利用连续小波变换和基于SHAP的可解释机器学习方法提升叶片水分含量的高光谱估算精度：多尺度小波指数的潜力

《Agriculture》：Improving Hyperspectral Estimation of Fig Leaf Water Content Using Continuous Wavelet Transform and SHAP-Based Explainable Machine Learning: The Potential of Multiscale Wavelet Indices

　　

痈

摘要

叶水含量（LWC）是植物水分状况的重要指标，其快速测定对于无花果生产中的水分诊断和栽培管理至关重要。尽管高光谱传感技术为估算LWC提供了有效的方法，但光谱冗余和噪声可能会阻碍水分敏感信息的提取。小波分析能够提取局部的光谱信息；然而，单尺度小波特征可能无法同时保留精细的光谱细节并抑制噪声，因此无法全面表征不同尺度下的LWC相关响应。为此，本研究开发了多尺度双小波指数（MSDWIs）和多尺度三小波指数（MSTWIs），以改进无花果LWC的高光谱估算。比较了Savitzky–Golay（SG）滤波和乘法散射校正（MSC）方法，并使用随机森林（RF）和支持向量回归（SVR）来评估传统植被指数（VIs）、MSDWIs、MSTWIs及其融合特征集的估算性能。结果表明，多尺度小波指数通常比传统植被指数具有更高的估算精度，而多特征融合进一步提升了模型性能。基于SG预处理后的VIs+MSDWI+MSTWI特征集的SVR模型取得了最佳的验证性能（R² = 0.760，RMSE = 0.0232，MAE = 0.0152）。对最优RF和SVR模型的SHAP分析显示，MSTWI是主要特征类别，分别占总SHAP重要性的57.8%和57.0%。这些发现表明，将多尺度小波指数与传统植被指数结合起来可以增强LWC相关光谱信息的表征能力，并为估算无花果LWC提供了一种有效的方法。