《Smart Agricultural Technology》：Precise profiling of behavioral time budgets of finishing Wagyu steers using linear mixed model
编辑推荐：
本文针对小麦叶片氮含量(LNC)遥感监测中模型精度和泛化能力受时空变异制约的难题，提出了一种融合信号增强、特征选择与智能优化算法的级联优化框架。研究通过SG平滑、一阶微分和CWT等多尺度光谱变换，结合SPA特征筛选，构建了SSA优化的XGBoost和AHA优化的ELM反演模型。结果表明，XGBoost-SSA模型在测试集上R2达0.79，RMSE为0.14 mg/g，独立验证集上R2保持0.73，显著提升了LNC监测的精度与鲁棒性，为智慧农业提供了可靠的技术支持。
氮是构成叶绿素、蛋白质和酶的关键元素，直接影响小麦的光合效率和产量形成。传统测定叶片氮含量(LNC)的化学方法虽准确，但依赖破坏性取样，耗时费力，难以满足现代精准农业对实时、无损、大范围监测的需求。近年来，高光谱遥感技术为作物氮素监测提供了新途径，然而现有模型在复杂田间条件下的泛化能力仍然有限，存在站点依赖性高、跨生长阶段精度下降、以及非氮因素（如叶片结构和水分）干扰等问题。
针对这些挑战，发表在《Smart Agricultural Technology》上的研究开发了一种创新的级联优化框架，将信号增强、特征纯化和群体智能优化相结合，实现了小麦LNC的高精度估算。该研究通过整合多年度、多品种的田间试验数据，构建了一套从数据采集、处理到模型构建与评估的完整技术路线。
研究人员主要采用了以下关键技术方法：使用FieldSpec? 4 Hi-Res光谱辐射计采集小麦冠层高光谱反射率数据；应用Savitzky-Golay(SG)平滑和一阶导数(FD)变换进行光谱预处理；采用连续小波变换(CWT)进行多尺度光谱特征提取，重点分析了gaus8小波基函数在尺度21至21?范围内的分解效果；利用连续投影算法(SPA)进行特征波长筛选；分别构建了麻雀搜索算法(SSA)优化的极限梯度提升(XGBoost)模型和人工蜂鸟算法(AHA)优化的极限学习机(ELM)模型，并与多元线性回归(MLR)、随机森林(RF)和支持向量回归(SVM)等基线模型进行对比。实验数据来源于2016、2024和2025年在江苏进行的田间试验，涵盖了返青、拔节、孕穗和开花四个关键生育期，共480个样本。
3.1. 不同生育期小麦冠层光谱变换分析
研究发现，经过SG平滑后的光谱曲线更为平滑，而一阶导数变换增强了局部光谱变异特征。CWT在不同尺度下分解光谱信号，尺度32、64和128被确定为最佳分解水平，这些尺度能有效放大氮敏感峰值，增强多尺度分析下小麦叶片氮素特征提取的精度。
3.2. 相关性分析
植被指数与LNC的相关性分析表明，NDVI和RVI与LNC的相关性最强，最大相关系数分别达到0.54和0.59。与FD相比，尺度64-256范围内的CWT提取了更多特征波段，且在全光谱范围内分布更均匀，显示出在噪声抑制和特征提取方面的优势。
3.3. 特征选择
SPA特征选择结果表明，CWT尺度64条件下筛选出的97个特征波段能实现最佳预测性能，测试集RMSE为0.21 mg/g。当特征数减少至24个时，精度损失不到3%，表明模型在保持高精度的同时实现了显著的特征压缩。
3.4. 小麦LNC反演模型构建
模型比较结果显示，XGBoost-SSA模型表现最优，在测试集上R2为0.79，RMSE为0.14 mg/g，MAPE为9.31%。经SSA优化后，XGBoost模型的R2提升了25.4%，RMSE降低了26.3%。而ELM-AHA模型在独立验证集上表现下降，表明XGBoost架构具有更强的泛化能力。
3.5. 模型验证
在独立外部验证集上，XGBoost-SSA模型保持了良好的泛化能力，R2为0.73，RMSE为0.14 mg/g，MAPE为9.63%，显著优于ELM-AHA模型，证实了其在不同品种和生长环境下的适用性。
4.1. 不同预处理方法对小麦LNC估算的影响
研究表明，SG-CWT预处理策略显著提高了模型精度，尺度64的CWT分解结合SPA特征选择能平衡特征丰富度和噪声抑制，是实现高精度LNC反演的关键。
4.2. 特征选择策略的影响
相关分析+SPA的两步特征选择策略在保持模型精度的同时，将特征数从2149个压缩至24个，计算时间从900秒减少到53秒，极大提升了建模效率。
4.3. 机器学习算法比较
XGBoost-SSA在精度和鲁棒性方面均优于ELM-AHA，其集成学习框架和正则化机制能更好地处理高维非线性光谱数据，避免过拟合。
4.4. 基于SHAP的特征重要性和可解释性分析
SHAP分析揭示了紫外线-蓝色区域(379-471纳米)、可见光绿色区域(527-611纳米)和短波红外区域(1571-2473纳米)对LNC预测的重要贡献，这些波段分别与叶绿素吸收、光合能力以及蛋白质、木质素等含氮化合物相关，为模型提供了生理学解释。
4.5. 实际意义、研究前景与局限性
该研究提出的SG-CWT-SPA-VIs-XGBoost-SSA框架为小麦氮素监测提供了新的技术范式，但在不同土壤类型、气候区的普适性仍需进一步验证。未来可与无人机多光谱成像和卫星数据结合，实现从田间到区域尺度的扩展应用。
研究结论表明，中尺度CWT结合SPA特征选择是小麦LNC估算的有效预处理策略。经过SSA优化后，XGBoost模型在测试集上R2达到0.79，在独立验证集上保持0.73，显示出优越的预测性能和泛化能力。该框架通过多尺度光谱增强、自适应特征纯化和群体智能驱动优化，为高光谱养分诊断提供了新的技术方案，将有助于实现小麦生产中的精准氮素管理，推动智慧农业的发展。
