一种气象环境因素与农业干旱因果推断方法技术

本发明专利技术公开了一种气象环境因素与农业干旱因果推断方法，首先通过CEGAN对抗生成未知混淆变量的代理变量，然后根据领域调研构建特征变量的因果关系图，利用DoWhy的因果识别机制识别验证因果关系，根据数据和因果图，使用自回归密度估计器估计治疗变量对结果变量的干预效果。本发明专利技术能够避免深度学习项目中单纯关注缺少因果关系的粗糙关联性，分析特征之间的因果关联强度，可用于预测任务的特征选择，降低了算法复杂度的同时，加强了特征选择的物理可解释性。理可解释性。理可解释性。

【技术实现步骤摘要】
一种气象环境因素与农业干旱因果推断方法


[0001]本专利技术属于农业干旱研究领域，具体涉及一种农业干旱预测方法。

技术介绍

[0002]目前很多深度学习项目都单纯关注缺少因果关系的粗糙关联性，这常常导致深度学习系统在真实条件下(明显不同于训练场景的条件下)进行测试时，往往拿不出良好的实际表现。在现有的农业干旱预测任务中，往往使用传统的特征选择方法仅着重考虑各个因素和干旱指数之间粗糙的关联性，而忽略了气象环境因素和农业干旱之间的因果关联性，这使得预测任务缺乏可解释性，并且也很难更进一步。因果推断作为目前统计以及机器学习届最炙手可热的一个方向，用因果关系替代机器学习中关注的关联性，将大大提高特征选择的可解释性且不受限于特定训练场景下的任务。在基础系统将受到积极干预的情况下，因果效应的估计是至关重要的。构建因果推理引擎的一部分是定义变量之间的相互关系，即定义图条件依赖所包含的变量之间的函数关系。已知变量之间的关系我们往往可以通过先验知识来确定，然而，在复杂的气象系统中存在很多我们不知道的潜在因素，通常研究的做法是选择忽略他们，但是这可能会引起估计的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种气象环境因素与农业干旱因果推断方法，其特征在于，包括以下步骤：(1)利用各气象要素、环境因素之间复杂的相互依赖性，使用CEGAN对抗学习方法，通过已知气象环境数据来生成未知气象环境因素的代理变量，作为已知环境变量的共同的潜在混淆代理变量；(2)基于农业干旱与气象环境数据复杂关系，构建多个气象因素及各种环境因素与农业干旱之间的因果关系图，当两个因素之间没有明确的因果关系时，假设存在关系，DoWhy框架会自动验证；(3)根据步骤(2)得到的农业干旱与气象环境因素的因果关系图、已知气象环境数据以及步骤(1)得到的未知气象环境因素的代理变量组成的数据集，进行DoWhy框架中的因果效应识别，即在假设下识别每个拟估计的环境变量对农业干旱指数的因果效应表达式；(4)根据步骤(3)得到的各个环境变量与农业干旱指数之间的因果效应表达式，利用神经自回归密度估计器估计每一个环境变量对农业干旱的因果效应，得到所有因果效应值并进行因果关联度的排序；(5)根据步骤(4)得到的因果效应值，采用反驳机制来验证估计的正确性；(6)根据步骤(5)得到的通过鲁棒性验证的环境变量对农业干旱的因果效应值，舍弃其中弱效应的气象环境因素，使用剩余因素进行农业干旱的预测任务。2.根据权利要求1所述气象环境因素与农业干旱因果推断方法，其特征在于，在步骤(1)中，未知气象环境因素的估计包括两部分，第一部分根据已知的数据集(x，t，y)，其中，x为已知混淆变量，t为治疗变量即需要分析的指定气象环境变量，y为结果变量即农业干旱指数，通过编码器生成未知气象环境因素的总体代理变量z，经由重构网络生成新的数据(x^，t^，y^)，重构网络的loss函数目标是让新的数据拟合原始数据，最终让编码器映射到有意义的潜在空间里，得到有意义的代理变量z；第二部分是预测网络，首先根据已知的x，t通过全连接神经网络预测出z^，然后用x，t，z^预测y^，同样y和y^经过重构网络可以使y^的预测不产生偏离；最终将预测网络得到的联合分布(x，t，z^，y^)和编码器得到的联合分布一起进入鉴别器中训练...

【专利技术属性】
技术研发人员：金子龙，周浩，马廷淮，荣欢，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：