【摘要】：森林是地球陸地上最大的、也是最復雜的生態(tài)系統(tǒng),其面積約占地球陸地總面積的三分之一。森林生物量約占地球陸地生態(tài)系統(tǒng)總生物量的90%,且其在全球碳循環(huán)過程中發(fā)揮著決定性的作用,因此可以將森林看作是地球上最寶貴的資源之一。正因為以上原因,研究如何快速、高效地對生物量、蓄積量等森林資源信息進行估測,具有非常重要的意義與價值。遙感(Remote Sensing,RS)技術作為一種非接觸的探測技術,可以實現(xiàn)對森林的快速、大尺度、周期性探測,非常適合森林資源信息估測研究。本文以“高分一號”衛(wèi)星(GF-1)遙感影像為數(shù)據(jù)源,以甘肅省黑河大野口流域為研究區(qū),對研究區(qū)內的森林資源信息進行估測,主要研究內容包括:1、分析從遙感影像上提取的特征與森林生物量之間.的相關關系。從GF-1遙感影像上提取了光譜信息與植被指數(shù)作為估測模型的特征變量,對這些特征變量與森林生物量進行相關性分析,結果表明從遙感影像上提取的特征與森林生物量之間的相關性都非常的微弱,因此在基于遙感技術進行森林資源信息估測時,使用非線性方法更為適宜。2、將深度學習方法引入森林資源信息估測領域,提出了一種基于深度學習的森林資源信息估測方法。深度學習作為一種非線性學習方法,已經(jīng)在諸多研究領域取得了良好的效果。本文在對深度學習相關理論進行敘述的基礎上,提出一種利用深度學習構建森林生物量估測模型的方法。并通過實驗證明這種方法是可行的,通過與傳統(tǒng)基于BP神經(jīng)網(wǎng)絡的估測方法進行比較,可以證明其估測準確度優(yōu)于傳統(tǒng)的基于BP神經(jīng)網(wǎng)絡的森林生物量估測方法。3、通過對實驗結果的分析,討論了當使用較少數(shù)量的訓練樣本進行森林資源信息估測時,估測模型存在的問題與解決方法。森林結構參數(shù)的測量非常復雜,導致了森林資源信息估測實驗中訓練樣本數(shù)量通常較少。在使用神經(jīng)網(wǎng)絡等非參數(shù)模型時,訓練樣本的質量對估測結果會產生較大的影響。針對這種情況,本文提出了一種隨機劃分訓練樣地與驗證樣地,進行多次實驗的方法,對模型進行驗證。當對整個研究區(qū)進行生物量估測時,可以使用準確度最高的神經(jīng)網(wǎng)絡參數(shù)進行估測,保證最好的準確度。
【學位授予單位】：西安科技大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：S757
【圖文】：

神經(jīng)網(wǎng)絡樣需要更pagation, B層神經(jīng)網(wǎng)經(jīng)網(wǎng)絡模算輸出值權值向量是最優(yōu)的 層 神, ), ( ,1 2y x y始化：當隨機分布向計算：絡的學習能力更為強大的BP)，該算法網(wǎng)絡模型被模型的基本值（向量）與量w與偏置的神經(jīng)網(wǎng)絡模經(jīng) 元 的),......, (2 mx當沒有輸入布產生。：當神經(jīng)網(wǎng)圖 2.2力遠強于單的算法。198法也是神經(jīng)稱之為 BP本原理為：輸與真實值（b ，通過若模型。針對單 隱 層, )}, m iy x入向量傳入神網(wǎng)絡開始計算h 多層感知機單層的感知機86 年，Rum經(jīng)網(wǎng)絡領域神經(jīng)網(wǎng)絡模輸入值（向（向量）的誤若干次迭代，對一個有d 個前 饋 神,d lR Riy神經(jīng)網(wǎng)絡中算后，隱藏dih iv x 機示意圖機模型，但melhart 等中應用最為模型[41-42]。量）通過前誤差，并將，最終得到個輸入層神經(jīng) 網(wǎng)時，其具中時，神經(jīng)網(wǎng)藏層第h個神但與此同時，人提出了反為廣泛的訓練前向計算產將誤差反向傳到一個最優(yōu)的神經(jīng)元，l個絡 ， 訓體步驟如下網(wǎng)絡中權值神經(jīng)元接收，訓練多反向傳播練算法，生一個輸傳播用于的權值向個輸出層神練 數(shù) [43]：值向量w與收到的輸入

