基于BP神经网络的杉木林蓄积量估测研究

以杉木人工林为研究对象,选取与蓄积量预测有关的因子作为样本输入,通过分析神经网络各参数对网络性能的影响得到最佳参数值,构建结构为10∶3∶1的杉木林蓄积量BP神经网络模型,通过模型训练随机抽取46个样本单元数据并预测20个检验样本。结果表明:BP神经网络对于林分蓄积量具有很好的模拟效果,总体拟合精度为88.5%,均方误差MSE=2.95,所构模型合理、稳定,能够快速有效预测杉木林的变化规律。     

杉木人工林直径分布BP模型的研究

以相对直径作为输入向量,以株数累积频率作为输出向量,建立直径分布的BP神经网络模型;用杉木人工林直径分布的实际数据训练,选出的最佳模型,拟合精度为99.03%,检验精度为97.64%,所选模型没有系统偏差.与Weibull分布模型相比,具有较好的拟合效果.研究结果进一步表明,人工神经网络是一种有效的林分直径分布模拟技术.     

基于支持向量机的中国农业机械总动力预测

为更好地预测中国农业机械总动力的发展趋势,引入了基于支持向量机的预测方法.以1979—2008年中国农业机械总动力的统计数据为训练样本,以2009年和2010年的统计数据为检验样本,采用新陈代谢法建立了基于支持向量机的我国农业机械总动力预测模型.为了验证该方法的有效性和优越性,同时采用新陈代谢法分别建立了基于普通BP神经网络和改进的BP神经网络的预测模型.仿真预测与检验样本预测的结果表明,基于支持向量机的预测精度明显高于普通BP神经网络和改进的BP神经网络预测模型.在此基础上,计算出2011年至2015年中国农业机械总动力的预测值分别为97 859.1,103 053.7,108 480.7,112 794.7,115 096.8万kW,指出了其具有增长趋缓的变化趋势.     

基于SVM的农业机械化水平预测模型

运用支持向量机方法对我国农业机械化水平进行预测。选取1986—2002年的17个数据作为训练样本,2003—2005年的3个数据作为检验样本,通过与GM(1,1)模型和BP神经网络模型预测结果进行比较,结果表明,2003—20053年预测值的平均相对误差仅为0.67%,该方法用于农业机械化水平预测是可行和有效的,为提高预测精度提供了一条新的途径。     

基于反向传播神经网络的退化红壤区杉木树干液流模拟

以江西退化红壤区杉木人工林为研究对象,采用MATLAB工具箱中的log-sigmoid型函数(tansig)为神经元作用函数,以空气温度、空气相对湿度、平均净辐射、水汽压亏缺为输入变量,液流速率为输出变量,运用贝叶斯正则化算法和Levenberg-Marquardt算法对4 000组气象数据和液流数据进行网络训练和检验,构建拓扑结构为4-10-1的杉木树干液流反向传播(back propagation,BP)神经网络模型.结果表明:在2种算法下训练样本和检验样本模型输出值与实测值之间线性回归的拟合程度均较高,回归方程的相关系数在0.93以上;训练样本的拟合精度分别为83.57%和83.06%,检验样本的仿真精度分别为82.87%和82.15%.说明该网络模型能够很好地反映液流速率与气象因子之间的非线性函数关系,可为杉木人工林的可持续经营和林地水资源的科学管理提供有效手段.     

基于Landsat 8遥感影像的地上生物量模型反演研究

以吉林省延边朝鲜族自治州汪清县的主要针叶纯林树种为研究对象,结合Landsat 8 OLI数据和地面调查数据,通过提取半径为15 m圆形样地林分尺度下的遥感特征变量实现对地上生物量的估算。首先提取128块样地内的34个遥感特征,其次采用随机森林特征重要性分析遥感特征的贡献率,再利用BP神经网络算法的2种训练算法、SVM支持向量机的3种核函数构建地上生物量模型,最后利用32个测试样本评价模型的估算精度。结果表明,BP神经网络的L-M训练算法和贝叶斯正则化训练算法的R²分别为0.602 9、0.672 1,RMSE分别为5.096 9、4.263 7,MAE分别为4.166 9、3.211 8;SVM支持向量机的线性核函数、RBF核函数、多项式核函数的R²分别为0.585 8、0.561 9、0.487 7,RMSE分别为5.859 4、5.600 9、5.763 7,MAE分别为4.24、3.89、4.176。以贝叶斯正则化训练算法构建地上生物量模型的估测精度最佳;BP神经网络算法比SVM向量机更适用于本研究;同一种机器学习算法不同的训练函数存在差异性。     

