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。     

森林蓄积量遥感估测的研究进展

传统的森林资源调查是一项周期长、任务重、劳动强度大,需大量经费的工作。随着遥感技术广泛应用于森林资源调查工作,特别是森林蓄积量的遥感估测,将比传统方法省时、省力,节约经费。目前,利用遥感进行森林蓄积量的估测研究已取得了一系列重要进展,文章则简要综述了国内外在光学遥感和微波遥感范围内的森林蓄积量遥感估测方面的研究进展,认为利用遥感技术进行森林生物量估测对于了解和监测全球生态系统对气候变化和人类活动的反应具有重要的意义。     

用蓄积量估测森林生物量的初步尝试

用收获法测定林分生物量是一个极其繁重的工作。鉴于蓄积量和生物量二指标出自同一林分,而且受林龄、密度、立地和经营活动的影响基本趋于一致。因此,可用蓄积量来估测生物量。文中以杉木为例研究出了两者的回归关系式,并指出这种关系相当稳定,公式有通用性。     

基于Landsat8 OLI遥感影像的森林蓄积量估测模型研究

本次试验以湖南省湘潭县为研究区,提取Landsat8 OLI影像数据的56个遥感因子作为候选因子,结合皮尔逊相关系数和主成分分析两种方法对变量进行降维,构建多元线性回归模型(MLR)、误差反向传播神经网络(BP-ANN)、K最近邻模型(KNN)和随机森林模型(RF)进行蓄积量反演,并采用决定系数(R2)、均方根误差(R...     

森林蓄积量定量遥感估测模型研究

采用印度遥感卫星数据,以云南省高黎贡山自然保护区阔叶林为主要研究对象,设置可能影响森林蓄积量估测的遥感信息因子和可通过GIS获取的因子为自变量,通过逐步回归分析的方法建立了研究区域阔叶林蓄积量估测模型.结合小班面积估测值,计算了各小班相应的蓄积量.     

利用遥感数据估测森林蓄积量

以吉林省柳河县为研究区,以Landsat-5 TM遥感影像为基础数据,提取相关因子,建立柳河县森林蓄积量遥感估测模型,经过精度检验,模型的预测精度达到82.36%。利用模型进行森林蓄积量反演,得出该县森林蓄积量为1 226×104m3,实际精度为80.00%。利用遥感技术进行森林蓄积量估测是可行的。     

森林蓄积量的样点估测

在森林资源二类调查工作中 ,通常利用角规测树原理进行森林蓄积量的估测 ,这种方法外业调查劳动强度较大 ,内业计算也比较繁琐 ,应予以改进。笔者根据数理统计原理 ,在保证森林蓄积量估测精度的原则下 ,提出样点估测方法 ,供广大林业工作者参考。1样点估测方法的理论基础根据数     

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.     

森林蓄积量估测模型建立优化与应用

通过分析森林蓄积量与遥感因子、环境因子、林分特征及其他因子之间的相关关系，论述了森林蓄积量估测模型建立优化和应用方法，总结了模型成功应用的实例，提出了影响估测精度的因素及模型应用需要把握的关键因子。     

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。     

Prediction of Forest Stock Volume Based on Neural Network Model

BP and RBF neural network to predict forest stock volume were studied,but the study in evaluating both networks’ application effects was not conducted.In order to find a higher forecast precision,more strong applicative method,the comprehensive analysis and evaluation on the two methods were carried out in the practical application. By the correlation analysis,crown density,shady-slope and sunny-slope,TM1,TM2,TM3,TM5, TM7,NDVI,TM,(4-3),TM4/3 were selected as input variables,and the forest volume of Miyun County as output variables,RBF and BP neural network models for forecasting the forest volume were established.And the neural network training step length,training time,prediction accuracy and the applicability model of the two methods were comprehensively analyzed.The results show that the RBF neural network model is superior to the BP neural network model.     

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.     

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。     

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树高曲线模型研究

本文利用人工神经网络建模技术,以河南农业大学三区内毛白杨人工林99株的断面积平均直径和树高资料为基础,研建了树高曲线人工神经网络BP模型和幂函数模型。通过两个函数模型的比较表明:人工神经网络建模技术精度高、误差小,具有很强的泛化能力。在用幂函数拟合较差的情况下,人工神经网络也取得很高的精度,其拟合效果具有明显的优势。     

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。