近日，北京林业大学工学院徐道春教授课题组在油茶采摘领域取得重要进展。相关成果以“A machine learning approach with SHAP interpretation for predicting fruit inertial force in vibration harvesting of Camellia oleifera”为题，发表在农林科学领域一区TOP期刊Computers and Electronics in Agriculture（五年平均影响因子9.3）。

振动采收是油茶机械化采收的有效手段，其核心在于使果实产生足够大的惯性力以克服果柄结合力而脱落。然而，惯性力受振动参数与树体结构特征的复杂耦合影响，传统模型难以实现精准预测与机理解释。为此，研究团队提出一种结合机器学习与SHAP可解释性分析的油茶果振动采收惯性力预测方法。通过构建以振动参数和果树结构参数为输入的预测模型，量化各特征变量对果实惯性力的贡献度与影响机制。基于SHAP分析进行特征筛选，将输入变量从11个优化至8个，在降低输入变量的同时提高了模型的预测能力。该研究首次将机器学习与SHAP可解释性分析系统应用于油茶果振动采收惯性力预测，不仅为油茶果振动采收参数的精准匹配与优化提供理论依据与技术支撑，也为其他林果的机械化采收提供参考。

论文第一作者为北京林业大学工学院博士生李庆松，通讯作者为徐道春教授和白效鹏副教授。

本研究得到国家重点研发计划项目（2019YFD1002401）资助。