识别，并通过特征重要性分析突出了地点、MG、年份和基因型的重要性，以及气候变量的重要性。