Causal machine learning for sustainable agroecosystems

要約

気候が変化する中、持続可能な農業は食料安全保障と環境衛生にとって不可欠です。
しかし、その生物物理学的、社会的、経済的要素間の複雑な相互作用を理解することは困難です。
データから学習する能力を備えた予測機械学習 (ML) は、収量予測や天気予報などのアプリケーションで持続可能な農業に活用されています。
それにもかかわらず、因果関係のメカニズムを説明することはできず、規範的なものではなく説明的なものにとどまっています。
このギャップに対処するために、私たちは因果関係 ML を提案します。これは、ML のデータ処理と、変化について推論する因果関係の能力を統合します。
これにより、証拠に基づく意思決定のための介入の影響の定量化が容易になり、予測モデルの堅牢性が強化されます。
農家、政策立案者、研究者など、アグリフード チェーン全体の利害関係者に利益をもたらす 8 つの多様なアプリケーションを通じて、因果関係 ML を紹介します。

要約(オリジナル)

In a changing climate, sustainable agriculture is essential for food security and environmental health. However, it is challenging to understand the complex interactions among its biophysical, social, and economic components. Predictive machine learning (ML), with its capacity to learn from data, is leveraged in sustainable agriculture for applications like yield prediction and weather forecasting. Nevertheless, it cannot explain causal mechanisms and remains descriptive rather than prescriptive. To address this gap, we propose causal ML, which merges ML’s data processing with causality’s ability to reason about change. This facilitates quantifying intervention impacts for evidence-based decision-making and enhances predictive model robustness. We showcase causal ML through eight diverse applications that benefit stakeholders across the agri-food chain, including farmers, policymakers, and researchers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google