马尾松人工林直径分布神经网络模型研究

该文首先以相对直径为输入变量,以累积频率为输出变量,构建了1∶S∶1的林分直径分布BP神经网络模型. 用1块具有代表性、26年生、全林伐倒测定每木胸径、树高生长过程的马尾松人工林标准地直径分布数据,作为马尾松人工林的期望分布,对所建模型进行训练、用定性与定量相结合的方法,选出既符合林分直径分布规律,又具有较高拟合准确度的网络模型结构为1∶2∶1,网络对象名为FRdnet2 该模型的总体累积频率拟合准确度达99.5%,径阶累积频率拟合准确度最低93%、最高99.9%、平均99%,径阶频率拟合准确度最低82%、最高99%、平均95%. 神经网络建模技术的拟合准确度好,可作为有效的林分直径分布模拟技术.      

毛白杨农田防护林带直径分布预测

以河南省博爱县毛白杨农田防护林带为研究对象,在调查、计算林带径阶分布数据和有关林分特征数的基础上,应用人工神经网络建模技术,以断面积平均直径、直径变动系数和径阶相对直径等为输入变量,以径阶株数累积频率为输出变量,建立了结构为3∶11∶1的毛白杨农田防护林带直径分布神经网络预测模型,模型总体拟合准确度为98.18%。模型的拟合准确度分析结果表明,累积频率拟合准确度最大99.93%,最小88.48%,平均98.20%。模型的预测准确度分析结果显示,累积频率预测准确度最大99.70%,最小94.36%,平均97.56%。模型的平均准确度在95%以上,能满足林业上的应用要求,模型研究取得了较好的拟合、预测效果。     

杉木人工林直径分布BP模型的研究

以相对直径作为输入向量,以株数累积频率作为输出向量,建立直径分布的BP神经网络模型;用杉木人工林直径分布的实际数据训练,选出的最佳模型,拟合精度为99.03%,检验精度为97.64%,所选模型没有系统偏差.与Weibull分布模型相比,具有较好的拟合效果.研究结果进一步表明,人工神经网络是一种有效的林分直径分布模拟技术.     

基于神经网络的马尾松人工林密度指数模型

  目的  通过对马尾松Pinus massoniana人工林密度指数模型的研究，为制定木材产量及质量的提升决策提供参考。  方法  以河南省薄山林场马尾松人工林为研究对象，采用147块标准地数据，以林分平均胸径为输入向量，以林分密度为输出向量，建立了林分密度指数人工神经网络（ANN）模型，并与Reineke的林分密度指数模型进行比较。  结果  ① 薄山林场马尾松人工林最大密度线斜率b为-1.516 3，马尾松标准平均胸径为14 cm，Reineke的林分密度指数模型精度为92.11%，t检验结果显著；②构建了网络结构为1:2:1的林分密度指数ANN模型，模型拟合精度为92.57%，均方误差为0.001 469 7。③无论采用Reineke林分密度指数还是人工神经网络技术，在拟合株数密度随林分平均胸径的变化趋势时，幼龄林组拟合效果都不理想，这与幼龄林组数据数量偏少有关。  结论  所建模型可为薄山林场马尾松抚育经营决策提供依据。     

闽北山地马尾松人工林林分直径结构规律研究

以福建闽北山地马尾松人工林2块样地资料为依据,应用正态分布,对数正态分布,Weibull分布,β分布,Γ分布拟合及闽北马尾松人工林直径分布的适用性进行分析、比较,选出最适合于拟合及预测该林分直径结构的分布,并用卡方统计量对5种分布进行检验,结果表明:β分布描述闽北马尾松人工林的直径分布效果最好。     

福建马尾松人工林可变密度收获表的编制

以林龄,地位指数,林分密度指数为自变量因子,由扩展的Ｒｉｃｈａｒｄｓ生长函数结合林分直径分布规律,建立直径的生长模型,运用改进单纯形法最优拟合该生长模型,以此作为基础推算其它因子,编制出福建省马尾松人工林可变密度收获表,为福建省马尾松人工林的节理论依据。     

林分保留密度的人工神经网络模型研究

为探索人工神经网络在林分保留密度研究中的应用效果,以马尾松人工林为对象,481块标准地资料为基础数据,用MATLAB的正切“S”形函数tansig为神经元的作用函数,以年龄和密度的标准化、归一化数据为训练样本,构建和训练林分保留密度的人工神经网络模型,并与幂函数进行对比研究.结果表明,密度与年龄的关系用幂函数(y=axb)描述,拟合精度为91.29%;用人工神经网络描述,拟合精度为94.27%.可见,人工神经网络能比常规方法更好地模拟林分密度随年龄的变化规律,特别能有效地模拟经营活动下的复杂过程.     

