{“状态”：“确定”，“消息类型”：“工作”，“信息版本”：“1.0.0”，“邮件”：{“索引”：{-“日期部分”：[[2022,5,7]]，“日期时间”：“2022-05-07T05:12:17Z”，“时间戳”：1651900337159}，“参考计数”：22，“出版商”：“电子信息与通信工程师学会（IEICE）”，“问题”：“5”，“内容域”：{“域”：[]，“交叉标记限制”：false}，“short-container-title”：[“IEICE Trans.Inf.&Syst.”]，“published-print”：{“date-parts”：[[2022,5,1]]}，”DOI“：”10.1587\/transinf.2021dap0013“，”type“：”journal-article“，”created“：{”date-part“：[2022,4,30]]，”date-time“：”2022-04-30T22:17:14Z“，”timestamp“：1651357034000}”，“page”：“955-963”，“source”“：”Crossref“，”is-referenced-by-count“：0，”title“：[“根据25年来的种植记录预测水稻植株的生长阶段\u2014结合隐藏区域特征的特征工程试验\u2014”]，“前缀”：“10.1587”，“卷”：“E105.D”，“作者”：[{“给定”：“广岛”，“家族”：“UEHARA”，“序列”：“第一”，“隶属关系”：[[{”名称“：“里绍大学”}]}，{“已知”：“Yasuhiro”，“family”：“IUCHI”，“sequence”：“additional”，“affiliation”：[{“name”：“秋田县大学”}]}}]，“成员”：“532”，“reference”：[{“key”：“1”，“unstructured”：“[1]A.Kaneko、T.Kennedy、L.Mei、C.Sintek、M.Burke、S.Ermon和D.Lobell，《非洲作物产量预测的深度学习》，《斯坦福森林环境研究所学报》，https:\/\/Woods.Stanford.edu\/publications\/dep-learning-crop-yield-deflection-Africa，2019年。”}，{“key”：《2》，“doi-asserted-by”：“publisher”，“unstructured”：“[2]L.Petersen，MODIS相对植被健康的作物产量实时预测：非洲大陆分析，201d遥感，第10卷，第11期，第1726-1757页，2018年。10.3390 \/rs10111726“，”DOI“：”10.3390 \/rs1011126“}，{“key”：“3”，“DOI-asserted-by”：“publisher”，“unstructured”：“[3]Y.Zhang，Y.Zhao，S.Chen，J.Guo，and E.Wang，\u201c《气候和作物模型不确定性下玉米产量对气候变化的响应预测》，《应用气象学与气候学》，第54卷，第4期，第785-794页，2015年。（期刊）10.1175，“JAMC-D-14-0147.1”，“DOI”：“10.1175”，{“key”：“4”，“unstructured”：“[4]J.Masanganise，B.Chipindu，T.Mhizha，and E.Mashonjowa，《津巴布韦东北部玉米产量对气候变化响应的模型预测》，《非洲作物科学杂志》，第20卷，第2期，第505-515页，2012年doi-asserted-by“：”crossref“，”unstructured“：”[5]N.Gandhi、L.J.Armstrong、O.Petkar和A.K.Tripathy，使用支持向量机预测印度水稻产量，\u201d Proc。第十三届国际计算机科学与软件工程联合会议（JCSSE），2016年。10.1109“JCSSE.2016.7748856”，“DOI”：“10.1109”，{“key”：“6”，“DOI-asserted-by”：“publisher”，“unstructured”：“[6]S.Ying-Xue，X.Huan，and Y.Li-Jiao，\u201cSupport vector machine-based open crop model（SBOCM）：中国水稻生产案例，《沙特生物科学杂志》，第24卷，第3期，第537-547页，2017年。10.1016\/j.sjbs.2017.01.024“，”DOI“：”10.1016//j.sjbs.2017.01.01.24“}，{“key”：“7”，“unstructured”：“[7]Y.Maeda，T.Goyodani，S.Nishiuchi，and E.Kita，\u201c水稻产量预测与机器学习，\u201 d Proc.The 24th Int.Conf.并行和分布式处理技术与应用，pp.361-3652018。”}，}，“key“：”8“，”非结构化“：”[8]H.Uehara和A.Shinjo，\u201cWAGRI-农业大数据平台，\u201 d Proc。电子农业行动：农业大数据联合国粮食及农业组织和国际电信联盟，第73-832019页。“}，{“key”：“9”，“doi-asserted-by”：“crossref”，“unstructured”：“[9]M.Bogard，C.Ravel，E.Paux，J.Bordes，F.Balfourier，S.C.Chapman，J.L.Gouis，and V。Allard，使用基于QTL的生态生理模型参数预测面包小麦（Triticum aestivum L.）抽穗期，《实验植物学》，第65卷，第20期，第5849-5865页，2014年。Mehta，使用机器学习的作物预测系统，《国际先进工程与研究发展杂志》，第4卷，第5期，第1-6页，2017年。“}，{“key”：“11”，“doi-asserted-by”：“publisher”，“unstructured”：“[11]S.Khaki and L。Wang，\u201c使用深度神经网络进行作物产量预测，《植物科学前沿》，卷：1902.028602019。（期刊）10.3389，“DOI”：“10.3389”，{“key”：“12”，“unstructured”：“[12]S.S.Dahikar和S.V.Rode，使用人工神经网络方法预测农业作物产量，《国际电工、电子、仪器和控制工程创新研究》，第2卷，第1期，第683-686页，2014年。”