CVPRApr, 2022

基于因果机器学习的农业土地适宜性评估

PDF
TL;DR利用机器学习模型评估农业管理实践对农田适宜性的影响，研究发现在比利时的 Flanders 地区，农作物轮作对 NPP 没有显著影响，而景观作物多样性对 NPP 有小幅负面影响，并发现在空间上存在显著的异质性效应。
agricultural land suitabilitycausal machine learningagricultural management practicescrop rotationlandscape crop diversity
发现论文，激发创造
  • 气候变化对农业土地适宜性的影响：可解释的基于机器学习的亚欧案例研究

    通过机器学习方法预测气候变化对农业土地适宜性的风险，以应对全球范围内的粮食短缺和社会冲突。

    Oct, 2023

  • 使用因果机器学习实现可持续农业的个性化

    为了实现气候变化和人口增长的双重挑战，需要加强全球农作物生产并将农业从碳排放转变为碳汇，了解农业管理实践的环境影响是必要的前提。在此基础上，个性化的可持续农业是提高绿色指标的有效途径和即将出台的政策中的一个重要发展方向。本文将个性化可持续农业定义为条件平均处理效应的估计任务，并使用因果机器学习来处理。利用气候数据、土地利用信息和双重机器学习，我们估计了立陶宛的田间土壤有机碳含量在可持续农业实践方面的异质性影响，为实现可持续农业的目标提供了数据驱动的视角并扩大了全球碳汇。

    Nov, 2022

  • 作物多样化对气候变化影响的理解：一种机器学习方法

    在未来变暖和更干旱的气候下，农作物多样性可以提高作物的净初级生产力，从而有望成为现在和未来农业生产力的明智政策选择。

    Jul, 2023

  • 利用因果推理评估可持续农业的数字工具

    本文提出了一个观察因果推断的框架，用于对数字农业工具对目标农场绩效指标的影响进行实证评估，并就一个针对棉花播种的推荐系统进行了实证评估，结果表明其极大地提高了棉农产量。

    Nov, 2022

  • 大地数据和机器学习支持可持续和有弹性的农业

    本研究利用地球观测数据、机器学习和大数据方法开发应用程序，致力于监测共同农业政策（CAP）、食品安全及智能耐荒农业等领域，在解决机器学习模型训练的注释数据不足以及推导的价值落实到实际决策之间的差距等问题上取得了一定的方法创新和研究进展。具体来说，通过数据立方体、分布式学习和数据语义化等技术，不仅实现了农作物类型和生长状态估计的预测，也为应对实际农业问题提供了因果解释等机器学习技术支撑。

    Nov, 2022

  • 利用 GNN-RNN 方法捕捉地理空间和时间信息：应用于农作物产量预测

    本文通过引入新的图形循环神经网络，将地理和时间信息嵌入到机器学习模型中，进一步提高了作物产量预测的预测能力，并验证了其在各种指标上优于现有的先进方法，为未来的研究提供了坚实的基础。

    Nov, 2021

  • 用因果推断评估数字农业建议

    本研究介绍了一个观察因果推断框架，以评估数字化工具对农场业绩指标的影响，提出了一种基于数字天气预报的棉花最佳播种时间推荐系统，并使用多种方法评估其对田地产量的提高，结果表明根据该系统推荐的播种时间，产量平均增加了 12% 至 17%。

    Nov, 2022

  • 在数据稀缺环境下使用深度学习进行大规模农田绘制：尼日利亚案例研究

    利用机器学习技术结合全球农田数据集和手工标注数据，对尼日利亚进行了 10 米分辨率的新农田图生成，通过评估和比较不同模型及全球土地覆盖地图的性能，发现现有的 WorldCover 地图在测试集上表现最佳。

    Dec, 2023

  • 结合机器学习和作物模型改善美国玉米带作物产量预测

    研究探讨将作物建模和机器学习（ML）相结合是否能提高美国玉米带的玉米产量预测，并确定 APSIM 特征对于玉米产量预测的影响，研究结果显示将 APSIM 模拟作为输入特征用于 ML 模型中可将预测均方根误差（RMSE）降低 7 到 20％，其中土壤湿度相关的 APSIM 变量对于 ML 预测最具影响力。

    Jul, 2020

  • 机器学习、遥感和物联网在产量预测中的最新应用：一次关键性综述

    将遥感技术和机器学习运用于农业领域可以提高农业生产效率，改善产量预测和水资源管理，以实现联合国《可持续发展目标》中 “零饥饿” 的目标。通过综述现有文献，该研究探究了采用遥感、机器学习等技术进行农作物产量预测与水资源管理的方法，并探讨了如何将这些方法应用于实时决策，为农业生产提供决策依据。

    Jun, 2023