堆肥是一种广泛采用的好氧稳定化过程，可将有机废物转化为增值肥料，从而实现营养回收、污染缓解和资源循环利用（Li等人，2022b；Li等人，2025；Shi等人，2024）。然而，堆肥在农业中的安全有效应用严重依赖于其成熟度，成熟度反映了有机物的稳定程度、微生物演替以及植物毒性化合物的消除情况。未成熟的堆肥可能会释放有毒中间体，与作物竞争氧气和氮，并产生氨和有机酸等抑制性副产品，最终损害种子发芽和植物生长（Wang等人，2022a）。因此，准确且基于科学的堆肥成熟度评估是堆肥质量控制和安全施用的前提。传统上，堆肥成熟度是通过化学指标（如C/N比、NH₄⁺-N、NO₃⁻-N）、生物指标（如发芽指数（GI）和物理指标（如颜色、气味和温度）来评估的（Yang等人，2021）。其中，化学和生物指标通常被认为更客观，因为它们可以直接反映堆肥过程中的内部生化变化（De Bernardi等人，2024；Mahapatra等人，2022）。
然而，堆肥成熟度本质上是一个多维概念，没有单一指标能够普遍代表不同原料和堆肥系统的成熟度。文献中报告的成熟度阈值差异很大；例如，发芽指数（GI）的标准范围从50%到超过100%（Gao等人，2024；Li等人，2023），而C/N比阈值的范围大约在15到30以上。这种不一致性极大地限制了结果的可比性，并阻碍了标准化成熟度标准的建立，特别是对于智能堆肥管理系统而言（Ji等人，2023；Kong等人，2024）。此外，基于实验室的测量通常耗时且操作复杂，限制了它们在快速或大规模监测中的适用性（Shi等人，2025）。这些挑战突显了需要快速、客观且无损的方法，能够将多个成熟度维度整合到一个适合数据驱动建模的统一框架中。
光谱学结合化学计量学已成为快速评估堆肥成熟度的有前景的替代方法（Martín等人，2023）。基于点的光谱技术，包括可见光-近红外、近红外和中红外光谱（Peng等人，2022），已广泛用于通过多变量校准模型估计与成熟度相关的性质，如有机物转化、腐殖化程度、水分含量、C/N比和选定的氮形态。此外，荧光光谱和激发-发射矩阵分析已被用于追踪溶解有机物的演变和腐殖化途径（Cui等人，2017），而拉曼光谱提供了关于碳结构的分子级信息（El Hayany等人，2020）。激光诱导击穿光谱也被用于快速元素分析，与营养状况相关。然而，大多数光谱技术都是基于点测量，这些测量平均了有限采样区域的信号。鉴于堆肥的固有异质性——由于颗粒分布不均、水分梯度和局部微生物活动——这种空间平均可能会降低代表性和模型的鲁棒性。此外，许多现有的光谱模型是针对单一成熟度指标进行训练的，使用的阈值在不同研究中差异很大，可能会引入系统偏差并限制泛化能力。
为了解决这些限制，高光谱成像（HSI）能够捕获空间分布采样区域内的连续光谱信息，从而在单次测量中实现多位置的光谱采集（Ilani等人，2016）。这种策略在异质堆肥条件下提高了代表性，并减少了与局部传感相关的偏差。即使仅使用光谱信息，HSI也能增强数据驱动的成熟度预测模型的稳定性，并支持自动化、非接触式监测系统的开发。然而，现有的基于HSI的堆肥成熟度研究通常依赖于全谱建模（Wu等人，2025；Yang等人，2021），这增加了光谱冗余和计算负担，或者依赖于阈值不一致的单一指标监督。这些因素限制了HSI从实验室规模演示向实际废物管理中的稳健和智能质量控制工具的转化。解决这一差距不仅需要改进的光谱特征策略，还需要一个科学上合理的学习目标，能够以集成和一致的方式表示堆肥成熟度。
由于在固定阈值下，无法通过单一指标可靠地表征堆肥成熟度（Muscolo等人，2018；Sun等人，2024；Villar等人，2017），我们之前的工作开发了一个综合成熟度评分（IMS），该评分使用统计衍生的权重方案整合了多种代表性的化学和生物指标（Zou等人，2025）。通过将异质成熟度信息整合到一个统一的定量描述符中，IMS使数据驱动模型能够将堆肥成熟度作为一个整体系统状态来学习，而不仅仅是碎片化的指标特定响应。
在基于IMS的初步分类基础上，我们开发了一个混合机器学习框架，该框架整合了光谱预处理、特征提取、分类和回归，用于堆肥成熟度评估。在本研究中，应用了标准化的预处理、降维和多种机器学习算法来处理高光谱光谱数据，构建了一个优化的HSI-ML框架。主成分分析被用来提取有信息的光谱表示，随后用于训练分类模型，包括人工神经网络、极端梯度提升、随机森林和支持向量机，并开发相应的回归模型，以实现快速的IMS区分和成熟度相关指标预测。此外，将化学可解释的特征波段纳入最佳模型中，以阐明光谱特征、功能团和成熟度指标之间的定量关系，同时保持预测性能。通过这种集成的HSI-机器学习策略，本研究旨在建立一种快速、无损且基于特征波段的堆肥成熟度监测方法，从而推进可持续废物管理系统中的智能质量控制。
