利用简单空间感知技术改进 GEOGLAM EO 数据下哈萨克斯坦州级小麦产量预报
机器学习
2023-06-09 v1 计算机与社会
摘要
准确的产量预报对于制定明智政策与粮食安全长期决策至关重要。地球观测（EO）数据与机器学习算法在提供从田间到国家尺度的作物状况全面及时视图方面发挥着关键作用。然而，机器学习算法的预测精度常受由遥感数据未反映的外生因素（如作物管理策略差异）引起的空间异质性损害。本文提出并研究一种称为州级加性偏置（state-wise additive bias）的简单技术，以显式解决哈萨克斯坦的跨区域产量异质性。相较于基线机器学习模型（Random Forest、CatBoost、XGBoost），我们的方法将总体 RMSE 降低 8.9%，最高州级 RMSE 降低 28.37%。州级加性偏置的有效性表明，通过显式解决空间异质性可显著改善机器学习性能，这为未来面向产量预报及一般地理空间预报问题的空间感知机器学习算法研究提供了动力。
引用
@article{arxiv.2306.04646,
title = {Improve State-Level Wheat Yield Forecasts in Kazakhstan on GEOGLAM's EO Data by Leveraging A Simple Spatial-Aware Technique},
author = {Anh Nhat Nhu and Ritvik Sahajpal and Christina Justice and Inbal Becker-Reshef},
journal= {arXiv preprint arXiv:2306.04646},
year = {2023}
}
备注
Accepted to (ICLR) 2023 Workshop on Machine Learning for Remote Sensing