高光谱数据驱动的玉米氮素监测：多源特征优化与堆叠集成学习方法的应用及可解释性分析

《Frontiers in Plant Science》：Hyperspectral data-driven corn nitrogen monitoring: application and interpretability analysis of multi-source feature optimization and stacked ensemble learning methods

　　

引言：冠层氮含量的精准监测对于工业玉米生产中的可持续氮素管理、产量提升和环境保护至关重要。然而，高光谱数据的高维特性，以及现有模型在精度和可解释性方面的不足，限制了其实践应用。

方法：本研究在中国黑龙江省开展，以玉米品种金博士为研究对象。比较了遗传算法（GA）、连续投影算法（SPA）及其混合策略在光谱波段优化中的表现。采用多重评价准则筛选敏感植被指数，并应用0–2阶分数阶微分（FOD）方法构建最优二维（2D）和三维（3D）光谱指数。进一步构建了堆叠集成学习模型，以极端梯度提升（XGBoost）、梯度提升决策树（GBDT）和岭回归（Ridge）作为基学习器，以贝叶斯岭回归（Bayesian Ridge）作为元学习器。同时采用可解释性技术分析特征贡献。

结果：GA–SPA混合策略能够有效提升关键光谱波段的选择效果。基于FOD构建的3D光谱指数较植被指数和2D指数表现更优，其性能达到R²_p = 0.801，RMSEP = 0.481。结合优化后的多源特征集与堆叠集成模型后获得最佳结果，性能达到R²_p = 0.826，RMSEP = 0.450。红边和近红外区域特征以及3D指数是模型预测的主要贡献因子，这与植物氮素生理机制一致。

讨论：所提出的框架融合了特征优化、先进建模与可解释性分析，为工业玉米精准氮素管理提供了有效工具，并有助于在降低环境影响的同时提升生产效率。

该论文发表于《Frontiers in Plant Science》，聚焦工业玉米冠层氮含量的高精度、可解释无损监测问题。研究背景在于，玉米作为重要工业作物，其氮素营养状态直接影响光合作用、物质积累及生物能源转化效率，也关系到生物塑料、复合材料等工业利用性能。然而，现代农业中过量施氮现象普遍存在，既增加生产成本，也引发生态风险，因此精准氮素管理成为实现高效、绿色玉米生产的关键前提。精准管理又依赖于对作物氮状态进行实时、无损、可靠监测。传统凯氏定氮法等方法虽然准确，但耗时、破坏性强，难以满足大面积田间应用需求。高光谱遥感因能够捕获与叶绿素和氮素密切相关的冠层细微光谱响应，逐渐成为替代性技术路径。

但现有研究仍面临若干突出问题。首先，高光谱数据具有典型高维特征，冗余波段多、噪声干扰强，容易导致“维数灾难”，削弱模型鲁棒性与泛化能力。其次，单一波段选择方法、传统经验型植被指数以及单一机器学习模型，往往难以充分表征氮素相关的复杂非线性光谱信息。再次，集成模型虽能提升精度，但“黑箱”属性限制了其在农业实践中的可信应用。因此，研究人员围绕“多层级特征优化—多源特征融合—高性能集成建模—可解释性验证”构建系统分析框架，以解决玉米氮素监测中的精度与可解释性协同提升问题。

为此，研究人员在黑龙江省大庆市安达农业科技园开展田间试验，选用“金博士825”玉米，在不同施氮梯度与种植密度条件下，于抽雄期采集无人机高光谱影像及地面氮含量样本。研究从原始光谱波段、植被指数和分数阶微分（FOD，fractional-order derivative，扩展整数阶微积分的连续阶数导数）构建的二维、三维光谱指数三个层面开展特征工程，系统比较遗传算法（GA）、连续投影算法（SPA）及其混合策略（GA-SPA）的波段筛选效果，并利用堆叠集成学习模型开展氮含量反演。同时，通过SHapley Additive exPlanations（SHAP，一种基于合作博弈论的模型解释方法）解析各特征对预测结果的贡献。

