面向业务化施氮响应率预测的潜表示学习
机器学习
2022-05-19 v1
摘要
学习潜表示已在多个学科中辅助业务化决策。其优势包括揭示数据中隐藏的相互作用，以及将过去依赖人工执行的流程自动化。表示学习也正被地球与环境科学所采用。然而，仍有一些子领域依赖基于专家知识的手工特征工程，并使用不利用潜空间的算法。依赖这些技术会制约业务化决策，因为它们施加数据约束并阻碍自动化。在本工作中，我们以施氮响应率预测为案例研究，考察表示学习是否可用于业务化应用。我们将多层感知机、自编码器以及双头自编码器与作为参考的随机森林模型进行比较，用于施氮响应率预测。为使预测更贴近业务化场景，我们假设缺乏未来气象数据，并使用误差指标与领域导出的误差阈值对模型进行评估。结果表明，学习潜表示能够提供业务化施氮响应率预测，其性能等于且有时优于参考模型。
引用
@article{arxiv.2205.09025,
title = {Learning latent representations for operational nitrogen response rate prediction},
author = {Christos Pylianidis and Ioannis N. Athanasiadis},
journal= {arXiv preprint arXiv:2205.09025},
year = {2022}
}
备注
Appeared at the AI for Earth Sciences workshop at @ICLR2022, April 29, 2022. https://ai4earthscience.github.io/iclr-2022-workshop/