[论文解读] Causal machine learning for sustainable agroecosystems

Vasileios Sitokonstantinou, E. Porras+9 more|arXiv (Cornell University)|Aug 23, 2024

Sustainable Agricultural Systems Analysis被引用 4

一句话总结

本文提出因果机器学习（Causal ML）作为一种框架，弥合预测性机器学习与可持续农作生态系统中因果推理之间的差距。通过将因果推断与机器学习相结合，该框架实现了稳健且可解释的决策支持，适用于农民、政策制定者和研究人员，并展示了八个真实世界的应用案例，量化干预效应，提升模型在多样化农业环境中的泛化能力。

ABSTRACT

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.

研究动机与目标

• 解决农业中预测性机器学习的局限性，后者无法解释因果机制或在环境变化时实现泛化。
• 将因果推断与机器学习相结合，实现在复杂农作生态系统中的基于证据的、可指导的决策支持。
• 通过八个多样化的实际应用，展示因果ML在整个食物产业链中的实际适用性。
• 提供一种透明、基于专家经验的因果建模工作流程，强调数据整理、假设设定与验证。
• 通过协作式评估平台，推动农业中因果ML方法的标准化与基准测试。

提出的方法

• 采用Pearl的结构因果模型（SCM）框架，将因果问题形式化为干预（例如：'轮作对土壤健康的影响是什么？'）。
• 应用机器学习进行因果推断：通过因果发现推断因果结构（图），通过因果效应估计量化干预影响。
• 结合领域专业知识构建准确的因果图，最大限度减少未观测混杂因素，提升模型可解释性。
• 在多模态数据源（如地球观测、经济、社会和生物物理数据）之间实现数据协调，尽管存在尺度与质量差异。
• 利用基于过程模型生成的合成数据及真实因果效应对因果模型进行验证，确保方法准确性。
• 通过地理泛化性、可迁移性及政策变化鲁棒性等指标评估模型稳健性，并借助CAUSEME和AGML等基准平台提供支持。

Figure 1: How causality can drive sustainability in agriculture: a) Solve common ML problems: Address robustness to interventions over time (e.g., new policies) and geographic generalization to develop predictive models that can continuously and globally predict agricultural activity and ecological

实验结果

研究问题

• RQ1 轮作对土壤健康的影响是什么因果效应？在存在混杂因素的情况下，如何可靠地估计该效应？
• RQ2 因果ML如何提升预测模型在环境与社会经济条件变化下的稳健性？
• RQ3 专家构建的因果图在提升农作生态系统中因果推断的有效性与可解释性方面发挥什么作用？
• RQ4 如何使因果发现方法适应高维、非平稳及混合数据类型农业数据？
• RQ5 当真实情况不可得时，采用何种验证策略可确保因果效应估计的可靠性？

主要发现

• 因果ML能够量化干预影响（如轮作对土壤健康的影响），超越单纯相关性，支持可指导的决策制定。
• 将因果推理与机器学习结合，可提升模型在空间与时间变化下的泛化能力，增强在新环境或变化环境中的稳健性。
• 基于专家经验的因果图显著降低未观测混杂因素的风险，提升复杂农作生态系统中因果效应估计的准确性。
• 利用基于过程模型生成的合成数据进行验证，可在缺乏真实世界真实值时可靠评估因果效应估计方法。
• 如CAUSEME和AGML等基准化倡议推动了农业中因果ML方法的标准化与持续改进。
• 结合数据整理、透明假设与系统性验证的因果ML工作流程，可为食物产业链各利益相关方提供更可信、更具行动价值的洞察。

Figure 2: Applications of causal ML for agriculture. Panel a) Causal discovery applications: Data-driven causal discovery (1) unveils causal mechanisms in complex systems like food security, enhancing domain expertise, and (2) evaluates process-based (PBs) models by comparing causal graphs from mode