Die Studie konzentriert sich auf zwölf Hauptregionen der USA, in denen Sojabohnen angebaut werden. Diese Regionen, die sich im mittleren Westen der USA befinden, umfassen Staaten wie Arkansas, Illinois, Indiana, Iowa, Kansas, Minnesota, Missouri, Nebraska, North Dakota, Ohio, South Dakota und Wisconsin. Diese Regionen weisen erhebliche klimatische Unterschiede auf, die das Wachstum und den Anbau von Sojabohnen beeinflussen. Diese Unterschiede haben Auswirkungen auf den Zeitplan für wichtige Wachstumsphasen wie Keimung, Blüte, Fruchtbildung und Blattfall sowie auf den Zeitpunkt der Ernte. Die klimatischen Unterschiede reichen von einem subtropisch feuchten Klima in Arkansas bis zu einem gemäßigten kontinentalen Klima in Wisconsin.
Um öffentlich zugängliche Daten von verschiedenen Quellen zu nutzen, wurden die Datenstruktur und Auflösung standardisiert und aggregiert. Daten wie Oberflächenreflexion, Vegetationsindizes, Umweltdaten und photosynthetikbezogene Daten wurden in einem einheitlichen Format in der Google Earth Engine (GEE) Plattform verarbeitet. Zur Vorhersage der Sojabohnenerträge auf Kreisebene zwischen Mai und August wurden Daten von 2008 bis 2020 verwendet, um die klimatischen Variationen zu berücksichtigen, die die Pflanz- und Erntetermine von Sojabohnen beeinflussen. Die Übergabe der Daten auf Kreisebene erfolgte nach einer Maskierung des Sojabohnenanbaugebiets.
Die Sojabohnenertragsdaten auf Kreisebene von 2008 bis 2017 wurden über die National Agricultural Statistics Service (NASS) des Landwirtschaftsministeriums der USA bezogen. Durch die Cropland Data Layer (CDL), ein jährliches Datensatz für die Kategorisierung von Feldfrüchten, wurden Sojabohnenanbaugebiete identifiziert. Zusätzliche Daten wie Oberflächenreflexion, Vegetationsindizes, Klimadaten und lichtbezogene Parameter wurden verwendet, um ein umfassendes Bild des Wachstumsumfelds zu bieten.
Zur Erleichterung der frühen Schätzung von Sojabohnenerträgen wurde ein neues tiefes Lernmodell entwickelt, das GOA mit einem CNN und einer Bidirektionalen Gated Recurrent Unit (BiGRU) kombiniert und durch einen Aufmerksamkeitsmechanismus ergänzt wird, um die Vorhersagegenauigkeit zu verbessern. Der entwickelte GCBA-Ansatz integriert verschiedene Fernerkundungsdaten mit fortschrittlichen tiefen Lernmethoden, um die räumlichen und zeitlichen Dynamiken zu ergründen, die die Sojabohnenerträge beeinflussen. Eine sorgfältige Datenverarbeitung und Hyperparameteroptimierung trugen zur Genauigkeit und Effizienz des Modells bei. Im Rahmen der Studie wurden mehrere Vergleichsmodelle wie SVR, RF, CNN, GRU und CNN-GRU untersucht, um die Überlegenheit des GCBA-Ansatzes bei der Sojabohnenertragschätzung auf großen Flächen zu demonstrieren.