准确预测谷物产量对经济贸易,粮食生产和全球粮食安全具有广泛的意义。粮食产量预测是粮食储藏、农田管理和国家农业决策的关键,是国家粮食安全评估和粮食政策制定的重要组成部分。人口增加、耕地面积和水资源减少、环境恶化、全球气候变暖等一系列因素对农业生产影响显著,威胁着粮食安全。因此,准确的区域作物生长监测和产量预测对于指导农业生产、保障国家粮食安全以及维持农业的可持续发展至关重要。然而,跨时空的环境变量的多样性对模型的建立提出了挑战,并限制了产量预测模型的精度。传统的估产模型是基于物理模型建立的,它的缺点是只能选择有代表性的点来进行估测,区域小,很难实现大范围的估产。经研究,作物产量与其遥感图像数据之间具备较强的相关性,通过卫星遥感数据进行农作物产量预测变为可能,在这里,本文开发了一种基于深度学习的预测模型,采用卷积神经网络CNN和长短期记忆网络LSTM混合的方式进行建模,使用美国玉米带上2001年至2016年的玉米遥感数据和产量数据进行模型的训练,用2017年和2018年的数据来测试模型的精度。本文通过对作物生长过程中的生理特征重要性的分析,可以认为极端温度和年平均气温升高会对玉米单产产生负面影响。此外,还确定了一些重要变量的变化,特别是早期的地表温度,中期的地表温度和植被指数。最后,本文通过对几种关键的遥感数据包括归一化植被指数(NDVI)、增强型植被指数(EVI)、地表温度(LST)和土壤湿度(Soil Moisture,SM)进行对比仿真,结果发现使用单一的指数很难得到高精度的预测模型,其预测RMSE曲线基本在15%以上,通过植被指数和环境指数的结合使用,预测精度会有比较明显的提高。最终采用EVI、LST和SM的组合有最小的预测误差,其RMSE曲线在4%-5%,此时的预测精度已经达到了用于实际预测的水平。传统的模型都是通过纯数学的方法对输入数据进行统计和拟合,来实现作物产量预测的,这些模型在使用时,一个很大的问题便是需要手动选取特征,特征的选取和最终模型的精度有很大关系,且其拟合方法多是线性拟合,而实际情况大多是非线性的。为了弥补这些缺点,本文采用了了用深度学习的方法来构建预测模型。通过仿真对比,本文提出的预测模型表现优异,在最重要的产量区有着最低的误差,预测精度非常高。为了进一步提高网络的精度和泛用性,本文在超参数设置、过拟合问题以及优化算法上作了详细的分析,包括学习率的设置、卷积核的大小、网络的层数和神经元的数量等。因为CNN在提取特征时受到多种因素的影响,对输入数据的要求较高,而且很难学习到数据间的时间相关性,因此采用两种网络结合的模型能够弥补单一网络在某些方面的不足,在各种情况下都能取得最好的效果,最终通过和单一的CNN网络及LSTM网络的对比仿真,结果显示本文设计的模型的预测精度最高,预测误差RMSE曲线可以收敛到3%左右,随着对模型结构的优化,预测质量也在提高。