基于近红外光谱与BP神经网络预测落叶松木屑的含水率

利用近红外光谱(NIR)技术结合BP神经网络定量预测了落叶松木屑的含水率。首先对采集的落叶松木屑原始近红外光谱进行9点平滑及多元散射校正预处理,然后利用主成分分析法提取光谱数据主成分作为BP神经网络的输入,最后建立BP神经网络预测模型并采用交叉验证法对模型进行验证。所建模型校正集的相关系数R为0.98,校正集的均方根误差RMSEC为0.001 7;预测集的相关系数R为0.99,预测集的均方根误差RMSEP为0.001 5。研究表明,此方法可以实现对落叶松木屑含水率的快速预测。     

基于NIR-PLS的土壤碳含量预测模型研究

以东北小兴安岭林区带岭林业局东方红林场的土壤为研究对象,对120个土壤样品近红外光谱做去噪、Savitzky-Golay平滑和多元散射校正预处理,利用偏最小二乘（PLS）法建立关于土壤碳含量和吸光度之间的定量分析模型,并进行模型校、验证及部分预测集样品碳含量预测.结果表明：主成分数为4时,模型最优.校正模型的决定系数R2和均方根误差（RMSE）分别为0.784和5.752;验证模型的决定系数R2和均方根误差（RMSE）分别为0.621和7.521,预测集样品的实测值和预测值的决定系数R2达到0.735,均方根误差RMSE为7.202,预测标准差SEP为10.356.应用近红外技术可以实现对小兴安岭次生林土壤碳含量的有效预测,为大面积快速测定土壤碳含量提供理论依据与技术支撑,进而为林分土壤碳循环的相关研究提供新的思路.     

湿加松16种黄酮总含量近红外预测模型的建立

在950～1650 nm的光谱范围内,使用DA2700型近红外光谱仪采集了110个湿加松Pinus elliottii × P.caribaea松针粉末样本的光谱数据。结合实际测定值,采用偏最小二乘(PLS)回归法并选择最佳光谱预处理方法和最佳主成分数,建立湿加松松针组织16种黄酮物质总含量的快速预测模型。结果表明:采用一阶导数(FD)与滤波拟合(SG)相结合法对光谱数据进行预处理且当主成分数为10时,可得最优模型。其校正集相关系数(R_c)和交互验证集相关系数(R_v)分别为0.852 1和0.705 9。校正集均方根误差(RMSEC)和交互验证集均方根误差(RMSEV)分别为6.361 0和9.150 9。外部验证集测定值和模型预测值之间的相关系数为0.8537。综合表明所建模型预测精度高、可靠性强,可用于湿加松松针组织16种黄酮物质总含量的预测。     

近红外光谱技术在闽楠叶片氮含量测定中的应用

借助近红外光谱技术,以江西省永丰官山林场楠木种子园的64份闽楠叶片为材料,采用传统的化学分析方法测定闽楠叶片样品的氮元素含量作参考值,同时采集闽楠叶粉末样品的近红外光谱图。运用化学计量学软件NIRCal,选定建模方法、建模波段和预处理方法,建立最优测定模型。另随机抽取10份未知样品对模型进行检验,结合配对样本T检验进行评价。结果表明：用主成分回归方法(PCR)建立的模型效果最好,其校正集相关系数Rc为0.912,校正集均方根误差RMSEC为1.098,交互验证集相关系数Rv为0.897,交互验证集均方根RMSEV为1.192。外部验证结果显示,预测值与实测值的相对偏差范围在0.070～0.705之间,且配对样本T检验结果显示P值为0.116,大于0.05,无显著差异。该方法可用于闽楠营养水平和优质选种的大批量快速检测。     

基于不同预处理的椴树木材基本密度近红外光谱估测及模型优化

【目的】木材的基本密度在木材质量等级评定中起着重要的作用,是木材分流及精细化利用的重要依据。利用近红外光谱技术,实时监测木材性质,掌握木材性质的变化,为进一步制定和改善林木培育方法提供理论依据。【方法】借助树木生长锥对椴树活立木取样,以椴树样品基本密度真值和近红外光谱数据为输入,分别通过卷积平滑、一阶导数和二阶导数预处理方法来实现近红外光谱数据的预处理,建立了基于偏最小二乘法(PLS)的椴树木材基本密度的近红外估测模型。【结果】在350~2 500 nm波段范围内,一阶导数预处理的椴树木材基本密度模型是最优的,校正集相关系数为0.964 8,校正均方根误差为0.002 7,验证集相关系数为0.943 2,预测均方根误差为0.003 3。在对近红外光谱数据进行去噪优化处理,构建椴树木材基本密度模型后,在500~2 300 nm波段范围内,一阶导数预处理椴树木材基本密度模型依旧最优,其校正集相关系数为0.987 1,校正均方根误差为0.001 6,验证集的相关系数是0.948 6,预测的均方根误差是0.002 1。【结论】选择特定的预处理方法,结合样本特征,建立椴树木材基本密度模型,可以显著降低建模成本,提高模型预测精度,快速测定椴树木材的基本密度。     

