基于bp神经网络的森林蓄积量估测-农业信息化专业论文.docxVIP

万方数据 万方数据 万方数据 万方数据 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 ArcGIS 9.3 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。 关键词：BP 神经网络，森林资源，蓄积量。 I ABSTRACT ABSTRACT This paper focuses on forestry county-level city in Zhejiang Province (Longquan City) as the study area, the forest reserves as the monitoring indicators, in order to effectively estimate forest reserves, we request the integration of DEM (digital elevation model) and Forest Resource Inventory data to establish independent variable factors set, which covering topography, climate, soil, forest structure characteristics. The target variable (reserves volume) uses the BP neural network model for estimation. The main contents and results are as follows: With the DEM of 30m resolution as data source, through ArcGIS 9.3 extracted or calculated 6 factors of the data, included slope , aspect , elevation , surface curvature , solar radiation , topographic wetness index (TWI); The forest resource inventory data have 5 factors of the data, obtained soil thickness, A layer thickness, age, canopy density, accumulation per unit volume, etc. Based on the principles of scientific, systemic, economical and practical guidance, unit volume for monit