BP模型在单木树高与胸径生长模拟中的应用

简介了人工神经网络及其使用方法，建立了单木树高与胸径生长的三层前馈反向传播种经网络模型（即ＢＰ模型），并对单木树高、胸径生长的ＢＰ模型与Ｒｉｃｈａｒｄｓ函数进行了比较．     

基于BP神经网络的道路交通事故损失预测

分析道路交通事故损失与交通事故次数、死亡人数和受伤人数之间的关系，提出基于BP神经网络的道路交通事故损失预测，为交通事故预测开辟新的途径。     

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.     

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。     

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.     

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。     

短轮伐期杉木速生林林分直径分布神经网络模型初探

以短轮伐期杉木速生林标准地调查资料为基础,应用BP神经网络建立林分直径分布预测模型。其结果表明,人工神经网络是一种有效的林分直径分布拟合技术,基于BP神经网络的直径分布预测精度可达84％以上,株数累积频率预测精度则可达94％以上,符合生产经营要求,可为短轮伐期杉木工业原料林经营提供数据参考。     

预测植物瞬态液流的BP神经网络模型

对于植物体内水分传输机制正确的数学解释是多年来植物生理学、生态学、森林水文学等领域亟待解决的重大问题.Van den Honert(1948)最先提出了一个简单的用欧姆定律(Ohm's law)进行植物水分传输机制的模拟模型,建立起水流和电流的相似性,为分析土壤-植物-大气连续统一体(soilplant-atmosphere continuum,简称SPAC)提供了一个简明思路和有力工具.     

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。     

毛竹密度效应新模型的研究

本文应用人工神经网络理论,对毛竹密度效应进行定量研究,建立了毛竹密度效应的三层前馈反向传播神经网络ＢＰ模型,仿真结果表明,人工神经网络模型能表征毛竹林分平均胸径、平均高度、密度对林分杆产量的映射效应,从而为毛竹密度效应研究提供了新方法。     

遂川县人工林林分干材收获模型

对遂川县人工林散状混交林分干材蓄积的计量不分树种,只计其总蓄积,并以其作基准变量,其他测树因子作说明变量,建立多指标林分蓄积收获模型,效果良好,达到析显著水平。     

人工神经网络在林分出材率预测中的应用

应用人工神经网络的原理和方法,结合主要林分因子建立林分出材率预测的多层神经网络模型。检验结果表明:所建立的预测模型,平均预测精度达到96.45%,可以对林分出材率作出准确有效的预测。     

基于BP神经网络的沙柳地上生物量预测模型

目的 以库布其沙漠沙柳为研究对象,建立基于BP神经网络的沙柳生物量模型,探究不同建模因子下的沙柳生物量估算模型变化,以期探究沙柳生物量估算模型的最优形式。 方法 选取6种沙柳生长因子,并根据与生物量相关性大小加入输入变量,从而组成6组不同输入变量,输入变量包含因子数量逐步增加（1 ～ 6种）。对比BP神经网络沙柳生物量模型不同输入变量所拟合模型的性能,确定最佳输入变量,并在最优输入变量的基础上,确定BP神经网络隐层数量,经过反复训练,建立基于BP神经网络的沙柳生物量估算模型。 结果 基于BP神经网络的沙柳生物量模型最优结构,即输入层节点数（Nin）∶隐层节点数（Nh）∶输出层节点数(Nout)为：4∶9∶1。其中训练数据R2=0.97,RMSE=0.67,MAE=0.50;测试数据R2=0.96,RMSE=1.10,MAE=0.77。 结论 基于BP神经网络的沙柳生物量,随着输入变量中输入因子的数量不断增加,发现其R2、RMSE、MAE所表现出的模型性能逐渐变好,但是输入变量每增加1种后,当输入因子数量为5时,模型精度相比输入因子数量为4时提升幅度较小,考虑模型使用时的精度和野外工作的便利性,输入层最优输入因子数为4种,当隐层数为9时模型性能表现为最优。     

基于BP神经网络的天然云冷杉针阔混交林标准树高-胸径模型

[目的]以吉林省汪清林业局金沟岭林场12块天然云冷杉针阔混交林样地为对象,基于12 953对实测树高-胸径数据,结合林分优势高分树种(组)建立基于BP神经网络的标准树高模型。[方法]在确定隐层节点数后经过反复训练得到各树种(组)的适宜模型结构,使用相同的建模数据(8块样地)求解两个传统的树高方程,再利用未参与建模的4块样地分别验证模型。[结果]表明:落叶松、云杉的适宜模型结构(输入层节点数:隐藏层节点数:输出层节点数)为2:5:1;红松、中阔(白桦、大青杨、榆树和杂木)的适宜模型结构为2:4:1;冷杉的适宜模型结构为2:8:1;慢阔(色木、水曲柳、黄檗、紫椴和枫桦)的适宜模型结构为2:7:1。[结论]与传统方法相比,BP模型不依赖现存函数,不需要筛选模型形式,而且BP模型各树种R~2高于传统模型,平均绝对误差、均方根误差均小于传统模型,其拟合精度和预测效果均优于传统方程,可以有效地预测树高。     

不同林分密度指标在杉木林分蓄积量模型的应用研究

目的 林分密度是反映单木林分中林木株树和竞争的一个重要指标,构建林分生长与收获模型的一个重要变量。选择合适的林分密度指标来构建杉木林分蓄积量模型,提高林分预测精度。 方法 以福建邵武杉木(Cunninghamia lanceolata)人工林密度长期试验林28 a连续观测数据为依据,基于可变生长率法,建立了含5种林分密度指标的杉木林分蓄积年生长模型。 结果 模型决定系数R2均在0.979以上,精度高于不含密度指标的对照组模型。在包含密度指标的模型中,精度最高的为每公顷株数N密度模型,其次是相对植距RS密度模型,但是这两个模型参数估计不显著而被舍弃。所有模型的R2数值由高到低顺序为：每公顷株数N林分蓄积量模型（0.979 9）、相对植距模型（0.979 9）、林分密度指数SDI模型（0.979 4）、优势高营养面积比Z模型（0.979 3）、Nilson密度指数模型（0.979 0）以及不含密度指标模型（0.972 8）。 结论 除去N指标和RS指标模型,杉木林分蓄积量模型中表现最好的是以林分密度指数SDI为密度指标的模型。其次,还发现在低造林密度（1 667～3 333 株·hm−2）林分,蓄积生长量要大于中高造林密度（5 000～10 000 株·hm−2）的林分。     

青海云杉抚育前后林分生长和蓄积变化数学模型的建立

在对祁连山西营河及哈溪两个试验区不同类型青海云杉林抚育前后林分部分生和茵子和蓄积量变化规律的研究中，以５种单因变量回归曲线对抚育前后两类型青海云杉林的单株胸径定期平均生长量，单株材积定期平均生长量以及林分蓄积量按径阶变化的规律分别进行模拟，以相关系数和离散系数两参数结合进行选优，最选选定一种模拟效果最佳的模型为最后模型。