基于无人机图像和SHAP特征筛选的小麦田间产量预测方法研究

作     者：朱志畅 葛焱 臧晶荣 李庆 金时超 徐焕良 翟肇裕 

作者机构：南京农业大学人工智能学院 南京农业大学工学院 南京农业大学农学院 南京农业大学前沿交叉研究院 

出 版 物：《麦类作物学报》 (Journal of Triticeae Crops)

年 卷 期：2025年第02期

页      面：264-274页

核心收录：

学科分类：0810[工学-信息与通信工程] 08[工学] 09[农学] 0901[农学-作物学] 081002[工学-信号与信息处理] 

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) 

主　　题：小麦 无人机图像 机器学习 SHAP加性解释方法 产量预测 

摘      要：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。