3种标准树高曲线建立方法的比较

【目的】比较3种标准树高曲线建立方法的优劣,为选择适宜的标准树高曲线建立方法提供依据。【方法】以福建省将乐县国有林场29块杉木人工林实测数据为依据,采用传统非线性模型、BP神经网络模型、非线性混合模型分别建立杉木标准树高曲线模型,以决定系数R2、均方根误差RMSE以及平均绝对残差|珚E|作为模型评价和检验指标,对比分析三者的拟合效果。【结果】从拟合精度来看,非线性混合模型、BP神经网络模型、传统模型的决定系数分别为0.916 1,0.904 8和0.889 7,RMSE分别为1.652 9,1.761 2和1.895 4,|珚E|分别为1.205 9,1.291 7和1.400 1;从预测精度来看,三者的决定系数分别为0.941 5,0.935 2和0.918 3,RMSE分别为1.361 8,1.432 2和1.609 0,|珚E|分别为0.989 8,1.030 5和1.142 8。【结论】3种方法均能较好地模拟杉木树高的生长,BP神经网络模型与非线性混合模型的拟合精度和预测能力均较传统的非线性模型好,但非线性混合模型略优于BP神经网络模型。     

生物量转换因子连续函数的拟合方法比较

利用生物量转换因子连续函数估算森林生物量已成为普遍使用的方法,使用不同的拟合方法提升生物量转换因子连续函数的计算精度成为当前的研究热点之一。以安徽省和福建省2个区域的杉木Cunninghamia lanceolata人工林为研究对象,选择不同年龄序列的典型杉木人工林,分别在2个区域设置0.06 hm2的样地53块,得出每个样地杉木林分生物量、林分蓄积量和生物量转换因子(fBEF)均存在显著差异(P0.01)。使用最小二乘法、非线性混合模型法和贝叶斯分层法分别拟合生物量转换因子连续函数,决定系数(R2)分别为0.643,0.802和0.804;平均偏差(dMD)分别为0.376,0.233和0.228。通过F检验比较3种方法的拟合效果,最小二乘法的拟合效果与非线性混合模型法和贝叶斯分层法之间有显著差异;非线性混合模型法的拟合效果和贝叶斯分层法之间无显著差异。估算林分生物量时,使用非线性混合模型和贝叶斯分层方法可以显著提升林分生物量的估算精度。     

基于人工神经网络的杉木可变密度蓄积量收获预估模型

采用人工神经网络方法拟合杉木林分蓄积量与立地质量、林龄、林分密度之间的非线性关系,建立了杉木可变密度蓄积量收获预估BP网络模型,并对所建立的模型进行精度检验.检验表明,所建模型预测精度高,可应用于森林经理调查、数据更新与经营决策优化以及编制可变密度收获表.     

基于BP神经网络连栽桉树人工林生长量预测

以广西国有东门林场雷卡分场的3个连栽代次的尾巨桉(Eucalyptus urophylla×E.grandis)人工林为研究对象,以林分的林龄和林分密度作为输入变量,分别以林分的平均胸径和树高为输出变量,构建了6个2∶n∶1的BP人工神经网络模型。用林分前5 a的数据对网络进行训练,第6、7年数据进行测试,经过大量训练选取最优模型后,得出以2∶2∶1的结构训练的模型最优,林分平均胸径的3个BP网络模型平均预测精度分别为99.09%、98.35%和96.37%,平均树高的3个BP网络模型平均精度分别为96.22%、96.48%和96.6%。回归分析证明模型的拟合效果良好。模型可用来分析、模拟和预测相似条件下桉树人工林林分随林龄增长整个生长阶段的生长量变化情况。     

杉木人工林分蓄积和断面积生长率的预估模型

根据江西省杉木人工林的 16块密度试验复测样地数据 (株行距为 :2m× 3m ,2m× 1.5m ,2m× 1m ,1m× 1.5m ,1m× 1m) ,分别不同密度指标、不同年龄、不同预估间隔期和不同林分优势高 ,应用负指数模型对蓄积生长率和断面积生长率进行了模拟 ,模型的拟合效果良好 .给出的经验方程可用于森林经理调查中杉木人工林分蓄积数据的更新 ,并具有灵活、方便、准确的特点     

杉木林分断面积生长预估模型及其应用

选用包含林分密度指标、年龄和立地质量指标的Ｒｉｃｈａｒｄｓ型和Ｓｃｈｕｍａｃｈｅｒ型的生长模型作为杉木断面积生长预估模型,经江西省１４个未间伐林分和３６个间伐林分数据的拟合,表明Ｒｉｃｈａｒｄｓ型优于Ｓｃｈｕｍａｃｈｅｒ型,杉木间伐林分和未间伐林分可用统一的断面积预估方程．结合实例指出在采用Ｒｉｃｈａｒｄｓ型方程时,应注意地位指数方程中参数的变化对预估结果的影响．     

