一种利用地理空间与时间信息的 GNN-RNN 方法：在作物产量预测中的应用
机器学习
2022-01-25 v2
摘要
气候变化正对作物相关问题带来新挑战，包括粮食安全、供应稳定与经济规划。作为核心挑战之一，作物产量预测已成为机器学习领域一项紧迫任务。尽管重要，该预测任务极为复杂，因为作物产量依赖于天气、地表、土壤质量及其交互等各类因素。近年来，机器学习模型已成功应用于该领域。然而，这些模型或将任务限制于较小区域，或仅研究单年或少数年份，难以在空间与时间上泛化。本文中，我们引入一种新颖的基于图的循环神经网络用于作物产量预测，以将地理与时间知识纳入模型，并进一步提升预测能力。我们的方法在美国本土 41 个州超过 2000 个县上训练、验证与测试，覆盖 1981 至 2019 年。据我们所知，这是首个在作物产量预测中嵌入地理知识并预测全国县级作物产量的机器学习方法。我们还通过应用知名的线性模型、基于树的模型、深度学习方法并比较其性能，为与其他机器学习基线比较打下坚实基础。实验表明，我们所提方法在各指标上持续优于现有 SOTA 方法，验证了地理空间与时间信息的有效性。
引用
@article{arxiv.2111.08900,
title = {A GNN-RNN Approach for Harnessing Geospatial and Temporal Information: Application to Crop Yield Prediction},
author = {Joshua Fan and Junwen Bai and Zhiyun Li and Ariel Ortiz-Bobea and Carla P. Gomes},
journal= {arXiv preprint arXiv:2111.08900},
year = {2022}
}
备注
Fixed typo. 14 pages, 9 figures, accepted at AAAI-22 Social Impact Track