Knowledge Guided Representation Learning and Causal Structure Learning in Soil Science

要約

土壌についての理解が深まることで、より持続可能な土地利用の実践が可能になります。
それにもかかわらず、土壌は、さまざまな土壌プロセスの複雑な相互作用が土壌に対する私たちの理解を制限しているため、複雑な生きた媒体と呼ばれています。
プロセスベースのモデルと観察データの分析は、土壌プロセスの理解を深めるための 2 つの手段を提供します。
観察データの収集には法外なコストがかかりますが、現実世界の動作を反映しています。一方、プロセスベースのモデルを使用すると、現実を表していない可能性のある十分な合成データを生成できます。
私たちは、土壌科学における科学的発見を加速するためのフレームワーク、知識誘導型表現学習および因果構造学習 (KGRCL) を提案します。
このフレームワークは、観察された土壌プロセスとの条件付き分布マッチングを介して、シミュレートされた土壌プロセスの表現学習を改善します。
同時に、このフレームワークは観察データとシミュレーションデータの両方を活用して、土壌プロセス間の因果構造を学習します。
学習された因果グラフは、他の因果発見方法から生成された他のグラフよりもグラウンド トゥルースをよりよく表します。
さらに、学習された因果関係グラフは教師​​あり学習セットアップで活用され、肥料の使用と天候の変化が土壌炭素に及ぼす影響を予測します。
結果を 5 つの異なる場所で示し、サンプル外および少数ショット設定における予測パフォーマンスの向上を示します。

要約(オリジナル)

An improved understanding of soil can enable more sustainable land-use practices. Nevertheless, soil is called a complex, living medium due to the complex interaction of different soil processes that limit our understanding of soil. Process-based models and analyzing observed data provide two avenues for improving our understanding of soil processes. Collecting observed data is cost-prohibitive but reflects real-world behavior, while process-based models can be used to generate ample synthetic data which may not be representative of reality. We propose a framework, knowledge-guided representation learning, and causal structure learning (KGRCL), to accelerate scientific discoveries in soil science. The framework improves representation learning for simulated soil processes via conditional distribution matching with observed soil processes. Simultaneously, the framework leverages both observed and simulated data to learn a causal structure among the soil processes. The learned causal graph is more representative of ground truth than other graphs generated from other causal discovery methods. Furthermore, the learned causal graph is leveraged in a supervised learning setup to predict the impact of fertilizer use and changing weather on soil carbon. We present the results in five different locations to show the improvement in the prediction performance in out-of-sample and few-shots setting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google