Williams, A.D., dkk., 2011. Simulasi penularan wabah pneumonia berbasis individu setelah wabah dan pentingnya kepatuhan terhadap intervensi. Epidemics, 3 (2), 95-102. Wu, Y. , dkk. , 2018.
Pembelajaran mendalam untuk prediksi epidemiologi. Dalam: Konferensi Internasional ACM SIGIR ke-41 tentang Penelitian & Pengembangan dalam Pencarian Informasi . 1085-1088.
Xiong, L., dkk., 2020. Bereaksi: Pelacakan kontak waktu nyata dan pemantauan risiko menggunakan pelacakan seluler yang ditingkatkan privasi. SIGSPATIAL Special, 12 (2), 3-14.
Ye, W. dan Gao, S. , 2022. Memahami heterogenitas spatiotemporal dalam hubungan antara infeksi COVID-19 dan mobilitas manusia dan kontak dekat di Amerika Serikat. Dalam: Prosiding Lokakarya Internasional ACM SIGSPATIAL ke-3 tentang Komputasi Spasial untuk Epidemiologi . 1- 9.
Zakaria, C., dkk. , 2022. Menganalisis dampak kebijakan pengendalian COVID-19 terhadap hunian dan mobilitas kampus melalui penginderaan wifi. ACM Transactions on Spatial Algorithms and Systems, 8 (3), 1-26.
Zhao, L., dkk., 2019. T-gcn: Jaringan konvolusi graf temporal untuk prediksi lalu lintas. IEEE Transactions on Intelligent Transportation Systems, 21 (9), 3848-3858.
Züfle, A. dan Anderson, T. , 2020. Pengantar untuk edisi khusus ini: Memodelkan dan memahami penyebaran COVID-19: (bagian i). SIGSPATIAL Special, 12 (1), 1-2. Züfle, A. , Anderson, T. , dan Gao, S. , 2022a. Pengantar untuk edisi khusus tentang memahami penyebaran COVID-19, bagian 1.
Züfle, A. , Gao, S. , dan Anderson, T. , 2022b. Pengantar untuk edisi khusus tentang memahami penyebaran COVID-19, bagian 2.
mendeteksi fenologi tanaman. Penginderaan Jauh, 14 (9), 1957.
Diao, C. , dkk. , 2021. Model pencocokan fenologi hibrida untuk pengambilan fenologi tanaman yang kuat. Jurnal Fotogrametri dan Penginderaan Jauh ISPRS, 181, 308-326.
Drusch, M., dkk., 2012. Sentinel-2: Misi resolusi tinggi optik Esa untuk layanan operasional gmes.
Penginderaan Jauh Lingkungan, 120, 25-36.
Feng, Y., dkk., 2017. Pemodelan evapotranspirasi referensi menggunakan mesin pembelajaran ekstrim dan jaringan saraf tiruan regresi umum hanya dengan data suhu. Komputer dan Elektronika dalam Pertanian, 136, 71-78.
Folberth, C., dkk., 2019. Penurunan skala spatio-temporal dari estimasi hasil model tanaman grid berdasarkan pembelajaran mesin. Meteorologi Pertanian dan Hutan, 264, 1-15.
Gal, Y. dan Ghahramani, Z. , 2015. Bayesian convolutional neural networks dengan inferensi variasional perkiraan bernoulli. arXiv preprint arXiv:1506.02158.
Gal, Y. dan Ghahramani, Z. , 2016. Putus sekolah sebagai perkiraan bayesian: Merepresentasikan ketidakpastian model dalam deep learning. In: Prosiding PMLR , 1050-1059.
Garca Pereira, A., dkk., 2020. Akuisisi dan pemrosesan data untuk model geoai guna mendukung praktik pertanian berkelanjutan.
Grassini, P., dkk. , 2015. Sistem tanam jagung-kedelai dengan hasil tinggi di sabuk jagung Amerika Serikat. In: Fisiologi Tanaman. Elsevier, 17-41.
Hamida, A.B. , dkk. , 2018. Pendekatan pembelajaran mendalam 3-d untuk klasifikasi citra penginderaan jauh. IEEE Transactions on Geoscience and Remote Sensing, 56 (8), 4420-4434.
Hengl, T. , dkk. , 2017. Soilgrids250m: Informasi tanah grid global berdasarkan pembelajaran mesin. PLoS One, 12 (2), e0169748.
