基于模糊综合评判法的城市森林健康评价——以湖南省株洲市为例

在建立城市森林生态系统健康评价指标体系的基础上,以AHP法求得各个指标权重,再建立模糊综合评价模型,对株洲市荷塘、芦淞、天元、石峰4区的城市森林生态系统进行实证评价分析.结果表明,株洲市4个区的城市森林生态系统健康状况分别为不健康(评价值为0.3594)、不健康(评价值为0.3708)、不健康(评价值为0.3698)和良好健康(评价值为0.7833),评价结果与当地实际情况相符.     

基于模糊综合评判法的油茶林健康评价

针对油茶林健康无法准确定量评价的现状,尝试将模糊综合评判法应用于油茶林的健康评价中,通过查阅文献和专家咨询,建立一套由目标层、准则层、指标层和要素层组成的油茶林健康评价指标体系,应用Delphi-AHP法确定指标权重,引入模糊综合评判法评价湖南省浏阳市土桥林场油茶林健康状况.结果表明:土桥林场油茶林健康模糊综合评价值为3.3248,最大隶属度为0.5151,提示土桥林场油茶林总体处于亚健康状态,并有从亚健康状态向不健康状态方向发展的趋势,需要立即采取健康管理措施,保证油茶林的健康可持续经营.     

沈阳城市森林生态系统健康评价研究

采用生物指示物法和综合评判法对沈阳城市森林生态系统健康状况进行了评价。以光肩星天牛为生物指示物的评价结果表明，沈阳城市森林生态系统处于亚健康状态；综合评判法中的公众评价结果是沈阳城市森林生态系统处于基本健康和亚健康之间，专家权重的评价结果为沈阳城市森林生态系统处于亚健康状态。     

基于模糊综合评判法的天津蓟运河水环境质量评价

论文采用模糊综合评判法,利用2009年天津蓟运河的水质监测数据,建立蓟运河水质评价指标及各指标的权重,并计算各评价指标属于某种水质级别的隶属度,从而对蓟运河枯水期和丰水期的水环境质量进行了综合评价.评价结果表明蓟运河枯水期和丰水期的水质均为V级,已达到严重污染的程度.评价结果与实际情况相符,说明模糊综合评判法对蓟运河的水质评价具有科学性和合理性,有助于为蓟运河的水污染治理及控制提供科学的依.据.     

模糊综合评判法在盐渍土划分中的应用

针对盐渍土分类中客观存在的模糊性与随机性，将信息论中的熵值理论引入盐渍土综合评价中，运用信息熵所反映数据本身的效用值计算盐渍土评价中各指标的权值，使得权值的分配有了一定的理论依据，并结合传统的模糊综合评判法对盐渍土做出评价。工程实例表明：模糊综合评判法用于盐渍土评价是合理可行的。     

模糊综合评判法在大学生创业评价中的应用

文章探讨了大学生创业评价的指标体系,给出模糊综合评判法的模型,并以某高校为例进行实证分析。     

基于AHP-模糊综合评价法的泰山油松古树树势评价

古树名木是人类宝贵的自然遗产,科学准确地评价古树健康状况是实施古树名木保护与复壮的基础。选择有代表性的15株泰山油松Pinus tabuliformis古树,运用层次分析法（APH）和模糊综合评价法建立AHP-模糊综合评价模型,对泰山油松古树树势状况进行评价和分析。所调查的指标包括形态指标、生长指标、生理指标和枯死状态等4个方面共14个指标。研究表明:15株油松古树均呈现出不同程度的衰老表征,轻度衰老古树E0051和I0001与健壮油松相比,各项指标没有明显下降;中度衰老古树D0110,E0043,G0002等树冠残缺、枝条枯死、光合能力下降;J0008,E1108,E1097和E0002树势衰老情况严重,针叶稀疏、主枝及大枝大量枯死、细胞膜透性受到损伤。根据树势的不同,对油松古树进行复壮养护处理。图1表13参30     

应用模糊综合评判法评价小黑麦的抗旱性

运用模糊综合评判法对19个小黑麦(Triticosecale wittmack)品种(系)与抗旱性相关的性状进行了综合评价.结果表明,08草鉴15、07草品11、05草鉴2、08草鉴13和06草鉴5的抗旱性较强.参试大部分品种(系)经干旱胁迫处理后综合性状优于对照品种新小黑麦3号,表明大部分参试高世代品种(系)的抗旱性较强.     

应用模糊综合评判法评价小麦新品种

应用模糊综合评判方法,对2008～2009年度河南省小麦品种区域试验进行了分析。结果表明,58-3选、惠麦2号、周18、富麦1号、永丰168和开麦21综合性状表现较好。在此基础上对模糊综合评判方法的优点和今后应注意的问题进行了讨论。     

云南蚕豆品种的模糊综合评判

应用模糊综合评判法对从云南引进的7个蚕豆品种的8项主要农艺性状进行综合定量评价。结果表明：凤豆4号的综合性状表现最好,模糊加权评判集最大,B’=0.8140;凤豆7号次之,B’=0.6184。根据品种的模糊评判集排序可评价品种综合性状的优劣程度。     

