面向早期作物分类的可解释人工智能方法
机器学习
2025-04-18 v1 应用统计
机器学习
摘要
我们提出了一种通过可解释人工智能（XAI）方法识别重要时间步来实现早期作物分类的方法。我们的方法包括训练一个基线作物分类模型以执行逐层相关性传播（LRP），从而识别出显著时间步。我们选取若干此类重要时间索引，以创建最短可能分类时间段的边界区域。我们确定2019年4月21日至2019年8月9日这一时期在准确率和早期性方面具有最佳权衡。与使用完整时间序列相比，该时间段仅在准确率上损失0.75%。我们观察到，LRP衍生的重要时间步还突出了输入值中区分不同类别的微小细节，并且
引用
@article{arxiv.2310.06574,
title = {XAI for Early Crop Classification},
author = {Ayshah Chan and Maja Schneider and Marco Körner},
journal= {arXiv preprint arXiv:2310.06574},
year = {2025}
}