您的位置： 专家智库 > >

朱亚星

作品数：10 被引量：119H指数：6
供职机构：华中师范大学更多>>
发文基金：国家自然科学基金中央高校基本科研业务费专项资金湖北省自然科学基金更多>>
相关领域：农业科学自动化与计算机技术天文地球更多>>

合作作者

文献类型

  • 9篇期刊文章
  • 1篇学位论文

领域

  • 7篇农业科学
  • 4篇自动化与计算...
  • 1篇天文地球

主题

  • 9篇土壤
  • 5篇有机质
  • 5篇土壤有机
  • 5篇土壤有机质
  • 4篇偏最小二乘
  • 4篇偏最小二乘回...
  • 4篇江汉平原
  • 3篇水分
  • 3篇土壤水
  • 3篇土壤水分
  • 3篇含水量
  • 3篇潮土
  • 2篇有机质含量
  • 2篇土壤含水率
  • 2篇土壤有机质含...
  • 2篇光谱
  • 2篇含水率
  • 2篇层土
  • 1篇叶绿
  • 1篇叶绿素

机构

  • 10篇华中师范大学
  • 1篇南京大学
  • 1篇湖北大学

作者

  • 10篇朱亚星
  • 9篇于雷
  • 7篇洪永胜
  • 6篇周勇
  • 4篇聂艳
  • 3篇夏天
  • 2篇朱强
  • 2篇夏天
  • 2篇刘目兴
  • 1篇于婧
  • 1篇吴红霞
  • 1篇何琦
  • 1篇黄鹏

传媒

  • 2篇农业工程学报
  • 2篇中国农业科学
  • 2篇光谱学与光谱...
  • 1篇土壤学报
  • 1篇长江流域资源...
  • 1篇华中师范大学...