宝天曼自然保护区森林生态系统健康评价

在对森林生态系统健康评价方法广泛研究的基础上,建立了森林生态系统健康评价的模糊层次分析模型。利用32块样地数据,运用标准差法确定评价指标的权重,采用模糊数学方法对宝天曼自然保护区森林生态系统的健康进行综合评价。结果表明,宝天曼自然保护区森林生态系统健康整体处于次健康状态,海拔是影响森林生态系统健康的主要因子。     

基于模糊物元模型的河流健康评价研究

[目的]采用模糊物元模型评价河流健康状况。[方法]基于模糊物元分析原理,建立河流健康评价模型,并根据海明距离提出改进的从优隶属度计算方法;从水文特征、生态特征、环境特征和服务功能4个方面构建河流健康评价指标体系,并将其用于秦淮河健康评价实例中。[结果]秦淮河健康水平为"中"级别;该评价结果与综合指数法得出的评价结果基本一致,证明了多级别模糊物元分析模型的有效性。[结论]该研究为河流健康评价提供了一种有效的方法。     

基于模糊评价法的林木可持续经营评估研究

为了对我国林木可持续经营发展现状进行评价,该文创新性地采用模糊评价方法,对帽儿山林场、石头河林场、青背林场进行林木经营评估,给出各林场评价因素等级,并总体打分评价.从评价因素等级结果可知,帽儿山林场各因素等级优良,但在森林防火方面需要加强,而石头河林场、青背林场主要存在蓄积量很低的问题,必须增加其林木的蓄积量.另外进行综合评价可知,帽儿山林场综合评分79.712,接近高水平;石头河林场60.322,属于一般水平;青背林场57.576,属于低水平.所以应当加大对石头河和青背林场可持续经营的投入.通过此次评估探索出模糊评价方法适用性强,同时也为我国林木可持续经营提供了有效评估方法和决策参考方案.     

驼梁森林健康评价研究

运用SPSS 11.5统计软件,通过因子分析法,在得到了可以反映驼梁森林健康的各个主成分的基础上,根据各样地B层指标的贡献率计算出样地A层指标的得分,然后采用专家打分法确定A层指标权重,进而计算出各样地的综合得分,并按照得分的高低对健康状况进行排名。通过对评价结果进行分析,给出了一些有益于森林健康的措施,为驼梁森林生态旅游的开发奠定理论基础。     

油料林森林健康评价指标体系的研究

通过分析生物质油料林森林健康的概念,在评价指标导向性、可操作性和灵敏性原则的指导下,运用AHP理论构建生物质油料林的森林健康的评价指标体系.     

广州市森林生物量及碳储量评估

基于广州市森林资源二类调查数据和广东主要树种的木材密度和碳密度数据,采用 IPCC 方法对广州市森林生物量和碳储量进行评估,结果表明：广州市林业用地中森林生物量为1610．53×104 t,单位面积生物量为54．82 t／hm2,乔木林生物量为60．94 t／hm2,乔木林生物量占总生物量的84．28％;广州市林业用地中森林碳储量为792．60×104 t,乔木林碳储量占85．63％;单位面积森林碳储量为26．98 t／hm2,乔木林生物量为30．47 t／hm2。森林生物量和碳储量主要依赖于森林蓄积量,因此,选择蓄积量大的树种造林,加强森林经营管理是提高森林生物量和碳储量以及城市森林功能的重要途径。     

基于改进MNN的森林健康评价方法研究

为了更好地支持森林的可持续经营,探讨了森林健康评价方法.与传统的单一人工神经网络相比,集成神经网络（Modular Neural Networks,MNN）在解决复杂分类问题时更加有效,因此利用MNN作为森林健康评价的具体方法.此外,常被用来训练神经网络的反向传播（Back Propagation,BP）算法存在收敛速度慢且易陷入局部极小值等不足.为了解决这一问题,将具有极强全局寻优能力的人工蜂群（Artificial Bee Colony,ABC）算法与BP算法相结合,形成一种混合ABC-BP算法的改进MNN模型,并将其用作构成MNN的单一神经网络的学习算法.通过试验对比分析,验证了改进MNN模型的有效性.     

区域森林资源健康评价指标体系研究

区域森林资源健康评价是在林业可持续经营和可持续发展理论指导下,根据区域森林资源的结构和功能特点,在深入理解森林资源健康评价内涵、特点的基础上,遵照指标和指标体系的制定原则,从森林资源特征、灾害、社会、科技等方面入手,采用层次分析法、特尔斐(专家打分)法、综合评价法等方法探讨并构建森林资源健康评价指标体系和评价模型。     

黄土高原渭北地区油松林健康评价研究

以陕西省永寿县槐平林场、白水县方山林场、扶风县野河林场野外实地调查数据为基础,选用郁闭度、径阶分布、群落层次结构、Shannon-wiener多样性指数、水土保持量、病虫害程度、枯梢比例、火险等级等8项指标,构建了黄土高原渭北地区油松公益林健康评价指标体系,并依据模糊综合评判的原理和方法,对3个地区的油松林健康状况进行了定量评价。评价结果显示,研究区处于健康状态的油松小班所占比例最大,为64%,亚健康状态的油松小班比例为32%,而不健康状态的油松小班最小仅占到4%。研究结果对于该区油松林健康经营与可持续发展提供了定量依据。