快速准确地识别马铃薯植株性状对于制定有效的栽培策略至关重要。无人机（Unmanned Aerial Vehicles，UAV）上光谱相机的集成已经显示出诱人的潜力，通过为构建机器学习模型提供有价值的功能，促进了大规模的非侵入性调查。然而，解释这些功能以及从中衍生出来的功能仍然是一个挑战，限制了现实世界应用程序中的自信利用。在这项研究中，通过使用SHapley加法展开（SHapley Additive exPlanations，SHAP）和均匀流形近似和投影（Uniform Manifold Approximation and Projection，UMAP）来更好地理解建模过程，从而解决了机器学习模型的可解释性问题。XGBoost模型在马铃薯植物的多光谱数据集上进行训练，并在各种任务上进行评估，即品种分类、生理指标估计和早疫病检测。为了优化其性能，使用了近100个植被指数和500多个自动生成的特征进行训练。结果表明，植物品种的成功分离准确率高达97.10%，生理指标的估计最大R2和rNRMSE分别为0.57和0.129，早期枯萎病的检测F1评分为0.826。此外，UMAP和SHAP都被证明有利于综合分析。UMAP视觉观察与计算指标密切相关，增强了品种分化的信心。同时，SHAP确定了大多数任务中信息量最大的特征——绿色、红色边缘和近红外通道，与现有文献紧密一致。这项研究强调了农业效率、作物产量和可持续性方面的潜在改进，并促进了用于遥感应用的可解释机器学习模型的发展。

图1  2022年7月20日的有机马铃薯田。标记的GCP、块和微块。

图2  a）早期枯萎病存在的视觉迹象和b）估计马铃薯早期枯萎病严重程度的标准面积图。

图3  处理流程。红色矩形表示五个阶段，根据其功能划分步骤。黄色气泡按顺序编号，代表各个步骤。右侧的每个阶段都附有简短的输入和输出描述。蓝色弯曲的反馈箭头表示对已保存的日志和工件的可选回溯。

图4  测试集早疫病分类情况下的数据实例分布。

图5  用于分离良好的马铃薯植物品种的UMAP可视化。圆圈和三角形代表有机和传统种植的马铃薯植物。彩色区域描绘了SVM决策边界，反映了品种之间的分离质量，用准确度得分表示。

图6  生理参数的统计分析：a）SPAD和b）气孔导度（GSW）。配对之间的显著差异用红色表示，而非显著差异用蓝色表示。两种颜色的阴影强度代表p值大小，较浅的阴影表示决策边界附近的值（α=0.05），较强的阴影表示更极端的值（接近0或1）。

图7  用于回归分析的最相关特征的SHAP柱状图：a）SPAD和b）GSW。较大的值表示贡献更多信息的特征。不同的特征采用颜色编码，便于识别：未修改的反射率值（黑色）、自动生成的特征（绿色）和计算的光谱指数（红色）。

图8  早期枯萎病的检测：a）任一侵染条件的平均反射率；b） SHAP柱状图。品种分类：c）每个品种的平均反射率；d） SHAP条形图，其中每个条形的颜色对应于相应品种的贡献。在这两种情况下，反射率的平均值和标准偏差分别用实线和带状表示。SHAP条形图中的较大值表示贡献更多信息的特征。不同的特征以颜色编码，便于识别：未修改的反射率值（黑色）、自动生成的特征（绿色）和计算的光谱指数（红色）。