年份

  • 3篇2018
  • 6篇2017
  • 1篇2016
共 10 条 记 录，以下是 1-10
全选 清除 导出
排序方式：
高光谱技术结合CARS算法预测土壤水分含量被引量：32
2016年
高光谱技术已成为预测土壤含水量（soil moisture content,SMC）的重要方法,但因土壤高光谱中包含了大量冗余信息和无效信息,不仅导致SMC的高光谱估算模型复杂度高,而且影响了模型的预测精度。因此,该研究在室内设计SMC梯度试验,测定土壤高光谱反射率,经Savitzky-Golay平滑（Savitzky-Golay smoothing,SG）和连续统去除（continuum removal,CR）预处理后,基于竞争适应重加权采样（competitive adaptive reweighted sampling,CARS）方法分别优选出土壤在全部SMC的水分敏感波长变量,确定适用于土壤在全部SMC的共性波长变量,以其为优选变量集,采用偏最小二乘（partial least squares regression,PLSR）回归方法建立模型并进行验证。结果表明,SG和CR预处理后的光谱曲线在450、1 400、1 900、2 200 nm附近吸收峰的形状特征凸显;基于CARS方法对土壤在不同SMC的光谱曲线进行变量优选后,得出优选变量集为443～449、1 408～1 456、1 916～1 943、2 209～2 225 nm;CARS-PLSR模型性能优于全波段PLSR模型,模型预测R2、均方根误差、相对分析误差分别为0.983、0.0144、8.36,不仅提升了预测精度和预测能力,而且降低了变量维度和模型复杂度。该文通过优选土壤水分的敏感波段,有效提高了SMC预测模型的鲁棒性,为快速准确评估农田墒情提供了新途径,为开发田间SMC测定传感器提供了理论依据。
于雷朱亚星洪永胜夏天刘目兴周勇
关键词：土壤水分潮土
土壤水分敏感波段优选与耕层土壤含水量估测研究
土壤是土地之本，掌握土壤的理化属性状况是合理利用土地资源、切实保护耕地、有效实施精准农业管理和保证农业生产的重要前提。土壤水分是作物能够持续生存的基本前提与条件，是判断土壤肥力、评价土壤质量的关键指标之一。目前，随着遥感...
朱亚星
关键词：土壤含水量
利用OSC算法消除土壤含水量变化对Vis-NIR光谱估算有机质的影响被引量：6
2017年
【目的】快速、准确地监测土壤有机质对于精准农业的发展具有重要意义。可见光-近红外(visible and near-infrared,Vis-NIR)光谱技术在土壤属性估算、数字化土壤制图等方面应用较为广泛,然而,在田间进行光谱测量,易受土壤含水量(soil moisture,SM)、温度、土壤表面状况等因素的影响,导致光谱信息中包含大量干扰信息,其中,SM变化是影响光谱观测结果最为显著的因素之一。此研究的目的是探讨OSC算法消除其影响,提升Vis-NIR光谱定量估算土壤有机质(soil organic matter,SOM)的精度。【方法】以江汉平原公安县和潜江市为研究区域,采集217份耕层(0—20 cm)土壤样本,进行风干、研磨、过筛等处理,采用重铬酸钾-外加热法测定SOM;将总体样本划分为3个互不重叠的样本集:建模集S^0(122个样本)、训练集S^1(60个样本)、验证集S^2(35个样本);设计SM梯度试验(梯度间隔为4%),在实验室内获取S^1和S^2样本集的9个梯度SM(0%—32%)的土壤光谱数据;分析SM对土壤Vis-NIR光谱反射率的影响,采用外部参数正交化算法(external parameter orthogonalization,EPO)、正交信号校正算法(orthogonal signal correction,OSC)消除SM对土壤光谱的干扰;利用主成分分析(principal component analysis,PCA)的前两个主成分得分和光谱相关系数两种方法检验消除SM干扰前、后的效果;基于偏最小二乘回归(partial least squares regression,PLSR)方法建立EPO和OSC处理前、后的SOM估算模型,利用决定系数(coefficient of determination,R^2)、均方根误差(root mean square error,RMSE)和RPD(the ratio of prediction to deviation)3个指标比较PLSR、EPO-PLSR、OSC-PLSR模型的性能。【结果】土壤Vis-NIR光谱受SM的影响十分明显,随着SM的增加,土壤光谱反射率呈非线性降低趋势。OSC处理前的湿土光谱数据主成分得分散点相对分散,与干土光谱数据主成分得分空间的位置不重叠,不同SM梯度之间的光谱相关�
洪永胜于雷朱亚星李思缔郭力刘家胜聂艳周勇
关键词：土壤有机质正交信号校正偏最小二乘回归江汉平原
基于高分一号影像的江汉平原表层土壤湿度指数反演研究被引量：3
2018年
