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。

该研究使用93,028个训练记录的数据集，预测了10,337个测试记录的农作物产量。研究开发了两种新颖的卷积神经网络（CNN）架构，并利用广义集成方法（GEM）确定了最优模型权重。该模型在测试数据上实现了较低的均方根误差和更高的相关系数，对于有限测试年份的情况非常有价值。研究还突出了地点、MG、年份和基因型的重要性，以及气候变量MDNI和AP的重要性。