利用历史数据与专家知识的贝叶斯网络县级玉米产量预测方法
机器学习
2016-08-19 v1 应用统计
机器学习
摘要
作物产量预测是在收获前预测作物产量的方法。准确的产量预测框架的可用性从多个角度都具有巨大意义，包括对农产品期货市场、农业政策制定以及作物保险定价的影响。本工作的重点是在县级尺度上构建一个玉米产量预测器。玉米产量（预测）依赖于一组复杂且相互关联的变量，包括经济、农业、管理和气象因素。传统预测要么是基于知识的计算机程序（模拟植物-天气-土壤-管理相互作用）并结合针对性调查，要么是基于统计模型。前者受限于需要费力的校准，而后者则局限于单变量分析或类似的简化假设，无法捕捉影响产量的复杂相互依赖关系。在本文中，我们提出一种数据驱动的方法，即“灰箱”方法，能无缝地利用专家知识来构建用于玉米产量预测的统计网络模型。我们的多变量灰箱模型基于贝叶斯网络分析，以构建预测因子与产量之间的有向无环图 (DAG)。从一个连接了各种精心选择的变量与产量的完全图出发，利用专家知识来修剪或加强连接变量的边。随后，通过优化来确定使观测到训练数据的似然最大化的 DAG 结构（连接性和边权重）。我们整理了爱荷华州 99 个县每个县的大量历史数据（1948-2012）作为训练模型的数据。
引用
@article{arxiv.1608.05127,
title = {A Bayesian Network approach to County-Level Corn Yield Prediction using historical data and expert knowledge},
author = {Vikas Chawla and Hsiang Sing Naik and Adedotun Akintayo and Dermot Hayes and Patrick Schnable and Baskar Ganapathysubramanian and Soumik Sarkar},
journal= {arXiv preprint arXiv:1608.05127},
year = {2016}
}
备注
8 pages, In Proceedings of the 22nd ACM SIGKDD Workshop on Data Science for Food, Energy and Water , 2016 (San Francisco, CA, USA)