利用近红外光谱快速分析制浆木片水分

针对实际生产中多采用混合品种木片制浆的情况,探讨了利用近红外光谱分析技术对混合木片的水分含量进行快速测定的可行性。通过国产便携式阿达玛光谱仪采集183个木片样品的光谱,经过预处理后,利用偏最小二乘法和完全交互验证方式建立4组木片的近红外光谱数据与其水分含量之间的关联模型。4个模型的相关系数均达到098以上,交叉验证均方根标准差在3%以内,相对分析误差值在68~103之间。利用建好的模型对预测集样品的水分含量进行预测,其中全局模型的预测标准差在127~240之间,结果较为精确。结果表明,尽管木材品种对木片近红外光谱水分特征吸收存在一定的影响,但在光谱预处理后,再以纯种木片与混合木片一起建立的全局模型,具有较好的适应性和较高的预测精度,可用于实际生产中快速测量混合木片的水分含量。     

近红外光谱法快速测定制浆材化学成分含量

为实现制浆材化学成分含量的快速测定与实时分析,用常规方法测定了120个制浆材样品的综纤维素、聚戊糖、酸不溶木素及苯醇抽出物含量,并采集了样品的近红外光谱。对原始光谱进行多元散射校正后,运用偏最小二乘法和交互验证的方法,根据主成分数与PRESS值的关系,确定最佳主成分数分别为9,10,8,9,据此建立样品相关化学成分含量的校正模型。独立验证中综纤维素、聚戊糖、酸不溶木素和苯醇抽出物模型的决定系数R2val分别为0.918 8,0.949 3,0.946 6和0.928 4,预测均方根误差(RMSEP)分别为0.70%,0.75%,0.72%和0.24%,相对分析误差(RPD)值分别为3.50,4.44,4.33和3.74,绝对偏差(AD)分别为-0.95%~1.22%,-1.42%~1.29%,-1.39%~1.14%和-0.34%~0.39%,4个校正模型较好地预测了验证集样品的化学成分含量,基本满足制浆造纸工业中快速测定的需求。     

油桐籽含油率近红外光谱检测模型的构建

为实现油桐籽含油率的快速检测,采用近红外光谱结合化学计量学方法对油桐籽含油率的测定进行了研究。107个样本用Kennard-Stone法划分为校正集(80个)和验证集(27个)。光谱经预处理方法优化,确定一阶导数结合均值中心化预处理最优。分别采用竞争性自适应重加权算法筛选变量及小波变换压缩变量,比较了偏最小二乘法与径向基神经网络法所建模型的预测性能,确定竞争性自适应重加权算法筛选出的8个变量用于偏最小二乘法建模,所建模型预测性能最好:验证集相关系数0.927,均方根误差2.08,相对标准偏差为3.99%。结果表明竞争性自适应重加权算法筛选变量结合偏最小二乘法建模,所建模型简单,精度较好,可用于油桐籽含油率的快速检测。     

基于偏最小二乘法的近红外光谱定量分析模型测定八角茴香中莽草酸含量

采用偏最小二乘法(PLS)建立测定八角茴香中莽草酸含量的近红外(NIR)光谱定量分析模型.应用多种光谱预处理方法分别对八角茴香固体粉末样品的NIR光谱进行预处理,并采用预处理后的光谱建立定量分析模型,每个模型均经过选择最有效的光谱区域和最适主因子数进行优化.经过比较各个模型的内部交互验证均方根误差(RMSECV)和交互验证预测值与真实值间的相关系数(RV),外部预测均方根误差(RMSEP),选取最优的模型,结果表明定量分析模型稳健性好和测定精度高,在中药有效成分定量分析方面有很好的应用前景.     

