基于改进连续投影算法和CWT的冬小麦叶片氮浓度估算OA

作物叶片氮浓度(LNC)的遥感诊断对指导作物精准施氮、提升氮素利用效率和增加产量具有重要意义。本研究针对传统连续投影算法(SPA)难以处理特征间非线性关系的问题,提出了一种改进的连续投影算法,即核化连续投影算法(KSPA)。本研究采用连续小波变换(CWT)对光谱进行多尺度分解,结合KSPA提取与LNC相关的关键特征。同时,以植被指数、SPA和偏最小二乘-变量投影重要性(PLS-VIP)作为对比方法,分别构建偏最小二乘回归(PLSR)、随机森林(RF)和类别提升算法(CatBoost)模型估算冬小麦LNC,并采用沙普利加性解释(SHAP)方法进行模型可解释性分析。结果表明,CWT中等分解尺度(第5至第7尺度)在估算冬小麦LNC中表现优异,KSPA筛选的特征能有效提升模型性能。CatBoost在CWT第7尺度上结合KSPA的表现最优(R^(2)=0.829,RMSE=0.322%,RPD=2.425),相较于PLS-VIP(RF模型:R^(2)=0.729,RMSE=0.405%)和SPA(CatBoost:R^(2)=0.731,RMSE=0.403%)的最优模型,R^(2)分别提升了0.100和0.098,RMSE分别降低了0.083%和0.081%。跨年留一验证进一步证实了该方法的稳健性与泛化能力。改进后的算法能克服传统SPA特征筛选的线性局限性,可为冬小麦氮营养精准监测提供参考。