利用潜神经ODE预测黑_sigatoka病感染风险
机器学习
2021-01-12 v2 机器学习
摘要
黑_sigatoka病严重降低全球香蕉产量，而气候变化通过改变真菌物种分布加剧了该问题。由于管理这种传染病的高额经济负担，发展中国家的农民面临显著的香蕉作物损失。尽管科学家已建立传染病的数学模型，但将这些模型调整以纳入气候效应十分困难。我们提出MR. NODE（Multiple predictoR Neural ODE），一种通过神经常微分方程直接从数据学习黑_sigatoka感染动力学的神经网络。我们的方法将外部预测因子与我们推断的变量一起编码到潜空间中，并且它还能在任意时间点预测感染风险。凭经验，我们在历史气候数据上证明，我们的方法在未来长达一个月的时间点及未见的异常情况下具有优越的泛化性能。我们相信我们的方法可成为控制黑_sigatoka病传播的有用工具。
引用
@article{arxiv.2012.00752,
title = {Forecasting Black Sigatoka Infection Risks with Latent Neural ODEs},
author = {Yuchen Wang and Matthieu Chan Chee and Ziyad Edher and Minh Duc Hoang and Shion Fujimori and Sornnujah Kathirgamanathan and Jesse Bettencourt},
journal= {arXiv preprint arXiv:2012.00752},
year = {2021}
}