土壤湿度指数遥感监测在农业生产中具有重要的作用。为探讨国产高分一号(GF-1)遥感数据在江汉平原农情参数快速获取中的适用性,以潜江市2017年3月8日的GF-1 WFV影像和106个采样点的土壤湿度实测数据为数据源,选择垂直干旱指数(PDI)、改进型垂直干旱指数(MPDI)和植被调整垂直干旱指数(VAPDI),对土壤湿度指数反演的效果进行比较和验证。研究结果表明:PDI、MPDI、VAPDI与土壤湿度实测含水量的决定系数分别达到0.649、0.802和0.821,实测土壤含水量验证精度评价也表明各模型均能满足反演的精度要求,说明基于GF-1 WFV影像开展江汉平原的大尺度土壤湿度反演是可行的;在植被覆盖中等区域,MPDI和VAPDI能够在一定程度上克服混合像元对土壤湿度光谱信息的影响,反演的精度要比PDI高,但在高植被覆盖度区,采用垂直植被指数(PVI)修正的VAPDI不易出现植被覆盖饱和现象,具有更高的反演精度;基于3种指数模型反演的土壤湿度指数空间异质性基本一致,但MPDI、VAPDI对土壤湿度变化更为敏感,能反映出不同植被覆盖类型下土壤湿度的实际水平。研究结果可为江汉平原大范围和动态监测表层土壤湿度指数提供理论基础和实践参考。
聂艳贾付生朱亚星于雷于婧
关键词：PDI江汉平原
高光谱技术联合归一化光谱指数估算土壤有机质含量被引量：20
2017年
随着近地高光谱遥感技术的发展,为快速、有效、非破坏性地获取土壤有机质(SOM)信息提供了可能。土壤高光谱波段数据众多,光谱数据变量之间存在较为严重的多重共线性,影响模型复杂结构,而构建归一化光谱指数(NDSI)可以有效去除冗余信息变量,放大光谱特征信息。以江汉平原公安县为研究区,采集56份耕层土样,在室内获取土壤光谱数据,采用"重铬酸钾-外加热法"测定SOM含量,对实测土壤光谱数据(Raw)进行倒数之对数(LR)、一阶微分(FDR)和连续统去除(CR)三种变换,计算四种变换的NDSI数值,分析SOM与NDSI的二维相关性,并对一维、二维相关系数进行全波段范围内的p=0.001水平上显著性检验,提取敏感波段和敏感光谱指数,结合偏最小二乘回归(PLSR)建立SOM的估算模型,探讨二维光谱指数用于建模的可行性。研究表明,二维相关系数相比一维相关系数有不同程度的提升,以LR最为显著,相关系数数值提升约0.26;基于二维相关性分析提取的敏感光谱指数的PLSR建模效果整体优于一维相关性分析提取的敏感波段,其中,NDSILR-PLSR模型的稳健性最优,验证集R2为0.82,模型验证RPD值为2.46,模型稳定可靠,可以满足SOM的精确监测需要,适合推广到区域范围内低分辨率的航空航天遥感(如ASTER,Landsat TM等),应用潜力较大。
洪永胜朱亚星苏学平朱强周勇于雷
关键词：土壤有机质偏最小二乘回归
耦合高光谱数据估算土壤含水率的方法被引量：5
2017年
在田间利用高光谱技术监测土壤含水率(Soil Moisture Content,SMC)成为精准农业研究的热点之一,但农田原状光谱受到土壤表层属性如表面粗糙度、质地、微聚体和其它环境因素的影响,且小尺度区域SMC空间差异较小,增加了SMC光谱信息的提取难度,导致SMC的估算精度较低;基于实验室内经过筛制备的土壤样品的光谱数据建模,虽然模型精度较高,但人为改变土壤结构和紧实度的预处理方式无法表征农田SMC的实际状况.因此,该文尝试提出一种耦合土样原状光谱数据和标准光谱数据估算农田SMC的新方法.通过获取江汉平原潮土土样的原状光谱反射率(Rund)和烘干光谱反射率(Rdry);基于Rdry确定研究区同一土壤类型在烘干状态下(SMC为0)的标准光谱(Std-R);采用差值、比值、归一化的方法耦合Rund和Std-R,得到耦合光谱(Cpl-RS、CplRD、Cpl-RN);提取耦合光谱中水分敏感波段的光谱(Moe-RS、Moe-RD、Moe-RN),基于偏最小二乘回归方法(PLSR)建立SMC的估算模型.结果表明,标准光谱具有良好的代表性,能够为光谱耦合提供统一且稳定的背景值;耦合土样的原状光谱和标准光谱可以有效地削减土壤水分以外其它因素对土壤高光谱观测的影响;利用耦合光谱的水分敏感波段建立的SMC估算模型相较基于Rund建立的模型,有效降低了模型的复杂度,精度有较大程度地提升,建模集R2c从0.46最高上升至0.61,验证集R2p从0.49最高上升至0.71,RPD值从1.39最高上升至1.72,模型的稳定性、拟合度和预测能力都得到提升.该方法简单、易推广,为快速准确评估农田墒情提供了新途径.
朱亚星周桢津洪永胜周勇刘目兴于雷
关键词：土壤含水率偏最小二乘回归潮土
基于IRIV算法优选大豆叶片高光谱特征波长变量估测SPAD值被引量：27
2018年
在植物叶绿素特征波长变量筛选过程中,与叶绿素关系较弱的波长变量极易被忽略,导致这些弱信息变量包含叶绿素的有效信息丢失,因此,确定叶片光谱中弱信息变量对揭示叶绿素高光谱响应规律具有重要意义。该研究以江汉平原大豆鼓粒期的叶片为研究对象,采集80组大豆叶片高光谱和SPAD(soil and plant analyzer development)值,分析SPAD值与大豆叶片反射率相关关系和光谱波长变量自相关关系,基于迭代和保留信息变量法(iteratively retains informative variables,IRIV)筛选大豆叶片的特征波长变量,建立偏最小二乘回归(partial least squares regression,PLSR)和支持向量机(support vector machine,SVM)模型估测SPAD值。结果表明,大豆叶片SPAD值与光谱反射率在可见光波段具有极显著负相关,在近红外波段存在不显著的正相关性(P>0.01);可见光、近红外2波段的波长变量之间相关性较弱,但2波段内变量之间的相关性较强;基于IRIV算法确定了大豆叶绿素的特征波长变量,利用特征波长变量建立的估测模型的估测能力高于仅利用强信息波长变量建立的估测模型,表明弱信息变量对估测叶片SPAD值具有重要意义;IRIV-SVM模型估测能力最优,验证集R2和相对分析误差(RPD)分别为0.73、1.82。该文尝试证明了光谱中弱信息变量的重要性,为揭示叶片高光谱响应机理提供了理论依据。
