基于BP神经网络的针阔混交林TM遥感图像自动分类技术研究

在对标准BP神经网络试验分析的基础上，通过输入矢量归一化处理、主成分分析、增加验证集、改进训练学习算法、扩大隐层和输出层规模等措施，对BP神经网络自动分类系统进行改进；利用改进后的BP系统对吉林省汪清林业局的典型针阔混交林TM遥感图像进行辩识、分类试验研究。结果表明：改进后的BP网络分类系统自动分类精度提高了19．14％，比传统无监督自动分类精度提高8．55％，达到了区分森林类型的分类要求。研究还显示了该改进系统应用于针阔混交林TM遥感图像自动分类识别的精度随网络规模增大而提高。     

用泛化改进的BP神经网络估测森林蓄积量

介绍主成分变换和经规则化调整法进行泛化改进的BP神经网络在森林蓄积量建模估测中的应用,比较普通BP神经网络与泛化改进的BP神经网络对蓄积量预报的差异,分析直接用中心标准化的观测值建立仿真模型和进行主成分变换后再建立模型的效率问题.结果表明:泛化改进的BP神经网络比普通BP神经网络具有更高的预报精度,利用主成分得分作为仿真模型的变量比直接用观测值作变量具有更快的速度,并保证了预报精度.     

BP神经网络反演森林生物量模型研究

基于LandsatTM影像和DEM数据,尝试利用BP神经网络建立旺业甸林场森林生物量非线性遥感模型系统,通过实验筛选,最终利用增强型的BP网络进行训练仿真。模型仿真结果表明,增强型的BP神经网络具有自学习和自适应功能强、收敛速度快的特点,能够最大限度地利用先验样本。仿真检验结果的相对系数达0．8022,平均相对误差为15．7％,表明该模型预测的生物量与实际生物量一致性较好,能够达到较好的反演效果。     

动态数据驱动的林火蔓延模型适宜性选择

基于BP人工神经网络方法设计林火模型适宜性选择技术框架结构,通过神经网络形成林火模型选择知识,实现林火模型的自动化和智能化选择;以火场环境因子为输入变量,以适宜火场环境模拟的林火蔓延模型作为输出变量,构建林火模型选择神经网络模型;研究输入、输出因子数据的获取与计算方式,实现动态数据驱动的林火模型自动选择机制.以北京市为例,选择有详细火场情况记录的72场林火作为试验样本,其中60条记录作为学习样本集,12条记录作为验证样本,对神经网络进行学习和验证,结果表明:模型选择精度可达到80%以上.     

基于人工神经网络预测广东省森林火灾的发生

应用人工神经网络建立热带森林火灾发生情况预测的多层神经网络模型,并将林火发生影响因子的历史数据作为样本值,输入模型进行训练。结果表明:利用所选取的输入因子作为样本的人工神经网络,可以对林火的发生发展作出准确有效的预测。文中还对模型的准确性和训练精度进行讨论,进而分析人工神经网络在林火预测中的可行性,证明人工神经网络在林火预测中的应用价值。     

基于粒子群算法和BP神经网络的多因素林火等级预测模型

针对现有小尺度林火预测模型预测结果有效性、可扩展性等方面的不足,通过考虑多种火险因素,构建BP神经网络预测模型以提高预测精度,在此基础上借助粒子群算法加快BP神经网络收敛速度,进而提出一种混成的多因素森林火险等级预测模型particle swarm optimization based back-propagation neural network (PSO-BP)。所构建的预测模型,能够同时考虑气候因素(日最高气温、日平均气温、24 h降水量、连旱天数、日照时数、日平均相对湿度、日平均风速)、地形地貌因素(海拔、坡度、坡向、土壤含水量)、可燃物因素(植被类型、可燃物含水率、地被物载量)、人为因素(人口密度、距人类活动区域的距离) 16个变量。基于南京林业大学下蜀林场森林防火实验站传感器网络所采集的实际数据及现场测量数据,通过一组试验验证提出模型的有效性。结果表明:基于训练数据集及检验样本所构建的模型能够开展有效的火险等级预测;模型的计算复杂度较单独使用BP神经网络模型明显下降。     

