基于因果机器学习的可持续农业个性化
机器学习
2022-11-08 v1 人工智能
摘要
为应对气候变化并养活不断增长的人口，必须加强全球作物生产。为实现农业的“可持续集约化”，将其从碳源转变为碳汇是当务之急，而理解农业管理措施的环境影响是实现这一目标的基本前提。与此同时，全球农业景观具有高度异质性，气候、土壤和土地利用的差异导致农业系统对农民行为的响应各不相同。因此，通过提供因地制宜的管理建议来实现可持续农业的“个性化”，是有效提升绿色指标的必要条件和即将出台政策中不可或缺的环节。在此，我们将个性化可持续农业表述为条件平均处理效应估计任务，并采用因果机器学习(Causal Machine Learning)来解决该问题。利用气候数据、土地利用信息并采用双重机器学习(Double Machine Learning)，我们估计了立陶宛田块尺度上可持续措施对土壤有机碳含量的异质效应。从而为实现可持续措施的精准施策和有效扩大全球碳汇提供了数据驱动的视角。
引用
@article{arxiv.2211.03179,
title = {Personalizing Sustainable Agriculture with Causal Machine Learning},
author = {Georgios Giannarakis and Vasileios Sitokonstantinou and Roxanne Suzette Lorilla and Charalampos Kontoes},
journal= {arXiv preprint arXiv:2211.03179},
year = {2022}
}
备注
Accepted for publication and spotlight presentation at Tackling Climate Change with Machine Learning: workshop at NeurIPS 2022