置信度过滤相关性（CFR）：卫星图像天然度评估的可解释且具不确定性感知的机器学习框架
机器学习
2025-07-18 v1
摘要
受保护的自然区域在生态平衡和生态系统服务方面发挥着至关重要的作用。使用卫星图像和机器学习对这些区域进行大规模监测充满前景，但当前方法往往缺乏可解释性和不确定性感知能力，且未解决不确定性如何影响天然度评估。在此， 我们提出置信度过滤相关性（CFR），一种数据中心框架，将 LRP 注意力推送与深度确定性不确定性（DDU）估计相结合，用于分析模型不确定性如何影响相关热图的可解释性。 CFR 根据不确定性阈值将数据集划分为子集，从而系统化分析不确定性如何塑造卫星图像中天然度的解释。应用于 AnthroProtect 数据集时， CFR 对灌木丛、森林和沼泽地的相关性得分更高，与其他关于天然度评估的研究一致。此外，我们的分析表明，随着不确定性的增加，这些相关热图的可解释性下降且熵值上升，表明归因更不具选择性且更模糊。 CFR 提供了一种基于其关联确定性来评估卫星图像中模式对天然度相关性的数据中心方法。
引用
@article{arxiv.2507.13034,
title = {Confidence-Filtered Relevance (CFR): An Interpretable and Uncertainty-Aware Machine Learning Framework for Naturalness Assessment in Satellite Imagery},
author = {Ahmed Emam and Ribana Roscher},
journal= {arXiv preprint arXiv:2507.13034},
year = {2025}
}