可变密度蓄积量的BP网络模型

在森林经营过程中,及时掌握森林资源的现状,预测其发展趋势对森林资源的宏观经营决策和管理十分重要。本文根据金沟岭林场的实际情况,采用人工神经网络方法建立了基于人工神经网络的混交林可变密度蓄积量BP网络模型,采用回归方程适应性检验法分别对模型的拟合效果进行适应性检验,检验结果表明所有模型是实用的,不存在系统偏差,表明用人工神经网络的方法对森林资源进行预测是可行的,可以满足林业生产经营的精度要求。     

基于 BP 神经网络对供应商选择与评价的研究

基于当前经济全球化、竞争日益激烈、用户需求个性化的新环境的严峻挑战，企业应该如何依据供应链管理的思维与技巧选择与评价供应商，具有举足轻重的现实意义。通过对供应商选择与评价的实例，在神经网络训练成功的前提下对企业供应商进行了选择，BP神经网络模型的建立、仿真及评价得到了实际的应用，详细说明了基于BP神经网络对供应商选择与评价的可行性。     

绥芬河公路口岸货运量预测方法研究

针对公路口岸货运量预测的问题,基于常用预测方法：线性回归预测、时间序列预测和灰色系统预测及组合预测方法的研究,提出BP神经网络组合预测模型。结合绥芬河公路口岸货运量运输情况,对组合预测模型进行了验证。实验结果表明,该方法对公路货运量的预测很有效。     

白桦人工林单木生长的人工神经网络模型研究

以东北林业大学帽儿山实验林场白桦人工林为研究对象,采用MATLAB中log-sigmoid型函数（logsig）和线性函数（purelin）为神经元的作用函数,用林分内单木相对直径、林分密度指数、林分地位指数和林分年龄作为输入变量,以单木胸径生长量作为输出变量,构建了4：n：1的单木生长的BP人工神经网络模型。用200组单木生长数据对网络模型进行训练和检验,得最适宜的网络结构为4：3：1,均方误差函数mse=0．00160179,总体拟合精度为96．86％。本模型在充分跟踪样本数据的同时,又保持树木生长方程的规律性,可供同类条件的林分在进行经营设计时进行分析、计算和模拟和预测等使用。     

人工神经网络在林业上的应用研究进展

在目前的林业生产中,林业作业机械化、自动化与智能化的程度存在着一定的不足,在林业作业中借助人工神经网络技术优化作业系统可以有效地提高作业效率和精度。文中概述了国内外人工神经网络在林业作业应用中的研究现状以及人工神经网络在林业作业应用中的优势,介绍了人工神经网络在植树造林、森林监测、森林采伐、木材加工4个方面的应用现状,在分析林业作业应用人工神经网络存在问题的基础上,提出了人工神经网络在林业作业应用中未来的发展方向,以期提高林业作业的智能性和准确性。     

基于近红外光谱及 BP 神经网络分析法磁预测森林土壤有机碳含量

为快速测定森林土壤的有机碳含量,从取自小兴安岭带岭林业局东方红林场的120个土壤样品中采集350～2500 nm的土壤近红外光谱数据,对光谱做一定的预处理后,运用主成分分析法压缩提取前8个主成分,结合BP神经网络非线性方法建立土壤有机碳含量的预测模型并进行验证。结果表明,验证集的相关系数为0.78002,均方根误差为0.5002,预测集的相关系数为0.84941,均方根误差为0.4538。应用近红外光谱技术及BP神经网络非线性方法建模可以有效地预测土壤的有机碳含量,为野外大面积快速测定森林土壤碳含量提供了技术依据。     

