摘要
准确地绘制药用植物的分布图对于资源清查和可持续管理至关重要。虽然无人驾驶飞行器（UAV）的高光谱传感技术提供了一种强大的监测工具，但高维光谱数据的ambiguaity（模糊性）以及传统全局分类器的“黑箱”特性严重限制了绘图精度和可解释性。为了解决这一问题，我们开发了一种可解释的、针对特定类别的框架，用于精细尺度的作物识别。通过分层 Successive Projections Algorithm (SPA)–Competitive Adaptive Reweighted Sampling (CARS)–Genetic Algorithm (GA)–Recursive Feature Elimination (RFE) 算法策略，我们提取出特定类别的诊断特征，将映射过程从“黑箱”模型转变为可解释的模式。这些定制的特征子集被输入到并行的随机森林二分类器中，生成针对各类别的概率输出，然后这些概率输出被送入逻辑回归决策层进行融合，从而校准预测概率并解决类别间的矛盾，最终得出明确的分类结果。该框架在广东省云浮市的应用中，成功绘制了目标物种 Murraya exotica、Zanthoxylum nitidum 和 Melicope pteleifolia 的分布图，总体准确率为 97.35%（Kappa 值 = 0.97），优于传统的基准模型（如标准多类随机森林、极端梯度提升算法和光谱角度映射器）。这些研究结果表明，将特定类别的特征提取与基于概率的决策融合相结合，可以为异质环境中的精准农业绘图提供一种稳健且可解释的方法。
