近日，信息科學(xué)與工程學(xué)院胡曉課題組在期刊《Computers and Electronics in Agriculture》在線發(fā)表了題為“Soil organic matter content prediction in tobacco fields based on hyperspectral remote sensing and generative adversarial network data augmentation”的研究論文。2023級(jí)碩士研究生夏雨為論文第一作者，2023級(jí)碩士研究生程雪瑩為共同第一作者，胡曉副教授為本文通訊作者，山東農(nóng)業(yè)大學(xué)為唯一通訊單位。
土壤有機(jī)質(zhì)（soil organic matter，SOM）是衡量土壤健康和肥力的重要指標(biāo)。高光譜遙感結(jié)合深度學(xué)習(xí)方法已成為快速預(yù)測(cè)SOM的有效手段，能夠替代傳統(tǒng)實(shí)驗(yàn)室分析。然而，由于野外樣本采集受地形、環(huán)境等因素的限制，數(shù)據(jù)稀缺問題嚴(yán)重影響了深度學(xué)習(xí)模型的泛化能力，限制了對(duì)SOM監(jiān)測(cè)中的應(yīng)用效果。針對(duì)該問題，本研究基于生成式深度學(xué)習(xí)框架，對(duì)Wasserstein GAN with Gradient Penalty（WGAN-GP）進(jìn)行改進(jìn)，提出了一種融合均方殘差損失的雙重正則化WGAN-GP方法（dual-regularized WGAN-GP，DR-WGAN-GP），用于增強(qiáng)光譜反射率和SOM數(shù)據(jù)的生成質(zhì)量。
研究表明，DR-WGAN-GP有效提升生成樣本與真實(shí)樣本的相似性，緩解了模型崩塌現(xiàn)象，使得生成器能夠?qū)W習(xí)到更全面的樣本特征，顯著提升了SOM監(jiān)測(cè)性能。這為稀缺樣本條件下，采用高光譜技術(shù)監(jiān)測(cè)土壤屬性提供了方法支撐和借鑒。
該工作得到了湖北煙草公司科技項(xiàng)目的資助。
原文鏈接：https://doi.org/10.1016/j.compag.2025.110164
編 輯：萬 千
審 核：賈 波
