麦类作物学报

作者：朱志畅，葛焱，臧晶荣，李庆，金时超，徐焕良，翟肇裕

单位：1.南京农业大学人工智能学院,江苏南京 210031； 2.南京农业大学工学院,江苏南京 210031；3.南京农业大学农学院,江苏南京 210095； 4.南京农业大学前沿交叉研究院,江苏南京 210095

关键词：小麦,无人机图像,机器学习,SHAP加性解释方法,产量预测,

基金：江苏省自然科学基金项目（BK20231004）；中央高校基本科研业务费专项（KYCXJC2023007）

为了探寻适宜的小麦产量预测模型并提高其精度，从冬小麦灌浆期的无人机多光谱和RGB图像中提取了14种光谱参数和28种形态参数作为特征变量，利用线性回归、随机森林、神经网络等10种机器学习方法构建小麦田间产量预测模型，并比较了模型间预测能力的差异；同时，引入机器学习事后可解释性方法SHAP对输入的特征变量进行重要性分析和筛选，了解其提高模型预测能力的效果。结果表明：（1）10种机器学习模型中，误差逆传播神经网络BPNN的产量预测表现最好（r2=0.826，RMSE=0.094 t·hm-2）；（2）根据SHAP确定的特征变量重要性排序，花青素反射指数ARI和三维冠层体积Volume对于预测结果的影响最大，占全部特征重要性总和的45.48%；（3）经过SHAP特征筛选后，确定了在BPNN产量预测模型上表现最优的9个特征变量，其预测结果r2为0.865，RMSE为0.075 t·hm-2， 比使用全特征的BPNN和事前Pearson相关性分析方法在预测精度上均有提升。因此，在优选产量预测模型基础上，可采用SHAP机制对特征变量的重要性进行筛选和分析，以此进一步提高田间小麦产量预测精度。

来源：2025年第2期

《麦类作物学报》期刊编辑部

查看麦类作物学报杂志2025年第2期