基于BP神经网络的油松人工林生长模型

合集下载

基于GreenLab的油松结构-功能模型

植物生态学报 2009, 33 (5) 950~957Chinese Journal of Plant Ecology基于GreenLab的油松结构-功能模型国红1*雷相东1 Veronique Letort2陆元昌1Philippe de Reffye2(1 中国林业科学研究院资源信息研究所,北京 100091) (2 中国科学院自动化研究所中法联合实验室,北京 100080)摘要植物结构-功能模型(Functional-structural models, FSMs)将结构模型与过程模型结合起来, 用以描述环境机制驱动的植物生长, 输出植物的三维结构。

GreenLab是一个近年来不断发展着的基于源-汇关系的通用植物结构-功能模型, 它多应用于农作物, 在树木方面的应用还很少。

该文以幼龄油松(Pinus tabulaeformis)为研究对象, 首次将GreenLab模型应用到虚拟树木生长的研究中。

采用破坏性取样, 实测了9株油松幼树的形态结构、拓扑结构和器官生物量信息, 根据拓扑编码体系组织数据。

模型的直接参数是通过实测数据获得的, 隐含参数是利用非线性最小二乘法拟合反求获得的。

对模型的假设进行了验证, 并对模型的模拟效果进行了评估, 结果表明: 节间总鲜质量、树木叶总鲜质量、节间鲜质量、节间长度观测值和模型模拟值建立的回归方程的决定系数在0.78~0.91之间, 因此该模型较真实地反映了油松的结构和生长过程。

提出的树木结构和生物量测量及编码方法, 可作为针叶树建立结构-功能模型的参照。

关键词林木结构-功能模型生物量生产和分配拓扑结构源-汇关系油松A FUNCTIONAL-STRUCTURAL MODEL GREENLAB FOR PINUS TABULAE-FORMISGUO Hong1*, LEI Xiang-Dong1, Veronique Letort 2, LU Yuan-Chang1, and Philippe de Reffye 21Research Institute of Forest Resource Information Techniques, Chinese Academy of Forestry, Beijing 100091, China, and 2Sino-French Laboratory of Informatics, Automation and Applied Mathematics, Institute of Automation,, Chinese Academy of Sciences, Beijing 100080, China Abstract Aims Functional-structural plant modeling is concerned with the integration of architec-ture and resource allocation as aspects of plant function. It can depict the three-dimensional presentation of plants for use in analyzing individual tree growth and interactions between structural architecture and resource allocation in environments. Our objective was to parameterize and validate the func-tional-structural model GreenLab for young Pinus tabulaeformis to simulate its growth. Few studies have applied the GreenLab model to trees.Methods Destructive sampling was done to collect detailed data including structure and biomass measurements from 9 young P. tabulaeformis trees. We used the functional-structural GreenLab model that has been successfully calibrated for several crops. To extend its application in tree growth analysis, we validated the basic hypotheses of the model such as constant allometry rules and source-sink rela-tionships. Direct parameters were attained from the measurement data and hidden parameters of the model were calibrated using the generalized least squares method.Important findings Simulations of P. tabulaeformis growth based on the fitted parameters were rea-sonably accurate. The coefficients of determination of linear regression equations between observations and predictions ranged from 0.78 to 0.91. The topological code system was set up to analyze tree topo-logical structure for simulation. The calibrated parameters can be used to simulate and visualize 3D representation of pine trees. The methods for measuring tree topology and biomass and coding system can serve as a reference for the development of functional-structural models of coniferous trees.Key words tree functional-structural model, biomass production and allocation, topological structure,source-sink relationship, Pinus tabulaeformis——————————————————收稿日期: 2008-10-22 接受日期: 2009-05-15基金项目: 中央级公益性科研院所基本科研业务费专项基金(RIFRIGTZGZ2007008)、国家自然科学基金(60073007和30872022)和国家林业局948引进项目(2008-4-63)* E-mail: hongguo@5期国红等: 基于GreenLab的油松结构-功能模型DOI: 10.3773/j.issn.1005-264x.2009.05.014 951 DOI: 10.3773/j.issn.1005-264x.2009.05.014树木的形态结构在其生长过程中起着重要的作用, 纯粹的结构模型常常缺少与生理生态过程的联系, 而过程模型往往简化了树木的结构。

油松人工林相容性生长联立方程组模型构建

油松人工林相容性生长联立方程组模型构建刘宁;王彬;郑淑霞;李玉桂【期刊名称】《西南林业大学学报（自然科学）》【年(卷),期】2024(44)2【摘要】以西宁市周边山地人工林为研究对象,利用近2年森林资源更新调查数据,构建油松林相容性生长联立方程组模型,采用似乎不相关回归法求解模型参数,并对模型进行异方差修正,最后检验所构建的相容性生长联立方程组模型预测精度及适应性。

