Este estudio se centra en el maíz como objeto de investigación, abordando el problema de la insuficiente precisión en la monitorización del contenido de nitrógeno bajo condiciones de cultivo en regiones frías. Tras comparar varios métodos de pretratamiento, se adoptó un método combinado de transformación wavelet discreta (DWT) y transformación de variables normales estándar (SNV). Se compararon sistemáticamente algoritmos de selección de características como el algoritmo competitivo adaptativo de reponderación (CARS), el algoritmo de eliminación de variables no informativas (UVE), el algoritmo de proyección secuencial (SPA), el algoritmo genético (GA) y el algoritmo genético-SPA (GA-SPA). También se combinaron varios modelos de regresión, incluidos los mínimos cuadrados parciales (PLSR), la regresión por vectores de soporte (SVR), la máquina de aprendizaje extremo de núcleo (KELM), la máquina de aprendizaje extremo profunda (DELM), el aumento de gradiente extremo (XGBoost) y la red neuronal convolucional unidimensional (1D-CNN), para evaluar integralmente el rendimiento de la inversión hiperespectral del contenido de nitrógeno en el maíz. Los resultados muestran que, aunque la modelación de banda completa mostró un alto ajuste en el conjunto de entrenamiento, la precisión predictiva en el conjunto de prueba fue baja, evidenciando un claro sobreajuste. La introducción de la selección de características mejoró significativamente el rendimiento del modelo, destacando el algoritmo GA-SPA como el mejor en extracción de características y supresión de redundancias. La mejor precisión predictiva se obtuvo combinando las características seleccionadas por GA-SPA con el modelo DELM, alcanzando un R² de 0,8111 y un RMSE de 0,4930 en el conjunto de prueba, superando notablemente a otras combinaciones; asimismo, GA-SPA mantuvo una alta estabilidad predictiva en los modelos PLSR, KELM y SVR. Los resultados indican que el marco de modelado DELM basado en el preprocesamiento DWT+SNV y la optimización de características GA-SPA puede mejorar eficazmente la precisión y la capacidad de generalización de la inversión del contenido de nitrógeno en el maíz, proporcionando un soporte técnico fiable para la monitorización de nutrientes y la fertilización precisa del maíz en regiones frías.

maíz; contenido de nitrógeno; tecnología hiperespectral; GA-SPA; DELM