Las redes multisensoras distribuidas registran múltiples flujos de datos que pueden ser utilizados como entradas para modelos de aprendizaje automático diseñados para clasificar operaciones relevantes para la proliferación en reactores nucleares. El objetivo de este trabajo es demostrar métodos para evaluar la importancia de cada nodo (un único multisensor) y región (un grupo de multisensores próximos) en el rendimiento del modelo de aprendizaje automático en un escenario de monitoreo de reactores. Esto, a su vez, proporciona información sobre el comportamiento del modelo, un requisito crítico de las aplicaciones basadas en datos en la seguridad nuclear. Utilizando datos recopilados en el Reactor de Isótopos de Alto Flujo en el Laboratorio Nacional Oak Ridge a través de una red de multisensores Merlyn, se entrenaron dos modelos diferentes para clasificar el estado operativo del reactor: un modelo oculto de Markov (HMM), que es más simple y transparente, y una red neuronal de avance, que es menos inherentemente interpretable. Los métodos tradicionales de envoltura para la importancia de características se ampliaron para identificar nodos y regiones en la red multisensor que tienen impactos positivos y negativos fuertes en el problema de clasificación. Estos algoritmos de importancia espacial se evaluaron en los dos clasificadores diferentes. La precisión de clasificación se mejoró en relación con los modelos base a través de la selección de características de 0.583 a 0.839 y de 0.811 +/- 0.005 a 0.884 +/- 0.004 para el HMM y la red neuronal de avance, respectivamente. Si bien se observaron algunas diferencias en la importancia de nodos y regiones al utilizar diferentes clasificadores y métodos de envoltura, los nodos cerca de la torre de enfriamiento de la instalación se identificaron consistentemente como importantes, una conclusión respaldada aún más por estudios sobre la importancia de características en árboles de decisión. Los métodos de importancia de nodos y regiones son agnósticos al modelo, informan la selección de características para mejorar el rendimiento del modelo y pueden proporcionar información sobre modelos de clasificación opacos en el ámbito de la seguridad nuclear.