该研究提出了一种结合土壤湿度的知识引导机器学习模型，以提高干旱条件下玉米产量预测的准确性。通过引入土壤湿度作为中介变量和设计干旱感知损失函数，显著改善了预测效果，对农业生产具有重要指导意义。

本研究提出了一种智能物联网灌溉系统，旨在解决干旱地区的水资源短缺问题。通过代理导向和系统动力学的混合模型，优化土壤湿度，减少水损失。测试结果表明，该系统有效降低了灌溉水量和能源消耗。

利用统计数据和地理影像作为输入，提出了一种多模态方法来估计土壤湿度，所得结果在土壤湿度估计上优于传统方法。

该研究提出了一种新型多时相城市制图方法，利用多模态卫星数据和重建网络有效补充缺失光学数据。通过引入时空Transformer模型，解决稀疏数据中的缺失值问题，并展示了在土壤湿度和青光眼预测中的应用，取得了优异的准确性。此外，研究探讨了超分辨率技术和特征提取模块的改进，展示了在遥感图像处理中的潜力。

本研究探索了基于基础模型的时间序列预测在智能农业领域中的潜力，特别应用了 TimeGPT 模型来预测土壤水势，展示了其在农业应用中具有竞争力的预测准确性，为可持续发展的农业奠定了基础。

本研究提出了一种基于图像段的融合框架，结合Sentinel-1/2和SMAP数据，显著提高土壤湿度估计的准确性。通过引入时空Transformer模型，解决了稀疏数据缺失问题，并展示了其在土壤湿度数据中的优越表现。此外，DeepSD框架利用超级分辨率技术提升气候统计降尺度的准确性，研究了机器学习在全球气候模型中的应用，并评估了不同方法的效果。

本文探讨了基于图神经网络和深度学习的方法，以提高土壤湿度预测、空气污染管理和灌溉效率。研究表明，结合物理模型与机器学习能显著提升预测准确性和经济效益，尤其在水资源管理和粮食生产中具有重要应用潜力。