【摘要】：森林資源是人類賴以生存的發(fā)展的物質基礎,它不僅能夠為發(fā)展和生產(chǎn)提供各種各樣的物質原材料,同時對整個生態(tài)環(huán)境的穩(wěn)定和健康發(fā)展發(fā)揮著巨大的作用,準確測算林木生長數(shù)據(jù)具有重要意義。目前在實際調查中,胸徑、樹高等林業(yè)數(shù)據(jù)一般是利用傳統(tǒng)的測量儀器(如皮尺、卡尺等)進行測量和采集的,然后通過人工方式進行記錄。然而這種方式存在以下問題:(1)需要采集的參數(shù)種類多樣,經(jīng)常會導致誤測或漏測;(2)林業(yè)中需要測量的樹木非常多,巨大的工作量需要耗費大量的時間和精力。因此,利用先進技術對樹木生長進行有效預測,對森林科學經(jīng)營管理具有重要意義。BP人工神經(jīng)網(wǎng)絡具有自學習、高速尋找最優(yōu)解等優(yōu)點,近年來,BP神經(jīng)網(wǎng)絡在林業(yè)中得到了逐步應用。針對目前林業(yè)數(shù)據(jù)采集和統(tǒng)計領域存在的問題,以及在林地評估領域的不足之處,本文以景寧縣2004、2009和2014年國家一類清查的喬木人工林為研究對象,基于49塊喬木林樣地數(shù)據(jù),設計了一種基于多因子融合的BP神經(jīng)網(wǎng)絡樹木生長模型。利用皮爾遜相關系數(shù)根據(jù)相關因子與待預測因子之間的相關性選擇出若干種相關性較高的影響因子作為樹木生長模型的預測依據(jù),然后構建多輸入、三輸出的BP神經(jīng)網(wǎng)絡結構,并利用遺傳算法(Genetic Algorithm,GA)對BP神經(jīng)網(wǎng)絡進行優(yōu)化,從而提高BP神經(jīng)網(wǎng)絡的精度。最后利用選擇的數(shù)據(jù)訓練神經(jīng)網(wǎng)絡,即為樹木生長模型,通過輸入若干種林木影響因子預測樹木的平均樹高、平均胸徑和活立木蓄積量,并與其他模型進行了對比研究。實驗結果表明,在100組測試數(shù)據(jù)中,平均胸徑的總體相對誤差為5.89%,平均樹高的總體誤差為2.77%,活立木蓄積量的總體誤差為3.74%,模型總體誤差低于其他模型,說明本文設計的生長模型對林分生長具有更好的預測能力,能夠滿足實際應用的需求。
【學位授予單位】：浙江農(nóng)林大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：S758
【圖文】：

2.1 研究區(qū)域概況本文選取了浙江省麗水市景寧地區(qū)的人工林為研究對象，研究林位于浙江省西南部、屬浙南中山區(qū)。景寧縣地理坐標 27°28′42″～28°10′52″N，119°13′40″～119°58′19″E，縣域面積 1950km2，轄 2 街道、4 鎮(zhèn)、15 鄉(xiāng)，屬亞熱帶季風氣候，溫和濕潤，雨量充沛，年均溫度 17.5°C，年均降水量 1626mm[33-35]。研究區(qū)域屬于低山丘陵區(qū)，海拔高度位于 80-400m，全縣植被類型主要為針葉林、馬尾松、杉木、闊葉林、針闊混交林、毛竹林、經(jīng)濟特產(chǎn)林等。該地區(qū)的地形復雜，地勢呈現(xiàn)出由西南向東北方向漸傾的趨勢，地貌基本以深切割山地為主。研究區(qū)屬亞熱帶季風氣候區(qū)，常年雨水充足，四季分。由于景寧地區(qū)的地形比較復雜，海拔差距大，因此具有較強的垂直氣候差異[36]。由于具有良好的氣候環(huán)境因此動植物資源非常豐富，孕育了大量的森林資源，在眾多植物中，不但有優(yōu)良的用材樹種，還有許多重要的觀賞樹種和藥用植物。其中該地區(qū)具有伯樂樹、鵝掌楸、南方紅豆杉、香果樹、銀杏、厚樸等 30 多種國家自然保護植物[37]。因此將該地區(qū)的的人工林作為研究對象，具有較強的代表性。研究區(qū)域如圖 2.1 所示。

3.1 遺傳算法遺傳算法（Genetic Algorithm,GA）是一種模擬生物自然選擇和遺傳學的進化算法，其基本原理是模仿生物界的“物競天擇、適者生存”的演化法則[64-65]。遺傳算法的核心思想是將待求解的問題參數(shù)編碼為生物細胞內的染色體，然后通過迭代的方法對編碼的“染色體”進行選擇、交叉和變異，以此來對種群內的染色體信息進行交換，最終得到符合應用要求的染色體信息[66]。遺傳算法中的染色體對應的不是真正意義上的染色體，而是代數(shù)上的矩陣，通常一個染色體即由二維矩陣中的一維數(shù)據(jù)構成，一維數(shù)據(jù)上的數(shù)據(jù)對應了基因的取值，染色體也可被稱為基因型個體，一定數(shù)量的染色體即可構成一個群體。群體數(shù)量的多少稱為群體的規(guī)模。為與生物上的遺傳相類似，遺傳算法增加了適應度的概念，個體對于環(huán)境的適應能力可以用適應度的值進行表示[67]。遺傳算法的實現(xiàn)大致分為編碼、初始化種群、適應度計算、選擇、交叉和變異等步驟組成，具體的實現(xiàn)步驟如下所示，其中遺傳算法的實現(xiàn)步驟圖如圖 3.1 所示。

一種多因子融合的 BP 神經(jīng)網(wǎng)絡樹木生長模型研究神經(jīng)網(wǎng)絡，該網(wǎng)絡由Rumelhartt 和McClelland為首出，BP 神經(jīng)網(wǎng)絡已被廣泛的應用于對結果的預測領前饋神經(jīng)網(wǎng)絡最核心的部分[71-72]，因此目前的 80%以P 神經(jīng)網(wǎng)絡或是 BP 神經(jīng)網(wǎng)絡的優(yōu)化模型[71-72]。BP 神映射能力，是一種具有較好柔性的網(wǎng)絡結構，并且其的神經(jīng)元個數(shù)都可根據(jù)情況自行設定，具有較強的靈對結果的預測領域之中，并取得了良好的成效。經(jīng)網(wǎng)絡結構網(wǎng)絡由輸入層、隱層和輸出層三部分組成，其中隱層層之間通過訓練函數(shù)來進行數(shù)值的計算以及信號的傳非線性的，但輸出層的訓練函數(shù)可由輸入層與輸出層[73]。其網(wǎng)絡拓撲結構圖如圖 3.2 所示。

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡拐點預測法[J];金融經(jīng)濟;2017年18期

2 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡的短期電力負荷預測研究[J];電工技術;2019年11期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡大會述評[J];國際學術動態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡和行為識別[J];通訊世界;2018年12期

5 林嘉應;鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡的船舶分類模型[J];信息技術與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡的發(fā)展與應用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡的通用理論建造基石[J];世界科學;2019年04期

8 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設計研究[J];數(shù)字技術與應用;2018年04期

9 張庭略;;基于硬件的神經(jīng)網(wǎng)絡加速[J];通訊世界;2018年08期

10 蘇秀婷;;耦合神經(jīng)網(wǎng)絡的同步[J];紹興文理學院學報(自然科學);2016年03期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 孫軍田;張U

本文編號：2792054