Islam, N. , dkk. , 2021. Deteksi gulma dini menggunakan teknik pemrosesan citra dan pembelajaran mesin di pertanian cabai Australia. Agriculture, 11 (5), 387.
Jeffries, G.R., dkk., 2020. Pemetaan hasil panen jagung sub-ladang di Nebraska, Amerika Serikat dengan menggabungkan citra penginderaan jauh, model simulasi tanaman, dan pembelajaran mesin. Pertanian Presisi, 21, 678-694.
Jeong, J.H., dkk. , 2016. Hutan acak untuk prediksi hasil panen global dan regional. PloS One, 11 (6), e0156571.
Jiang, H., dkk. , 2020a. Pendekatan pembelajaran mendalam untuk menggabungkan data geospasial heterogen untuk estimasi hasil panen jagung: Studi kasus sabuk jagung Amerika Serikat di tingkat kabupaten. Biologi Perubahan Global, 26 (3), 1754-1766.
Jiang, Z., dkk., 2020b . Memprediksi hasil panen jagung skala kabupaten dengan data yang tersedia untuk umum. Laporan Ilmiah, 10 (1), 1-12.
Johann, A.L., dkk. , 2016. Pemodelan kelembaban tanah berdasarkan perilaku stokastik gaya pada pembuka pahat tanpa olah tanah. Komputer dan Elektronika dalam Pertanian, 121, 420-428.
Jumrani, K. dan Bhatia, V.S. , 2018. Dampak gabungan cekaman suhu tinggi dan defisit air terhadap pertumbuhan dan hasil biji kedelai. Fisiologi dan Biologi Molekuler Tanaman, 24 (1), 37-50.
Kang, Y., dkk., 2020. Penilaian komparatif variabel lingkungan dan algoritme pembelajaran mesin untuk prediksi hasil panen jagung di midwest AS. Environmental Research Letters, 15 (6), 064005.
Kattenborn, T. , dkk. , 2021. Tinjauan tentang jaringan syaraf tiruan (convolutional neural networks/CNN) dalam penginderaan jauh vegetasi. Jurnal Fotogrametri dan Penginderaan Jauh ISPRS, 173, 24-49.
Kendall, A. dan Gal, Y. , 2017. Ketidakpastian apa yang kita butuhkan dalam pembelajaran mendalam bayesian untuk visi komputer? Kemajuan dalam Sistem Pemrosesan Informasi Saraf, 30.
Khaki, S. dan Wang, L. , 2019. Prediksi hasil panen menggunakan jaringan saraf tiruan. Perbatasan dalam Ilmu Tanaman, 10, 621.
Lencucha, R., dkk. , 2020. Kebijakan pemerintah dan produksi pertanian: tinjauan ruang lingkup untuk menginformasikan penelitian dan kebijakan tentang komoditas pertanian yang sehat. Globalisasi dan Kesehatan, 16, 1-15.
Li, Z. , Zhang, Z. , dan Zhang, L. , 2021. Meningkatkan penilaian risiko kekeringan gandum regional untuk aplikasi asuransi dengan mengintegrasikan model tanaman berbasis skenario, pembelajaran mesin, dan data satelit. Agricultural Systems, 191, 103141.
Lin, T., dkk. , 2020. Deepcropnet: kerangka kerja pembelajaran spasial-temporal yang mendalam untuk estimasi hasil panen jagung di tingkat kabupaten. Environmental Research Letters, 15 (3), 034016.
Jauh Lingkungan, 164, 324-333.
Ma, Y. , dkk. , 2021. Prediksi hasil panen jagung dan analisis ketidakpastian berdasarkan variabel penginderaan jarak jauh menggunakan pendekatan jaringan saraf tiruan bayesian. Penginderaan Jauh Lingkungan, 259, 112408.
Maestrini, B., dkk. , 2022. Menggabungkan pendekatan berbasis proses dan berbasis data dalam prediksi hasil panen. European Journal of Agronomy, 139, 126569.
Maimaitijiang, M., dkk. , 2020. Prediksi hasil panen kedelai dari uav menggunakan fusi data multimodal dan deep learning. Penginderaan Jauh Lingkungan, 237, 111599.
Meng, T., dkk. , 2017. Menganalisis pengaruh suhu dan curah hujan terhadap distribusi hasil panen kanola dan gandum musim semi di Saskatchewan. Jurnal Meteorologi dan Klimatologi Terapan, 56 (4), 897-913.
