从行到产量：如何通过表格数据基础模型简化作物产量预测
人工智能
2025-06-25 v1
摘要
本文介绍了如何应用针对小型至中型表格数据( TabPFN)的基础模型，用于南非的亚行政区作物产量预测。TabPFN 最近在各种回归和分类任务中显示出优于传统机器学习(ML)模型的性能。我们使用来自地球观测(EO；FAPAR 和土壤湿度)和网格化天气数据(空气温度、降水和辐射)的十日(10 天)时间序列，预测夏季作物在亚行政区的产量。作物产量数据覆盖23年，涵盖最多8个省份。TabPFN 的协变量变量(即 EO 和天气数据)按地区提取并在月度尺度上聚合。我们将 TabPFN 的结果与六个机器学习模型和三个基线模型进行基准测试。采用逐年留一交叉验证实验设置，以确保评估模型对未见年份的预测能力。结果表明，TabPFN 和 ML 模型在准确率上相当，均优于基线模型。尽管如此，TabPFN 由于其显著更快的调参时间和更少的特征工程需求，在实际操作中更具实用性。因此，TabPFN 是实施效率和易用性至关重要的实时作物产量预测应用中的更可行的选择。
引用
@article{arxiv.2506.19046,
title = {From Rows to Yields: How Foundation Models for Tabular Data Simplify Crop Yield Prediction},
author = {Filip Sabo and Michele Meroni and Maria Piles and Martin Claverie and Fanie Ferreira and Elna Van Den Berg and Francesco Collivignarelli and Felix Rembold},
journal= {arXiv preprint arXiv:2506.19046},
year = {2025}
}