近日，信息科學與工程學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級碩士研究生夏雨為論文第一作者，2023級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)大學為唯一通訊單位。

土壤有機質(zhì)（soil organic matter，SOM）是衡量土壤健康和肥力的重要指標。高光譜遙感結(jié)合深度學習方法已成為快速預測SOM的有效手段，能夠替代傳統(tǒng)實驗室分析。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)稀缺問題嚴重影響了深度學習模型的泛化能力，限制了對SOM監(jiān)測中的應用效果。針對該問題，本研究基于生成式深度學習框架，對Wasserstein GAN with Gradient Penalty（WGAN-GP）進行改進，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習到更全面的樣本特征，顯著提升了SOM監(jiān)測性能。這為稀缺樣本條件下，采用高光譜技術(shù)監(jiān)測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