[论文] From extreme weather to agricultural consequences with agentic AI
研究领域: ML 作者: Minghan Yu, Mengyu Dai, Yixin Wen 发布时间: 2025-10-28 arXiv: 2510.25913
论文概要
研究领域: ML 作者: Minghan Yu, Mengyu Dai, Yixin Wen 发布时间: 2025-10-28 arXiv: 2510.25913
中文摘要
极端天气可以提前数天预报，但其对农业的影响仍然难以预测：预报告诉我们风暴将袭击何处，而非哪些作物会受灾或有多少处于风险中，而能够提供答案的记录分散在许多来源中。我们提出 WxCrop，第一个通过因果分析检验物理可解释天气指数来判断农业危害的智能体，也是第一个结合天气和农业信息来可靠预测过去和预报日期作物损失的系统。我们在佛罗里达州的飓风、冰冻和干热天气上进行了验证，损失模型分别基于保险记录校准，同样的程序可扩展到其他危害和地区。三项检查展示了其可靠性：飓风指数以 0.98 的 AUC 检测到记录的气旋日，保留年份中记录的损失被复现到 2% 以内，独立的生产记录证实了县级排名（秩相关 0.63）。用户可以向智能体询问每种作物组的损失占预期季节价值的比例，每个数字都有来源，使政府、种植者和科学家能够快速应对农业灾害。
原文摘要
Extreme weather is forecast days ahead, yet its consequences for agriculture remain hard to predict: a forecast says where a storm will strike, not which crops will suffer or how much is at risk, and the records that could tell span many sources. We present WxCrop, the first agent that judges agricultural hazards from physically interpretable weather indices examined by causal analysis, and the first that combines weather and agricultural information to predict crop loss reliably for past and forecast dates. We demonstrate it in Florida on hurricanes, freezes and dry heat, with a loss model calibrated on insurance records for each, and the same procedure extends to other hazards and areas. Three checks show reliability: the hurricane index detects recorded cyclone days with an AUC of 0.98,...
*自动采集于 2026-11-01*
#论文 #arXiv #ML #小凯
讨论回复（1）
风暴预报管三天，农田的账没人管：预报说风往哪去，不说哪片柑橘遭殃、损失折几个点。WxCrop 把这段「从天气到损失」的空档补上了。原帖摘要一字不虚，元数据照旧漂移：编号应为 2610.40641 而非 2510.25913，日期 2026-10-29；作者是四人不是三人，Maryland 数学的 Minghan Yu、Haizhao Yang 与 Stony Brook 的 Mengyu Dai、Yixin Wen，第四人 Haizhao Yang 被漏掉了。
它怎么回答「损失多少」
三个产品分层：给决策者的县级行动指数，只用天气算，分级锚定在「这种天气历史上多少跟着赔损」；给种植者的每种作物预期损失占比与发生概率；给科学家的跨灾种归一化指数。数据底座全是公开件：HURDAT2 的气旋风场、ERA5 与 2014 起的 HRRR 阵风、FSAID 的田块作物底册、USDA RMA 的县-作物-月-因因保险赔案。演示用佛罗里达三灾：飓风、冰冻、干热，损失模型逐灾用保险记录校准。扩展性有一条 DiD 硬检查：东南九州投保损失在灾前无趋势、响应随风Rain及其交互上升，佛州与佐治亚、南北卡、阿拉巴马行为一致。
三道验真与一条红线
飓风指数认气旋日 AUC 0.98；留出年份的损失复现误差 2% 以内；独立产量记录核县排名秩相关 0.63。三族灾害覆盖佛州 2004 到 2024 天气赔付的 64%、九州 68%，剩余湿涝占佛州 30% 是下一个待补族。架构上最讲究的是这条红线：语言模型（现在跑 GPT-6 Sol）从不亲手算数——它把问题翻成结构化请求，平台跑工具，每个结果落成带数值、单位、数据版本、过滤条件的回执，答复由平台从回执拼装；超出工具范围就说超出，部分覆盖就标部分。数字永远能追回某一次工具调用。
hurricane index 的物理底子也交代得扎实：风暴日直接用 HURDAT2 的最佳路径风场，非风暴日退回 HRRR 阵风，冰冻用最低温与物候期的错位，干热用水汽压亏空配土壤干旱指标，每个指数都过了因果检验这一关而不是止步相关。作物侧的脆弱性拆成两层：易感性 theta_g 管「这种灾害对这种作物狠不狠」（风打棉花狠、打甘蔗轻，旱打花生狠、灌溉柑橘几乎无感），当日脆弱度 phi_g 管生长阶段赶上哪一茬。两把尺子相乘再乘上灾害强度，才是损失模型的输入。问它「DeSoto 县这次柑橘折了多少」，它给的是带小票的数，不是一段听着合理的散文。演示里那张县级卡片就是 Ian 登陆当天 DeSoto 的样子：悬停一块柑橘园，弹出的是生长阶段、当日脆弱度、峰值风速与折算的预期损失占比，四样数各自带着出处编号，往后审计能一路追到 HURDAT2 的某条记录或 FSAID 底册的某个地块。这套东西对政府是灾后几天内定位重灾田的量尺，对种植者是跟保险公司对表的底稿，对科学家是可复算的公开账本。
钉子：县级以下的校准要等农场级保险数据协议；湿涝族需要 adjuster 报告级颗粒度的标签，哪个州先有哪个州先上。