基于BP神经网络的华北落叶松小班蓄积预估模型研究与应用

林分蓄积是衡量小班林分生产力的重要指标。选择华北落叶松人工林小班数据,对以年龄、公顷株数和立地指数为自变量,小班公顷蓄积为因变量的BP (back propagation)神经网络模型和多元回归模型进行研究。研究结果表明:①BP神经网络参数最优组合:三层网络结构包括输入层3个神经元,隐含层10个神经元和1个神经元,输出层1个神经元,R语言算法选用含有动量的自适应梯度下降法,MATLAB软件算法选择Levevberg-Marquardt法;②多元回归模型中,生长理论方程为基础修正函数"Logistic+幂函数"组合的修正模型V=SI~(0.977 2)N~(0.510 3)0.500 1/[1+44.226 1exp(-0.146 6t)]表现最优,其决定系数R~2为0.721 8;③BP模型预测精度最高,其次是多元回归模型和材积表法。基于以上研究,为了提高BP模型的实用性,通过JAVA和R语言编程方式,将构建BP神经网络小班蓄积预估模型存储到收获预估模型的模型库中,在人工林收获预估中实现BP模型的调用,实现从经典的数学模型形式向智能化软件方向发展,提高BP模型在实际生产中的可操作性,为森林经营作业提供决策支持。     

基于度量误差方法的油松林分生长模型

为掌握北京地区油松Pinus tabulaeformis生长过程,建立相容的断面积和蓄积模型,通过引入间伐林分与未间伐林分的哑变量,分别建立林分断面积、林分蓄积生长模型,然后从相容的角度出发,建立林分断面积、蓄积量的误差变量联立方程组,并与不含哑变量的传统生长模型的误差变量联立方程组进行比较。经检验,传统误差变量联立方程组中林分断面积和林分蓄积生长模型的预测精度都在92%以上,对油松林分断面积的预测精度高达0.921 5,决定系数高达0.900 1,对油松林分蓄积量的预测精度达到了0.928 3,决定系数高达0.912 3,而引入哑变量的误差变量联立方程组中,模型的预测精度和确定系数稍高,均在93%以上,对油松林分断面积的预测精度高达0.939 8,决定系数达到了0.927 9,对油松林分蓄积量的预测精度在0.930 0以上,决定系数达0.932 8。这说明引入哑变量,一定程度上提高了模型的预测精度,而且所建模型比较合理,形式相对简单,便于应用,不仅使得林分水平上的林分断面积、蓄积量的预测结果具有相容性,同时还考虑了间伐措施对林分生长的影响,达到了林分生长与收获模型整体化研究的目的,为林分的经营管理提供了可靠依据。     

基于非线性混合模型的油松天然林树高曲线研究

树高和胸径作为重要的林分因子,二者的异速生长关系是林分生长与收获预估的基础。以北京市古石峪61块油松（Pinus tabuliformis）天然林样地为研究对象,样地按郁闭度CD≥0.6（类型Ⅰ）、0.5≤CD＜0.6（类型Ⅱ）、0.4≤CD＜0.5（类型Ⅲ）、0.3≤CD＜0.4（类型Ⅳ）和CD＜0.3（类型Ⅴ）划分5个等级类型,采用非线性混合模型方法,从26种常用树高曲线中选择拟合精度最高的作为基础模型,以类型和样地作为随机效应,分别基于单水平和嵌套二水平,考虑异方差构建最优的油松天然林树高曲线。采用AIC、BIC和负2倍的对数似然值对不同模型的精度进行比较,并用平均绝对误差、剩余均方根误差和调整后的决定系数对模型进行检验。结果表明,混合参数个数不同,模型预测精度不同;考虑异方差结构的嵌套2水平非线性混合模型预测精度高,调整后的决定系数达0.924 4,剩余均方根误差为0.842 1,可以准确地反映油松树高与胸径的关系,但与以样地作为随机效应的单水平样模型的差异不显著。     

杉木人工林神经网络密度效应模型

基于人工神经网络具有逼近任意非线性映射的特性,将其应用于建立杉木人工林密度效应模型,并用免疫进化算法优化求解人工神经网络参数。结果表明：基于人工神经网络及免疫进化算法的杉木人工林密度效应模型,建模方法科学合理,林分蓄积量和平均胸径预测误差小,一定程度上优于以往传统的林分密度效应模型,在林分密度控制中有推广应用价值。     

