基于Rademacher复杂度的遗传编程简化方法用于多光谱遥感影像中寄生物的可解释检测

《Machine Learning and Knowledge Extraction》：Rademacher Complexity-Guided Genetic Programming for Interpretable Spectral Index Discovery in UAV-Based Mistletoe Detection

　　

摘要

在环境与遥感领域，对既准确又可解释的AI模型的需求日益增长。然而，深度学习和机器学习技术通常缺乏可解释性。本研究提出使用遗传编程（GP），利用其候选解的可读特性（如算术表达式），用于在五波段多光谱航空影像上检测Phoradendron velutinum（桃金娘梨果寄生）。然而，GP存在膨胀问题，即候选解的规模不受控制地增长，使其失去可解释性。为获得更小巧、更简洁且可解释的解，我们提出测试五种GP简化方法。所考察的方法包括Gws 25、Pruning 2%以及Gws 25与Pruning 2%联合使用。此外，我们提出两种基于Rademacher复杂度（RC）指标的新型方法，称为Rademacher和Fit Rademacher。这些策略在30次独立运行、五折交叉验证下进行了评估，数据集包含250幅300×300像素的影像。各折按源帧对图块进行分组，因此报告的指标为站内估计值。Fit Rademacher方法实现了平均树规模54%的缩减（Fit Rademacher为22个节点，而普通GP为48个节点），并取得了所有方法中最高的召回率（0.566），但这一增益以精度和整体一致性为代价：与普通GP相比，其测试从0.448降至0.402，F1从0.499降至0.399，精确率从0.498降至0.307。在找到的解中，GP-VRI（GP Velutinum红指数）是一个紧凑的表达式，经代数化简从25个节点缩减至14个节点，仅使用红波段（650 nm）和蓝波段（450 nm），其结构在生化学上是合理的，与文献中报告的P. velutinum的黄酮类、类胡萝卜素和叶绿素含量相符。另一个解GP-VSDI（GP Velutinum光谱差异指数）经代数化简从28个节点缩减至24个节点，使用相同的两个波段：其分母中差异出现两次，而分子化简为一个常数因子，其中，独立确认了这一波段组合在区分P. velutinum与其背景方面信息最为丰富。这些结果确立了RC引导的GP简化作为本研究所涉遥感问题中的知识提取机制，所产出的模型足够紧凑，可被领域专家检查和评估，其结构与目标物种已知的波谱行为在物理上保持一致。该方法论贡献是这一对RC引导的算子；检测框架和数据集继承自先前的工作。