觀特nni絡局觀點，分別擁有多個特征對數(shù)據(jù)針對深度神ning)來解決nton 提出的ted Boltzm是一個無監(jiān)隱藏層的神藏層神經(jīng)ining)，當神絡進行訓練局最優(yōu)，從。別是：隱藏層的人據(jù)有更本質神經(jīng)網(wǎng)絡難決，即將上的深度置信mann Machin監(jiān)督逐層訓神經(jīng)元時，經(jīng)元的輸出神經(jīng)網(wǎng)絡中練。這種做法從而有效地避人工神經(jīng)網(wǎng)的代表性，難以訓練達到上一層訓練好信網(wǎng)絡(Deepne, RBM)堆練(unsuper將上一隱藏出作為下一中的每一層法可視為先避免了梯度網(wǎng)絡具有優(yōu)秀將有利于到最優(yōu)的問好的結果作p Belief Ne堆疊組成，網(wǎng)rvised layer-藏層神經(jīng)元一隱藏層的層都“預訓練先在相鄰隱藏度消失這一情秀的特征學可視化和分問題，可以通作為下一層訓etwork, DB網(wǎng)絡中的每-wise traini元的輸出作為的輸入，這練”完成以藏層中尋找情況的發(fā)生學習能力，深分類問題。通過“逐層初訓練的初始BN)由一系列每一層都是一ng)模型，其為這一隱藏這種做法被以后，再使用找局部最優(yōu)生。深度置信深度學習初始化”(L始化參數(shù)。列受限玻一個受限其基本思藏層神經(jīng)元被稱為“預用反向傳，再在整信網(wǎng)絡示預

【參考文獻】

相關期刊論文 前10條

1 王月婷;張曉麗;楊慧喬;王書涵;白金婷;;基于Landsat8衛(wèi)星光譜與紋理信息的森林蓄積量估算[J];浙江農林大學學報;2015年03期

2 孫雪蓮;舒清態(tài);歐光龍;胥輝;;基于隨機森林回歸模型的思茅松人工林生物量遙感估測[J];林業(yè)資源管理;2015年01期

3 劉茜;楊樂;柳欽火;李靜;;森林地上生物量遙感反演方法綜述[J];遙感學報;2015年01期

4 牛峗;劉賢德;敬文茂;馬劍;;祁連山大野口流域氣溫、降水、河川徑流特征分析[J];干旱區(qū)地理;2014年05期

5 劉俊;畢華興;朱沛林;孫菁;朱金兆;陳濤;;基于ALOS遙感數(shù)據(jù)紋理及紋理指數(shù)的柞樹蓄積量估測[J];農業(yè)機械學報;2014年07期

6 ;第八次全國森林資源清查結果[J];林業(yè)資源管理;2014年01期

7 王佳;宋珊蕓;劉霞;楊慧喬;馮仲科;;結合影像光譜與地形因子的森林蓄積量估測模型[J];農業(yè)機械學報;2014年05期

8 王云飛;龐勇;舒清態(tài);;基于隨機森林算法的橡膠林地上生物量遙感反演研究——以景洪市為例[J];西南林業(yè)大學學報;2013年06期

9 張超;彭道黎;黨永峰;智長貴;;三峽庫區(qū)森林蓄積量遙感監(jiān)測及其動態(tài)變化分析[J];東北林業(yè)大學學報;2013年11期

10 黃文奇;李明陽;周奇;;基于典型樣地的城市風景林蓄積量估測方法比較[J];東北林業(yè)大學學報;2013年11期

相關博士學位論文 前4條

1 胡博;全國森林覆蓋信息快速提取技術研究[D];中國林業(yè)科學研究院;2016年

2 樂源;基于光譜數(shù)據(jù)的植被重點參數(shù)反演方法研究[D];武漢大學;2014年

3 楊永恬;基于多源遙感數(shù)據(jù)的森林蓄積量估測方法研究[D];中國林業(yè)科學研究院;2010年

4 劉清旺;機載激光雷達森林參數(shù)估測方法研究[D];中國林業(yè)科學研究院;2009年

本文編號：2732163