生成式对抗网络的土壤有机质高光谱估测模型

已有的土壤有机质含量估测模型大多以光谱特征波段、线性和非线性模型为基础,较少考虑通过拓展样本数据建模集来提高模型的估测能力.为进一步提高土壤有机质高光谱反演模型估测精度,提出利用生成式对抗网络(GAN)合成伪高光谱数据和有机质含量的动态估测模型.选取湖南省长沙市及周边区域的水稻田为研究对象,采集土样和实测高光谱数据(350～2500 nm),室内化学测定有机质含量.以高光谱数据和有机质含量为基础,利用生成式对抗网络生成等量新数据,结合原始数据建模集组成增强建模集.在G A N正式训练中,每轮训练完成后,设置4个观测点(对应增强建模集中含50,100,150和239个生成样本),动态构建交叉验证岭回归(RCV)、偏最小二乘回归(PLSR)和BP神经网络(BPNN)土壤有机质含量估测模型(分别简称GAN-RCV,GAN-PLSR和GAN-BPNN),并在相同测试集上实施模型评估.实验结果表明:(1)原始数据建模集上拟合的估测模型中,交叉验证岭回归表现最佳,决定系数(R2)和均方根误差(RMSE)分别为0.8311和0.1896;(2)GAN的150轮正式训练中,增强建模集上动态构建的GAN-RCV,GAN-PLSR和GAN-BPNN模型性能显著提高,具体表现为:GAN-RCV的R2取得最大值0.8909(RMSE 0.1537)、最小值0.8505(RMSE 0.18)与平均值0.8687(RMSE 0.1686),最大R2比建模集上拟合的RCV提高了7.2％(RMSE降低了18.9％),GAN-PLSR获得R2最大值0.8554(RMSE 0.1769)、最小值0.7270(RMSE 0.2432)与平均值0.7801(RMSE 0.2177),最大R2比建模集上拟合的PLSR提高了20.6％(RMSE降低了29.5％),GAN-BPNN表现最佳,R2取得最大值0.9052(RMSE 0.1433)、最小值0.8017(RMSE 0.2073)与平均值0.8681(RMSE 0.1686),最大R2比建模集上拟合的BPNN提高了30.8％(RMSE降低了44.5％);(3)随着增强建模集中生成样本数量增加,模型精度提升效果呈先升后降趋势,4个观测点中第3个观测点的模型性能提升最显著.充分的实验表明:基于G A N动态构建的有机质含量估测模型显著改善了模型预测性能.依据测试集上的评估结果,可择优使用最佳模型进行后续土壤有机质含量估测.