面向空间分布漂移的数据驱动知识引导机器学习
机器学习
2025-04-24 v2
摘要
给定来自不同地区采集的多样化土壤特征和气候数据，我们旨在构建模型以准确预测土地排放。该问题至关重要，因为准确量化农业生态系统中的碳循环对于缓解气候变化和确保可持续粮食生产至关重要。准确预测土地排放具有挑战性，因为在决策相关的尺度上校准土壤性质、含水量和环境条件的异构性十分困难。传统方法由于未能充分利用空间异质性且需要大量数据，难以充分估计土地排放。为克服这些限制，我们提出了空间分布漂移感知的数据驱动知识引导机器学习方法（Spatial Distribution-Shift Aware Knowledge-Guided Machine Learning, SDSA-KGML），该方法利用位置依赖参数来account for来自同一地区内多个场地的土壤含水量的显著空间异质性。实验结果表明，SDSA-KGML模型在中美洲地区的指定州实现了更高的局部准确率。
引用
@article{arxiv.2502.14840,
title = {Spatial Distribution-Shift Aware Knowledge-Guided Machine Learning},
author = {Arun Sharma and Majid Farhadloo and Mingzhou Yang and Ruolei Zeng and Subhankar Ghosh and Shashi Shekhar},
journal= {arXiv preprint arXiv:2502.14840},
year = {2025}
}