共查询到20条相似文献,搜索用时 54 毫秒
1.
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。 相似文献
2.
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。 相似文献
3.
4.
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... 相似文献
5.
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. 相似文献
6.
7.
8.
9.
基于RS和GIS的径向基神经网络模型对森林蓄积量的估测 总被引:1,自引:0,他引:1
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. 相似文献
10.
11.
Yongjun Shi Xiaojun Xu Huaqiang Du Guomo Zhou Wei Jin Yufeng Zhou 《Frontiers of Forestry in China》2009,4(3):363-367
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] 相似文献
12.
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。 相似文献
13.
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. 相似文献
14.
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. 相似文献
15.
16.
基于BP神经网络的森林植被遥感分类研究 总被引:8,自引:4,他引:8
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。 相似文献
17.
18.
19.
20.
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。 相似文献