面向可信赖综合害虫管理的因果性与可解释性
机器学习
2023-12-08 v1 人工智能
摘要
农药是农业害虫防治中的常用工具，但对气候危机有显著贡献。为应对这一问题，综合害虫管理（IPM）作为一种气候智能型替代方案应运而生。尽管 IPM 潜力巨大，但由于农民对其有效性持怀疑态度，其采纳率仍然很低。为应对这一挑战，我们引入了一个先进的数据分析框架，旨在促进 IPM 的采纳。我们的框架提供：i) 通过不变和因果学习，在不同环境中进行稳健的害虫种群预测；ii) 使用透明模型进行可解释的害虫出现预测；iii) 通过反事实解释为当季 IPM 干预提供可操作的建议；iv) 特定田块的处理效应估计；以及 v) 使用因果推断评估我们建议的有效性。通过整合这些特性，我们的框架旨在减轻怀疑态度，鼓励农民更广泛地采纳 IPM 实践。
引用
@article{arxiv.2312.04343,
title = {Causality and Explainability for Trustworthy Integrated Pest Management},
author = {Ilias Tsoumas and Vasileios Sitokonstantinou and Georgios Giannarakis and Evagelia Lampiri and Christos Athanassiou and Gustau Camps-Valls and Charalampos Kontoes and Ioannis Athanasiadis},
journal= {arXiv preprint arXiv:2312.04343},
year = {2023}
}
备注
Accepted at NeurIPS 2023 Workshop on Tackling Climate Change with Machine Learning: Blending New and Existing Knowledge Systems