应用遥感、人工神经网络叶面积模型和模拟过程模型估计湿地松人工林碳储量

全球气候变化引起人们对森林碳固定作用的关注。碳存储速率依赖于生态系统流通量(光合作用和生态系统呼吸),量化为净生态系统二氧化碳交换。在没有密集采样点的情况下,我们需要采用估测森林净生态系统交换的方法准确地估计林分水平和更大尺度的碳固定量。本文通过祸合遥感估算的叶面积指数和生长过程拟合模型,估计了佛罗里达州内9 770公顷湿地松人工林一年里净生态系统交换总量。地面图神经网络模型和陆地卫星数据估计的森林叶面积指数平均值是1.06(数值范围0-3.93,包括森林边界)。输入神经网络叶面积指数值,湿地松拟合模型(SPM2)估计的森林净生态交换值在-5.52 Mg·hm-2·a-1到11.06Mg·hm-2·a-1之间,平均值是3.47 Mg·hm-2·a-1。年总的碳储量是33920t,约合3.5 t/hm2。估计的叶面积指数和森林净生态交换均对对施肥高度敏感。图3表1参30。     

基于神经网络和颜色特征对木材进行分级的分析

为了解决木材的分级问题，提出了利用神经网络和木材表面颜色特征对木材进行分级的方法。利用竞争神经网络对114种不同树种进行粗分，然后再用BP神经网络算法对此进行验证，又对四种木材进行分类验证。从计算机分类分级仿真效果上看，达到了预期的目的。     

基于时延神经网络的木材干燥温湿度建模研究

利用神经网络建立了木材干燥的温湿度模型,给出了其时延神经网络辨识结构。分别提出温、湿度控制模型(控制信号与温、湿度之间的关系模型)和木材干燥基准模型(温、湿度与木材含水率之间的关系模型),并利用实验干燥窑得到的实际数据进行了仿真研究。仿真结果表明,利用此方法建模是可行的,所建模型是有效的。图10参16。     

基于时延神经网络的木材干燥模型辨识的研究

木材干燥是一个复杂、多变的过程，传统的系统辨识方法很难建立一个理想的木材干燥模型。利用时延神经网络的特点，本文提出了基于时延神经网络的木材干燥模型辨识方法，并给出了辨识网络和结构。对辨识得到模型的仿真结果表明，利用时延神经网络所建立的模型是可靠且有效的。     

3种沙漠植物地上部分形结构与生物量的自相似性

应用自相似原理,分别研究极干旱地区塔克拉玛干腹地和吐鲁番盆地地下水浇灌区柽柳、梭梭和沙拐枣植株的地上分形结构与各自地上部生物量的关系.通过分析3种植物的枝长、冠幅和体积与地上部生物量之间的统计自相似性,发现在统计拟合精度上自相似模型不如BP神经网络模型,但分析植株生长的地域性差异时,缺少像分形维数这样的定量化描述.     

基于动态递归神经网络的木材干燥模型辨识

木材干燥是一个复杂的非线性系统 ,由于木材结构复杂且具有多样性和变异性 ,因此要建立一个理想的符合木材干燥过程的模型是很困难。本文利用动态递归神经网络的特点 ,提出了基于动态递归神经网络的木材干燥模型辨识方法 ,给出了动态递归状态 -输出神经网络的结构和学习算法。并通过对辨识得到的模型的仿真结果 ,表明了本文所建立的模型是有效的     

遗传算法优化神经网络的坡面入渗产流模型

引入遗传算法优化BP神经网络权重和阈值的方法建立黄土坡面产流入渗模型.模型以雨强、降雨历时、表层40 cm土壤前期含水量、坡度值为输入项,径流量、入渗量为输出项,用实测资料对网络进行模拟和预测.模拟结果平均误差6.32%和1.93%,预测结果平均误差为5.71%和1.92%.并与传统BP神经网络模型和定雨强Philip...     

基于ANN模型的森林景观研究

利用人工神经网络(ANN)模拟了天鹅山林场景观格局与森林景观类型所占面积百分比的关系,并对各景观类型面积所占百分比对景观格局的影响进行了预测,为景观优化对策提供了一条新的思路。结果表明人工神经网络方法非常适于研究森林景观格局驱动因素和森林景观格局的非线性对应关系,模型体现了较高的可靠性和操作性。     

基于神经网络的树叶识别系统研究

在林业系统注册树木种类时,通常采用大量树叶上的可见外形特点来辨别数目繁多的树木种类。针对此问题,本文提出了基于神经网络的树叶识别方法,该方法建立并管理一个分等级的树叶图像体系,通过对不同种类树叶的边缘提取来识别每种树叶的特征点,从而得到树叶的外部轮廓来区分树木种类:给出了相应的改进型神经网络算法,并给出详细的论述过程:最后,通过Java语言给出了系统实现并做了大量的数值仿真。结果证明本文方法是可行有效的。图4表1参8。     

基于云计算平台的智能预测模型研究

本文针对不同用户对鲜切花价格预测数据的需求,提出了一个基于云计算平台的智能预测模型。通过对BP神经网络算法进行改进,建立鲜切花智能预测模型,利用云服务创建服务接口,在云服务中实现数据信息共享。分析结果显示:该平台具有实用性,在云计算平台上获取了低成本、高质量的数据。