研究所用关键技术方法主要包括：在中国黑龙江大庆试验区设置4个施氮水平与3个种植密度处理，于玉米抽雄期获取200个采样点的无人机高光谱与田间凯氏定氮数据；采用GA、SPA及GA-SPA进行波段选择，结合Pearson、Spearman、F检验、互信息及RF、GBDT、XGBoost排序并通过ODCA筛选植被指数；在0–2阶、步长0.25条件下实施FOD变换并构建二维与三维光谱指数；建立PLSR、SVR、RF、GBDT、XGBoost及Stacking模型，使用五折交叉验证和网格搜索优化参数，并以SHAP开展模型解释。

研究结果部分可以概括如下。

3.1 Field nitrogen content analysis
田间测定结果表明，玉米冠层氮含量随施氮水平升高而显著增加，且差异达到显著水平。N0、N1、N2和N3处理的平均氮含量分别为17.5、18.5、19.5和20.0 mg/g，标准差也随施氮增加而增大。这一结果说明试验设计成功构建了清晰的氮素梯度，为后续光谱反演建模提供了可靠样本基础。

3.2 Feature selection results
3.2.1 Spectral band selection
原始高光谱曲线呈现典型植物光谱响应特征：500–600 nm波段为绿色光反射区，650–700 nm为红光强吸收区，900–950 nm附近受叶片水分吸收影响明显。研究人员进一步采用GA、SPA和GA-SPA对高维原始波段进行筛选，并在PLSR、SVR和Stacking模型中评估效果。结果显示，GA方法整体表现稳定，SPA在部分模型中有一定改进，但GA-SPA在SVR和Stacking中表现最佳，尤其在Stacking模型下达到R²_p = 0.761、RMSEP = 0.528。该结果表明，全局搜索与局部优化相结合的混合策略更适于从高维高光谱数据中提取与氮素相关的关键波段。

3.2.2 Vegetation index selection
研究纳入24个常用高光谱植被指数，通过Pearson与Spearman相关分析评估其与氮含量之间的线性及单调关系。结果表明，不同指数与氮含量的相关性存在差异，其中MTCI和Mrer在不同相关评价中表现较优，但整体相关水平多为中低程度，且部分植被指数之间高度共线。为提高稳健性，研究人员进一步结合F检验、互信息以及RF、GBDT、XGBoost的重要性排序，并通过ODCA进行综合评价，最终筛选出前10个关键植被指数，包括MTCI、Ndchi、Mrer、mND705、SAVI2、CIred edge、SR1、REP、NDSI和NDVI。这说明传统植被指数虽然单独预测能力有限，但经过系统筛选后仍可作为多源特征体系中的有效组成部分。

3.3 Feature construction results
3.3.1 Fractional order differential preprocessing
FOD处理后，随着阶数从0增加到2，光谱反射强度逐渐降低，光谱吸收区变窄，光谱细节响应发生明显重构。0.25–0.5阶时局部拐点增强，有利于突显氮含量变化引起的微弱反射差异；0.75–1.5阶时，可在抑制基线漂移的同时保留反射峰和吸收谷；1.75–2.0阶时高频波动被过度放大，噪声影响增强。相关分析显示，光谱与氮含量的相关性呈先升后降趋势，其中1.25阶在644 nm处达到最高相关系数R = 0.685。该结果证明，适度阶数的FOD能够提升与氮素相关的有效光谱信息表达。

3.3.2 Optimal spectral index band combination and performance analysis
在FOD变换基础上，研究人员系统搜索二维和三维光谱指数中与氮含量相关性最高的波段组合。结果表明，二维指数中DI、OSI和SASI在1.5阶时相关性最高，相关系数约为0.776–0.778；三维指数中，多个TBI指数表现更优，TBI4和TBI6达到最高相关水平，分别为0.823和0.824。进一步比较不同特征组合在PLSR、SVR和Stacking模型中的预测效果发现，三维光谱指数整体优于二维光谱指数，而二维与三维指数混合后性能进一步提升。在Stacking模型中，三维指数特征集达到R²_p = 0.785、RMSEP = 0.500，混合指数特征集达到R²_p = 0.805、RMSEP = 0.477。说明引入额外光谱维度后，能够更充分表征冠层氮素相关生理过程。

