面向作物产量预测的无监督图谱特征去噪
机器学习
2022-08-05 v1
摘要
以县为粒度预测年度作物产量对国家粮食生产和价格稳定十分重要。本文为改进作物产量预测，利用近期图信号处理（GSP）工具挖掘相邻县之间的空间相关性，通过图谱滤波对输入深度学习预测模型的相关特征进行去噪。具体而言，我们首先构建组合图，其边权通过度量学习编码县与县之间土壤与位置特征的相似性。随后，我们通过带图拉普拉斯正则化项（GLR）的最大后验（MAP）形式对特征去噪。我们聚焦于以无监督方式估计关键权重参数 的挑战，该参数权衡保真项与 GLR，且为噪声方差的函数。我们首先利用图团检测（GCD）过程直接从含噪图信号中估计噪声方差，该过程可发现局部恒定区域。然后，我们通过偏差-方差分析计算使近似均方误差函数最小的最优 。基于所收集的 USDA 数据的实验结果表明，使用去噪特征作为输入，作物产量预测模型的性能可得到显著提升。
引用
@article{arxiv.2208.02714,
title = {Unsupervised Graph Spectral Feature Denoising for Crop Yield Prediction},
author = {Saghar Bagheri and Chinthaka Dinesh and Gene Cheung and Timothy Eadie},
journal= {arXiv preprint arXiv:2208.02714},
year = {2022}
}