Menze, B.H., dkk., 2009. Perbandingan hutan acak dan gini kepentingannya dengan metode kemometrik standar untuk pemilihan fitur dan klasifikasi data spektral. BMC Bioinformatika, 10, 1-16.
Mobiny, A., dkk., 2021. Dropconnect efektif dalam memodelkan ketidakpastian bayesian deep network. Laporan Ilmiah, 11 (1), 1-14.
Mohammadi, K., dkk., 2015. Prediksi suhu titik embun harian berbasis mesin pembelajaran ekstrem.
Komputer dan Elektronika dalam Pertanian, 117, 214-225.
Morellos, A., dkk., 2016. Prediksi nitrogen total, karbon organik, dan kadar air tanah berbasis pembelajaran mesin dengan menggunakan spektroskopi vis-nir. Rekayasa Biosistem, 152, 104- 116.
Müller, C., dkk. , 2021. Mengeksplorasi ketidakpastian dalam proyeksi hasil panen global dalam ansambel besar model tanaman dan skenario iklim cmip5 dan cmip6. Environmental Research Letters, 16 (3), 034040.
Muruganantham, P., dkk. , 2022. Tinjauan literatur sistematis tentang prediksi hasil panen dengan deep learning dan penginderaan jauh. Penginderaan Jauh, 14 (9), 1990.
Nahvi, B., dkk., 2016. Menggunakan algoritma evolusi adaptif diri untuk meningkatkan kinerja mesin pembelajaran ekstrem untuk memperkirakan suhu tanah. Komputer dan Elektronika dalam
Pertanian, 124, 150-160.
Nassani, A.A., dkk. , 2019. Manajemen sumber daya alam dan harga material: Bukti global. Kebijakan Sumber Daya, 64, 101500.
Nembrini, S. , König, I.R. , dan Wright, M.N. , 2018. Kebangkitan kembali nilai penting gini?
Bioinformatika, 34 (21), 3711-3718.
Nguyen, G. , dkk. , 2019. Pembelajaran mesin dan kerangka kerja dan perpustakaan pembelajaran mendalam untuk penambangan data skala besar: sebuah survei. Tinjauan Kecerdasan Buatan, 52, 77-124.
Patil, A.P. dan Deka, P.C. , 2016. Pendekatan mesin pembelajaran ekstrim untuk pemodelan evapotranspirasi menggunakan input ekstrinsik. Komputer dan Elektronika dalam Pertanian, 121, 385- 392.
Pourmohammadali, B. , dkk. , 2019. Pengaruh sifat tanah, kualitas air dan praktik pengelolaan terhadap hasil panen pistachio di wilayah rafsanjan, tenggara Iran. Pengelolaan Air Pertanian, 213, 894-902.
Raun, W.R., dkk. , 2002. Meningkatkan efisiensi penggunaan nitrogen dalam produksi biji-bijian sereal dengan penginderaan optik dan aplikasi laju variabel. Jurnal Agronomi, 94 (4), 815-820.
Russello, H. , 2018. Jaringan syaraf tiruan konvolusi untuk prediksi hasil panen menggunakan citra satelit. Pusat Studi Lanjutan IBM.
Saha, D. , Basso, B. , dan Robertson, GP , 2021. Pembelajaran mesin meningkatkan prediksi emisi dinitrogen oksida (n2o) pertanian dari sistem pertanian yang dikelola secara intensif.
Environmental Research Letters, 16 (2), 024004.
Schwalbert, R., dkk., 2020. Prakiraan hasil panen jagung tingkat kabupaten di pertengahan musim untuk sabuk jagung Amerika Serikat dengan mengintegrasikan citra satelit dan variabel cuaca. Ilmu Tanaman, 60 (2), 739-750.
Shahhosseini, M. , Hu, G. , dan Archontoulis, S.V. , 2020. Memperkirakan hasil panen jagung dengan ansambel pembelajaran mesin. Perbatasan dalam Ilmu Tanaman, 11, 1120.
Shahhosseini, M., dkk., 2021. Menggabungkan pembelajaran mesin dan pemodelan tanaman meningkatkan prediksi hasil panen di sabuk jagung Amerika Serikat. Laporan Ilmiah, 11 (1), 1-15.
