基于BP神经网络的森林植被遥感分类研究

如何解决多类别图像的识别并满足一定的精度,是遥感图像研究中的一个关键问题,具有十分重要的意义。本文使用Landsat7ETM+遥感数据和森林资源分布图等地理辅助数据,用BP神经网络方法对森林植被进行了分类,并与最大似然法的分类结果进行精度比较分析。结果表明地理辅助数据参与的BP神经网络用于森林植被遥感图像分类其效果是较好的,是一种有效的图像分类方法。     

基于BP神经网络木材纹理分类的研究

应用 BP 神经网络对常见的10种木材纹理进行了分类研究,获得了比较满意的效果。首先,应用灰度共生矩阵提取了木材的纹理特征参数;其次,在此特征参数体系下,应用 BP 神经网络对木材纹理进行了分类研究,识别率达89%。     

基于BP神经网络的森林碳汇量估测方法研究

文介绍了BP神经网络理论,以森林面积、森林覆盖率、森林蓄积量、受害森林面积、基本完成投资额、病虫害面积等6个影响森林碳汇量为主要因素,构建了基于BP神经网络的森林碳汇量估测模型;并应用我国第六次森林资源清查数据对BP神经网络模型进行训练和仿真。其分析和仿真结果显示:利用BP神经网络模型来模拟和仿真森林碳汇量精度较高,误差较小,具有有较高可靠性,从而为森林资源管理模拟仿真提供一种新方法。     

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。     

基于直连BP神经网络模型的森林火险预测

传统的BP神经网络模型(BPNN)用于森林火险预测存在预测精度低、泛化能力差等不足。选取温度、相对湿度、风速以及日降水量4个气象因子作为神经网络的输入,林火是否发生作为输出,提出一种改进的网络结构—直连BP神经网络(BPNN-DIOC)以构建森林火险预测模型。该结构在传统BP神经网络模型的基础上加入了从输入到输出的连接。为了探究该网络的有效性,根据输入层到输出层是否有连接,输出层是否有阈值,分别构建了4个不同的网络模型,并以森林火灾发生较少的太原市和森林火灾发生较频繁的桂林市为例进行验证。模拟结果表明,BPNN-DIOC模型的预测精度高于BPNN模型;它不仅能够适用于火险发生较频繁的地区,也能够很好的用于火险发生较少的地区,具有良好的通用性,而输出层是否有阈值对预测效果并没有明显的影响。     

基于BP神经网络的凌云县森林碳储量遥感反演研究

森林碳储量的正确估算是研究全球碳通量和气候变化的关键。本研究采用2014年森林资源连续清查数据和同时期Landsat 8遥感影像,对凌云县森林碳储量进行遥感反演研究,并分析其空间分布。从遥感影像中提取154个光谱因子和纹理因子,结合逐步回归和方差扩大因子法进行因子筛选,分别构建线性逐步回归、Logistic回归和BP神经网络模型,估算研究区的森林碳储量。结果表明:BP神经网络模型反演森林碳储量精度最高,设置隐含层神经元个数为10时,决定系数最大,均方根误差最小,分别为0.636和16.671 t·hm~(-2);Logistic回归模型估算精度次之,决定系数和均方根误差分别为0.528和17.082 t·hm~(-2);线性逐步回归模型估算精度最低,决定系数最小,均方根误差最大,分别为0.452和17.722 t·hm~(-2)。研究区森林碳储量空间特点表现为山区碳储量大,低海拔人口分布密集地区碳储量小,与实际森林分布一致。     

基于BP神经网络的木材表面颜色特征分类的研究

本文针对木材表面颜色自动分类难题,在 RGB 颜色空间提取木材图像的颜色矩作为颜色特征参数,利用 BP 神经网络对特征参数进行分类,通过输入层、输出层和隐含层的设计,传递函数的选择,确定最终网络结构。实验结果表明,分类正确率达到98%,验证了本文提取的特征参数的有效性。     

