Debris Flow Susceptibility Mapping Using Explainable Deep Learning in Eastern Hindukush Pakistan
用CNN结合SHAP绘制巴基斯坦东兴都库什泥石流易发性图并解释关键因子。
← 主题
#SHAP
数农融合发展水平的测度、评价及影响因素分析:基于可解释机器学习模型(统计与决策 2026年第8期)
为破解当前我国数农融合不充分与区域发展不平衡难题,文章基于企业工商登记数据,从数农融合规模与渗透率两个维度构建数农融合发展水平评价指标体系,采用CRITIC法测度我国2000-2023年31个省份的数农融合发展水平,运用核密度估计、Dagum基尼系数、随机森林模型、SHAP方法等分析数农融合发展水平的区域差异及关键影响因素。研究发现我国数农融合水平持续上升且增速逐步加快,东部地区领先、西部地区相对偏低。邮政业务总量、农村人力资本、农林牧渔业总产值及财政涉农支出占比对数农融合发展水平具有显著正向影响。
Portable Hyperspectral Imaging Combined with Interpretable PLS-DA-SHAP for Geographical Origin Traceability and Authenticity Discrimination of Poria cocos (Fushen)
本文提出便携式高光谱成像结合可解释PLS-DA-SHAP方法,用于茯苓(Fushen,Poria cocos)的地理来源溯源与真实性鉴别。研究展示了如何将机器学习与SHAP可解释性相结合,应用于中药材产地溯源。原文标题:Portable hyperspectral imaging combined with interpretable PLS-DA-SHAP for geographical origin traceability and authenticity discrimination of Poria cocos (Schw.) Wolf (Fushen),作者:Xing W、Zhang Y、Wei X、Nie S、Cheng X、Cai M、Yang Q、Wang Y,发表于Frontiers in Sustainable Food Systems 2026年第10卷doi:10.3389/fsufs.2026.1891249,2026年7月15日接收,8月7日发表。本研究为基于光谱成像的农产品/中药材产地溯源提供了可解释AI方法范式。
农户数字能力对低碳农业采纳的影响——基于陕黔川10057户猕猴桃种植户的机器学习分析
基于陕西、贵州、四川三省10057名猕猴桃种植户的微观调查数据,西安建筑科技大学向雯与西北农林大学高建中等于Sustainability发表论文。以农户对低碳农业技术的初始与持续采纳为因变量,构建涵盖数字接入、数字获取、数字处理和数字共享4个维度的数字能力综合评价体系。比较Lasso回归、极端梯度提升、随机森林和反向传播神经网络等多种实证模型,结果显示随机森林模型表现最优。采用SHAP方法定量评估各变量边际贡献,研究发现农户数字能力显著正向促进低碳农业技术的初始与持续采纳,且具有明显的维度异质性:数字接入和获取能力是初始采纳的核心驱动因素,数字处理和共享能力对持续采纳起决定性作用。