DATA DRIVEN APPROACHES TO IMPROVE UNDERSTANDING OF PROCESS-BASED MODELS AND DECISION MAKING

This disclosure provides a data-driven and scalable method to discover cause-and-effect relationships in data from natural systems that include sparse data sets. This technique can learn a causal graph from heterogenous data sources by combining embeddings from real data and embeddings from simulated data generated by process-based models. The causal graph is used for what-if analysis in out-of-distribution settings. One application is understanding the factors that affect soil carbon. A causal model created by these techniques can be used to discover cause-and-effect relationships that affect soil carbon. This model has applications such as forecasting soil carbon for a future time point to help inform farm practices. Farm practices, like tilling, may be modified in response to predictions provided by the model. La présente invention concerne un procédé dicté par des données et évolutif pour découvrir des relations de cause à effet dans des données provenant de systèmes naturels qui comprennent des ensembles de données éparses. Cette technique peut apprendre un graphe causal à partir de sources de données hétérogènes en combinant des intégrations issues de données réelles et des intégrations issues de données simulées générées par des modèles basés sur un processus. Le graphe causal est utilisé pour une analyse dans des réglages hors distribution. Une application comprend les facteurs qui affectent le carbone du sol. Un modèle causal créé par ces techniques peut être utilisé pour découvrir des relations de cause à effet qui affectent le carbone du sol. Ce modèle a des applications telles que la prévision du carbone du sol pour un instant futur pour aider à informer des pratiques agricoles. Des pratiques agricoles, telles que l'inclinaison, peuvent être modifiées en réponse à des prédictions fournies par le modèle.