TSAFI-DT：面向可持续农业的时空数据驱动数字孪生预测框架

《AI》：A Counterfactual-Enabled Agricultural Decision Support Framework for Sustainability-Aware Groundnut Yield Prediction Using Bayesian-Optimized XGBoost

　　摘要可持续的农业规划需要能够捕捉时空变异性、可持续性动态以及不同管理情景潜在结果的预测框架。本研究提出了一种名为TSAFI-DT的回顾性验证、数据驱动的数字孪生原型，集成了时空数据重建、可持续性状态表征、分层产量预测、反事实分析和情景模拟。该框架基于历史区县级平均年产量（APY）观测数据运行，因此代表的是数字孪生运行的回顾性近似，而非持续同步的赛博物理农业数字孪生。扩展再生农业指数（eRAI）结合了作物多样性、生产力-稳定性、土地利用效率和产量趋势信息，以表征区县级可持续性状态。采用贝叶斯优化的XGBoost模型在时间验证下进行一步产量预测，同时固定效应和合成控制分析提供了互补的关联性证据和干预相关性证据。使用印度1997年至2023年的区县级花生数据进行的评估表明，所提出的预测器达到了0.171 t/ha的均方根误差（RMSE）和^R2，优于所评估的基线方法，差异具有统计学显著性（*p*值）。完全调整的固定效应模型发现较高的可持续性状态与产量之间存在正向关联，而回顾性数字孪生回放显示出预测结果与观测结果之间在时间上高度一致。基于模型的情景模拟表明，在所评估的可持续性状态扰动条件下，预测产量增幅最高可达12.4%；这些估计值代表反事实敏感性，而非保证的因果效应。TSAFI-DT为可持续性导向的农业预测、对比情景探索和基于数据的决策支持提供了一个可重复的框架。