声明
论文说明
摘要
1 绪论
1．1 研究背景
1．2 国内外研究进展
1．2．1 森林资源监测
1．2．2 森林资源多源数据融合
1．2．3 基于神经网络的森林资源动态监测
1．2．4 国内外发展趋势
1．3 研究目的与内容
1．3．1 研究目的
1．3．2 研究内容
1．4 研究技术路线
2 BP神经网络模型理论
2．1 人工神经网络理论
2．2 人工神经网络结构
2．2．1 分层型神经网络结构
2．2．2 互联型神经网络结构
2．3 神经网络的学习方式
2．4 BP神经网络
2．4．1 BP神经网络定义
2．4．2 BP神经网络计算步骤
2．4．3 BP神经网络的优缺点
2．5 改进的BP神经网络
2．5．1 消除样本输入顺序影响的改进算法
2．5．2 附加动量的改进算法
2．5．3 采用自适应调整参数的改进算法
2．5．4 使用弹性方法的改进算法
2．5．5 基于共轭梯度法的改进算法
2．5．6 基于Levenberg-Marquardt法的改进算法
2．6 本章小结
3 研究区概况及研究基础
3．1 研究区概况
3．1．1 研究区自然地理概况
3．1．2 研究区社会经济概况
3．1．3 研究区林业概况
3．1．4 研究区森林资源概况
3．2 监测指标与自变量因子
3．2．1 监测指标
3．2．2 自变量因子
3．3 研究区数据
3．3．1 行政区划数据
3．3．2 DEM数据
3．3．3 遥感数据
3．3．4 2007年度森林资源二类调查数据
3．3．5 2004年度和2010年度样地数据
3．3．6 特别说明
3．4 本章小结
4 数据预处理
4．1 DEM数据预处理
4．2 遥感数据预处理
4．2．1 转换坐标系
4．2．2 几何精校正
4．2．3 图像裁剪
4．2．4 辐射校正
4．3 自变量因子数据提取
4．4 监测指标数据提取
4．5 自变量因子数据整合
4．6 自变量因子隶属度求解过程与结果——以杉木为优势树种的小班
4．7 自变量因子隶属度求解结果——以马尾松为优势树种的小班
4．8 自变量因子隶属度求解结果——以硬阔类为优势树种的小班
4．9 自变量因子隶属度求解结果——以黄山松为优势树种的小班
4．10 本章小结
5 基于改进BP神经网络的森林资源蓄积量预测模型的建立
5．1 确定训练及仿真样本集
5．2 设置模型参数
5．3 建立网络
5．4 训练网络
5．5 网络仿真
5．6 森林资源蓄积量仿真结果及分析
5．6．1 杉木
5．6．2 马尾松
5．6．3 硬阔类
5．6．4 黄山松
5．7 本章小结
6 森林资源蓄积量反演和预测
6．1 2004年度森林资源蓄积量反演
6．1．1 样本数据及预处理
6．1．2 2004年森林资源蓄积量反演
6．1．3 反演结果分析
6．2 2010年度森林资源蓄积量预测
6．2．1 样本数据及预处理
6．2．2 2010年森林资源蓄积量预测
6．2．3 预测结果分析
6．3 本章小结
7 结论、创新点和讨论
7．1 主要研究成果与结论
7．2 创新点和新进展
7．3 讨论
参考文献
致谢
作者简历
