基于BP神经网络的马尾松树高曲线模型

基于福建省南平市2013年森林资源清查实测的121对马尾松平均木数据,应用BP神经网络建模技术建立树高预测模型。经反复训练和优选,得到最优模型结构为1∶5∶1,决定系数为0.855,均方误差为2.603 2。结合传统5个树高曲线方程,利用38对平均木检验数据分别对模型进行验证。结果表明:BP神经网络模型拟合和预测效果都优于传统方程,可以作为有效的树高预测技术。     

林木树高曲线模型研究

利用马尾松和杉木的解析木资料，验证了以柱体屈曲理论为依据推导出的树高曲线模型优于传统的树高曲线经验模型．     

兴安落叶松树高曲线模型研究

应用孟家岗林场2011—2012年17块固定样地中85株解析木资料,根据经验方程选择单木树高曲线的基本模型,应用选定的模型对不同立地条件下的落叶松人工林进行树高曲线拟合,再用参数化的方法确定参数与各个林分调查因子之间的关系,从而建立单木树高曲线模型。结果表明:Richards理论模型可作为落叶松人工林单木树高曲线基本模型,其参数与林分的地位级指数(SCI)呈线性关系,而与年龄和密度的关系不明显;最终建立的树高曲线方程为H=(12.380 25+0.740 79 SCI)(1-e~(-0.05D))0.665 29+1.3,其优点是,当0≤H≤1.3时,D的取值可以为零,符合林木生长的生物学特性。     

非线性树高曲线模型的研究

引入失拟检验的理论和方法检验了树高曲线模型的适度,应用全模型和选模型的检验理论 方法对３参数模型的某个参数取定值作了检验,结果表明２参数模型描述树高曲线已经足够,比较了６个２参数树高模型,常用的幂函数式Ｈ＝ａＤ＾ｋ和双曲线式Ｈ＝ａＤ／（Ｄ＋ｂ）以及本文提出的Ｒｉｃｈａｒｄｓ式的特例即Ｈ＝ａ（１－ｅ＾－０．０５Ｄ）＾ｃ均表现推荐作为基本的树高曲线模型。     

相对树高曲线模型的建立与应用

利用标准地调查资料建立相对树高曲线模型，将此模型与二元立木材积表相结合，用于林分和样地立木材积的估计。其估计精度可达到近似实测树高曲线法的水平，又不增加野外工作量，避免了利用一元立木材积表估计林分或样地立木材积偏差太大的问题。     

相对树高曲线模型的研究和应用

本文针对我国现行一元立木材积表估计立木材积对林分或样地偏差太大，直接利用二元立木材积表野外测绘树高曲线工作量大等实际问题，研究提出了利用相对树高曲线模型将二元立木材积表用于林分和样地立林材积估计的方法，其估计精度可达到近似实测树高曲线法的水平而又不增加野外工作量。     

帽儿山林场椴树林树高曲线模型研究

基于东北林业大学帽儿山实验林场30块样地中724株椴树样木的胸径和树高数据,采用统计软件对常用的树高曲线模型进行了拟合,选择得出该地区的椴树林最优树高曲线模型。     

江苏省杨树树高曲线模型的研制

用江苏省杨树解析木编制了杨树标准树高曲线模型，该模型引入了适宜的林分控制因子（树龄和地位指数），是具有统计学意义的树高曲线模型。经检验，模型有较好的精度，适用于江苏省的杨树树高生长模型。该研究可为江苏省日益发展的杨树人工林的经营管理提供生长预测，并为杨树生产力测定和预估提供数学模型与方法。     

广西杉木林分相对树高曲线模型研究

为减轻森林资源调查的工作量,满足蓄积量调查的精度要求,利用广西276块杉木(Cunninghamia lanceolata)林标准地资料,选用理查德函数变型的固定参数式和可变参数式建立杉木林分相对树高曲线模型,综合考虑模型拟合决定系数(R²)、均方误差(MSE)、总相对误差(TRE)、平均相对误差(MRE)、平均百分比误差(MPE)和预估精度(P)等指标,选择表现较好的模型。结果表明,最佳的杉木林分相对树高曲线模型为理查德函数变型固定参数式模型。将利用模型估算的林分蓄积量与利用二元材积表估算的林分蓄积量形成成对数据,采用配对t检验法对二者均值差异进行检验;结果显示,二者无显著差异,精度达到99.46%。利用理查德函数变型固定参数式模型建立的杉木相对树高曲线方程预估精度高,可在广西区内应用,整体区域模型函数为■,中心产区模型函数为■,一般产区模型函数为■。     