Shirani, H., dkk., 2015. Menentukan fitur-fitur yang mempengaruhi kualitas fisik tanah berkapur di wilayah semiarid iran menggunakan algoritma pso-dt hibrida. Geoderma, 259, 1-11.
konvolusi bayesian dengan inferensi variasional. arXiv pracetak arXiv: 1901.02731. Sishodia, R.P. , Ray, R.L. , dan Singh, S.K. , 2020. Aplikasi penginderaan jauh dalam pertanian presisi: Sebuah tinjauan. Penginderaan Jauh, 12 (19), 3136.
Sun, J. , dkk. , 2019. Prediksi hasil panen kedelai tingkat kabupaten menggunakan model deep cnn-lstm. Sensor, 19 (20), 4363.
Terliksiz, A.S. dan Altỳlar, D.T. , 2019. Penggunaan jaringan saraf tiruan untuk prediksi hasil panen:
Studi kasus hasil panen kedelai di wilayah Lauderdale, Alabama, Amerika Serikat. Dalam: Konferensi Internasional ke-8 2019 tentang Agro-Geoinformatika (Agro-Geoinformatika) . IEEE, 1-4.
Thayer, A.W., dkk. , 2020. Mengintegrasikan pertanian dan ekosistem untuk menemukan adaptasi yang sesuai terhadap perubahan iklim. Climate, 8 (1), 10.
Tian, H. , dkk. , 2021. Jaringan syaraf tiruan lstm untuk meningkatkan estimasi hasil panen gandum dengan mengintegrasikan data penginderaan jauh dan data meteorologi di dataran Guanzhong, RRC. Meteorologi Pertanian dan Hutan, 310, 108629.
Van Klompenburg, T. , Kassahun, A. , dan Catal, C. , 2020. Prediksi hasil panen menggunakan pembelajaran mesin: Sebuah tinjauan literatur sistematis. Komputer dan Elektronika dalam Pertanian, 177, 105709. VoPham, T. , dkk. , 2018. Tren yang muncul dalam kecerdasan buatan geospasial (geoai): aplikasi potensial untuk epidemiologi lingkungan. Kesehatan Lingkungan, 17 (1), 1-6.
Wang, X. , dkk. , 2020. Prediksi hasil panen gandum musim dingin di tingkat kabupaten dan analisis ketidakpastian di daerah penghasil gandum utama di Cina dengan pendekatan pembelajaran mendalam. Penginderaan Jauh, 12 (11), 1744.
Wang, Y. , dkk. , 2021. Pendekatan cnn berbasis perhatian baru untuk pemetaan tanaman menggunakan citra time series sentinel-2. Komputer dan Elektronika dalam Pertanian, 184, 106090.
Woo, S., dkk., 2018. Cbam: Modul perhatian blok konvolusi. Dalam: Prosiding Konferensi Eropa tentang Visi Komputer (ECCV) . 3-19.
Yao, Y. , dkk. , 2012. Strategi manajemen presisi berbasis sensor kanopi aktif untuk padi. Agronomi untuk Pembangunan Berkelanjutan, 32, 925-933.
Yoosefzadeh-Najafabadi, M. , Tulpan, D. , dan Eskandari, M. , 2021. Menggunakan kecerdasan buatan hibrida dan algoritma optimasi evolusioner untuk memperkirakan hasil panen kedelai dan biomassa segar menggunakan indeks vegetasi hiperspektral. Penginderaan Jauh, 13 (13), 2555.
You, J., dkk. , 2017. Proses deep gaussian untuk prediksi hasil panen berdasarkan data penginderaan jauh. In: Prosiding Konferensi AAAI tentang Kecerdasan Buatan . vol. 31.
Zhang, J. , dkk. , 2021. Identifikasi penyakit daun mentimun menggunakan deep learning dan ukuran sampel kecil untuk internet of things pertanian. Jurnal Internasional Jaringan Sensor Terdistribusi, 17 (4), 15501477211007407.
Zhang, S., dkk. , 2020. Metode pengenalan spesies tanaman menggunakan citra daun: Tinjauan umum. Neurocomputing, 408, 246-272.
Zhong, L., dkk., 2019. Pemetaan gandum musim dingin berbasis deep learning menggunakan data statistik sebagai referensi lapangan di Kansas dan Texas Utara, AS. Penginderaan Jauh Lingkungan, 233, 111411.
Ziliani, M.G., dkk. , 2022. Prediksi awal musim variabilitas hasil panen di dalam ladang dengan mengasimilasi data cubesat ke dalam model tanaman. Meteorologi Pertanian dan Hutan, 313, 108736.