文章开放访问 发表日期：2026年8月12日 《科学报告》（2026） 引用此文章 我们提供此手稿的未编辑版本，以便提前获取其发现。在最终出版之前，手稿将经过进一步编辑。请注意，内容中可能存在影响的信息错误，并且所有法律声明均适用。 摘要 准确的作物产量评估对于提高农业生产力和资源管理至关重要。然而，由于多种影响因素，如土壤特性、天气条件、作物管理、害虫和疾病，产量预测面临挑战。虽然深度学习技术提高了预测能力，但在处理大规模数据集时，实现高精度、低误差和减少计算时间仍然是一个关键问题。为了解决这个问题，提出了一种自适应广义回归深度卷积强化学习（AGR-DCRL）模型，以增强智能农业的预测精度。该模型由输入层、卷积层、池化层和密集层组成。数据首先通过物联网技术收集，以监测天气、土壤状况和农药使用。在数据增强过程中，输入层利用自适应邻近采样过程来创建新的数据样本。在卷积层，通过加权局部相似性基础填补和广义Tietjen-Moore检验对数据进行预处理。处理缺失值并检测异常值。在池化层中，使用Camargo自适应多样性指数应用特征选择，以选择最相关的特征并消除不相关特征，以减少维度。作物产量预测在密集层中进行，以通过多项式逻辑回归分析提取的特征和数据样本。输出层使用softmax激活函数生成多类别预测结果。然后，以每个预测结果和奖励测量误差率。根据奖励迭代更新Q值，直到模型收敛。最后，得到更高精度和更少错误的准确作物产量预测。所提技术的实验评估在Python中实施，使用智能农业传感器数据进行产量预测的数据集，配合多种指标。实验结果表明，与传统的深度学习方法相比，AGR-DCRL模型的精度提高了4%，误差率降低了69%，预测时间缩短了20%。 资助 开放访问资金由马尼帕尔高等教育学院提供。 作者确认此研究工作未获得任何资助。 作者信息 作者及其 affiliation Bengaluru马尼帕尔理工学院，马尼帕尔高等教育学院，印度 Preethi Preethi和Raghavendra M. Devadas 作者 Preethi Preethi Raghavendra M. Devadas 通讯作者 联系方式：Raghavendra M. Devadas。 伦理声明 竞争利益 作者声明没有竞争利益。 其他信息 出版者声明 施普林格自然在已出版的地图和机构附属关系的司法索赔方面保持中立。 权利和权限 开放访问本文受国际创作共享4.0许可证许可，这允许在任何媒介或格式中使用、共享、改编、分发和复制，只要给原作者和来源提供适当的信用，提供到创作共享许可证的链接，并指明是否作出更改。此文中的图像或其他第三方材料包含在文章的创作共享许可证中，除非在材料的信用行中另有指明。如果材料未包含在文章的创作共享许可证中，并且您预期的使用未被法定规定所允许或超出了允许的使用，您需要直接向版权持有人获得许可。 要查看此许可证的副本，请访问http://creativecommons.org/licenses/by/4.0/。 关于此文章 引用此文章 Preethi, P., Devadas, R.M. 自适应广义回归深度卷积强化学习用于智能精准农业中的作物产量预测。Sci Rep (2026)。https://doi.org/10.1038/s41598-026-66501-5 下载引用 接收日期：2026年3月30日 接受日期：2026年8月7日 发表日期：2026年8月12日 DOI：https://doi.org/10.1038/s41598-026-66501-5 关键词