Exploring Interpretability in Deep Learning-Based Forest Classification - Separating Similar Forest Classes using Sentinel-2 Time Series
Aggiunta all'archivio di AIChronos il (numero del 14 ottobre 2026 ricostruito)· fonte del · Maximilian Kirsch, Christine Preisach
Lo studio valuta il potenziale delle reti neurali ricorrenti (RNN) per la classificazione di specie arboree utilizzando serie temporali Sentinel-2, superando le prestazioni dei modelli basati su alberi decisionali come Random Forest e XGBoost. L'analisi tramite Integrated Gradients ha identificato pattern spettrali-temporali specifici che distinguono pixel con composizioni pure da quelle miste del pino abete rosso norvegese (Norway spruce). I risultati evidenziano che l'integrazione di modelli ricorrenti con tecniche di spiegabilità rivela i periodi fenologici e le regioni spettrali più rilevanti per discriminare foreste simili. Questo approccio supporta una mappatura dettagliata delle strutture forestali miste, cruciale in contesti ecologici dove la diversità specifica complica il mapping remoto.
- Le RNN hanno ottenuto un Macro-F1 score di 0.851 su dati test, superando XGBoost e Random Forest nella classificazione delle specie forestali.
- L'uso di Integrated Gradients ha quantificato le attribuzioni dei feature evidenziando la divergenza spettrale tra classi pure e miste dopo il giorno dell'anno (DOY) 125.
- La banda B11 mostra il contributo più forte durante i periodi in cui aumenta la divergenza spettrale tra le due classi di foresta.
- Le foreste miste sono preferibili per la resilienza ecologica, ma rappresentano una sfida complessa per il remote sensing basato su pixel a causa della distribuzione diversificata delle specie.
- La combinazione di classificazione time-series e explainability offre insight sui meccanismi spettrali-temporali alla base della discriminazione tra specie arboree.
Perché conta. Per uno sviluppatore che lavora con LLM, agenti AI o modelli locali, questo paper illustra l'importanza di integrare tecniche di interpretabilità (come Integrated Gradients) per comprendere i meccanismi interni dei modelli complessi. Comprendere quali feature temporali e spettrali guidano le decisioni del modello è fondamentale per costruire sistemi affidabili in domini critici come il monitoraggio ambientale, dove la trasparenza delle previsioni è essenziale.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.