应用NIR及主成分回归预测落叶松密度的研究

运用近红外光谱主成分回归法对落叶松样品密度进行研究，校正集的相关系数（R）为0．86，校正集标准误差（SEC）为0．01，预测集的相关系数（R）为0．89，预测集标准误差（SEP）为0．02，对未参与建模的12个未知样品进行密度预测，相关系数达0．95。研究表明，近红外光谱能够快速、准确地对落叶松样品密度进行预测，这为快速检测落叶松木材材性提供了一种新方法。     

蕉岭长潭省级自然保护区表土有机碳的研究

基于UTM公里网格方法划分的66个网格的土壤剖面数据,分析了蕉岭长潭自然保护区5种典型植被类型（马尾松林、杉木林、针阔混交林、阔叶混交林和竹林）的表层土壤（0～20 cm）有机碳含量、密度、储量的分布特征与影响因子。结果表明：（1）表土有机碳含量SOC分布在12.61～66.19 g·kg^-1之间,平均值为30.87±1.30 g·kg^-1,大小顺序为竹林〉阔叶混交林〉针阔混交林〉杉木林〉马尾松林,多重比较显示竹林（37.63 g·kg^-1）显著高于马尾松林（18.52 g·kg^-1）,马尾松林仅为竹林的49.21%。（2）表土有机碳密度SOCD在3.27～15.69 kg·m^-2间,平均值为8.22±0.39 kg·m^-2,大小排序为阔叶混交林〉竹林〉针阔混交林〉杉木林〉马尾松林,阔叶混交林（10.15 kg·m^-2）和竹林（9.96 kg·m^-2）的SOCD值显著高于马尾松林（4.82 kg·m^-2）（p=0.005,p=0.036）,马尾松林仅是阔叶混交林的47.49%。（3）蕉岭长潭保护区表土层有机碳储量为402 100 t,占总面积54.54%的针阔混交林贡献最大,其次为阔叶混交林、杉木林、竹林和马尾松林。（4）表土有机碳含量与土壤全氮、速效钾含量显著正相关,相关系数分别为0.40和0.31;与石砾含量极显著负相关,相关系数达到-0.76。与林下植物分布有密切联系,有机碳含量〈20 g·kg^-1的指示种有6种,包括千年桐、黄毛楤木、米碎花、谷木冬青、长叶冻绿和乌韭,有机碳含量〉40 g·kg^-1的指示种有光叶海桐和土茯苓,有机碳含量在20～40 g·kg^-1间还未发现指示种。     

四川森林土壤有机碳储量估算方法选择

土壤碳是陆地碳库的重要成分,森林土壤有机碳储量的变化对全球气候变化产生重要影响。对森林土壤有机碳储量的正确估计是编制2005年IPCC国家温室气体清单的重要任务之一,也是其中的难点。本文简要介绍了森林土壤有机碳储量的各种估算方法并对各自的优缺点做了进一步的分析,指出了不确定性产生的主要原因。在分析了四川森林土壤的基本特征后,从满足编制IPCC温室气体清单高层次的方法上考虑,指出四川森林土壤有机碳储量估算的合理方法是土壤类法和生命带法相结合的办法。     

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.     

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.     

广西北部湾经济区“十二五”期末森林覆盖率的预测分析

以广西北部湾经济区2005～2012年森林覆盖率数据为基础,运用灰色系统预测模型对北部湾经济区“十二五”期末森林覆盖率进行预测,并对模型的精度进行分析和检验.建立GM（1,1）模型经精度检验（C=S1/S2=0.1445; P=P{｜ εi（）0-ε-（0）｜ 0.6745S2}=1 ＞0.95））判为好,预测“十二五”期末森林覆盖率,可为广西北部湾经济区制定相关政策规划提供参考依据.     

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。     

基于混合像元分解的庐山及周边林地遥感图像分

由于传感器分辨率的限制以及地物的复杂多样性,混合像元普遍存在于遥感影像中,在一定程度上影响到地物提取精度。以江西省庐山及周边地区2019年4月9日的ETM+影像为例,使用线性混合模型和非线性的BP神经网络方法对图像进行混合像元分解,利用2019年5月的SPOT数据及其与ETM+影像融合的分类结果对分解结果进行验证。结果表明,非线性的BP神经网络分解精度高于线性分解精度。对比使用BP神经网络分解图像提取林地面积的精度提高了1%~5%。     

不同干扰强度下马尾松林土壤碳储量特征

摘要：以三峡库区秭归县3种不同干扰强度下的马尾松天然林为研究对象,分析了不同马尾松林类型土壤碳储量特征,以及土壤碳储量与乔木层平均胸径、林分密度与郁闭度等因子的关系。结果表明：3种类型马尾松林O～60cm土壤总碳储量分别为103．42。70．26t·hm。和54．81t·hm,轻度干扰下的马尾松林土壤总碳储量比中度和重度干扰林分分别高47．20％和88．68％,且3种类型之间差异达到显著性水平（P〈0．05）。马尾松天然林土壤碳储量与平均胸径、林分郁闭度均具有显著的正相关关系（P〈0.05）,而与林分密度相关性不显著（P≥0．05）。