任务条件化合成数据生成算法TCSDG：提升农业预测任务中机器学习性能

机器学习算法在农业变量预测中应用广泛，但训练数据的数量和质量往往制约其性能表现。合成数据生成技术通过生成保留原始数据关键特征的仿真样本，为解决数据稀缺问题提供了可行方案。

本研究提出了一种创新的任务条件化合成数据生成算法TCSDG。该算法将贝叶斯网络生成器与基于Transformer的表格基础模型相结合，构建了教师-学生知识迁移框架。研究团队在作物产量预测和作物类型分类两个典型农业预测任务上进行了系统验证。

实验覆盖12个研究区域、两种训练数据比例、四种数据扩增倍数和三种预测算法。结果显示：使用TCSDG生成的合成数据增强原始数据集后，在89%的作物分类实验和74%的产量预测实验中，机器学习性能均获得显著提升。与六种基准SDG算法相比，TCSDG表现突出，是唯一能在两个任务上均实现稳定性能改进的方法。

这项研究表明，经过精心设计和处理的合成数据能够有效提升精准农业应用中机器学习模型的性能。TCSDG为生成支持下游农业预测任务的合成数据提供了实用且可扩展的框架。目前该算法已在GitHub平台开源发布。