面向农业预测任务改进机器学习性能的任务条件化合成数据生成

机器学习（ML）算法已被广泛用于估计多样情境下的农业变量。但训练数据的数量与质量强烈影响ML表现，其使用会受限于有限或不完整的参考数据。合成数据生成（SDG）提供实用的解决路径：产出保留原始数据关键特性的人工但真实的样本。基于师生知识转移与表格数据的上下文学习，本研究提出任务条件化SDG（TCSDG）算法：把贝叶斯网络生成器与基于Transformer的表格基础模型（TabICL）配对。该算法在两个农业预测任务上评估：作物产量预测与作物类型分类；另用六个基准SDG算法对比。跨十二个研究地点、两个训练数据比例、四个扩增倍率与三种预测ML算法：用TCSDG合成数据增广原始数据，在89%的作物分类实验与74%的产量预测实验中改善ML表现；TCSDG大幅超越基准SDG算法，且是唯一在汇总层面持续改善两类任务的方法。研究表明经精心设计与处理的合成数据能改善精准农业应用的ML表现。TCSDG为生成支撑下游ML农业预测的合成数据提供实用可扩展框架。完整实现开源于https://github.com/HamidErika/TCSDG。