于雷章涛朱亚星朱亚星夏天周勇
关键词：光谱分析叶绿素大豆SPAD
基于EPO算法去除水分影响的土壤有机质高光谱估算被引量：9
2017年
野外进行土壤有机质的光谱快速预测时需考虑土壤含水量的影响。在室内设计人工加湿实验分别获取9个土壤含水量梯度(0~32%,间隔4%)的土壤光谱数据,分析土壤含水量变化对光谱的影响,再利用外部参数正交化法(external parameter orthogonalization,EPO)进行湿土光谱校正,并结合偏最小二乘回归和支持向量机回归分别建立土壤有机质预测模型。结果表明,土壤光谱反射率随着土壤含水量的增加呈非线性降低趋势,偏最小二乘回归模型的预测偏差比为1.16,模型不可用;经EPO算法校正后,各土壤含水量梯度之间的光谱差异性降低,能实现土壤有机质在不同土壤含水量梯度的有效估算,偏最小二乘回归和支持向量机回归模型的预测偏差比分别提高至1.76和2.15。研究结果可为田间快速预测土壤有机质提供必要参考。
洪永胜于雷朱亚星吴红霞聂艳周勇QI Feng夏天
关键词：土壤光谱有机质含水量支持向量机回归江汉平原
土壤有机质高光谱特征与波长变量优选方法被引量：23
2017年
【目的】探究土壤有机质的高光谱特征及响应规律,优选土壤有机质的敏感波长,降低土壤有机质高光谱估测模型复杂度,提高模型稳健性,为利用高光谱技术对农田土壤肥力的定量监测提供理论支撑。【方法】采集江汉平原潮土土样130个,将其中40个样本作为训练集,测量其去有机质前、后的土壤有机质含量及光谱数据,计算差值及变化率,分析土壤有机质含量变化对光谱特征的影响,结合无信息变量消除(uninformative variables elimination,UVE)、竞争适应重加权采样(competitive adaptive reweighted sampling,CARS)变量优选方法确定土壤有机质敏感波长;采用45个建模集样本,基于偏最小二乘回归(partial Least Squares Regression,PLSR)和反向传播神经网络(back propagation neural network,BPNN)建立土壤有机质含量的估算模型;利用45个验证集样本检验敏感波长对同类土壤的适用性。【结果】通过有机质去除试验,供试土壤的平均光谱反射率在全波段均有所增加,在可见光波段变化率高于近红外波段;比较UVE、CARS、UVE-CARS、CARS-UVE这4种变量优选方法,得到最佳变量优选方法为UVE-CARS,该方法从2001个波长变量中优选得到84个变量作为土壤有机质的敏感波长,分布于561—721、1 920—2 280 nm波段覆盖范围;基于敏感波长的PLSR、BPNN模型性能均优于全波段模型,其中,基于敏感波长的BPNN模型的估测能力高于PLSR,模型验证集R^2、RMSE、RPD、MAE、MRE值分别为0.74、1.33 g·kg^(-1)、2.02、1.04 g·kg^(-1)、6.2%,可实现土壤有机质含量的有效估测。【结论】通过训练集获得的土壤有机质敏感波长,能够实现对该试验区同种土壤类型样本土壤有机质含量的有效估测;利用去有机质试验结合变量优选方法确定的敏感波长建模,不仅将输入波长压缩至全波段波长数目的 4.2%,而且提升了模型估测精度,降低了变量维度和模型复杂度,为快速准确�
朱亚星于雷洪永胜章涛朱强李思缔郭力刘家胜
关键词：土壤有机质偏最小二乘回归反向传播神经网络潮土
去除土壤水分对高光谱估算土壤有机质含量的影响被引量：7
2017年
土壤高光谱技术具有方便快捷、无破坏、成本低等优点,已被广泛应用于估算土壤有机质含量(SOMC)。然而,野外测量的土壤高光谱数据因受外部环境因素(土壤湿度、温度、表面粗糙度等)干扰,导致SOMC估算模型适用性有待提升。土壤含水率(SMC)是影响野外测量高光谱的最主要的障碍因素之一,它的变化严重影响可见-近红外(Vis-NIR)光谱反射率的观测结果。因此,消除SMC对高光谱数据的干扰是提高土壤高光谱估算SOMC模型预测精度的关键环节。以江汉平原潜江市潮土样本为研究对象,在室内人工加湿土样,分别获取6个SMC水平的土壤高光谱数据,采用标准正态变换(SNV)对光谱数据进行预处理,基于外部参数正交化法(EPO)去除土壤水分对高光谱的影响,利用偏最小二乘方法(PLSR)建立并对比EPO处理前、后不同SMC水平SOMC反演模型。结果表明,土壤水分对Vis-NIR光谱反射率有显著的影响,掩盖了SOMC的光谱吸收特征;EPO处理前不同SMC水平的光谱曲线之间的差异较为明显,而EPO处理后的各SMC水平的光谱曲线形态基本相似;采用EPO处理后的土壤高光谱数据建立SOMC估算模型,预测集的R2p,RPD分别为0.84和2.50,其精度与EPO处理前所建模型相比有较大提升,表明EPO算法可以有效去除土壤水分的影响,从而提升SOMC的估算精度。对定向去除外部环境参数对土壤高光谱影响进行了实证,为完善野外原位获取SOMC信息技术提供理论基础。
于雷洪永胜朱亚星黄鹏何琦QI Feng
关键词：土壤有机质土壤含水率江汉平原
全选 清除 导出
共1页<1>
聚类工具0