面對多光譜影像，單一熱圖往往只說明哪裏重要，卻未能交代該位置的光譜通道如何影響結果。SSI（Spectral-Spatial Interpretation）屬於模型解釋工具，為每個空間 cell 和 channel 計算帶正負號的 attribution，拆解模型分數由哪個位置及哪個通道推動。
SSI 固定該 cell 以外的影像內容，只在 cell 內比較不同通道組合，再以 Shapley values 分配貢獻。所有通道貢獻會加總至該 cell 從遮罩狀態到原始狀態的分數變化，因此可分別彙整成 spatial map 或 spectral summary；正值代表推高分數，負值代表拉低分數。
項目提供獨立 NumPy 實作，支援 exact subset enumeration 和 sampled channel permutations，亦附有瀏覽器 Playground、Visual Atlas 及五分鐘互動教學。測試時可先用 Playground 觀察結果，再以 ssi.py 對自己的模型分數和遮罩 baseline 重現分析；通道數增加時，精確枚舉的成本亦會上升，抽樣排列是較可行的取捨。
與 Integrated Gradients (IG)、DeepSHAP、KernelSHAP 及 rank-1 RISE 比較，SSI 在三個資料集、兩種 masking baseline 下，三項指標的平均結果均居首；例如 mean-baseline HLS joint deletion 為 0.1545，KernelSHAP 為 0.2096。它較適合需要同時追蹤空間位置與光譜通道的遙感、農業或科學影像團隊，但要留意各 cell 的貢獻不一定能加總成整張影像相對 baseline 的總變化，因為 SSI 解釋的是條件式局部遊戲。
- 同時回答「哪裏重要」與「哪個通道重要」
- 保留正負貢獻，能分辨推高或壓低分數的因素
- 支援精確計算及排列抽樣兩種方式
- 可用 spatial map、spectral summary 和 deletion 指標檢查結果
- 適合多光譜模型，但需留意計算成本及跨 cell 互動限制