广西大青山西南桦人工林立地指数表编制

立地指数表是评价林木生长状况以及林分生产力的重要工具。为了编制西南桦Betula alnoides人工林立地指数表,于广西大青山林区各种立地设置49块西南桦人工林样地进行生长调查,选取平均优势木1株·样地-1进行树干解析,选用Richards,Weibull,Korf等9个常用方程拟合816对优势高-年龄数据,通过统计指标决定系数（R2）、平均绝对误差（E_AMR）、平均相对误差（E_RMR）和均方根误差（E_RMSE）的对比分析筛选导向曲线,依据49株优势木的生长过程确定基准年龄和指数级距,应用标准差调整法编制立地指数表,并对其进行落点、拟合显著性和预报精度检验。结果表明:9个模型中,Richards方程的拟合效果最优,其R2最大,E_AMR,E_RMR和E_RMSE最小,因而作为导向曲线;西南桦优势高连年生长量和优势高变异系数在15 a后基本稳定,因此确定15 a为基准年龄;基准年龄时优势高变动范围为15.2~25.8 m,考虑到西南桦较为速生,确定2.0 m为指数级距,据此编制了西南桦人工林立地指数表。落点检验表明所编表能解释93.8%的优势木生长状况;χ2检验表明立地指数表所反映的优势高生长过程与实际生长过程无显著差异;立地指数级和林龄2个方面的误差分析得出,此表预报精度较高。本研究编制的西南桦人工林立地指数表,可应用于广西大青山及类似地区西南桦人工林的立地质量评价、生长潜力预估。     

福建杉木树冠外轮廓和树冠体积相容性模型

  目的  树冠外轮廓模型不仅能够描述任意位置处树冠半径,而且能够推导预测树冠体积与树木地上部分生物量。根据福建地区98块杉木Cunninghamia lanceolata人工林样地的413株杉木调查数据,构建了具有同一套模型参数的树冠外轮廓模型和树冠体积预测联立方程组系统。  方法  选取4种常用的可积分树冠外轮廓备选模型,利用积分法对备选模型进行推导,得到树冠体积预测模型;将模型方程分别两两联立建立树冠外轮廓与体积相容性联立方程组,并利用SAS软件模块中的似乎不相关回归过程估计联立方程组模型系统的参数。为了消除模型异方差,采用加权回归方法拟合模型,并对不同模型系统的拟合精度、预测精度进行对比分析。  结果  基于模型4的联立方程组拟合精度高、预测性能好,其树冠外轮廓和体积拟合精度分别达到0.829 5和0.861 0,预测结果精度分别为0.803 9和0.856 0;通过似乎不相关回归法解决了联立方程组共线性问题,加权回归方法一定程度上消除了模型中存在的异方差性。  结论  所构建的树冠外轮廓-体积一致性模型方程实现了树冠外轮廓与体积模型之间互相推导,为进一步估测树木地上部分生物量提供了理论依据。     

基于分位数回归法的杉木可变指数削度方程构建

[目的]采用非线性分位数回归法构建不同分位点的杉木可变指数削度方程,与非线性模型进行比较,以提高杉木干形的预测精度.[方法]利用福建省将乐国有林场的73株(793组)杉木解析木数据,选取4个可变指数削度方程,基于5折交叉验证,分别采用非线性分位数回归与非线性回归构建削度方程.选用调整后决定系数(R2)、均方根误差(RM...     

基于混合效应的杂种落叶松人工幼龄林单木枯损模型

目的利用固定间隔期复测数据,运用不同方法建立杂种落叶松人工幼龄林单木枯损模型,为确定杂种落叶松合理的经营措施和推广应用提供依据。方法基于2003—2015年黑龙江省江山娇实验林场48块样地的复测数据,通过Logistic模型,利用全子集法和最大似然估计构建杂种落叶松单木枯损模型。使用列联表分析和分类率-阈值散点图,确定枯损模型预估时的最佳阈值。引入随机参数,构建样地水平广义线性混合模型。模型估计方法为自适应积分最大似然估计,模型筛选指标为Akaike信息标准(AIC)、贝叶斯信息标准(BIC)以及-2倍对数似然值。通过计算绝对平均偏差(Bias),绘制ROC曲线以及模型预估枯损率与实际枯损率直方图对两种模型的预测结果进行评价比较。结果包含单木(林木胸径,DBH;胸径平方,DBH2)、林分(林分断面积,BA)、竞争(大于对象木树木断面积之和变形,BALD)3个水平变量组合的单木枯损模型拟合效果最佳。杂种落叶松枯损主要发生在小径阶且相对竞争较大时。单木枯损概率随DBH增加逐渐减小,随BALD、BA增加而逐渐增加。最佳阈值有效提高了模型预估效果,方差-协方差结构为无结构矩阵(UN)时,四参数混合模型的拟合结果最佳,其预估的林分枯损率更接近实际林分枯损率。结论混合模型能够更有效地描述和预估杂种落叶松的单木枯损。阈值分析是提高二分类模型预测准确性的有效方法。杂种落叶松作为速生树种,幼龄时期应适时进行抚育间伐以减少枯损发生的概率。