广东省GDP时间序列预测——基于神经网络与ARIMA模型

文章通过收集1978-2007年的广东省实际GDP,运用ARIMA对广东省GDP进行时间序列预测,为提高预测的精确度,同时采用BP神经网络对ARIMA模型下的误差进行预测,并结合BP神经网络的误差预测值对实际GDP预测值进行修正,从预测结果表明:BP神经网络与ARIMA的组合预测明显优于单一方法的预测。还在组合预测模型下给出了广东省2008-2012年的实际GDP预测值。并将其转化为名义GDP,其中2008年的名义GDP为35597.10亿元,2009年为40591.12亿元和2010年为46537.22亿元。     

遗传神经网络在板材优化下料中的应用

本文介绍了广泛用于下料优化中的遗传算法和神经网络,并将这两种优化算法的结合用于家具生产板材下料中。实验采用了3650 mm 1850 mm的板材生产100套写字桌吊桶。该板材的利用率达到94.14%,运算时间仅用了35秒。实验结果证明,用遗传算法训练神经网络权值的方法可提高板材利用率并减少神经网络的搜索时间,同时可以提高神经网络的全局搜索能力。表1参5     

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。     

基于不同神经网络模型研究GPS高程转换

在GPS高程异常转换中,针对传统只从建模方法上优选模型的做法,将反向传播、径向基、广义回归等3种神经网络与值域为[0,1]、值域为[-1,1]的2种归一化函数进行组合,结合控制网测量实例,采用6种方式进行高程异常转换,对转换结果进行对比分析,探讨不同神经网络和归一化方式对GPS高程转换的影响,得出采用值域为[-1,1]的归一化函数和广义回归神经网络的高程异常转换结果最优。     

Stand basal area modelling for Chinese fir plantations using an artificial neural network model

Artificial neural network models are a popular estimation tool for fitting nonlinear relationships because they require no assumptions about the form of the fitting function,non-Gaussian distributions,multicollinearity,outliers and noise in the data.The problems of backpropagation models using artificial neural networks include determination of the structure of the network and overlearning courses.According to data from 1981 to 2008 from 15 permanent sample plots on Dagangshan Mountain in Jiangxi Province,a back-propagation artificial neural network model(BPANN)and a support vector machine model(SVM)for basal area of Chinese fir(Cunninghamia lanceolata)plantations were constructed using four kinds of prediction factors,including stand age,site index,surviving stem numbers and quadratic mean diameters.Artificial intelligence methods,especially SVM,could be effective in describing stand basal area growth of Chinese fir under different growth conditions with higher simulation precision than traditional regression models.SVM and the Chapman–Richards nonlinear mixed-effects model had less systematic bias than the BPANN.     

基于人工神经网络的森林资源预测研究

应用人工神经网络方法分别建立土地资源预测、森林蓄积量预测、各龄组蓄积量预测三层前馈反向传播神经网络模型对森林资源进行预测模拟.预测结果表明在小样本条件下,森林资源预测神经网络模型预测精度较高,开辟了森林资源预测新途径.     

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.     

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。     

遗传神经网络在家具板材优化下料问题中的应用

阐明了遗传算法和神经元网络结合的必要性和可行性 ,通过用遗传算法训练前馈神经网络权值解决家具板材优化下料问题并给出实验结果。     

基于人工神经网络的马尾松毛虫发生量预测模型的研究

运用人工神经网络的原理和方法,根据相关系数法和逐步回归法分别选取与马尾松毛虫有虫面积、虫口密度、虫株率相关关系密切的气象因子作为样本的输入特征,分别建立马尾松毛虫有虫面积、虫口密度、虫株率与气象因子的BP网络模型。结果表明:所建立的各BP模型,具有令人满意的拟合精度和预测精度。当隐含层神经元个数为15个,预报因子数为8个时,2组预留有虫面积的2a平均预测误差为3.15%;虫口密度BP模型的隐层神经元个数为8个,预报因子数为6个时,预留样本的平均预测误差为5.91%;虫株率BP模型的隐层神经元个数为4个,预报因子数为5个时,预留样本的平均预测误差为10.65%。