可解释机器学习方法提升田间作物分类

田间作物分类该选哪条技术路线，以及模型给出的判断能不能被理解，是这份资料试图回答的两个问题。作者指出，围绕图像分类的研究虽然很多，但多数方法存在准确率偏低、数据利用有限、不报告模型大小与预测耗时等局限，而最突出的短板是模型可解释性。在农业场景里，一个高准确率却说不清依据的模型很难真正投入使用，这意味着可解释性不是锦上添花，而是部署前的必要条件。这份资料把「选模型」和「解释模型」放进同一个评估框架，正好对应这个痛点。

评估覆盖四类技术路线：传统机器学习配合手工特征提取，包括SIFT、ORB和颜色直方图；自定义卷积神经网络与AlexNet这类已有深度学习架构；在五个ImageNet预训练模型上做迁移学习，分别是EfficientNetV2、ResNet152V2、Xception、Inception-ResNetV2和MobileNetV3；以及YOLOv8和自监督视觉Transformer模型DINOv2这类基础模型。方法上是对这些模型做横向比较，再用LIME、SHAP和GradCAM对表现最好的模型做解释。作者团队来自乌干达的Makerere University。材料没有交代所用数据集的具体来源、规模和作物种类，这一点在阅读结果时需要留意。

关键数字集中在Xception上。所有参与评估的模型表现都不错，但Xception在泛化能力上胜过其余模型，在测试数据上达到98%的准确率，模型大小为80.03 MB，预测时间为0.0633秒。这三个数字放在一起看才有意义：它不只是一个准确率数字，还同时给出了模型体积和单次预测耗时，读者可以据此判断田间部署的可行性。作者也强调，没有评估就不应下结论，多数研究只考虑一两种路线就开发分类模型，这并不是稳妥的做法。

可解释性方面，作者用LIME、SHAP和GradCAM三种方法解释Xception的判断依据，目标是在模型预测中保证透明和可信。这三种工具分别从局部近似、特征归因和类激活映射的角度给出可视化结果，让不同背景的人能更直观地理解模型为何得出某个结论。作者由此提出，选择模型应服从任务的具体需求，而不是只看单一指标。换句话说，准确率、模型大小、预测时间和可解释性应当被放在同一张表上权衡。

这些结论对实践的影响有两层。第一层是选型：把模型大小和预测时间与准确率一起报告，能让农业场景的部署决策更有依据，80.03 MB和0.0633秒这样的数字直接关系到设备端能否承载。第二层是信任：作者认为可解释性在农业部署AI的过程中扮演重要角色，能为增强AI驱动的作物管理策略提供有参考价值的信息，指向更高效、更可持续的耕作实践。这是作者的判断，读者可以把它理解为一个方向性主张，而非已经被田间试验验证的结论。

适合做农业计算机视觉应用、需要在多条技术路线间做选型，或者要向非技术合作者解释模型依据的读者。读完能拿走一套可复用的评估清单：四类路线、准确率之外的模型大小与预测时间、以及三种解释方法。边界也需要说清楚：材料只呈现了一个分类任务上的横向比较，没有给出数据集细节和训练测试划分方式，所以98%这个数字不宜直接外推到其他作物或田间条件；可解释性工具输出的是模型层面的归因与可视化，材料没有进一步讨论这些解释如何与农学知识对照，这一环需要读者自己补上。

Enhanced Infield Agriculture with Interpretable Machine Learning Approaches for Crop Classification SUDI MURINDANYI, Makerere University, Uganda JOYCE NAKATUMBA-NABENDE,Makerere University, Uganda RAHMAN SANYA, Makerere University, Uganda ROSE NAKIBUULE, Makerere University, Uganda ANDREW KATUMBA, Makerere University, Uganda The increasing popularity of Artificial Intelligence (AI) in recent years has led to a surge in interest in image classification, especially in the agricultural sector. With the help of Computer Vision (CV), Machine Learning (ML), and Deep Learning (DL), the sector has undergone a significant transformation, leading to the development of new techniques for crop classification in the field. Despite the extensive research on various image classification techniques, most have limitations such as low accuracy, limited use of data,