在現代農業生產，尤其是設施園藝中，如何高效、無損傷地監測作物的“健康狀況”是邁向精準農業的關鍵一步。番茄作為全球重要的經濟作物，其葉片中的葉綠素含量是衡量植株氮營養狀況和光合能力的重要“晴雨表”。然而，傳統的化學測定方法具有破壞性，而便捷的手持式SPAD儀雖然可以無損測量，但其單點、低頻的采樣方式難以滿足溫室環境下大面積、連續性實時監測的需求。近年來，高光譜技術憑借其能夠同時捕捉從可見光到近紅外范圍內色素吸收、紅邊位移及細胞結構等豐富信息的能力，成為間接評估作物生理參數的有力工具。但在溫室這個特殊的微環境中，情況卻復雜得多——光照條件多變、葉片姿態各異、采集到的原始光譜數據噪音大、維度高且存在嚴重的共線性，這些都給基于小樣本的高精度建模帶來了極大的不穩定性。

為了攻克這些難題，一篇發表在《Smart Agricultural Technology》期刊上的研究，提出了一套先進且輕量化的反演框架，巧妙地將多尺度光譜增強、深度潛在特征壓縮、集成建模與輸出校準融為一體，為溫室番茄的“營養CT”掃描提供了新方案。

研究人員于2025年在新疆農業科學院農業裝備研究所的多跨玻璃溫室開展了實驗，設置了四個氮肥水平，覆蓋了番茄的四個關鍵生育期，最終收集了240對葉片光譜（450-950 nm）與SPAD值的配對樣本。核心技術方法包括：1）采用Savitzky-Golay (SG)平滑、0.8階分數階微分(FOD)和Morlet-L7連續小波變換(CWT)構建多尺度光譜增強預處理流水線，以突出葉綠素敏感的結構特征。2）利用卷積自編碼器(CAE)從處理后的光譜中提取64維的潛在特征表示。3）構建多源特征集，融合了CAE特征、紅邊參數（如REIP、紅邊斜率）、植被指數（如NDRE、MTCI）以及小波統計量。4）在特征集上訓練支持向量回歸(SVR)、梯度提升回歸樹(GBRT)、核嶺回歸(KRR)、偏最小二乘回歸(PLSR)和一個輕量級的Transformer模型(Lightformer)，并采用五折交叉驗證獲得袋外(OOF)預測。5）通過嶺回歸(Ridge)堆疊(Stacking)法集成所有基學習器的OOF預測，并對集成輸出進行線性校準，最終形成“Stacking + LinearCal”框架。

研究結果顯示，原始葉片光譜在藍綠光區和近紅外尾部噪音顯著。經過SG平滑后，高頻噪聲被有效抑制，光譜曲線變得平滑，葉綠素吸收谷和紅邊區域等關鍵梯度結構得以穩定顯現。隨后施加的0.8階FOD進一步強化了650-680 nm吸收深度和680-750 nm紅邊段的梯度變化，使得不同SPAD水平樣本間的差異在梯度空間中更為突出。此外，Morlet-L7小波響應揭示了紅邊區域的中尺度光譜模式，高SPAD樣本表現出更平滑穩定的響應，而低SPAD樣本則振蕩更強、局部變異更大，這與葉綠素吸收和葉片內部結構的光譜機制相符。

基于增強光譜訓練的CAE，其64維瓶頸表示成功捕獲了與葉綠素含量密切相關的非線性和全局結構特征。重建光譜與輸入光譜在450-950 nm范圍內匹配良好，表明潛在特征有效保留了主要光譜結構。t-SNE可視化顯示，潛在特征在空間中呈現出與SPAD值相對應的連續梯度分層結構。特征貢獻度對比實驗表明，僅使用CAE潛在特征就能使SVR和GBRT模型取得優異性能（R2分別達到0.781和0.828），顯著優于僅使用紅邊統計量的模型，證明了深度特征強大的表征能力。

在由72個樣本組成的獨立測試集上，不同的模型表現出顯著差異。傳統的機器學習模型，如SVR_RBF（R2 = 0.750）和GBRT（R2 = 0.714），展現了穩定且較好的性能。而深度序列模型Lightformer由于小樣本與高維輸入不匹配，表現不佳（R2 = 0.019）。提出的“Stacking + LinearCal”集成框架表現最優，其R2達到0.782，RMSE為1.451，RPD為2.156，超越了所有單一模型，證明了集成策略在整合不同模型優勢、提升預測穩健性方面的有效性。

線性校準作為一個后處理步驟，有效改善了模型輸出與實測SPAD值在數值范圍上的一致性。校準后，高SPAD區間（約56-60）的系統性低估偏差得到顯著糾正，預測值與觀測值沿著1:1線的對齊度更好，殘差更緊密地圍繞零分布，最終性能指標得到微幅提升。

基于SHAP值的特征重要性分析揭示了模型決策的關鍵依據。貢獻度最高的特征主要來自CAE的潛在維度（如CAE #55, #32），表明深度嵌入的非線性結構模式對于SPAD預測至關重要。緊隨其后的是近紅外尾部（940-950 nm）的平均反射率，這與水分吸收差異提供的補充信息有關。此外，紅邊斜率、NDRE、MTCI、REIP等與葉綠素/氮素狀態密切相關的紅邊結構參數和植被指數也具有中等偏上的貢獻度。小波統計量（L7均值和標準差）也顯示出較高的貢獻。這表明，深度特征、機理明確的紅邊參數以及中尺度結構信息之間形成了有效的互補與協同。

本研究成功構建了一個針對溫室小樣本高光譜葉綠素反演的集成框架。該框架通過“多尺度增強+多源特征+輕量集成建模”的策略，在預測精度（R2 ≈ 0.78，RPD > 2.0）、模型可解釋性和工程部署可行性之間取得了良好平衡。多尺度光譜預處理顯著提升了紅邊區域在擾動下的可分性；CAE與機理特征融合的多源特征系統增強了表達能力并保持了生理一致性；而基于傳統機器學習模型的嶺回歸堆疊集成，則在小樣本條件下展現出比深度序列模型更優的穩定性和適用性。

研究的意義在于其強烈的工程應用導向。與依賴龐大深度學習網絡的傳統方法相比，該框架強調輕量化和工程友好性。其1D光譜處理流水線、基于Scikit-learn的輕量模型以及簡單的“堆疊+校準”結構，使其非常適合于在資源受限的溫室物聯網(IoT)節點或邊緣計算設備上進行近實時推理和在線更新，這為智能溫室中的營養診斷、精準施肥和作物健康實時監測提供了可直接部署的、可靠的技術基礎。當然，研究也存在一些局限性，例如跨溫室、跨傳感器的泛化能力有待進一步驗證，未來可通過遷移學習、多站點數據收集以及結合高光譜成像與三維點云等多模態信息來進一步提升模型的魯棒性和普適性。總體而言，這項研究為設施農業的智能化、精細化管理和可持續生產提供了一條具有實踐價值的技術路徑。