德国作物产量与异常预测中机器学习模型的泛化与特征归因
机器学习
2025-12-18 v1
摘要
本研究考察了用于德国 NUTS-3 区域作物产量与产量异常预测的机器学习（ML）模型的泛化性能与可解释性。利用高质量长期数据集，系统比较了集成树模型（XGBoost、Random Forest）和深度学习方法（LSTM、TCN）的评估与时间验证行为。尽管所有模型在空间划分的传统测试集上表现良好，但在时间独立的验证年份上性能显著下降，揭示了泛化能力的持续局限。值得注意的是，具有强测试集准确率但弱时间验证性能的模型仍可产生看似可信的 SHAP 特征重要性值。这暴露了后验可解释性方法的关键脆弱性：当底层模型无法泛化时，可解释性可能看似可靠。这些发现强调了在农业和环境系统中需要验证感知型的机器学习预测解读。特征重要性不应被直接采纳，除非模型被明确证明能够泛化到未见的时间和空间条件。本研究倡导领域感知的验证、混合建模策略以及对数据驱动农业中可解释性方法进行更严格的审查。最终，本工作回应了环境数据科学中的一个日益增长的挑战：如何足够稳健地评估泛化性以信任模型解释？
引用
@article{arxiv.2512.15140,
title = {Generalization and Feature Attribution in Machine Learning Models for Crop Yield and Anomaly Prediction in Germany},
author = {Roland Baatz},
journal= {arXiv preprint arXiv:2512.15140},
year = {2025}
}
备注
13 pages, 3 figures