引言
银杏叶用林作为兼具生态价值与经济价值的特色农业资源，其精准种植与产量预测是实现产业高质量发展的核心需求。当前，无人机遥感技术在农业监测中广泛应用，但银杏叶用林冠层结构复杂、多光谱成像易受飞行高度限制，导致“高分辨率与高效率不可兼得”的行业痛点：低空飞行虽能获取清晰图像，但作业范围小、成本高；高空飞行虽提升效率，却因图像分辨率不足影响监测精度。传统处理方法难以有效平衡两者矛盾，缺乏系统化的技术方案。为此，在赵茂程教授关心、吴斌教授指导下，由南京林业大学机械电子工程学院齐亮副教授领队，团队完成了《基于改进GAN的银杏叶用林遥感图像超分辨重建模型》研究（发表于2026年第1期《农业工程学报》，DOI: 10.11975/j.issn.1002-6819.202507255）。该研究基于江苏徐州长荣农业有限公司的实验基地数据，创新构建残差变换生成对抗网络（RTGAN），为银杏叶用林智慧种植提供了量化支撑与技术范式。
1. 技术创新：超分辨重建模型的核心突破
研究团队针对银杏叶用林多光谱遥感图像的特性，设计了兼具精度与效率的RTGAN模型，实现了三大核心技术突破。在网络结构设计上，创新性引入多重密集残差块（MDRB），通过特征复用与梯度优化，解决了传统GAN模型在小目标细节重建中易出现的模糊问题；融合U-Net与Transformer模块，强化了冠层纹理、叶片分布等关键特征的提取能力，让重建图像更贴合真实生长场景。
图 1 RTGAN网络结构图
数据验证显示，该模型性能优势显著：在15m、30m、60m三种飞行高度的多光谱图像测试中，重建后图像的峰值信噪比（PSNR）平均提升67.22%，结构相似度（SSIM）平均提升74.54%，感知相似度（LPS）与Fréchet inception距离（FID）分别平均缩小84.42%和90.50%。更关键的是，基于重建图像的银杏叶产量估测相关系数r平均提升33.34%，接近低空高分辨率图像的估测精度（r=0.83），成功实现了“高空作业效率+低空监测精度”的双重目标。
2. 实验设计：基于真实场景的系统化验证
研究以江苏徐州长荣农业有限公司的银杏叶用林为核心实验基地，构建了标准化的实验体系，确保技术的实用性与可靠性。实验基地选取6年生江苏老优树F4 023#品种，种植密度为株间距0.4m、行间距1m，共1911株，涵盖了银杏叶用林的典型生长环境。数据采集采用大疆DJI M100四旋翼无人机搭载MicaSense RedEdge-MX多光谱相机，覆盖蓝、绿、红、红边、近红外5个关键波段，全面捕捉叶片生长状态信息。
图2 多光谱图像采集区域详情
在数据预处理环节，团队建立“图像拼接-辐射定标-多通道整合”三步流程：通过欧式距离特征点匹配与双线性插值算法完成图像拼接，以标准反射率板为基准消除环境光照干扰，最终实现多光谱数据的精准整合。系统化的实验设计不仅为模型验证提供了高质量数据支撑，也为技术落地应用奠定了标准化基础。
3. 驱动因素：跨学科技术的协同支撑
该研究的成功实施，是多学科技术协同作用的结果，核心驱动因素体现在三个维度。从技术基础来看，齐亮副教授长期深耕人工智能、机器视觉领域，其在农产品无损检测、遥感图像分析等方向的积累，为模型算法优化提供了关键支撑；团队成员在无人机遥感、农业工程等领域的跨学科优势，实现了“技术研发-农业应用”的精准对接。
从实践需求来看，银杏叶用林产业对精准监测的迫切需求是研究的核心牵引。传统人工监测方式耗时耗力、覆盖范围有限，而现有遥感技术的精度瓶颈制约了产业升级，RTGAN模型正是针对这一痛点的靶向创新。此外，南京林业大学在农业智能化、园林技术数字化领域的平台优势，为研究提供了充足的科研资源与技术保障，加速了从理论模型到实践应用的转化。
图3 各模型的超分辨率重建评价指标比较图
注：PSNR 为峰值信噪比，SSIM 为结构相似度，LPIPS 为感知相似度，FID 为 Fréchet inception 距离；RGB(2×)、NER(2×)为30 m高度的RGB图像和NER图像，RGB(4×)、NER(4×)为60 m高度的RGB图像和NER图像；BI 为双三次插值，SRCNN 为超分辨率卷积神经网络，FSRCNN 为快速超分辨率卷积神经网络，VDSR 为极深超分辨率网络，SRGAN 为超分辨率生成对抗网络，REAL_ESRGAN 为真实场景增强型超分辨率生成对抗网络，RTGAN为实时生成对抗网络。
