综述：基于近红外光谱的农业检测进展：数据增强、特征波长选择与建模技术

（编辑推荐）这篇综述系统阐述了近红外光谱（NIRS）在农业检测中的最新进展，聚焦数据增强（如生成对抗网络GAN）、特征波长选择（如连续投影算法SPA）和建模技术（如卷积神经网络CNN），为解决农业复杂环境下的光谱重叠、噪声干扰等挑战提供了AI驱动的解决方案。

　　

Abstract
近红外光谱（NIRS）凭借快速、低成本、非破坏性等优势，已成为农业元素检测的重要工具。然而，农业环境的高变异性、光谱重叠及数据质量不均等问题制约其应用。本文综述了2019-2024年间NIRS在数据增强、特征选择和建模技术三方面的突破，为精准农业提供方法论支持。

Introduction
农业检测对实时性、非破坏性的需求催生了NIRS技术的广泛应用，涵盖土壤养分分析、作物品质评估等领域。但NIRS信号源自N-H、C-H、O-H键的泛频振动，缺乏指纹特征峰，且易受颗粒大小、水分等干扰。化学计量学与人工智能（AI）的结合显著提升了噪声抑制、特征提取等能力，但样本量不足、数据分布差异仍是关键瓶颈。

Relevant techniques for spectral data enhancement
数据增强通过生成对抗网络（GAN）和风格迁移等技术扩充数据集，而数据融合则整合多源信息（如LIBS与NIRS联用）以提升信噪比。研究表明，合成数据需保持原始分布特性，否则可能导致模型过拟合。

Advanced methods for spectral feature selection
特征选择分为端到端（如注意力机制）和生成式（如变分自编码器VAE）两类。连续投影算法（SPA）和竞争性自适应重加权采样（CARS）能有效筛选与目标属性（如蛋白质含量）强相关的波长，但需警惕样本筛选偏差对特征稳定性的影响。

Methodological approaches for spectral detection modelling
线性模型（如偏最小二乘PLS）在均匀数据中表现优异，而非线性模型（如卷积神经网络CNN）更适应复杂分布。模型可解释性通过梯度加权类激活映射（Grad-CAM）实现，揭示关键波长与农学参数的关联机制。

Summary and future prospects
未来需开发跨设备通用模型，并探索NIRS与区块链结合确保数据溯源。尽管存在挑战，AI驱动的NIRS技术将在智慧农业中发挥更核心的作用。