摘要
机器学习（ML）算法在各种背景下广泛应用于估算农业变量。然而，训练数据的数量和质量对ML算法的性能有显著影响，因此其使用可能受到有限或不完整参考数据的制约。合成数据生成（SDG）提供了一种解决方案，通过生成保持原始数据关键特征的人工但逼真的样本来解决这一问题。
本研究提出了一种任务条件合成数据生成（TCSDG）算法，它将贝叶斯网络生成器与基于变换器的表格基础模型（TabICL）相结合，建立在教师-学生知识转移和上下文学习的基础上。该算法在两个农业预测任务上进行了评估：作物产量预测和作物类型分类。此外，还利用六种基准SDG算法与TCSDG的性能进行了比较。
在十二个研究地点、两个训练数据比例、四个倍增比率和三个预测ML算法的实验中，使用TCSDG生成的合成数据增强原始数据，提升了89%的作物类型分类实验和74%的作物产量预测实验的ML性能。TCSDG的表现也显著优于基准SDG算法，并且是唯一在这两个任务的整体水平上持续提高ML性能的方法。
本研究表明，精心设计和处理的合成数据可以提升精确农业应用中的ML性能。TCSDG提供了一个实用且可扩展的合成数据生成框架，支持下游农业预测的ML应用。TCSDG的完整实现已作为开源项目发布，链接为 GitHub TCSDG。
博主点评： 该研究展示了合成数据生成在农业领域的重要性，尤其是在数据稀缺的情况下。TCSDG算法通过结合贝叶斯网络和变换器模型，实现了高效的数据生成，显著提升了机器学习的预测性能，具有广泛的应用前景。尤其对农业预测任务的优化，提供了新的思路和解决方案。