🌾 生成式光譜重建模型（Generative Spectral Reconstruction Model）

Model Name：model_SGN_bands12_feat31_20250825_172824.pth
Model Task：Image-to-Multispectral Translation
Application Domain：Smart Agriculture｜Irrigation Management｜Early Pest Detection

🧠 模型簡介

本模型以 生成式人工智慧（Generative AI） 將一般 RGB 影像 轉換為近似 多光譜影像，重建四個關鍵波段：Green、Red、Red Edge、NIR（近紅外）。
採用 條件生成對抗網路（Conditional GAN, cGAN），並結合 光譜映射校正模組（Spectral Mapping Correction Module），在無需多光譜相機的前提下，產生高擬真的對應波段影像，可於田間即時部署，提供可視化與定量化的植生資訊，支援智慧農業決策與永續耕作。

🔧 技術特點

• 多波段光譜重建：以生成式網路學習光譜反射特徵，模擬不可見波段（Red Edge／NIR）並維持與可見光的一致性。
• 條件式訓練（cGAN）：以作物生長階段、環境光照與植生指數作為條件，使生成影像具生理一致性與跨期穩定性。
• 光譜映射校正（SMC）：融合物理光譜曲線與統計特徵，降低 波段間偏移 與 高亮區飽和 所導致的失真。
• 多時期支援：適用於分蘖期、孕穗期、抽穗期等稻作時期之跨期重建與監測。

🧪 輸入／輸出

• Input：標準 RGB（8-bit / 12-bit 皆可；建議含拍攝中繼資訊以利校正）
• Output：近似多光譜的 4 波段匯接影像（G／R／RE／NIR），可直接餵入下游分析

📈 可計算之植生指數（例）

• NDVI = (NIR − Red) / (NIR + Red)
• NDWI = (NIR − Green) / (NIR + Green)
• GNDVI = (NIR − Green) / (NIR + Green)
• EVI2 = 2.5 × (NIR − Red) / (NIR + 2.4×Red + 1)

指數可直接由輸出波段計算，支援早期水分壓力偵測、區塊級病蟲害熱點辨識與灌溉決策。

🚜 典型部署情境

• UAV／手機近地拍攝：以固定高度與時段週期性拍攝，進行田間趨勢追蹤
• 邊緣端推論：輕量化後在農機或手機端即時重建與上傳
• 平台整合：與灌溉控制與告警模組串接，形成早期預警流程

⚠️ 限制與注意

• 域轉移（Domain Shift）：鏡頭光譜響應、白平衡與曝光差異可能影響重建品質；建議導入相機-特定校正與少量在地微調。
• 極端光照：強反光或陰影高占比場景需搭配照度正規化／HDR 合成。
• 定量評估：建議以同步多光譜真值進行 MAE / RMSE / SAM / ΔIndex 等指標檢驗，以確保跨季一致性。
• ⚠️ 資料不足，建議補充：標定樣本數、拍攝裝置型號、採樣季別、主客觀評估指標與數值。

✅ 推薦最小操作流程（MVP）

1) 固定路徑定時拍攝 RGB → 2) 以本模型重建 G/R/RE/NIR → 3) 計算 NDVI/NDWI/GNDVI →
4) 以門檻＋時序平滑標出異常區 → 5) 檢核後回饋至灌溉／巡檢任務單

附圖可用（示意）：