基于BP神经网络的森林蓄积量估测

摘要

本文以浙江省重点林业县级市(龙泉市)为研究区域,以森林蓄积量为监测指标,在整合DEM(数字高程模型)、森林资源二类调查数据的基础上,为了有效估测森林蓄积量,建立了涵盖地形、地貌、气候、土壤、林分结构等特征的自变量因子集,应用 BP神经网络模型对目标变量(蓄积量)进行估测。主要研究内容和成果如下:　　(1)以30m分辨率的DEM为数据源,利用ArcGIS9.3提取或计算得到坡度(Slope)、坡向(Aspect)、海拔(Elevation)、地表曲率(Curvature)、太阳辐射量(Solar)、地形湿度指数(TWI)等6个因子的数据;以森林资源二类调查数据为数据源得到土层厚度、A层厚度、年龄、郁闭度、单位蓄积量等5个因子数据。　　(2)以单位蓄积量为监测指标,在科学性、系统性、经济性与实用性等原则指导下,建立了土层厚度、A层厚度、海拔、坡度、坡向、太阳辐射量、地形湿度指数、地表曲率、年龄、郁闭度等10个指标在内的自变量因子集。　　(3)以上述10个自变量因子为输入层向量,以平均单位蓄积量作为输出层向量。在MATLAB R2011a中按优势树种(分别为杉木、马尾松、硬阔类、黄山松)建立了BP神经网络模型,其各层神经元个数配置如下:输入层10个,隐含层21个,输出层1个。在此基础上,对研究区域的2007年度森林资源二类调查数据进行分组训练和仿真。结果表明:各优势树种个体平均相对误差IARE从28.61％到84.78%,其平均值为47.06%;群体相对误差GRE从6.35%到12.62%,平均值为9.49%。从仿真结果看,各类优势树种的群体相对误差均未超过15%,意味着仿真精度达到85%以上,说明模型的总体仿真效果与实际情况非常接近,虽然个体平均相对误差平均值达到了47.06%,但考虑到森林资源蓄积量估测通常都是以一个较大范围的群体(如一个行政区域或是一类优势树种)为单位的,所以,本文研究应用 BP神经网络来估测森林蓄积量具有较高的参考价值。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1研究背景与现状

1.2研究的目的与意义

1.3研究内容与技术路线

2人工神经网络

2.1人工神经网络概论

2.2 BP神经网络

2.3面向MATLAB工具箱的神经网络设计

3 研究数据与基础

3.1研究区概况

3.2自变量因子与监测指标

3.3研究区数据

4 数据预处理

4.1 DEM数据预处理

4.2 2007年度森林资源二类调查数据

4.3提取监测指标数据

4.4面向MATLAB的BP神经网络设计

5模型建立与森林蓄积量估测

5.1 BP神经网络模型的建立

5.2 BP网络的确证

5.3森林蓄积量仿真结果及分析——优势树种

5.4结果分析

6总结与展望

6.1本研究的研究成果

6.2本研究的不足之处

6.3研究展望

参考文献

致谢