4. 应用价值：智慧种植与产学研融合的双重实践
该研究不仅具备重要的理论价值，更在产业应用与产学研合作中展现出强大活力。在智慧种植场景中，RTGAN模型可直接应用于大面积银杏叶用林的长势监测、产量预测与品质评估，帮助种植者精准调控水肥、防控病害，降低生产成本。以实验基地为例，应用该技术后，亩均监测时间缩短70%以上，为规模化种植提供了高效管理工具。
图4 各模型的超分辨率重建评价指标比较图
注：PSNR 为峰值信噪比，SSIM 为结构相似度，LPIPS 为感知相似度，FID 为 Fréchet inception 距离；BI 为双三次插值，SRCNN 为超分辨率卷积神经网络，FSRCNN 为快速超分辨率卷积神经网络，VDSR 为极深超分辨率网络，SRGAN 为超分辨率生成对抗网络，REAL_ESRGAN 为真实场景增强型超分辨率生成对抗网络，RTGAN为实时生成对抗网络。
5. 产学研成果：智慧种植可视化监测系统软著
作为研究团队的领队，齐亮副教授的跨学科背景与丰富科研经验为项目开展提供了关键支撑。
图5 齐亮副教授银杏遥感监测科研团队
依托本论文的研究基础，齐亮团队在南京林业大学金埔研究院的框架下，与金埔园林股份有限公司达成深度战略合作，成功研发“银杏叶用林智慧种植可视化监测系统”，并于2025年12月9日完成软件著作权登记，实现了科研成果向产业价值的高效转化。
图6 软件著作权登记证书
该系统以江苏徐州长荣农业有限公司的银杏叶用林实验基地为技术溯源，全面整合了论文中的RTGAN超分辨重建模型、多光谱遥感监测方法与产量估测算法。在功能上，系统新增可视化管理模块，将重建后的高分辨率图像、实时生长数据（叶片黄酮含量、土壤墒情等）整合至智慧平台，为种植者提供“生长监测-产量预测-品质评估”的全流程数字化服务。此次合作是南京林业大学金埔研究院“以国家战略为导向、以行业痛点为核心”的协同创新理念的生动实践，既发挥了高校的技术研发优势，又结合了企业的产业落地能力，为林业智能化与产学研融合提供了可复制的示范模式。
结语
《基于改进GAN的银杏叶用林遥感图像超分辨重建模型》的研究，通过技术创新与实践验证，成功解决了银杏叶用林智慧监测中的核心痛点，为特色农林业资源的精准种植提供了科学方案。齐亮团队在赵茂程教授关心、吴斌教授指导下，不仅实现了模型算法的突破，更通过产学研合作推动了技术的产业化应用，彰显了“科研创新-产业赋能”的良性循环。未来，该技术可进一步拓展至其他经济林作物的监测领域，同时深化与乡村振兴、生态建设的融合，为农林业高质量发展注入更多科技动能，让智能化技术在特色农林业产业中发挥更大价值。
齐亮 副教授
曾任职于南京第28研究所、南京师范大学分析测试中心，2023年起加入南京林业大学机械电子工程学院
研究方向聚焦人工智能、机器视觉、无损检测技术与自动化装置
以第一作者或核心参与者身份发表高水平论文20余篇（含SCI收录6篇、EI收录4篇）
申请发明专利8项
参与国家级、省部级项目10余项，包括科技创新2030重大项目、江苏省农业自主创新重大项目等，在智能监测技术领域具备深厚的学术积累与实践能力。
南京林业大学金埔研究院成立于2022年10月10日，由南京林业大学与金埔园林股份有限公司合作共建。研究院以新时代“美丽中国”“两山论”“乡村振兴”等生态文明建设中心思想为指导，以国家创新驱动发展战略为指引，以交叉学科平台、全科型团队、创新型机制建设为抓手，着力提升园林技术创新能力和水平，打造科研出众、行业信任、特色鲜明、成果卓著的国家一流协同创新平台，更好地服务园林技术数字化、智能化事业高质量发展。研究院以国家战略需求为导向、以行业痛点问题为核心，聚焦“新型特色植物开发与产业化”“智慧园林系列设备研发与产业化”“生态技术研发与应用”“衍生产品开发与应用”“智能化时尚家庭园艺”“文化产业管理与提升”等方向，有机整合校企相关优势特色，切实落实“千校万企”协同创新伙伴行动，助力创新链产业链的深度融合，重塑产业链供应链的韧性和竞争力。
