高光谱数据与生成对抗网络协同提升冬小麦氮营养诊断与需求估算精度

本研究针对冬小麦氮营养诊断与氮需求(NR)估算中样本量不足和数据分布不均的问题，创新性地结合高光谱数据与生成对抗网络(GAN)技术。研究人员通过GAN生成冬小麦冠层高光谱数据集，构建原始、平衡和混合三类数据集，结合PLSR、GPR和1D-CNN模型估算氮浓度与生物量，基于临界氮稀释曲线计算氮营养指数(NNI)，最终建立整合播种后天数(DAS)、氮回收效率(NRE)和NNI的NR估算模型。结果显示GAN扩展数据集使氮浓度和生物量估算R2最高提升10.2%和12.1%，NR估算R2达0.80，为精准施肥提供新范式。

　　

氮素是冬小麦生长的关键元素，但过量施用会导致土壤酸化、水体富营养化等问题，同时影响作物产量和品质。传统氮肥管理面临两大挑战：一是田间数据采集样本量小且分布不均，二是现有模型对极端值预测能力不足。如何实现精准的氮营养诊断和需求估算，成为农业可持续发展的重要课题。

针对这些问题，河南省农业科学院的研究团队在《Smart Agricultural Technology》发表研究，创新性地将高光谱技术与生成对抗网络相结合。通过ASD FieldSpec4高光谱仪采集冬小麦冠层反射光谱（350-2500nm），经Savitzky-Golay滤波和遗传算法(GA)波段筛选后，利用改进的GAN生成合成数据（包含光谱与对应的氮浓度、生物量参数）。研究构建三类数据集（原始/平衡/混合），采用PLSR、GPR和1D-CNN三种模型进行氮浓度与生物量估算，基于临界氮稀释曲线（N_c=4.15DM^-0.38）计算NNI，最终建立整合DAS、NRE和NNI的NR模型。

关键技术包括：1）改进的GAN框架，融合对抗损失、MSE损失和平滑损失，在epoch=2000时生成质量稳定；2）高光谱预处理（去除1350-1450nm和1800-2050nm水吸收波段）；3）基于PCA和RMSE的生成数据质量评估；4）分层随机抽样划分训练/验证/测试集（60%/20%/20%）。

3.1 样本分析
冬小麦四个生育期（拔节、孕穗、开花、灌浆）的光谱特征显示，灌浆期因叶片衰老导致可见光和近红外波段反射率显著升高。氮浓度和生物量呈中间高、两端低的非均衡分布，灌浆期氮浓度因再分配作用明显下降。

3.2 GAN模拟光谱评估
epoch≥2000时生成光谱与真实数据RMSE显著降低，PCA显示主成分分布趋近真实数据。氮浓度和生物量的生成范围在epoch>1800时与实测数据基本吻合。当生成数据量达原始数据2倍时，模型性能提升最显著。

3.3 不同数据集的氮营养诊断
在混合数据集上，GPR对氮浓度估算表现最优（训练集R²=0.97），1D-CNN对生物量估算最佳（R²=0.92）。相比原始数据集，混合数据集使氮浓度和生物量估算R²分别提升10.2%和12.1%。基于估算结果构建的NNI模型R²达0.90（RMSE=0.11）。

3.4 冬小麦NR估算模型
建立的NR模型整合线性回归与NRE参数：NR=(-0.01DAS+7.24)/NRE*(1-NNI)。混合数据集使NR估算R²提升至0.80（RMSE=22.86），较原始数据集提升3.9%。

讨论与结论
该研究首次证实GAN可有效扩展冬小麦高光谱小样本数据集，生成数据量达原始2倍时模型性能最优。1D-CNN在生物量估算中展现深度学习优势，而GPR更擅长氮浓度非线性建模。提出的NR模型突破传统仅依赖NNI的局限，整合DAS和NRE的动态影响。尽管存在便携式光谱仪覆盖范围有限、未考虑土壤本底氮等因素的不足，但为无人机/卫星遥感的大尺度应用奠定方法学基础。未来可通过耦合光合参数和氮循环过程模型，进一步提升生成数据的生态合理性。这项研究为智慧农业中的变量施肥决策提供了可推广的技术框架。