El desarrollo de métodos de aprendizaje automático explicables está atrayendo cada vez más atención. Los modelos de neuronas dendríticas han surgido como métodos de aprendizaje automático potentes en los últimos años. Sin embargo, proporcionar explicabilidad a un modelo de neurona dendrítica no ha sido explorado. En este estudio, proponemos un modelo de neurona dendrítica lógica (LDNM) y discutimos sus características. Luego, utilizamos un modelo basado en árboles llamado morfología de árboles de decisión (MDT) para aproximar LDNM y así obtener su explicabilidad. Específicamente, un LDNM entrenado se simplifica mediante un mecanismo de poda de estructura propietario. Luego, el LDNM podado se transforma aún más en un MDT, que es fácil de entender, para obtener explicabilidad. Finalmente, se utilizan seis problemas de clasificación de referencia para verificar la efectividad de la poda de estructuras y la transformación en MDT. Los resultados experimentales muestran que MDT puede proporcionar una precisión de clasificación competitiva en comparación con LDNM, y la estructura concisa de MDT puede proporcionar información sobre cómo se concluyen los resultados de la clasificación por LDNM. Este artículo proporciona un enfoque de explicación sustituto global para LDNM.