农业产量中的稀疏性、正则化与因果性：秘鲁稻作的案例研究
统计方法学
2024-09-27 v1 机器学习
应用统计
机器学习
摘要
本研究引入了一种新方法，将农业普查数据与遥感时间序列相结合，以开发针对秘鲁不同地区稻作产量的精确预测模型。通过利用稀疏回归和弹性网正则化技术，本研究确定了关键遥感变量（如NDVI、降水和温度）与农业产量之间的因果关系。为进一步提高预测精度，应用了这些变量的一阶和二阶动态转换（速度和加速度），捕捉对产量产生的非线性模式和延迟效应。研究结果表明，结合正则化技术与气候和地理空间变量的组合，能够显著提升产量变异性的预测性能，确认了格兰杰因果关系的存在，强调了该方法ology对战略性农业管理的价值。这一工作为稻作生产的更高效和可持续发展做出了贡献。
引用
@article{arxiv.2409.17298,
title = {Sparsity, Regularization and Causality in Agricultural Yield: The Case of Paddy Rice in Peru},
author = {Rita Rocio Guzman-Lopez and Luis Huamanchumo and Kevin Fernandez and Oscar Cutipa-Luque and Yhon Tiahuallpa and Helder Rojas},
journal= {arXiv preprint arXiv:2409.17298},
year = {2024}
}