基于WGAN-GPM的局部土壤属性分布图实时生成方法及其在精准变量播种中的应用

《Artificial Intelligence in Agriculture》：Smart agriculture technology: Real-time generation method of local soil property distribution maps based on WGAN-GPM

本文针对宽幅播种机行间精准控制对高分辨率土壤信息的迫切需求，研究了基于WGAN-GPM（Wasserstein Generative Adversarial Network with Gradient Penalty and Mean squared error）的局部土壤属性分布图实时生成方法。研究人员提出了LSGN（Local Soil property distribution maps Generation Network）模型，该模型融合ViT（Vision Transformer）编码器与卷积/反卷积残差网络，通过两阶段训练策略，显著提升了局部土壤图的重建精度。结果表明，相较于传统生成模型，LSGN在多种行数播种宽度下均表现出更低的相对误差平均值（REA）和均方根误差（RMSE），以及更高的峰值信噪比（PSNR），田间交叉验证进一步证实其能有效降低边界区域预测误差。该研究为实现实时高精度土壤制图及精准播种提供了创新性解决方案。

　　

在智慧农业技术飞速发展的今天，农业生产正稳步迈向数字化和精准化管理。实现这一转型的核心在于智能传感与大数据分析系统，它正在重塑传统管理实践，加速农业从经验驱动向数据驱动的转变。在这一背景下，多源传感与信息融合技术使得田间多维数据（包括土壤属性、气候条件和作物生长状况）的实时、高精度获取成为可能，这为播种作业的智能决策提供了关键支撑。然而，在土壤空间异质性高的环境中，传统的均匀播种方法无法满足作物多样化的养分和环境需求，常常导致资源利用效率低下和产量损失。因此，利用土壤异质性进行变量播种的策略，作为提高资源利用效率和作物生产性能的有效手段，日益受到关注。

目前主要的变量播种方法有两种：基于处方图的控制和基于传感器的实时控制。前者依赖于有针对性的土壤采样和实验室分析来生成指导多行播种的图谱，但其采样密度低、缺乏实时适应性，难以准确反映当前土壤养分状况。后者虽然时效性更好，但通常使用单点数据统一控制整个工作幅宽的播种量，从而忽略了行间空间变异性，降低了整体精度。为了克服基于处方图方法的时间局限性和基于传感器方法的精度局限性，迫切需要一种能够利用传感器获取的数据点实时动态生成局部土壤属性分布图的方法。现有的克里金（Kriging）空间插值算法虽广泛用于全局土壤属性制图，但其精度对半变异函数拟合质量敏感，且在采样点稀疏或分布不均时性能下降，特别是在分布图边缘区域，由于邻近点数量不足，插值精度会降低。这给同时满足精度、边界连续性和实时性要求带来了巨大挑战。

为了应对这一挑战，一项发表在《Artificial Intelligence in Agriculture》上的研究提出了一种名为局部土壤属性分布图生成网络（LSGN）的新方法，该方法基于带有梯度惩罚和均方误差的Wasserstein生成对抗网络（WGAN-GPM）。这项研究旨在实现局部土壤属性分布图的高精度动态生成，为精准变量播种提供实时、可靠的土壤信息支持。

研究人员为开展此项研究，主要应用了以下几项关键技术方法：首先，构建了包含来自内蒙古和河北两个不同气候区、不同农作制度下多年采集的土壤有机质（SOM）含量数据集，并通过普通克里金法结合球形模型进行空间插值，生成高分辨率全局SOM分布图作为真实数据。其次，提出了LSGN模型架构，其生成器整合了视觉Transformer（ViT）编码器（用于提取全面特征）和卷积/反卷积残差网络（ResNet，用于提取细节特征），判别器则进行多尺度特征提取。第三，采用了两阶段训练策略：先使用包含邻域信息的局部土壤属性图进行自监督预训练，使网络学习空间相关性；再将预训练权重迁移到WGAN-GPM对抗训练框架中，结合Wasserstein距离、梯度惩罚和均方误差（MSE）损失共同优化生成器和判别器。最后，通过田间交叉验证实验，对比分析了LSGN算法与普通克里金插值法在不同大小研究区域（对应四行、六行、八行播种机宽度）的预测精度。