基于BP神经网络确立森林健康快速评价指标

拟定森林健康快速评价(RAFH)指标,通过对训练样本的模式识别来构建一个BP神经网络,观察其能否收敛,并以测试样本为新的输入项进行模拟,采用误差百分比法、线性回归检验法和Nash-Sutcliffe效率法对模拟值与期望值的吻合程度进行检验,以此验证拟定指标的合理性.结果表明:在隐含层神经元n≥16时,网络能较好地收敛,说明该网络输入项--林分层次结构、病虫害程度和土壤厚度3个指标的训练样本值与目标输出项--森林健康精准评价(PAFH)结果的非线性相关程度高;模拟值与期望值的相对误差均值为-6.140 9%,回归方程斜率为0.968 3,截距为0.049 0,Nash-Sutcliffe效率为0.905 4,均表明二者之间吻合较好.因此,林分层次结构、病虫害程度和土壤厚度可以作为森林健康快速评价(RAFH)的指标.     

基于GF-2号影像的森林优势树种分类

利用遥感数据开展森林资源优势树种的分类对森林资源的监测、森林可持续经营及生物多样性研究具有重要意义。研究针对复杂地形区域的破碎化森林,采用高分二号(GF-2)的多光谱影像作为基础数据进行森林优势树种的精细分类。本文以地形复杂、森林破碎化的湖北省竹山县九华山林场为研究对象,采用面向对象分类方法对树种进行精细分类,比较支持向量法、最近邻法(KNN)和随机森林(RF)三种不同分类算法的分类效果。在尺度阈值为30、合并阈值为95时分割的基础上,利用SVM、KNN和RF分类结果和分类精度差异较大。分类精度最高的是SVM分类方法,总体精度为68.52%,Kappa系数为0.62;其次为随机森林分类法,总体精度为60.29%,Kappa系数为0.54;KNN分类方法精度最低,总体精度为59.41%,Kappa系数为0.53。GF-2号数据能满足树种分类基本需求,在复杂地形和景观破碎化地区用支持向量机进行树种的分类精度更高,但仍存在一定的局限性。     

基于BP神经网络的东洞庭湖区域森林生态系统健康预警研究

利用定量和定性分析相结合的方法构建了东洞庭湖区域森林生态系统健康预警指标体系,通过样本训练、新样本模拟仿真,建立了BP神经网络预警模型,并利用该模型对东洞庭湖区域森林生态系统健康进行预警预测。结果表明:1)BP神经网络预警模型,拟合效果较好,用于森林生态健康预警是可行的;2)东洞庭湖区域森林生态系统整体处于蓝色和黄色警戒内,健康状况中等,需采取必要的健康经营方法。     

Remote sensing monitoring of a bamboo forest based on BP neural network

The collection of information on bamboo forests plays a crucial role in the calculation of carbon content reserves, and the acquisition of high-precision information will be good for reducing estimation errors. High precision is obtained with the adoption of a back propagation (BP) neural network to extract information on bamboo forests from Enhanced Thematic Mapper + (ETM +) remote sensing images with the assistance of neural network modules provided by Matlab. We obtained a production precision of 84.04% and a user precision of 98.75%. We also conducted a comparison of classification differences of three training functions, i.e., the, Levenberg-Marquardt BP algorithm function (Trainlm), a gradient decreasing function of adaptive learning rate BP (Traingda), and a gradient lowering momentum BP algorithm function (Traingdm). Our analysis suggests that Traingda had the highest precision while Trainlm function required the shortest training time. __________ Translated from Journal of Zhejiang Forestry College, 2008, 25(4): 417–421 [译自: 浙江林学院学报]     

基于Kohonen神经网络的森林生态经济区域分类

建立了森林生态经济区域分类的Kohonen神经网络分类模型,对广东省森林生态经济系统进行了分类,取得了较为理想的分类结果。模型不需人工确定指标的权重,具有自学习,动态分类的优点,为森林生态经济区域分类提供了一种有效方法。     