基于BP神经网络连栽桉树人工林生长量预测

以广西国有东门林场雷卡分场的3个连栽代次的尾巨桉(Eucalyptus urophylla×E.grandis)人工林为研究对象,以林分的林龄和林分密度作为输入变量,分别以林分的平均胸径和树高为输出变量,构建了6个2∶n∶1的BP人工神经网络模型。用林分前5 a的数据对网络进行训练,第6、7年数据进行测试,经过大量训练选取最优模型后,得出以2∶2∶1的结构训练的模型最优,林分平均胸径的3个BP网络模型平均预测精度分别为99.09%、98.35%和96.37%,平均树高的3个BP网络模型平均精度分别为96.22%、96.48%和96.6%。回归分析证明模型的拟合效果良好。模型可用来分析、模拟和预测相似条件下桉树人工林林分随林龄增长整个生长阶段的生长量变化情况。     

马尾松人工林与距离有关的单木模型研究

为使单森竞争指标与林分密度具有兼容性,以更好地实现马尾松人工林的生长预测,就２３块马尾松人工林固定样地资料,用Ｈｅｇｙｉ的简单竞争指数作 龄级和密度级确定竞争木株数,用回归分析方法组建模型,对与距离有关的单木模型进行了研究,精度分析表明,单森生长速率拟合精度８０￣９６％,单木生长状态预测精度平均在９７％以上,林分断面积预测精度在９５％以上,说明单木模型预测精度高,使用效果好,建议进行广泛的研究和应     

造林技术措施对马尾松林分生长影响的定量分析与预测

该文利用贵州省台江县马尾松造林技术试验林 4～ 10年生林分的逐年测定资料 ,以林分平均树高和平均胸径为基准变量、各主要造林技术措施和林分年龄为说明变量 ,对建立马尾松林分生长的数量化回归模型进行初步研究 .结果表明 ,采用数量化回归途径建立马尾松林分生长的预测模型是可行的 ,且所建模型具有较高的预测精度 ,但用于拟合回归模型的数据以采用林龄为 4a以上的测定资料为宜 .通过对回归模型偏相关系数的定量分析 ,可以确定马尾松人工林培育的关键技术措施是立地控制、遗传控制和密度控制 ;同时 ,还可根据各项造林技术措施和林分年龄 ,预测马尾松林分的生长 .     

红松树高-胸径的非线性混合效应模型研究

以吉林省汪清林业局的蒙古栎阔叶混交林和云冷杉阔叶混交林24块固定样地中的2598株红松为研究对象,利用Chapman-Richards方程建立了不含随机效应与含随机效应的单木树高-胸径简单模型和广义模型。模型拟合和检验的评价指标主要包括调整决定系数(R2a)、平均相对误差绝对值(RMA)和均方根误差(RMSE)。对于混合效应模型,设计了随机抽取、抽胸径最大的树、抽胸径最小的树和抽平均木4种抽样方案计算随机参数,通过对比4种抽样设计下模型的误差统计量,分析了不同抽样设计下样本数量和预测精度的关系。结果表明:基于混合效应模型的红松单木树高-胸径模型拟合效果(简单模型的R2a在0.753~0.886之间,RMA在11.3%~15.1%之间,RMSE在1.38~2.01m之间;广义模型的R2a在0.754~0.886之间,RMA在11.1%~15.0%之间,RMSE在1.38~2.01m之间)优于不含随机参数的红松单木树高-胸径模型(简单模型的R2a在0.502~0.868之间,RMA在12.2%~17.8%之间,RMSE在1.42~2.65m之间;广义模型的R2a在0.711~0.877之间,RMA在11.6%~17.2%之间,RMSE在1.41~2.10m之间);包含随机效应的简单模型和广义模型拟合效果没有明显的差异,表明基于混合效应模型的单木树高-胸径简单模型可以很好地描述树高-胸径关系在不同森林类型、不同样地间的差异,因此不需要在树高-胸径模型中增加其他自变量;抽取平均木的抽样设计优于其他3种抽样设计,且抽取4株平均木时,预测精度提升最为明显,综合预测精度和调查成本的考虑,在实践中应用包含随机效应的红松树高-胸径模型时,推荐在样地中抽取4株平均木测量其树高来估计随机参数。      

神经网络在松墨天牛发生量预报中的应用

运用神经网络的基本原理,结合闽北地区气象和环境因子及松墨天牛发生量的实测数据,建立神经网络模型.结果表明:所建立的BP神经网络模型,具有满意的拟合精度和预测精度.2个预留调查点的平均预测精度达97.2%,预测准确率为100%.     

