5.1 선형 회귀를 넘어
가장 단순한 수확량 모델은 특징에서 선형이며, 안정적 기후의 잘 관리된 주식 작물에 대해 놀랍도록 좋은 정확도에 도달합니다. 현대 운영 모델은 gradient-boosted tree, Gaussian-process prior, 그리고 페놀로지 관측의 시계열에서 작동하는 recurrent neural network 를 통해 비선형성을 추가합니다. 본 표준은 모델 가족을 처방하지 않습니다. 입력과 출력의 와이어 포맷을 처방하고, 어떤 conformant 모델도 예측당 feature-importance 귀속을 게시할 것을 요구합니다.
5.2 앙상블 전략
단일 모델 예측은 모델 특화 실패 모드에 취약합니다. 전형적 운영 앙상블은 (a) 생물물리학적 제약을 인코딩하는 프로세스 기반 작물 생장 모델(APSIM, DSSAT), (b) 관측된 군락 상태를 포착하는 위성 NDVI 구동 경험 모델, (c) 관리 효과를 포착하는 과거 수확량 기록의 gradient-boosted tree 모델을 결합합니다. 앙상블의 예측은 가중 평균이며, 가중치는 과거 hold-out 데이터에 대해 지역별로 학습됩니다.
5.3 결측 또는 늦게 도착한 특징 처리
실제 들판은 불완전한 입력을 생성합니다. 농부는 토양 수분 프로브가 없을 수 있고, 위성 통과는 2 주간 구름에 가려질 수 있으며, 측후소는 중요 페놀로지 윈도우 동안 오프라인일 수 있습니다. 본 표준은 conformant 모델이 (a) 모델이 예측을 거부하는 최소 특징 집합과, (b) 부분적으로 결측된 입력에 대한 imputation 전략을 선언하도록 요구합니다. 출력 envelope 는 예측과 imputed 대 실제 관측된 특징 수를 모두 운반 하므로, 소비자는 무거운 imputed 입력에 대해 만들어진 예측을 가중치 감소시킬 수 있습니다.
5.4 Concept drift 와 모델 decay
기후 변화 구동 생장 시즌 길이와 강수 시기 변화는 5 년 된 수확량 모델을 현재
신뢰할 수 없게 만듭니다. 본 표준은 모든 모델 envelope 에 retraining cadence
메타데이터를 요구합니다. 마지막 retrain 의 날짜와 사용된 데이터 윈도우. 24 개월
이전에 2024 년 이전 데이터에 대해 retrain 된 모델은 conformance 보고서에
stale 경고로 플래그됩니다.
5.5 도메인 특화 augmentation
나무 작물(과수, 견과, 다년생 포도)에 대해 본 표준은 alternate-bearing carry-forward
특징을 추가합니다. 올해의 무거운 수확은 강한 경험적 증거로 내년의 가벼운 수확을
예측합니다. 행 작물(옥수수, 밀, 콩)에 대해 본 표준은 면적과 구별되는 식재 밀도
특징을 추가합니다. 온실 작물에 대해 본 표준은 태양 조사를 적분 광자 flux 로 대체
합니다. 이들은 feature_set_id로 참조되는 feature-set 확장으로 문서화
됩니다.