《人工神經網路在森林資源動態監測中的套用》以浙江省重點林業縣級市（龍泉市）為研究區域，以森林資源蓄積量為主要監測指標，通過整合遙感影像、數字高程模型、森林資源二類調查數據、固定樣地調查數據等多源數據，建立了包含土層厚度、A層厚度、海拔、坡度、坡向、地表曲率、太陽輻射指數、地形濕度指數、樹齡、鬱閉度、歸一化植被指數、TM影像中的6個波段（Bl、B2、B3、B4、B5、B7）等17個指標在內的自變數因子集。通過多項式擬合，結合經驗數據求取各自變數因子的隸屬度，按優勢樹種（分別為杉木、馬尾松、硬闊類、黃山松）建立了基於1）evenberg—Marquardt最佳化算法改進的BP神經網路模型。在此基礎上，對研究區域各森林資源小班或細班的平均單位蓄積量進行仿真、反演和預測，總體精度均超過90%，高於森林資源二類調查的蓄積量總體抽樣精度標準。同時，還利用所建模型，以研究區域2007年度數據為樣本數據，估測了平均胸徑、平均樹高等森林調查因子，總體估測精度也達到90%以上。
基本介紹
- 書名：人工神經網路在森林資源動態監測中的套用
- 出版社：中國水利水電出版社
- 頁數：109頁
- 開本：16
- 品牌：中國水利水電出版社
- 作者：吳達勝
- 出版日期：2014年4月1日
- 語種：簡體中文
- ISBN：7517019171, 9787517019176
內容簡介,圖書目錄,
內容簡介
《人工神經網路在森林資源動態監測中的套用》結合了現代森林資源管理要求和信息技術特點，充分體現了先進技術在傳統行業領域套用中所產生的效果，可供森林資源管理工作者、信息技術套用人員、信息系統研究與開發人員參考使用。
圖書目錄
序
前言
第1章概論
1.1研究背景
1.2國內外研究進展
1.3研究目的與內容
1.4研究技術路線
第2章BP神經網路模型
2.1人工神經網路理論
2.2人工神經網路結構
2.3神經網路的學習方式
2.4BP神經網路
2.5改進的BP神經網路
2.6本章小結
第3章研究區概況及研究基礎
3.1研究區概況
3.2監測指標與自變數因子
3.3研究區數據
3.4本章小結
第4章數據預處理
4.1DEM數據預處理
4.2遙感數據預處理
4.3自變數因子數據提取
4.4監測指標數據提取
4.5自變數因子數據整合
4.6自變數因子隸屬度求解過程與結果——以杉木為優勢樹種的小班
4.7自變數因子隸屬度求解結果——以馬尾松為優勢樹種的小班
4.8自變數因子隸屬度求解結果——以硬闊類為優勢樹種的小班
4.10自變數因子隸屬度求解結果——以黃山松為優勢樹種的小班
4.10本章小結
第5章基於改進BP神經網路的森林資源蓄積量預測模型的建立
5.1確定訓練及仿真樣本集
5.2設定模型參數
5.3建立網路
5.4訓練網路
5—5網路仿真
5.6森林資源蓄積量仿真結果及分析
5.7本章小結
第6章森林資源蓄積量反演和預測
6.12004年度森林資源蓄積量反演
6.22010年度森林資源蓄積量預測
6.3本章小結
第7章胸徑、樹高等調查因子的估測
7.1平均胸徑的估測
7.2平均樹高的估測
7.3本章小結
第8章總結與展望
8.1主要研究成果與結論
8.2創新點
8.3展望
參考文獻
前言
第1章概論
1.1研究背景
1.2國內外研究進展
1.3研究目的與內容
1.4研究技術路線
第2章BP神經網路模型
2.1人工神經網路理論
2.2人工神經網路結構
2.3神經網路的學習方式
2.4BP神經網路
2.5改進的BP神經網路
2.6本章小結
第3章研究區概況及研究基礎
3.1研究區概況
3.2監測指標與自變數因子
3.3研究區數據
3.4本章小結
第4章數據預處理
4.1DEM數據預處理
4.2遙感數據預處理
4.3自變數因子數據提取
4.4監測指標數據提取
4.5自變數因子數據整合
4.6自變數因子隸屬度求解過程與結果——以杉木為優勢樹種的小班
4.7自變數因子隸屬度求解結果——以馬尾松為優勢樹種的小班
4.8自變數因子隸屬度求解結果——以硬闊類為優勢樹種的小班
4.10自變數因子隸屬度求解結果——以黃山松為優勢樹種的小班
4.10本章小結
第5章基於改進BP神經網路的森林資源蓄積量預測模型的建立
5.1確定訓練及仿真樣本集
5.2設定模型參數
5.3建立網路
5.4訓練網路
5—5網路仿真
5.6森林資源蓄積量仿真結果及分析
5.7本章小結
第6章森林資源蓄積量反演和預測
6.12004年度森林資源蓄積量反演
6.22010年度森林資源蓄積量預測
6.3本章小結
第7章胸徑、樹高等調查因子的估測
7.1平均胸徑的估測
7.2平均樹高的估測
7.3本章小結
第8章總結與展望
8.1主要研究成果與結論
8.2創新點
8.3展望
參考文獻