基于遥感的高山松连清固定样地地上生物量估测模型构建

  目的  研究利用遥感方法构建高山松固定样地地上生物量估测的参数模型，可以在今后前期样地的基础上直接快速、准确地估测生物量，或者开展少量的外业调查即可获取地上生物量。  方法  基于遥感因子与样地地上生物量变化量和线性混合模型提高生物量估测精度，以香格里拉市1987、1992、1997、2002、2007、2012、2017年7期国家森林资源清查固定样地和对应年份Landsat TM、OLI的Level-1数据为基础，首先对遥感数据进行预处理:包括辐射定标、大气校正、几何校正和地形校正，提取原始波段、比值因子、植被指数、图像增强信息、纹理指数、混合像元分解后的丰度、叶面积指数，计算5 ~ 30年间隔样地对应的遥感因子变化值。根据森林资源二类调查的高山松分布特征，选择地形因子作为线性混合模型的固定和随机效应，采用多元线性回归、非线性回归、地理加权回归、线性混合模型构建高山松地上生物量估测的静态模型，基于遥感光谱信息变化量构建了有树高和无树高参与的动态模型。最后对不同的建模方法和验证结果进行对比分析，选择最优结果作为估测模型并验证。  结果  （1）分析静态数据建模和验证的结果，采用样地号为固定因子、坡度等级为随机因子的线性混合模型的拟合R2最高，为0.75；但利用训练数据集和2017年数据验证，其精度都较低。（2）分析变化量数据建模和验证的结果，采用样地号为固定因子、坡度等级为随机因子、遥感因子变化量为自变量的线性混合模型拟合R2最高，为0.70，预测精度P值为（68.86 ± 11.93）%；增加平均树高变化量，拟合R2最高为0.79，预测P值为（73.39 ± 6.18）%。（3）无论是有、还是无树高参与的变化量模型其拟合和预测精度都达到80%，其预测精度达到了非参数模型预测精度。  结论  基于变化量的估测模型的拟合和预测精度较静态模型有所提高；综合遥感因子、地形因子构建的高山松地上生物量估测线性混合模型，其精度有较大提高；采用遥感因子变化量构建的高山松地上生物量估测模型，有效弥补了静态光学遥感数据估测生物量的不足，经检验可用于其他年期的估测。      

基于BP神经网络的马尾松人工林胸径-树高模型预测

  目的  马尾松Pinus massoniana是中国南方主要用材树种，建立高效的马尾松人工林胸径-树高预测模型，可为马尾松人工林经营提供理论指导。  方法  以贵州省黔中地区马尾松人工林为研究对象，基于82块样地(25 m×25 m)的4 284株马尾松单木数据，选取6个常用的广义非线性模型进行拟合，从中筛选出拟合效果最好的模型。使用相同的数据确定最佳隐层节点数量后，经过反复训练建立基于BP神经网络的马尾松胸径-树高预测模型。  结果  在6个广义非线性模型中，拟合效果最佳为Korf模型(R2=0.650)；马尾松适宜的隐藏层节点数为2，适宜的模型结构(输入层节点数∶隐藏层节点数∶输出层节点数)为1∶2∶1，模型预测精度达0.717。  结论  广义非线性模型能较好地拟合马尾松人工林胸径-树高关系，但与BP神经网络模型相比，BP神经网络不需要依赖经验模型，也不用模型筛选，而且BP神经网络模型具有较高的决定系数和较低的均方根误差，拟合精度优于广义非线性模型。图5表5参35     

