苹果是全球消费最广泛的水果之一，其内部质量直接决定了消费者的感官感知和市场价值。在各种质量属性中，可溶性固形物含量（SSC）是甜度、成熟度和风味的关键指标，也是收获管理和采后分级的重要参考[14]，[37]。因此，快速准确的SSC评估对于提高水果行业的分级效率和经济效益至关重要[3]，[29]。
传统的SSC测量方法，如折射率和物理化学分析，需要破坏性采样且劳动密集，不适合大规模和实时应用[40]。近红外光谱（NIRS）提供了一种无损的替代方法，但其单点测量限制了其捕捉内部异质性的能力[12]，[16]。高光谱成像（HSI）通过整合空间和光谱信息，为水果质量评估提供了更全面的数据表示[33]。然而，在大多数定量SSC预测研究中，通常通过从预定义的感兴趣区域（ROI）提取平均光谱来简化空间信息，以确保测量一致性和减少背景干扰[24]。虽然这种策略提高了光谱稳定性，但也将建模重点转移到了如何有效利用光谱信息上，从而突出了稳健的特征提取和可解释的建模方法在识别SSC相关光谱模式中的重要性。
为了从高维高光谱数据中提取SSC相关信息，已经开发了多种化学计量方法。偏最小二乘回归（PLSR）因其处理多重共线性的能力而被广泛使用[7]，通常与变量选择方法（如竞争性自适应加权采样（CARS）和连续投影算法（SPA）结合使用，以减少光谱冗余[27]。基于机器学习的方法，如支持向量机（SVM）、随机森林和加权集成学习策略，已被用来表征光谱数据中的非线性关系，进一步提高了预测性能[15]，[18]。这些方法提高了捕捉与物理化学性质相关的复杂光谱变化和非线性相关性的能力。然而，大多数现有的波长选择策略主要基于统计优化或预测性能，而所选波长的光谱归因原理往往不够明确[1]。
随着深度学习技术的快速发展，卷积神经网络（CNN）在通过端到端特征学习对高光谱数据中的复杂非线性关系进行建模方面展示了强大的能力[38]。与传统化学计量方法相比，CNN可以通过多层卷积结构自动提取层次化的光谱表示，从而更有效地捕捉局部和全局光谱依赖性。最近的研究通过引入先进的深度学习策略（如注意力机制、基于图的光谱-空间学习框架、特征融合方案以及结合CNN与循环神经网络或Transformer的混合架构）进一步提高了高光谱表示能力[5]，[23]。例如，基于注意力和图的高光谱学习框架在农业感知任务中表现出更好的性能，能够提取有用的光谱模式并抑制无关的光谱变化（Wang等人，2021；[14]）。尽管这些方法具有很强的预测能力，但它们主要强调准确性的提高和表示学习，而模型学习到的光谱归因行为和信息利用模式仍不够明确。这限制了高光谱预测系统的可解释性和可靠性[11]。
总体而言，当前基于HSI的SSC预测研究仍面临两个主要挑战。首先，大多数波长选择策略严重依赖于统计优化或预测性能标准，而没有明确的光谱归因原理。其次，尽管不同的建模范式通常能够达到相当的预测性能，但它们可能依赖于根本不同的光谱信息利用路径。然而，对模型依赖的光谱归因行为的一致性和差异的系统研究仍然有限。解决这些问题对于提高农业感知应用中高光谱建模的可解释性和稳健性非常重要。
鉴于这些挑战，本研究旨在从可解释性的角度系统地研究高光谱SSC预测中的光谱信息利用机制。具体来说：
（1）使用可解释的线性框架（SHAP-PLSR）识别关键光谱波长，为光谱贡献分析提供透明基础；
（2）使用具有积分梯度（IG）的双重注意力深度学习模型（BrixCNN）分析非线性光谱响应模式，实现模型行为的细粒度解释；
（3）定量比较归因结果，以研究不同建模范式中光谱信息利用的一致性和差异。
本研究为高光谱SSC预测的机制提供了新的见解，超越了纯粹基于准确性的建模，转向了可解释和以机制为导向的分析，有助于提高水果质量检测模型的科学有效性、可靠性和实际应用性。
