基于可解释机器学习（SHAP）的小麦面团品质特征（Quality Profiles）预测与关键指标解析

本综述系统探讨了利用机器学习（ML）技术预测小麦烘焙品质特征（Quality Profiles, QPs）的创新方法。研究基于14项常规技术参数（如蛋白质含量、损伤淀粉、面筋指数等），采用支持向量机（SVM）模型实现高效分类，并结合SHAP（SHapley Additive exPlanation）可解释性分析揭示关键影响因素（如Alveograph?弹性指数Ie）。该研究为小麦品质育种和烘焙工艺优化提供了数据驱动的新思路，显著提升品质预测的透明度与实用性。

　　

亮点

数据集描述

本研究使用的数据集源自Munch等人（2025年）公开的数据集，原包含290份小麦样本，其中3份因数据缺失被排除。数据涵盖99个小麦品种，种植于法国38个地点和比利时1个地点（2020-2022年度），由法国大田作物技术研究所Arvalis、利马格兰Limagrain和Axiane公司共同提供。

数据集与历史数据的代表性对比

通过UMAP降维可视化分析，样本呈现出与烘焙表现特征相关的清晰聚类（图示2）。所选287份样本覆盖所有主要聚类群，证实其对小麦品质多样性的全面代表性。若干离群样本（与基线差异显著）的存在，进一步表明数据集包含稀有或极端品质类型，支持其数据鲁棒性与建模可靠性。

结论

机器学习方法是解析小麦烘焙品质中复杂非线性、多因子关系的关键。本研究开发了基于烘焙试验中品质表现（QPs）的小麦样本分类预测模型。我们在一个原创且全面的数据集上训练了多种机器学习模型，该数据集涵盖实际应用中遇到的各类小麦品质多样性。支持向量机（SVM）模型在所有评估场景中均表现最优。