可解释集成学习框架助力农产品产地可信溯源——以中国六个区域猕猴桃为对象
国家级科研机构发表的可解释集成学习框架用于农产品溯源，方法新颖且数据规模较大，具有较高专业价值。
中国农业科学院农业资源与农业区划研究所智慧农业团队在光谱数据建模的可解释方法研究上取得重要进展。该研究以中国六个区域的猕猴桃为对象，结合高光谱技术和集成学习方法构建猕猴桃产地溯源模型，并利用可解释性人工智能方法对最优的溯源集成模型进行分层和整体解释，在提高产地溯源准确率的同时，深入理解光谱数据背后预测农产品产地的逻辑。博士生李佳利为第一作者，钱建平研究员和吴文斌研究员担任共同通讯作者。论文链接：https://doi.org/10.1016/j.aiia.2026.05.010
中国农科院| English| 全重网站| 数字农科院| 邮箱登陆| 联系我们
智慧农业团队提出可解释集成学习框架助力农产品产地可信溯源
发布者：管理员 发布时间：2026-07-17 作者：钱建平 来源：智慧农业团队 点击量：
近日，中国农业科学院农业资源与农业区划研究所智慧农业团队在光谱数据建模的可解释方法研究上取得重要进展。相关研究成果以“Explainable AI opens the black-box model of spectral technique to trace agro-products origin”为题，发表在《Artificial Intelligence in Agriculture》上。
当前，光谱数据预测农产品地理来源时通常侧重于单一算法，过分强调预测性能而忽略了可解释性，极大地阻碍了准确有效的溯源模型开发以及对模型内在机制的理解。研究以中国六个区域的猕猴桃为对象，结合高光谱技术和集成学习方法构建猕猴桃产地溯源模型，并利用可解释性人工智能方法对最优的溯源集成模型进行分层和整体解释，在提高产地溯源准确率的同时，深入理解光谱数据背后预测农产品产地的逻辑。
该研究为破解光谱技术中机器学习模型的可解释性难题提供了系统的解决思路和技术路径，在特征波长筛选、模型泛化能力提升及预测结果可信度增强等方面具有方法学参考价值，有助于推动光谱技术在农业生产与质量监管中的实际应用。
中国农业科学院农业资源与农业区划研究所智慧农业团队博士生李佳利为第一作者，钱建平研究员和吴文斌研究员担任共同通讯作者。该研究得到北方干旱半干旱耕地高效利用全国重点实验室、中国农业科学院科技创新工程（CAAS-CSAL-202402）、国家重点研发计划（2022YFD1600703）以及中央级公益性科研院所基本业务费（Y2025YC82）的共同资助。
论文信息：Li, J.L., Qian, J.P*., Yu, Q.Y., Chen, J.Y., Ma, W., Li, A., Chen, Q., Lin, X.T., Sun, L.M., Wu, W.B*. Explainable AI opens the black-box model of spectral technique to trace agro-products origin. Artificial Intelligence in Agriculture, 2026.
论文链接：https://doi.org/10.1016/j.aiia.2026.05.010
设为首页∣[加入收藏](javascript:window.external.AddFavorite('http://iarrp.caas.cn/', '%E5%86%9C%E4%B8%9A%E8%B5%84%E6%BA%90%E4%B8%8E%E5%86%9C%E4%B8%9A%E5%8C%BA%E5%88%92%E7%A0%94%E7%A9%B6%E6%89%80'))∣联系我们
Copyright©2012-2021 中国农业科学院农业资源与农业区划研究所版权所有
地址：北京市海淀区中关村南大街12号 邮编：100081 电话：010-82109640
iarrp.caas.cn (京ICP备14003094号-1)京公网安备 11010802028641号 技术支持：中国农业科学院农业信息研究所