基于SHAP可解释特征优选的乌克兰作物制图研究

刘腾; 庞新华; 朱秀芳; 曹建荣; 姬忠林

您当前的位置：

首页 >

文章列表页 >

基于SHAP可解释特征优选的乌克兰作物制图研究

3S技术应用 | 更新时间：2026-08-07

- 基于SHAP可解释特征优选的乌克兰作物制图研究
- 基于SHAP可解释特征优选的乌克兰作物制图研究
- 地理空间信息 2026年24卷第3期页码：92-98
- 作者机构：
  
  1. 聊城大学地理与环境学院
  2. 中航勘察设计研究院有限公司
  3. 北京师范大学遥感和数字地球全国重点实验室
- 作者简介：
- 基金信息：
  
  国家重点研发计划资助项目（2023YFB3906201）
- DOI：
  中图分类号： P285;S127
- 纸质出版：2026
- 稿件说明：
移动端阅览
刘腾, 庞新华, 朱秀芳, 等. 基于SHAP可解释特征优选的乌克兰作物制图研究[J]. 地理空间信息, 2026,24(3):92-98.

刘腾, 庞新华, 朱秀芳, et al. 基于SHAP可解释特征优选的乌克兰作物制图研究[J]. 2026, 24(3): 92-98.
刘腾, 庞新华, 朱秀芳, 等. 基于SHAP可解释特征优选的乌克兰作物制图研究[J]. 地理空间信息, 2026,24(3):92-98. DOI：

刘腾, 庞新华, 朱秀芳, et al. 基于SHAP可解释特征优选的乌克兰作物制图研究[J]. 2026, 24(3): 92-98. DOI：

摘要

精确且高效地绘制冬小麦、玉米、大豆等作物的分布图，对于农业资源管理、作物种植规划和农业政策制定等都具有重要作用。聚焦于乌克兰农业区域，基于Sentinel-2遥感影像，结合Spearman相关系数和SHAP特征优选方法，优化了冬小麦、玉米和大豆等主要作物的制图流程；并评估了7种特征组合策略与3种机器学习模型在区分主要作物类型上的效能。结果表明：(1)Spearman相关系数与SHAP相结合的特征选择方法效果最佳；(2)基于Spearman相关系数与SHAP相结合得到的最优特征，LightGBM算法的分类精度最高，冬小麦制图的总体精度和Kappa系数为95.42%和90.83%，玉米、大豆制图的总体精度和Kappa系数为96.19%和94.28%，分类结果与统计年鉴数据高度一致，冬小麦、大豆和玉米的面积提取精度分别达到97.31%、97.55%和99.61%。

Abstract

关键词

Keywords

references

Revel Charlotte,Lonjou Vincent,Marcq Sébastien,Desjardins Camille,Fougnie Bertrand,Coppolani Delle Luche Céline,Guilleminot Nicolas,Lacamp Anne Sophie,Lourme Emmanuel,Miquel Christine,Lenot Xavier.Sentinel-2A and 2B absolute calibration monitoring[J].European Journal of Remote Sensing,2019.

Chmura Kraemer Helena,Periyakoil Vyjeyanthi S,Noda Art.Kappa coefficients in medical research.[J].Statistics in medicine,2002.

A.R. Huete,H.Q. Liu,K. Batchily,W. van Leeuwen.A comparison of vegetation indices over a global set of TM images for EOS-MODIS[J].Remote Sensing of Environment,1997(3).

Anatoly A. Gitelson,Yoram J. Kaufman,Mark N. Merzlyak.Use of a green channel in remote sensing of global vegetation from EOS-MODIS[J].Remote Sensing of Environment,1996(3).

S. K. McFEETERS.The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features[J].International Journal of Remote Sensing,1996(7).

Huete A.R.A soil-adjusted vegetation index (SAVI)[J].Remote Sensing of Environment,1988(3).