}，{“key”：“13”，“doi asserted by”：“publisher”，“nonstructured”：“[13]B.Ji，Y.Sun，S.Yang，and J.Wan，\u201c山区水稻产量预测的人工神经网络，\u201d《农业科学》，第145卷，第3期，第249-2612007页。10.1017\/S0021859606006691“，”DOI“：”10.1017\/S00218596006691“}，{”key“：”14“，”DOI-asserted-by“：”crossref“，”unstructured“：”[14]T.Priyanka，P.Soni，and C。Malathy，\u201c使用人工神经网络方法进行农业作物产量预测，\u201d使用人工智能和卫星图像进行农业作物产量预测。，第13卷，第6-12页，2018年。“，“DOI”：“10.26438\/ijcse\/v6i11.178181”}，{“key”：“15”，“DOI-asserted-by”：“publisher”，“unstructured”：“[15]Y.S.Chauhan，M.Ryan，S.Chandra，and V.O.Sadras，\u201cAccounting for soil water improvided predicated of flowing time in chickpea and wheat，\u201 d Nature.com，第7510卷，no.Scientific Reports，2019年第1-11页。10.1038\/s41598-019-43848-6“，“DOI”：“10.1038\/s41598-19-43846-6”}，{“key”：“16”，“DOI-asserted-by”：“crossref”，“unstructured”：“[16]J.R.Lamichane，J.Constantin，C.Schoving，P.Maury，P.Debaeke，J.Aubertot，and C。D\u00fcrr，\u201c大豆发芽、出苗分析和气候变化下作物可能向北扩展的预测，\u201 D bioRxiv。，第https:\/\/doi.org\/10.101\/632976卷，2019年第1-28页。10.1101\/632976“，“DOI”：“10.1101\+632976”}，{“key”：“17”，“DOI-asserted-by”：“publisher”，“unstructured”：“[17]L.E.Baum和T.Petrie，有限状态马尔可夫链概率函数的统计推断，《数理统计年鉴》，第37卷，第6期，第1554-1563页，1966年。10.1214\/aoms\/1177699147“，”DOI“：”10.1214\/aoms\/1177699147“}，{”key“：”18“，”DOI-asserted-by“：”crossref“，”unstructured“：”[18]T.Horie and H。Nakagawa，\u201c水稻发育过程的建模和预测：I.模拟抽穗发育过程模型的结构和参数估计方法，日本作物科学学会，第59卷，第4期，第687-95页，1990年。10.1626\/jcs.59.687“，“DOI”：“10.1626\/jcs.5.9.687”}，{“key”：“19”，“DOI-asserted-by”：“crossref”，“unstructured”：“[19]Y.Iuchi，H.Uehara，Y.Fukazawa，and Y.Kaneta，\u201c稳定各种植区水稻作物穗出苗的预测性能，第17届环太平洋知识获取研讨会，第83-97页，2021。10.1007，“DOI”：“10.1007”，{“key”：“20”，“DOI-asserted-by”：“publisher”，“unstructured”：“[20]A.J.Viterbi，卷积码的误差界和渐近最优解码算法，IEEE Trans.Inf.Theory，第13卷，第2期，第260-269页，1967年。10.1109，TIT.1967.1054010“，“DOI”：“10.1109”，{“key”：“21”，“unstructured”：“[21]S.Shibata，K.Kon，and J.Taguchi，使用DVI模型和秋田县网格气候数据估算水稻发育阶段的准确性，东北地区国家农业研究中心公报，第57卷，第45-46页，2004年。”}，{“key”：“22”，“unstructured”：“[22]Y.Yoshino，K.Ota，Y.Koyama，K.Arihara，\u201c应用Amedas数据基于DVI Mthod预测水稻作物的出穗率，201d千叶县农林研究中心年度研究公报，第2卷，第55-63页，2010年。”}]，“集装箱运输”：[“IEICE信息和系统事务”]，“original-title”：[]，“language”：“en”，“link”：[{“URL”：“https:\/\/www.jstage.jst.go.jp\/article\/transf\/E105.D\/5\/E105.D_2021DAP0013\/_pdf”，“content-type”：“unspecified”，“content-version”：“vor”，“intended-application”：“similarity-checking”}]，“deposed”：{“date-parts”：[2022,5,7]]，“日期-时间”：“2022-05-07T04:40:06Z”，“timestamp”：1651898406000}，“score”：1，“resource”：{“primary”：{“URL”：“https:\/\/www.jstage.jst.go.jp\/article\/transf\/E105.D\/5\/E105.D_2021DAP0013\/_article”}}，”subtitle“：[]，”shorttitle“：[]，”issued“：{”date-parts“：[2022,5,1]]}”，“references-count”：22，“新闻发布”：{“发布”：“5”，“发布-发布”：}“日期-部分”：[[2022]]}}，“URL”：“http://\/dx.doi.org\/10.1587\/transinf.2021dap0013”，“relationship”：{}，“ISSN”：[“0916-8532”，“1745-1361”]，“ISSN-type”：[{“value”：“0916.8532”、“type”:“print”}，{“value”：“1745-13651”、“type”：“electronic”}]，“subject”：【】，“published”：{“date-parts”：【2022,5,1】}，”article编号“：”2021dap0013“}}