基于混沌理论的马尾松毛虫有虫面积BP神经网络预测

通过对1983—2010年马尾松毛虫发生数据特点的分析,应用相空间重构技术,将混沌理论和神经网络理论相结合,提出了1种基于混沌神经网络理论的马尾松毛虫有虫面积预测模型。结果表明,该模型有较好的预测能力,当输入层神经元个数(即嵌入维数)为7、隐含层神经元个数为15时,预测未参与建模的2009年越冬代、2010年第1代马尾松毛虫有虫面积的平均相对误差为12.50%。     

Natural forest conservation hierarchical program with neural network

In this paper, the implementing steps of a natural forest protection program grading (NFPPG) with neural network (NN) were summarized and the concepts of program illustration, patch sign unification and regression, and inclining factor were set forth. Employing Arc/Info GIS, the tree species diversity and rarity, disturbance degree, protection of channel system, and classification management in the Maoershan National Forest Park were described, and used as the input factors of NN. The relationships between NFPPG and above factors were also analyzed. By artificially determining training samples, the NFPPG of Moershan National Forest Park was created. Tested with all patches in the park, the generalization of NFPPG was satisfied. NFPPG took both the classification management and the protection of forest community types into account, as well as the ecological environment. The excitation function of NFPPG was not seriously saturated, indicating the leading effect of the inclining factor on the network optimization. __________ Translated from Chinese Journal of Applied Ecology, 2005, 16(6): 1,002-1,006 [译自: 应用生态学报, 2005, 16(6): 1,002–1,006]     

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。     

基于像元分类与基于对象分类的森林景观分析比较研究

采用基于对象的分类方法与基于像元的分类方法对黑石顶自然保护区QuickBird遥感图像进行了分类,结合多样性指数、优势度指数、均匀度指数、聚集度指数和破碎度指数对比分析了黑石顶自然保护区不同分类方法的景观格局。结果表明,基于对象的多尺度、多层次景观分析方法较传统的基于像元的景观分析方法更能体现实际的景观状况,并能够获得更准确的景观分析结果。     

基于BP神经网络的泉州湾红树株高预测模型

在分析测量数据的基础上,提取红树的平均基径、基径数、平均胸径、胸径数等特征参数,建立了预测红树株高的人工神经网络模型。采用Levenberg-Marquardt优化算法改进了BP神经网络算法;采用训练好的BP神经网络模型对距堤坝25,50,75 m 3个采样点的株高进行预测,预测值和实测值的均方根误差分别为0.000 6,0.002 2,0.004 1,相关系数分别为0.99,0.95,0.94。结果表明利用BP神经网络对红树株高进行预测是可行的。     

基于IBRF神经网络的泥石流预测研究

介绍了泥石流爆发的各种影响因素和泥石流预测基本原理,为提高预测的准确性与快速性,将免疫骤类算法与径向基函数结合,建立了泥石流预测的IRBF神经网络模型,并与BP网络预测模型和常规RBF网络预测模型进行了对比模拟实验。实验表明IRBF神经网络具有更高的预测准确性和更短的训练时间,该方法用于泥石流预测有较高的应用价值。     

Forest fire smoke recognition based on convolutional neural network

Traditional fire smoke detection methods mostly rely on manual algorithm extraction and sensor detection;however,these methods are slow and expensive to achieve discrimination.We proposed an improved convolutional neural network(CNN) to achieve fast analysis.The improved CNN can be used to liberate manpower.The network does not require complicated manual feature extraction to identify forest fire smoke.First,to alleviate the computational pressure and speed up the discrimination efficiency,kernel principal component analysis was performed on the experimental data set.To improve the robustness of the CNN and to avoid overfitting,optimization strategies were applied in multi-convolution kernels and batch normalization to improve loss functions.The experimental analysis shows that the CNN proposed in this study can learn the feature information automatically for smoke images in the early stages of fire automatically with a high recognition rate.As a result,the improved CNN enriches the theory of smoke discrimination in the early stages of a forest fire.     

基于GIS和RS的广州市森林植被分类研究

首先对森林植被类型分类方法的研究概况进行了综述，提出采用植被指数进行植被分类，根据广州市中心城区植被冠层反射率数据，通过对多种植被指数的计算和分析，得出植被指数和植被类型的关系。进而对TM影像数据处理。得出广州市中心城区森林植被分类情况。