金沟岭林场天然云冷杉林冠幅模型和估计方法比较

  目的  对比不同冠幅预测方法对云冷杉幼树不同方向冠幅（东、西、南、北、东西、南北、平均冠幅）的预测精度的差异，为天然云冷杉林经营提供一定的理论依据。  方法  利用2013年金沟岭云冷杉3块1 hm2固定样地中云冷杉幼树各向冠幅实测数据，以逻辑斯蒂模型为基础模型，以非线性最小二乘法为基础方法进行模型初步拟合。以1/D、1/D0.5、1/D2作为模型的权函数进行模型异方差的消除。以不加权非线性似乎不相关法、加权非线性似乎不相关法、分位数回归法、非线性最小二乘法分别构建了云冷杉幼树冠幅各组分预测模型。  结果  模型拟合结果显示，分位数回归模型的拟合效果在云冷杉幼树冠幅预测模型中拟合精度最低；相较于分位数回归而言，加权非线性似乎不相关回归模型拟合效果与加权最小二乘模型拟合效果相当。模型拟合效果排序为:加权NSUR ≈ 加权OLS > OLS > QR。以1/D2作为模型的权函数时，模型残差图的异方差趋势被消除最明显，该权函数为最优权函数。  结论  本文中非线性分位数回归模型拟合效果不一定比非线性最小二乘法更好。加权NSUR模型（权函数为1/D2）可以为金沟岭林场云冷杉幼树冠幅的预测提供一定的理论基础。      

基于贝叶斯模型平均法的森林火灾预测模型构建研究

  目的  本文基于贝叶斯模型平均法,结合二项逻辑斯蒂回归模型,构建云南省大理州森林火灾发生预测模型,以期提高林火预测精度,为研究地区林火管理提供技术支持。  方法  利用2000—2013年大理州林火数据及对应的气象数据,分别运用二项逻辑斯蒂回归模型和贝叶斯模型平均法,对该地区森林火灾对气象因子的响应进行实证分析。二项逻辑斯蒂回归模型为单一模型,建模前通过对各解释变量进行多重共线性检验,剔除有显著共线性的解释变量,然后通过逐步回归法,筛选最终变量并进行参数拟合。贝叶斯平均模型为组合模型,基于贝叶斯模型平均法建模时,采用奥卡姆窗的方法来适当调整模型空间,并以5个最优模型的后验概率作为权重进行加权建模。将全样本数据随机分成80%的训练样本和20%的测试样本,基于训练样本建立模型,对测试样本进行预测,通过对比观测值和预测值计算模型的准确率。  结果  通过二项逻辑斯蒂模型拟合,优度为0.783,预测精度为0.718。通过贝叶斯平均模型拟合,优度为0.868,预测精度为0.807。2个模型预测结果对比显示,在训练集中,贝叶斯平均模型的预测准确率比二项逻辑斯蒂回归模型高9.3%;在测试集中,贝叶斯平均模型的预测准确率比二项逻辑斯蒂回归模型高8.9%。  结论  在基于气象因子的大理州林火发生预测模型构建研究中,贝叶斯平均模型的拟合优度和预测精度均高于二项逻辑斯蒂模型,表明贝叶斯模型平均法具有一定的现实应用意义,可用于提高研究地区林火预测精度,有利于森林火灾的决策管理。      

基于机载激光雷达的寒温带典型森林高度制图研究

以内蒙古根河市潮查林场境内的寒温带兴安落叶松原始林及其次生林为研究对象,利用机载激光雷达点云数据与地面调查的66个样地数据,采用不同算法计算样地实测树高(Lorey's高、冠幅面积加权树高和算术平均高)分别与基于双正切角树冠识别算法获取的LiDAR估测高(冠幅面积加权树高、算术平均高)和基于点云提取的百分位高构建树高回归模型(冠幅面积加权树高模型、算术平均树高模型和LiDAR百分位树高模型)。对比不同树高模型的训练精度与估测精度的差异,探讨双正切角树冠识别算法对本研究区的适用性;同时了解冠幅面积加权的样地实测树高与Lorey's高对林分平均高代表性的差异,确定最优解释变量,筛选最优树高模型,计算研究区森林高度空间分布图,为后续生物量和碳储量研究提供参考数据。结果表明:样地冠幅面积加权树高的模型训练精度和估测精度与Lorey's高的结果一致性较好,略低于Lorey's高的估测结果。LiDAR百分位树高模型中的50%分位高与样地实测树高相关性显著且回归模型拟合效果较好,其中,以Lorey's高为样地实测树高时模型的R2=0.869、RMSE=1.366m;以冠幅面积加权树高为样地实测树高时模型的R2=0.839、RMSE=1.392m;Lorey's高的50%分位高模型的估测精度最高,各独立验证样本点估测精度均高于85%,平均估测精度为94.73%,最高估测精度可达99.78%,其中混交林平均估测精度(96.72%)高于针叶林的平均估测精度(93.58%)。因此,选择Lorey's高的50%分位高模型计算研究区的森林高度空间分布。