3.1. 评价指标

本研究采用相对误差平均值（REA）、均方根误差（RMSE）、峰值信噪比（PSNR）和Kullback–Leibler散度（KLD）四个指标，从数值精度、分布一致性和图像质量角度全面评估生成图谱的质量。

3.2. 预训练结果

LSGN模型在不同局部图大小（20 × 36像素、20 × 60像素、20 × 84像素）的预训练中均表现出稳定收敛。随着输入尺寸增大，计算复杂度增加，收敛时的损失值也更高。评估显示，LSGN在特征提取和图像重建方面均优于单独使用ViT或ResNet的模型，证明了其融合全局和局部特征的优势，为后续对抗训练奠定了良好基础。

3.3. 不同GAN训练方法下的LSGN性能

对比实验表明，在WGAN-GPM框架下训练的LSGN模型在REA、RMSE、KLD和PSNR所有指标上均优于标准GAN、WGAN、WGAN-CP和WGAN-GP等其他主流对抗训练方法。这表明WGAN-GPM框架通过结合Wasserstein距离、梯度惩罚和MSE损失，有效提升了训练的稳定性和生成图像的质量。

3.4. LSGN性能分析与评估

定量分析显示，LSGN算法在生成四行、六行、八行播种宽度对应的局部SOM分布图时，其REA、RMSE和KLD值均显著低于ViT和ResNet模型，PSNR值则最高。即使对于最大的20 × 84像素输入，LSGN的REA仍能保持在3%以下，PSNR高于30，展现了其鲁棒性。定性分析通过视觉对比表明，LSGN生成的分布图与真实图具有更高的视觉相似性，且边界噪声点少于ViT模型。引入高斯滤波（GF）后处理进一步平滑了边界，降低了噪声，并改善了所有评价指标。此外，在对局部图进行拼接形成全局图的定性分析中，LSGN在边界过渡和细节保持方面表现最佳，显著优于ViT和ResNet，后者在较大输入尺寸下出现了明显的边界不连续现象。

3.5. 田间数据测试结果

基于田间实测数据的验证表明，LSGN算法在三种不同大小的研究区域上的预测精度均显著高于普通克里金算法，平均REA降低超过1.5%，RMSE降低超过0.4。进一步的空间分析发现，两种算法的预测精度在中心区域均较高，在边缘区域较低。但LSGN算法在边界点的预测性能明显优于普通克里金，边界点最大REA差异达2.42%，而中心区域最大差异仅为0.97%。这说明LSGN通过其分层特征提取网络有效学习了空间上下文，改善了边界区域因已知点稀疏而导致的预测精度下降问题。

4. 讨论

4.1. 生成对抗训练架构

本研究提出的WGAN-GPM训练框架，通过结合自重建预训练和生成对抗学习，并引入MSE损失项，在保证分布一致性的同时，提升了像素级数值精度，从而在生成复杂分布图任务中表现出综合优势。

4.2. LSGN算法

LSGN模型通过并行架构有效融合了ViT的全局语义建模能力和ResNet的局部细节提取能力，克服了单一模型的局限性。其预训练策略将邻域空间特征嵌入模型权重，使其能够更好地学习空间上下文关系，从而在边界预测和局部图拼接平滑度方面优于传统克里金方法。

4.3. 模型可行性与局限性分析

虽然LSGN在生成大尺寸局部图时性能有所下降，但其精度仍满足变量播种应用的需求。当前模型的局限性包括传感器与播种点之间的空间不对准、对传感器精度和采样频率的依赖，以及模型计算复杂度较高。未来研究需致力于设计轻量化模型，以平衡预测精度、计算效率和实际应用成本。

5. 结论

本研究提出的基于WGAN-GPM架构的LSGN模型，能够实时生成高精度的局部土壤属性分布图，为多行玉米播种机的变量播种提供了有效支持。该模型在预测误差、图像质量和边界平滑度方面均优于传统方法，田间实验验证了其实际应用的准确性和有效性。尽管当前模型在泛化能力和计算效率方面存在提升空间，但该研究突破了传统局部制图方法的精度瓶颈，为田间尺度的精准农业实践提供了具有潜力的创新解决方案。未来的工作将集中于整合多地点、多年度数据以及多模态信息，以构建更具普适性的局部制图框架，并解决与实时播种控制相关的技术挑战。