基于混合像元分解的庐山及周边林地遥感图像分

由于传感器分辨率的限制以及地物的复杂多样性,混合像元普遍存在于遥感影像中,在一定程度上影响到地物提取精度。以江西省庐山及周边地区2019年4月9日的ETM+影像为例,使用线性混合模型和非线性的BP神经网络方法对图像进行混合像元分解,利用2019年5月的SPOT数据及其与ETM+影像融合的分类结果对分解结果进行验证。结果表明,非线性的BP神经网络分解精度高于线性分解精度。对比使用BP神经网络分解图像提取林地面积的精度提高了1%~5%。     

BP neural networks and random forest models to detect damage by Dendrolimus punctatus Walker

The construction of a pest detection algorithm is an important step to couple"ground-space"characteristics,which is also the basis for rapid and accurate monitoring and detection of pest damage.In four experimental areas in Sanming City,Jiangle County,Sha County and Yanping District in Fujian Province,sample data on pest damage in 182 sets of Dendrolimus punctatus were collected.The data were randomly divided into a training set and testing set,and five duplicate tests and one eliminating-indicator test were done.Based on the characterization analysis of the host for D.punctatus damage,seven characteristic indicators of ground and remote sensing including leaf area index,standard error of leaf area index(SEL)of pine forest,normalized difference vegetation index(NDVI),wetness from tasseled cap transformation(WET),green band(B2),red band(B3),near-infrared band(B4)of remote sensing image are obtained to construct BP neural networks and random forest models of pest levels.The detection results of these two algorithms were comprehensively compared from the aspects of detection precision,kappa coefficient,receiver operating characteristic curve,and a paired t test.The results showed that the seven indicators all were responsive to pest damage,and NDVI was relatively weak;the average pest damage detection precision of six tests by BP neural networks was 77.29%,the kappa coefficient was 0.6869 and after the RF algorithm,the respective values were 79.30%and 0.7151,showing that the latter is more optimized,but there was no significant difference(p>0.05);the detection precision,kappa coefficient and AUC of the RF algorithm was higher than the BP neural networks for three pest levels(no damage,moderate damage and severe damage).The detection precision and AUC of BP neural networks were a little higher for mild damage,but the difference was not significant(p>0.05)except for the kappa coefficient for the no damage level(p<0.05).An"over-fitting"phenomenon tends to occur in BP neural networks,while RF method is more robust,providing a detection effect that is better than the BP neural networks.Thus,the application of the random forest algorithm for pest damage and multilevel dispersed variables is thus feasible and suggests that attention to the proportionality of sample data from various categories is needed when collecting data.     

基于气象因子深度学习的森林火灾预测方法

森林火灾一旦发生将对生态系统造成严重的破坏,间接导致气候的变化和极端天气频发。对森林火灾的发生进行准确预测可提前采取有效的防控措施,具有重要意义。传统林火预测模型多为数学方法和浅层神经网络,当数据量增大时易出现建模困难以及预测精度降低等问题。深度学习模型在处理大量非线性数据上具有一定的优势,其模型具有多层网络结构,通过训练大量数据可提取出具有代表性的特征值,发现数据间的隐含关系,达到准确分类预测的目的。因此,本研究提出一种基于深度学习的林火预测方法,将深度信念网络(deep belief network,DBN)作为预测模型,气象因子作为输入数据,以解决传统林火预测模型在面对大量数据时预测效果不佳的问题;同时结合过采样SMOTE(synthetic minority oversampling technique)算法,平衡林火数据集和增加训练数据量,提升了森林火灾的预测准确度。结果表明,在面对更大的数据量时,该模型预测精度明显优于其他传统林火预测模型,证明了将深度学习应用在林火预测的优越性。该研究可为深度学习在林业领域的应用提供参考。     

