华中农业大学夏俊芳教授等:基于条件生成对抗网络数据增强的土壤总氮高光谱反演

土壤总氮含量是衡量土壤养分信息的重要指标，针对小样本条件下土壤可见-近红外光谱反演总氮含量精度不高问题，该研究通过生成对抗网络（generative adversarialnetwork，GAN）对土壤光谱数据集进行数据增强，为提高生成样本数据质量引入条件生成对抗网络（conditional generative adversarial network，CGAN），分别建立基于总氮含量作为条件的LCGAN和基于变量重要性投影指标（variable importance in projection，VIP）分数极值法筛选特征波长作为条件的VIP-CGAN。

通过采集农田土壤原位光谱数据及总氮含量作为样本数据集，对不同生成对抗网络获取的生成样本质量进行定性和定量评估，结果显示VIP-CGAN(T9)生成样本的MMD（maximum mean discrepancy）和FID（Fréchet Inception Distance）分别为0.003和0.005；在训练集中加入数量为原始训练集300%比例的VIP-CGAN(T9)生成样本时，PLSR、SVR和1D-CNN三种模型均达到最佳预测性能，其决定系数R²分别为0.86、0.84和0.88，RMSE分别为0.28、0.09和0.26 g/kg。本研究为小样本条件下提高土壤总氮含量高光谱反演精度提供了有效方法。