面向改进泛化能力的土壤过程因果建模
机器学习
2022-11-11 v1 计算机与社会
摘要
测量与监测土壤有机碳对农业生产力及应对重大环境问题至关重要。土壤有机碳不仅丰富土壤养分，还具有一系列协同效益，如改善水分储留与抑制物理侵蚀。尽管土壤有机碳估算已有大量工作，当前方法在不同土壤条件与管理措施间泛化性不佳。我们实证表明，对土壤过程间因果关系的显式建模可提升预测模型的分布外泛化能力。我们提供了以因果发现方法估计骨架的土壤有机碳估算模型比较分析。我们的框架在测试均方误差上平均改进 81%，在测试平均绝对误差上平均改进 52%。
引用
@article{arxiv.2211.05675,
title = {Causal Modeling of Soil Processes for Improved Generalization},
author = {Somya Sharma and Swati Sharma and Andy Neal and Sara Malvar and Eduardo Rodrigues and John Crawford and Emre Kiciman and Ranveer Chandra},
journal= {arXiv preprint arXiv:2211.05675},
year = {2022}
}
备注
NeurIPS 2022 Workshop Tackling Climate Change with Machine Learning