《Agriculture》：Integrating Hyperspectral Feature Mining and Explainable Machine Learning for Robust Year-Round Monitoring of Nitrogen Accumulation in Tea Plants
编辑推荐：
茶树叶片氮（N）状态直接决定茶叶产量与品质，高光谱（hyperspectral）遥感可实现对该类氮性状的无损监测。然而，针对性挖掘氮敏感高光谱特征并解释其在监测模型中的作用，是实现稳定、全年茶树生长监测与精准管理的关键。为此，研究人员提出一种基于连续小波变换（
茶树叶片氮（N）状态直接决定茶叶产量与品质，高光谱（hyperspectral）遥感可实现对该类氮性状的无损监测。然而，针对性挖掘氮敏感高光谱特征并解释其在监测模型中的作用，是实现稳定、全年茶树生长监测与精准管理的关键。为此，研究人员提出一种基于连续小波变换（continuous wavelet transform，CWT）与谐波分解（harmonic decomposition）提取氮敏感高光谱特征的方法，并借助可解释机器学习阐明这些特征的显式贡献，从而建立茶树氮营养的全年定量监测模型。研究人员于2022至2024年同步获取茶树冠层高光谱反射率数据R与叶片氮积累量（leaf N accumulation，LNA）。利用CWT与谐波分解分别从光谱中萃取小波特征（wavelet features，WF）与谐波分量（harmonic components，HC）。多种机器学习算法被用于融合多类敏感特征以构建LNA定量监测模型，并进一步通过SHapley Additive exPlanations（SHAP）解析决策机制、量化单特征贡献。结果表明：WF（r=0.35–0.51）与HC（r=0.48–0.78）对LNA的敏感性高于R；三特征指数（R2=0.50–0.72）显著改善叶片氮状态监测精度；卷积神经网络（convolutional neural network，CNN）对茶树氮积累预测表现稳健（R2=0.70–0.80）。SHAP解释显示，驱动LNA的核心光谱特征在各季均保持正向影响：春季为MNDSI(C?, B?)，夏季为MMTCI(C??, A?, B???)（平均绝对SHAP=2.653），秋季为MDCNI(φ??, φ?, φ???)。基于模型的空间制图揭示两个代表性茶园中氮积累状态存在时空异质性（CV=17.16–31.07%）。该研究构建了量化茶树氮营养状态的技术框架，可支撑精准、位点特异的管理与靶向营养诊断。
研究背景与问题提出
茶树是重要的经济叶用作物，叶片氮（N）积累量（leaf N accumulation，LNA）直接关联植株生长、品质形成与经济价值。传统化学测定繁琐耗时，高光谱（hyperspectral）遥感虽具备无损、快速、定量监测潜力，但原始反射率（reflectance，R）与作物氮状态间呈强非线性、受冠层结构干扰大；既有经验植被指数多针对小麦、水稻优化，难以适配多年生茶树冠层。同时，连续小波变换（continuous wavelet transform，CWT，一种多尺度时频分解方法）与谐波分解（harmonic decomposition，将光谱序列展开为不同阶正弦/余弦分量）常孤立使用，未在多域特征融合层面系统建模。常规机器学习存在浅层结构局限，深度学习又具黑盒问题。因此，亟需一套兼顾特征挖掘、精度与可解释的全年监测框架。
研究人员开展的工作与核心结论
研究人员在江苏四座茶园（南京浦口/六合、扬州仪征、苏州吴中）2022–2024年春、夏、秋三季采集冠层高光谱与同步叶片样品，以CWT与谐波分解提取小波特征（WF）与谐波分量（HC），构建两类数据源结合R的新型双/三特征光谱指数，并对比随机森林（RF）、LASSO与一维卷积神经网络（1D-CNN）性能，最后用SHAP（SHapley Additive exPlanations，基于博弈论的特征贡献解释方法）解码季节级驱动机制，并在独立茶园做空间制图。结论表明：变换域特征敏感性优于原始反射率；混合特征（HFI）结合CNN可达R2=0.70–0.80；SHAP确认关键特征具农学合理性且季节迁移；茶园尺度存在明显时空异质性，可支撑变量施肥。
主要关键技术方法
研究基于ASD手持光谱仪获取400–890 nm冠层反射率，样本来自四茶园430组同步观测（春178、夏160、秋92）。核心方法为：①CWT（Mexican hat小波，尺度3–6）提取多尺度WF；②谐波分解取前245阶幅值A?、B?与相位φ?、C?；③穷举构建改进型差分/归一化/比值及双峰指数（MDSI、MNDSI、MRSI、MDCNI、MMTCI等）；④RF、LASSO与带残差连接的1D-CNN建模；⑤GradientExplainer型SHAP做全局与局部特征归因；⑥独立测试集与外推空间制图。
研究结果
3.1 茶树LNA统计特征
按季节描述性统计显示，春季LNA 23.27–310.32 kg·ha?1，夏季25.62–267.40 kg·ha?1，秋季升至104.27–397.63 kg·ha?1，印证LNA为浓度与生物量耦合的综合指标。
3.2 敏感高光谱特征挖掘
春季R最敏感觉波段595 nm（r=0.42），WF最优566 nm（尺度6，r=0.41），HC中相位φ?达r=0.76；WF增强局域吸收特征，HC相位更擅长解耦冠层结构散射与生化信号。
3.3 光谱指数构建
由R、WF、HC分别筛选双/三特征指数。HC与WF指数相关性普遍高于R；三特征指数R2达0.50–0.72，其中春季HC三特征MNDindex(A?, A?, C???)等表现突出。
3.4 机器学习模型与可解释性
CNN+混合特征（HFI）最优，交叉验证R2约0.67–0.80，夏季最高。SHAP表明：春季MNDSI(C?, B?)与MRSI主导；夏季MMTCI(C??, A?, B???)平均绝对SHAP=2.653；秋季MDCNI(φ??, φ?, φ???)主导；核心特征全年正向贡献，模型依赖的是生理可解释光谱线索而非伪相关。
3.5 茶园尺度评估
独立验证（聚源春、天王坞）春、夏、秋R2分别约0.65–0.69，RMSE较低、RE 10.11%–18.06%。空间制图显示氮积累时空异质性强（CV 17.16%–31.07%）：聚源春春高、天王坞秋变异大，支持“一园一策”精准养分管理。
讨论与结论翻译
讨论指出：LNA敏感性随物候在绿黄区、红边、蓝紫区迁移；CWT捕生化吸收，谐波分解捕结构周期；HFI融合补单一源短板；CNN深层卷积可学习跨域非线性协同，SHAP仅作统计归因而非因果证明，后续需在控氮梯度、多品种与跨区验证。结论如下：
“该研究证明，由连续小波变换与谐波分解得到的WF与HC对茶树氮状态敏感性显著高于原始反射率R。基于上述增强特征构建的双特征与三特征指数与氮参数强相关，表明数据驱动的高光谱指数构造有效。采用CNN建立的LNA估算模型在春、夏、秋三季均保持较高预测精度（R2=0.70–0.80），体现出良好时间泛化性，支持多季监测。SHAP分析进一步表明模型依赖具季节特异性但生理合理的光谱线索，增强了LNA监测模型的可解释性。聚源春与天王坞田间验证揭示茶园氮积累具明显站点特异性时空格局，凸显该模型在定制化养分管理中的价值。”
论文核心框架已经梳理完成，接下来可以选择一个方向继续深化：
模拟期刊审稿人指出方法学薄弱环节 把SHAP特征归因改写成可复现实验方案 模拟期刊审稿人指出方法学薄弱环节 把SHAP特征归因改写成可复现实验方案
