利用因果机器学习评估农业土地适宜性

理解农业土地对特定管理实践的适宜性，对于实现可持续和适应气候变化的韧性农业至关重要。因果机器学习领域的最新进展，使得能够针对由一组观测特征描述的样本，估计干预措施对目标结果的影响。我们引入了一个可扩展的数据驱动框架，该框架利用地球观测数据，并将农业土地适宜性构建为一个地理空间影响评估问题，其中农业实践对农业生态系统的估计效应作为土地适宜性评分并指导决策。我们将其形式化为一个因果机器学习任务，并讨论了该方法如何用于变化气候下的农业规划。具体而言，我们从作物类型图中提取“作物轮作”和“景观作物多样性”这两种农业管理实践，考虑气候和土地利用数据，并使用双重机器学习来估计它们在2010年至2020年间对比利时佛兰德地区净初级生产力（NPP）的异质性效应。我们发现作物轮作的效应不显著，而景观作物多样性对NPP有微小的负效应。最后，我们观察到两种实践在空间上存在相当大的效应异质性，并对其进行了分析。