农业仍然是生计和粮食安全的关键领域,但越来越受到气候变化、水资源短缺和土地退化的影响[1]。利用新的数据驱动技术进行精准农业是解决这些问题的一个方法。机器学习(ML)和时间序列分析可以作为强大的工具来监测作物生长并识别关键生长阶段[2]。通过监测植物生命周期过程,可以最大化灌溉、施肥和害虫控制等农场投入的效果,从而提高产量和可持续性[3]。
通过应用ML和深度学习(DL)技术,自动化和增强物候阶段分类的能力显著提高。地面或卫星观测数据以及时间序列建模已被用于各种研究中,以检测作物阶段或预测变化[4]。例如,卷积神经网络(CNN)和循环神经网络(RNN)被应用于从遥感和天气数据中检测葡萄藤和小麦的生长阶段[5]、[6]、[7]。
这项工作的主要动机在于现有物候分类方法的持续局限性,这些局限性限制了它们的实际相关性、鲁棒性和可解释性[8]、[9]、[10]、[11]。许多方法依赖于狭窄的特征集,常常忽略丰富的时间模式,如滞后变量、滚动统计、傅里叶分量或基于相关性的趋势。特征选择通常仅限于少数几种方法,错过了结合多种过滤器方法、包装器方法和嵌入式方法的机会,这些方法可以提供关于特征相关性的互补见解。这可能导致遗漏重要的特征,从而降低模型的准确性,并且在训练和推理过程中浪费不必要的资源,尤其是在资源有限的设备上。
此外,以往的研究往往只评估有限范围的DL架构,通常关注单一范式,而不是探索循环模型、卷积模型或基于注意力的模型等替代方案。这种有限的搜索空间意味着更多更精确或本质上更高效的架构尚未被发现。因此,从业者可能会使用不必要的大而复杂的模型,这些模型在资源受限的设备上运行成本过高。
时间依赖性经常处理不当,增加了数据泄露和过于乐观评估的风险。通过跨站点训练统一模型,通常忽略了空间异质性,忽视了局部物候变化。
研究主要集中在短期、一步预测上,而对操作规划至关重要的多时间范围预测关注不足。这限制了这些模型在实践中的使用,使得农场管理者无法提前数周规划操作,使这些模型仅具有理论意义而无法实际应用。
深度学习模型的可解释性仍然有限,尽管已经探索了如SHapley加性解释(SHAP)[12]、局部可解释模型不可知解释(LIME)[13]或关联规则[14]、[15]等解释方法,但它们很少整合模型驱动和数据驱动的解释方式以实现一致的解释。此外,大多数方法缺乏系统的解释置信度度量,如精度@k或Jaccard指数。这种缺乏综合且经过验证的解释方式导致了信任度的缺失。在资源受限的情况下,农民无法在不了解模型推荐原因的情况下根据模型建议采取行动,从而浪费了已经用于部署模型的计算资源。这些关于准确性、效率和可信度的相互关联的挑战激发了我们提出的框架的开发。
为了解决现有方法的局限性,本研究提出了一个框架,该框架包括多样化的时间特征、各种特征选择策略(基于过滤器的、基于包装器的和嵌入式的)以及前馈、循环、卷积和基于注意力的DL架构。通过使用特定站点的模型来处理空间异质性,并增加了多时间范围分类(最多可预测四周),以便于前瞻性决策。通过知识蒸馏(KD)解决了效率问题,该方法通过从更复杂的教师模型中转移知识来使用紧凑的学生模型,从而在不直接改变固定架构的计算规模的情况下实现高效训练和部署。
为了解决可解释性问题,提出了一个新的混合SHAP–关联规则解释框架(H-SARXAI)。H-SARXAI结合了模型驱动(SHAP)和数据驱动(关联规则挖掘)的方法,定量测量基于SHAP的模型解释与基于关联规则的特征属性之间的共识。它使用精度@k、覆盖率和Jaccard相似度等信任度指标,以确保模型解释的可靠性、一致性和全面性,从而结合了两种方法的优势,提供了对模型行为的更稳健理解。该提出的方法在西班牙安达卢西亚不同微气候和地区的橄榄物候阶段真实数据集上进行了评估,表现为时间序列分类任务。
本文的主要贡献如下:
- 1.
一个模块化的端到端深度学习流程,支持分类和多时间范围预测(最多可预测四周),确保在不同物候站点上的时间一致性和空间适应性。
- 2.
一种特征工程和选择策略,使用滞后特征(LF)、滚动窗口统计(RWS)、基于时间的循环特征(TBF)、指数移动平均(EMA)、滚动相关(RC)和傅里叶变换(FFTF)来捕捉多尺度时间动态。这与一种混合特征选择策略相结合,该策略整合了互信息(MI)、ANOVA F检验、LASSO、粒子群优化(PSO)等传统方法,并采用增量添加方案,以实现降维和对无关输入的鲁棒性。
- 3.
对包括多层感知器(MLP)、长短期记忆(LSTM)、门控循环单元(GRU)、时间卷积网络(TCN)和Transformer架构在内的十种深度学习范式进行了广泛的基准测试,以确定最佳物候时间序列模型。此外,还采用了从循环和非循环教师架构到紧凑学生模型的知识蒸馏,从而在几种配置中实现了预测性能和计算效率之间的良好平衡,便于实际部署。
- 4.
通过整合SHAP值和关联规则挖掘,开发了一种新的混合可解释性框架(H-SARXAI)。这允许在全局和局部层面进行一致的特征推理。定量信任度指标——精度@k、覆盖率和Jaccard相似度——评估解释的一致性,重新训练反馈循环评估重叠(可信)特征的预测效用。
本文的其余部分组织如下:第2节讨论相关工作。第3节详细介绍了问题表述。第4节解释了所提出的方法。第5节展示并讨论了结果,第6节总结了本文。