SoilGraph 项目说明

项目简介

SoilGraph 结合因果发现（DAG / 邻接矩阵）与机器学习模型，自动筛选光谱特征中对土壤湿度有因果影响的父节点特征，支持 SHAP 可解释性分析与多模型对比。包含自动化数据预处理、特征筛选、交叉验证评估与可视化结果保存，适用于光谱数据分析与水文建模研究。

核心功能

• 因果发现：基于神经网络（DAGLearner）学习因果结构，筛选指向soil_moisture的因果父节点

• 多模型对比

  ：支持 7 种回归模型预测土壤湿度，包括：

  • 线性回归 / 岭回归
  • 随机森林 / LightGBM / XGBoost
  • 多层感知机（MLP）
  • K 近邻回归
  • ……..

• 可解释分析：提供 SHAP 特征贡献分析（SHAP.py）与详细可视化（SHAP_detail.py）

• 自动化流程：从数据预处理、特征工程到结果保存全自动完成

目录结构

SoilGraph/
├── feature_dag/    # DAG模型结果
│   └── {n}h/       # 按小时分组的邻接矩阵
├── feature_mlp/    # MLP基准模型结果
├── SoilGraph/      # 输出目录
│   └── result/     # 评估结果与可视化
│       ├── shap/   # SHAP分析结果
│       └── *.xlsx # 汇总表格
├── MLP.py         # MLP基准模型训练
├── prediction.py  # 多模型预测评估
├── SHAP.py        # 简版SHAP分析
├── SHAP_detail.py # 详细SHAP可视化
├── SpectralDAG.py # 核心DAG模型
└── soilmoisture_dataset.csv # 原始数据

环境要求

• Python 3.8+

• 核心依赖

  numpy, pandas, scikit-learn, torch, matplotlib, seaborn
  

• 可选依赖

  （SHAP 分析、LightGBM/XGBoost 需安装）：

  lightgbm, xgboost, shap
  

• 安装命令

  pip install -r requirements.txt

使用流程

1. 数据预处理与 DAG 学习：

   python SpectralDAG.py

2. 运行多模型预测：

   python prediction.py

3. SHAP 可解释性分析：

   # 简版分析
   python SHAP.py
   
   # 详细可视化
   python SHAP_detail.py

结果解读

输出文件包含以下核心内容：

• allDAG.xlsx：每个小时组合的详细预测结果
• resultDAG.xlsx：按时间分组的模型平均指标
• shap/ 目录：特征贡献度分析结果（含 CSV 数据文件与 PNG 可视化图）

常见问题

1. SHAP 安装失败：通过跳过依赖检查安装

   pip install shap --no-deps

2. LightGBM/XGBoost 安装问题（Windows 用户建议）：

   # Windows用户使用预编译版本
   pip install lightgbm xgboost -f https://pip.volta.club

3. CUDA 加速支持（需匹配 PyTorch 版本）：

   conda install pytorch cudatoolkit=11.3 -c pytorch