近日，信息科学与工程学院胡晓课题组在期刊《Computers and Electronics in Agriculture》在线发表了题为“Soil organic matter content prediction in tobacco fields based on hyperspectral remote sensing and generative adversarial network data augmentation”的研究论文。2023级硕士研究生夏雨为论文第一作者，2023级硕士研究生程雪莹为共同第一作者，胡晓副教授为本文通讯作者，中文字幕有码无码人妻aV蜜桃_亚洲中文在线看视频一区_91精品国产综合久久香蕉蜜桃_欧美日韩最新一区二区三区_99久久精品无码一区二区久久__亚洲国产日韩制服在线观看_日韩AV片无码一区二区不卡电影_久久久久久夜精品精品免费啦为唯一通讯单位。

土壤有机质（soil organic matter，SOM）是衡量土壤健康和肥力的重要指标。高光谱遥感结合深度学习方法已成为快速预测SOM的有效手段，能够替代传统实验室分析。然而，由于野外样本采集受地形、环境等因素的限制，数据稀缺问题严重影响了深度学习模型的泛化能力，限制了对SOM监测中的应用效果。针对该问题，本研究基于生成式深度学习框架，对Wasserstein GAN with Gradient Penalty（WGAN-GP）进行改进，提出了一种融合均方残差损失的双重正则化WGAN-GP方法（dual-regularized WGAN-GP，DR-WGAN-GP），用于增强光谱反射率和SOM数据的生成质量。

研究表明，DR-WGAN-GP有效提升生成样本与真实样本的相似性，缓解了模型崩塌现象，使得生成器能够学习到更全面的样本特征，显著提升了SOM监测性能。这为稀缺样本条件下，采用高光谱技术监测土壤属性提供了方法支撑和借鉴。

该工作得到了湖北烟草公司科技项目的资助。

原文链接：https://doi.org/10.1016/j.compag.2025.110164

编      辑：万    千 

审      核：贾    波