两种模型对森林土壤中量元素空间分布预测

采用 BP 人工神经网络模型与空间插值模型中的泛克里格插值法、三次样条插值法、反距离插值法相结合,预测广东省云浮市云城区与云安区森林土壤中量元素含量的空间分布。结果表明：研究区中量元素交换钙的含量相对较高,为17.333~1169.033 mg · kg-1,其次为全硫,含量为60.787~354.600 mg · kg-1,交换镁含量最低,为8.320~51.580 mg · kg-1;从养分的变异系数来看,3种中量元素在整个研究区的变异系数在33.43%~106.34%之间,其中除云安区的交换钙变异系数为106.34%,属于强变异以外,其他两个元素均属于中等变异。3种插值方法中,泛克里格对交换镁的预测性较好,而对交换钙、全硫预测性欠佳。通过模型的对比发现,BP 人工神经网络模型为最适模型。     

基于BP神经网络的天然云冷杉针阔混交林标准树高-胸径模型

[目的]以吉林省汪清林业局金沟岭林场12块天然云冷杉针阔混交林样地为对象,基于12 953对实测树高-胸径数据,结合林分优势高分树种(组)建立基于BP神经网络的标准树高模型。[方法]在确定隐层节点数后经过反复训练得到各树种(组)的适宜模型结构,使用相同的建模数据(8块样地)求解两个传统的树高方程,再利用未参与建模的4块样地分别验证模型。[结果]表明:落叶松、云杉的适宜模型结构(输入层节点数:隐藏层节点数:输出层节点数)为2:5:1;红松、中阔(白桦、大青杨、榆树和杂木)的适宜模型结构为2:4:1;冷杉的适宜模型结构为2:8:1;慢阔(色木、水曲柳、黄檗、紫椴和枫桦)的适宜模型结构为2:7:1。[结论]与传统方法相比,BP模型不依赖现存函数,不需要筛选模型形式,而且BP模型各树种R~2高于传统模型,平均绝对误差、均方根误差均小于传统模型,其拟合精度和预测效果均优于传统方程,可以有效地预测树高。     

中国森林火灾发生规律及预测模型研究

量化分析森林火灾发生规律能为预测和防治森林火灾提供科学依据。文中采用四参数Weibull分布描述了我国森林火灾发生次数和火场面积分布规律,运用Spearman相关系数分析承灾主体因子、灾害管理因子、孕灾环境因子与森林火灾发生次数、面积间关系,基于全国森林火灾数据分别建立灰色系统理论模型、BP人工神经网络模型和时间序列ARIMA模型,并采用Markov随机过程改进已建立模型。结果表明,我国森林火灾发生次数分布呈左偏正态分布,火场面积呈倒J型分布,火灾次数和火场面积分布模型拟合决定系数分别为0.63和0.66;承灾主体、孕灾环境和灾害管理对森林火灾次数和火场面积影响程度依次减小,人工林面积、累年年平均气温、年降雨量平均差值、年最低气温平均日数与森林火灾发生具有明显相关性,影响森林火灾的因子与森林火灾发生次数、火场面积间存在指数型关系;不同模型对森林火灾发生次数和火场面积拟合优度次序为BP模型、GM（1,1）-Markov模型、BP-Markov模型、GM（1,1）模型、ARIMA模型、ARIMA-Markov模型,采用Markov过程能显著改进GM（1,1）预测模型对火灾随机性的预测效果,可以更好地反映森林火灾发生规律。     

基于RS和GIS的径向基神经网络模型对森林蓄积量的估测

以塞罕坝机械林场的华北落叶松林为研究对象,利用SPOT5影像,基于RS和GIS确定蓄积量主要影响因子,即海拔、坡向、郁闭度、SP1、SP3、SP1/2、SP1-2/1+2、SP2~*3/1,选取径向基神经网络模型中的广义回归神经网络模型对其蓄积量进行估测.结果表明:对林分蓄积量估测的最高精度为98.70%,最低精度为68.56%,预估检验的所有样地的平均精度为87.24%.利用径向基GRNN模型建立森林蓄积量估测模型对蓄积量进行估测时,效率高,计算方法比较简洁,易于操作.