Smith C.B.,Matthiesen R.B..Vibration testing of full-scale structures[J].Nuclear Engineering and Design,1973(1).

Carl F. Jordan.Derivation of Leaf‐Area Index from Quality of Light on the Forest Floor[J].Ecology,1969(4).

刘洪顺,冯竞略,邹利林.广东省耕地“非粮化”的时空跃迁与整治路径研究[J].地理空间信息,2025(01).

王敏,胡兆,徐晓巍,郑思,李姣,姚焰.融合知识驱动和数据驱动的混合决策模型构建：以室性心动过速病因诊断为例[J].协和医学杂志,2025(02).

浦男萍,赵晶,张颖,张蚌蚌,雷鸣,孔祥斌.大食物观统筹下的耕地保护协同治理体系研究[J].西南大学学报(自然科学版),2024(10).

李硕,艾丽菲拉·艾尔肯,罗文波,陈锦杰.基于AutoML-SHAP的超高性能混凝土抗压强度可解释预测[J].硅酸盐通报,2024(10).

李乐,张承云,裴男才,高丙涛,王娜,李嘉睿,武瑞琛,郝泽周.基于被动声学监测技术的城市绿地景观格局与鸟类多样性关联分析[J].生物多样性,2024(10).

曾韬睿,王林峰,张俞,程平,吴帆.基于CatBoost-SHAP模型的滑坡易发性建模及可解释性[J].中国地质灾害与防治学报,2024(01).

董金玮,崔屹峰,邸媛媛,高璇,陈曦,杨林生,蔡玉梅,宁佳,刘纪远.大数据时代耕地红线管控监测的机遇与挑战[J].中国科学院院刊,2023(12).

张圣微,杨林,叶德成,张凤霞,白燕英,李河,陈婧,方科迪.基于深度学习的内蒙古河套灌区2000—2021年种植结构提取与动态[J].农业工程学报,2023(18).

胡菡,厉芳婷,许文伟.基于遥感影像的水资源提取精度评价方法研究[J].地理空间信息,2023(10).

曾慧娴,杨之雨,柳东红,王瑞华,陈宏森,张宏伟,谭晓?,李萍,曹广文.医学研究中常见统计分析方法的应用[J].上海预防医学,2023(08).

聂卉,吴晓燕.结合梯度提升树算法与可解释机器学习模型SHAP的抑郁症影响因素研究[J].数据分析与知识发现,2024(03).

杨丹,李崇贵,张家政.基于深度学习的多时相GF-1影像林分类型分类研究[J].林业资源管理,2022(01).

王美知,魏凤.哈萨克斯坦粮食生产效率动态演进及区域差异[J].自然资源学报,2021(03).

熊曦柳,胡月明,文宁,刘洛,谢健文,雷帆,肖莉,唐铁.耕地遥感识别研究进展与展望[J].农业资源与环境学报,2020(06).

李颖,陈怀亮.机器学习技术在现代农业气象中的应用[J].应用气象学报,2020(03).

韩文霆,张立元,牛亚晓,史翔.无人机遥感技术在精量灌溉中应用的研究进展[J].农业机械学报,2020(02).

王李娟,孔钰如,杨小冬,徐艺,梁亮,王树果.基于特征优选随机森林算法的农耕区土地利用分类[J].农业工程学报,2020(04).

陈仲新,郝鹏宇,刘佳,安萌,韩波.农业遥感卫星发展现状及我国监测需求分析[J].智慧农业,2019(01).

何燕,王斌,江立庚,孟翠丽,欧钊荣,徐世宏.基于GIS的广西水稻种植布局精细化气候区划[J].中国水稻科学,2013(06).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

一种面向多光谱多分辨率影像的超分辨率重建网络

基于特征优选和优化算法的遥感影像机器学习分类方法

基于自适应遗传算法的个性化旅游景点智能推荐方法

融合时空上下文特征的共享单车站点功能区自动识别方法

基于Sentinel-2和GF-2的草地地上生物量遥感反演