3.4 Model training and performance analysis
研究比较了不同特征集与不同模型的组合效果，包括原始光谱（Spectra）、光谱指数（SIs）、植被指数（VIs）及其融合形式。结果显示，XGBoost在训练集上拟合能力最强，但在测试集上存在明显过拟合倾向。相比之下，Stacking模型在各类特征集上均保持更优泛化能力。单独使用GA-SPA优化波段时，Stacking达到R²_p = 0.761；使用SIs特征集时达到R²_p = 0.805；当融合Spectra-SIs特征后提升至R²_p = 0.815；最终在Spectra-VIs-SIs多源融合特征集下取得最佳结果，达到R²_p = 0.826，RMSEP = 0.450。该结果清楚表明，多源特征互补性与堆叠集成学习的协同作用，是实现高精度氮素监测的核心。

3.5 Model interpretability analysis
研究采用SHAP对最优Stacking模型进行全局解释。结果显示，三维光谱指数TBI4、TBI3和TBI5在各基学习器和元学习器中均具有显著贡献，其中TBI4尤为突出，在XGB和GBDT中分别占前七位重要特征贡献的32.9%和42.5%。此外，471 nm和458 nm等可见光波段也具有较高贡献，反映其对叶绿素吸收和氮素生理状态的敏感性。相较之下，二维光谱指数贡献偏弱，植被指数整体贡献也低于光谱指数与关键波段，仅REP进入部分模型的重要特征前列。总体上，SHAP分析验证了三维光谱指数尤其是红边区域相关特征在氮素反演中的核心地位，并证明模型决策与植物氮素生理机制具有一致性。

在讨论部分，论文围绕四个方面展开总结。首先，在特征选择策略方面，本研究证明GA-SPA较传统单一方法和既有混合方法更适于高维高光谱数据约简，尤其在非线性集成模型中适应性更强。其次，在FOD与光谱指数构建方面，研究表明0.75–1.5阶FOD能够显著增强与氮素相关的光谱响应，而三维光谱指数较二维指数更能反映氮素复杂生理信息。再次，在多源特征融合与集成建模方面，单独植被指数预测能力不足，但与优化波段和FOD指数融合后可发挥补充作用；Stacking通过动态整合不同基学习器输出，克服了单模型过拟合与单特征信息不足问题。最后，论文指出研究仍存在局限，包括仅使用一个玉米品种、施氮梯度和空间重复有限、采样时期仅限抽雄期等，这些因素可能限制模型跨品种、跨环境和跨时期泛化能力。

研究结论可翻译为：本研究构建并验证了一种基于无人机高光谱技术的玉米氮含量精准、可解释检测框架，该框架融合多源特征优化与堆叠集成学习。研究表明，GA-SPA混合特征选择策略优于单一方法，能够有效缓解高维数据中的冗余与共线性问题；FOD尤其是在三维光谱指数构建中的应用，是提升氮素胁迫细微光谱响应捕获能力的关键创新，其效果系统优于传统植被指数和二维指数；多源特征融合并结合以XGBoost、GBDT和Ridge为基学习器、Bayesian Ridge为元学习器的Stacking模型，获得了最高预测精度，体现出不同信息源互补融合的核心价值；SHAP可解释性分析不仅提高了模型透明度，而且将数据驱动的机器学习决策与作物生理机制建立了联系，从而增强了结果可信度。总体而言，该方法为工业玉米氮营养监测提供了可靠技术路径，其特征优化策略与可解释集成模型有望进一步整合进智慧农业决策系统，为按需施氮管理和生物基作物可持续生产提供有效支撑。