ADSPA-XGBoost-SHAP框架：基于自适应特征解耦的高光谱水质参数智能反演与机制解析

（编辑推荐）本研究创新性提出ADSPA-XGBoost-SHAP框架，通过自适应连续投影算法（ADSPA）解决传统SPA的局部最优陷阱，结合贝叶斯优化XGBoost模型实现TP/NH3-N等关键水质参数（WQPs）高精度反演（R2最高达0.916），并利用SHAP值解析光敏感参数（如Turb特征波段658.05 nm）与非光敏感参数的贡献差异，推动高光谱监测从经验模型向机理驱动范式转变。

　　

Highlight

本研究开发的ADSPA-XGBoost-SHAP框架通过三重创新推进高光谱水质监测：1）采用随机初始波段选择与交叉验证反馈机制，突破传统连续投影算法（SPA）的局部最优限制；2）利用贝叶斯优化XGBoost超参数，实现对总磷（TP）、氨氮（NH₃-N）、浊度（Turb）和悬浮物（SS）四大关键水质参数的精准预测，其中Turb的反演R²高达0.916；3）基于博弈论的SHAP方法首次揭示光敏感参数（如Turb特征峰658.05 nm）与非光敏感参数（如TP特征峰493.79 nm）的差异化贡献机制。

Random results traversal and analysis of ADSPA

图6显示ADSPA-XGBoost对四种水质参数的反演效果：TP浓度集中分布于0.205±0.185 mg/L，而NH₃-N、Turb和SS呈现更离散的分布。通过设置1-100随机种子进行多轮迭代，ADSPA成功捕捉到Turb在613.42 nm和658.05 nm的显著特征峰，与光学散射机制高度吻合，而TP的特征波段则集中在493.79 nm和523.83 nm，反映其非光敏感的化学吸附特性。

Conclusion

该框架的核心突破在于：1）通过交叉验证将参数响应约束嵌入波段选择，动态调整特征子集；2）SHAP贡献图谱证实光敏感参数（平均特征数5个）比非光敏感参数（如TP仅3个特征）具有更显著的光谱响应；3）消融实验表明移除ADSPA所选波段会导致模型性能显著下降（平均ΔR²=?0.323）。这项研究为下一代环境传感器的智能波段配置提供了理论依据，推动水生生态系统管理进入机制驱动的精准治理时代。