《Artificial Intelligence in Agriculture》：Integrating explainable machine learning models with geospatial features to enhance the prediction of late-spring frost risks in apple production
编辑推荐：
研究人员开发了一种可迁移的可解释机器学习（EML）模型，用于中国尺度下苹果生产晚霜风险的区域评估。将空间地理特征与EML模型整合后，能够更准确地预测苹果晚霜风险。在苹果春季霜冻事件预测中，随机森林（RF）模型优于支持向量机（SVM）、多层感知机（MLP）、极端
研究人员开发了一种可迁移的可解释机器学习（EML）模型，用于中国尺度下苹果生产晚霜风险的区域评估。将空间地理特征与EML模型整合后，能够更准确地预测苹果晚霜风险。在苹果春季霜冻事件预测中，随机森林（RF）模型优于支持向量机（SVM）、多层感知机（MLP）、极端梯度提升（XGBoost）和长短期记忆神经网络（LSTM）模型。通道注意力机制（CAM）在捕捉晚霜风险关键因素方面表现出显著优势。日最低温度和纬度分别是霜冻风险发生最具决定性的气象变量和空间变量。
《Artificial Intelligence in Agriculture》刊发的该研究围绕中国四大苹果产区晚霜害预测展开。研究背景方面，苹果（Malus domestica Borkh.）是中国及全球温带地区重要果树，中国苹果栽培面积占全球逾40%。晚春花期霜冻是苹果生产最具破坏性的气象灾害之一，黄土高原等主产区在2018年、2020年发生严重晚霜，导致坐果率下降、全国产量减产17.9%–19.4%。传统低温控制试验受田间变温重建与组织损伤限制；基于温度阈值的统计方法和霜冻指数难以刻画气象、地形与地理特征间复杂交互；已有机器学习研究常只用有限气象或地理变量，且“黑箱”模型可解释性差。因此，研究人员有必要综合气象与地理因子，用可解释机器学习（EML，explainable machine learning）识别晚霜风险驱动机制。
关键技术方法上，研究人员以2018年179个站点、2020年86个站点的苹果晚霜害记录为样本队列，数据来自中国气象灾害管理系统、陕西气象局、气象灾害年鉴等；气象变量含平均温、最低温、相对湿度、风速、太阳辐射、降水，地理变量含经纬度、海拔、坡度、坡向。经Pearson相关与方差膨胀因子（VIF）剔除强共线变量后，将RF、SVM、XGBoost、MLP、LSTM及LSTM结合通道注意力机制（CAM）用于二分类预测（0无霜、1有霜）。训练集用SMOTE处理类别不平衡，网格搜索调参，10折交叉验证，以ROC曲线下面积（AUC）和总体精度（OA）评价，并用SHAP（SHapley Additive exPlanations）解释变量贡献。
- 2.
Materials and methods
研究人员在中国四大苹果产区开展方法与数据设计。2.1 Study area 界定渤海湾、黄土高原、西南冷凉高地、新疆产区。2.2 Datasets 说明气象与地理数据来源及晚霜害等级按QX/T 392-2017合并为二分类标签。2.3 Performance evaluation 用真正率（TPR）、假正率（FPR）、AUC与OA度量模型。2.4 Machine learning models 比较五种模型，并提出LSTM-CAM框架：CAM通过全局平均与最大池化、共享全连接层生成通道权重，使模型在气象+地理多源输入下聚焦关键特征。2.5 SHAP 用博弈论中的Shapley值分配各特征边际贡献，量化日最低温、纬度等变量对霜事件预测的影响。
- 3.
Results
研究人员通过模型性能比较发现，RF在中国苹果产区晚霜预测中AUC与OA最高，优于SVM、MLP、XGBoost、LSTM；加入地理空间特征后各模型性能普遍提升，证明空间地理因子具附加预测价值。LSTM-CAM相较基础LSTM在联合变量下更能突出关键通道，CAM对多源特征融合有增益。SHAP分析显示，日最低温度（Tmin）与纬度（Lat）分别为最决定性气象与空间变量；其他如海拔、湿度、辐射也参与风险形成。研究人员据此揭示晚霜发生不是单因子阈值现象，而是气象—地形—地理协同过程。
- 4.
Discussion
研究人员讨论指出，传统温度阈值和霜冻指数低估了地形与地理异质性作用；EML+SHAP框架兼顾预测力与可解释性，可迁移至其他果树或区域。RF的树集成结构适配非线性和因子交互，CAM补强了深度学习对多源通道的选择能力。作者也指出数据主要来自2018与2020典型灾年，站点观测和灾害上报存在空间覆盖偏差，后续应融入物候、土壤水分与更高分辨率地形数据。
Conclusions
研究人员得出结论：可解释机器学习模型结合地理空间特征可显著提升中国苹果生产晚霜风险预测能力；RF为最优基学习器，LSTM-CAM在时序多源数据中具解释增强价值；日最低温度与纬度是晚霜风险最核心预测因子；该框架为温带果树晚霜预警与气候适应管理提供了可转移工具。
