增强天气：基于反事实样本合成技术的农作物生长预测混合算法

近年来，人类开始经历气候变化的灾难性影响，经济部门（如农业）正面临不可预测和极端天气事件的挑战。人工智能（AI）应该帮助我们应对这些气候挑战，但其最具前景的解决方案在处理气候扰动数据方面表现不佳； Specifically，基于历史数据分布的机器学习方法在处理超出分布（out-of-distribution）和异常事件方面效果不佳。本文提出了一种新颖的数据增强方法，将气候变化相关的预测问题部分视为类不平衡问题；即，历史数据集缺乏足够的“气候异常事件”的少数类实例。该新颖的数据增强方法——称为反事实样本合成技术（Counterfactual-Based SMOTE，CFA-SMOTE）——将来自可解释人工智能（XAI）的基于实例的反事实方法与众所周知的类不平衡方法SMOTE相结合。CFA-SMOTE创建代表异常气候事件的合成数据点，以增强数据集并提高预测性能。我们报告了使用CFA-SMOTE方法的比较实验，比较了不同条件（即类不平衡比例）下的基准反事实方法和类不平衡方法。该研究的焦点气候变化领域依赖于预测爱尔兰乳牧场在2018年欧洲大范围干旱和牧草危机期间的草地生长。