用因果推断评估数字农业推荐
机器学习
2022-12-01 v1 人工智能
摘要
与若干行业的快速数字化相比，农业在智能农具采纳上较为滞后。尽管 AI 驱动的数字农业工具可提供高性能预测功能，却缺乏对其惠及农户的切实定量证据。田间试验可得出此类证据，但往往成本高、耗时长，因而在应用范围与规模上受限。为此，我们提出一种观测性因果推断框架，用于实证评估数字工具对目标农场绩效指标（本例中为产量）的影响。借此，我们可通过提升数字农业市场透明度来增加农户信任，并加速采纳旨在保障农户收入韧性与全球农业可持续性的技术。作为案例研究，我们设计并实现了一个基于数值天气预测的棉花最优播种期推荐系统，由某农户合作社在 2021 年生长季使用。随后我们利用农业知识、收集的产量数据和环境信息构建农场系统的因果图。运用后门准则，我们识别播种推荐对产量的影响，并继而通过线性回归、匹配、逆倾向得分加权和元学习器进行估计。结果显示，依推荐播种的田块表现出统计显著的产量提升，依方法不同在 12% 至 17% 之间。效应估计是稳健的，这由各估计方法间的一致及四次成功的反驳检验所表明。我们认为该方法可用于其他领域的决策支持系统，将其评估超越内部功能性能评估的范畴。
引用
@article{arxiv.2211.16938,
title = {Evaluating Digital Agriculture Recommendations with Causal Inference},
author = {Ilias Tsoumas and Georgios Giannarakis and Vasileios Sitokonstantinou and Alkiviadis Koukos and Dimitra Loka and Nikolaos Bartsotas and Charalampos Kontoes and Ioannis Athanasiadis},
journal= {arXiv preprint arXiv:2211.16938},
year = {2022}
}
备注
Accepted at AAAI'23, AI for Social Impact Track. arXiv admin note: substantial text overlap with arXiv:2211.03195