结果表明:相容性生长联立方程组模型对平均胸径、平均树高和每公顷断面积的预估精度均在93%以上,MSE和TRE值均在±2%以内,卡方检验结果远远小于临界值,预测效果优于独立拟合模型。

在油松中幼龄林阶段,胸径、树高和断面积生长均与林分密度指数和地位级指数正相关;胸径、树高生长对地位级指数更敏感,而断面积生长对林分密度指数更敏感。

基于模型预测结果,油松林分胸径快速增长期在5~25 a,年均生长量为0.33 cm;树高快速增长期在5~30 a,年均生长量为0.23 m;断面积在15 a之前增速最快,年均生长量为0.13 m2/hm2。

本研究所构建的油松林相容性生长联立方程组模型预测精度高,可用来预测西宁市及相似生态区油松林分胸径、树高和断面积生长,为林分生长及收获预估、科学合理经营提供参考。

【总页数】8页(P119-126)【作者】刘宁;王彬;郑淑霞;李玉桂【作者单位】青海大学农牧学院;青海省农林科学院;青海省高原林木遗传育种重点实验室;青海省南北山绿化服务中心【正文语种】中文【中图分类】S758【相关文献】1.基于BP神经网络的油松人工林生长模型2.北京山区油松人工林单木材积生长量BP神经网络模型3.油松中幼人工林单木胸径生长模型研究4.基于哑变量的油松人工林和天然林生长模型因版权原因，仅展示原文概要，查看原文内容请购买。

北京山区油松人工林单木材积生长量BP神经网络模型

北京山区油松人工林单木材积生长量BP神经网络模型史宇;余新晓;张佳音;高志亮;张振明;朱建刚【期刊名称】《东北林业大学学报》【年(卷),期】2010(038)002【摘要】采用综合分析法和相关分析法选定每公顷蓄积量、标准木年龄、标准木树高、标准木胸径为输入变量,以标准木的上个生长季的材积连年生长量为输出变量,建立三层结构的油松(Pinus tabulaeformis Carr.)人工林单木材积生长量BP神经网络模型.利用北京山区78块各类型油松人工林样地调查数据对模型进行训练和仿真模拟.通过综合比较得出网络模型结构为4: 11:1的网络模型具有最好的模拟效果,训练精度可达94.024%.此模型可以准确、简单、快速的对北京山区油松人工林的单木材积生长量进行有关的分析、计算、模拟和预测.【总页数】3页(P20-22)【作者】史宇;余新晓;张佳音;高志亮;张振明;朱建刚【作者单位】北京林业大学,北京,100083;北京林业大学,北京,100083;北京林业大学,北京,100083;北京林业大学,北京,100083;北京林业大学,北京,100083;北京林业大学,北京,100083【正文语种】中文【中图分类】S791.254;TP183【相关文献】1.油松人工林单木胸径生长量与竞争因子的关系 [J], 王玉涛;刘平;魏忠平2.油松人工林单木胸径生长过程模拟及检验 [J], 刘平;王玉涛;马履一3.蒙古栎天然林单木生长模型研究——Ⅰ.直径生长量模型 [J], 马武;雷相东;徐光;杨英军;王全军4.甘肃小陇山林区油松人工林单木生物量的研究 [J], 杜维忠5.基于单木断面积生长量的湖南栎类次生林立地评价研究 [J], 廖波;戴兴安因版权原因，仅展示原文概要，查看原文内容请购买。

油松人工林叶面积指数与其生物量及生长因子关系的研究

指数在森林培育中常作为评价林分结构是否合理的重要指标之一。本文以大青山区３０ａ生油松人工林为研究对象，于２００６年测定了油松人工林的叶面积、叶面积指数等指标，分析了叶面积、叶面积指数与生物量及林分生长因子的关系，从而为准确估计、预测林分叶面积指数和林分生产力提供了理论依
据。
Ａ＝２１（１＋氧ｎ。ｖＬ）
叶的叶面积开始时增长速率较缓慢＋之后随总叶面
积的增加增长速率逐渐增大。而多年生叶的叶面积
随总叶面积的增加增长速率一直处于较高的水平，说明多年生叶为总叶面积的重要组成部分，对总叶
面积影响也较大。
ｙ＝２．１６ＥＸＰ（Ｏ００４Ｘ１．５２）
ｙ＝５４４ＥＸＰ（００００１：；２．２６１９
７５３
ｙ＝２ｘ１０－”ＥＸＰ（８１６５１００１）
及生物学、生态学等领域得到广泛应用”Ｊ。叶面积
２研究方法
在对试验地全面踏查的基础上，选取了具有代表性的１ｌ块标准地。根据每木检尺的调查结果，各样地选取５株标准木，将标准木树冠分为上、中、下三层，每层随机选取两个标准枝。按一年生、二年生和多年生叶全部分层摘下后从中随机抽取不少于５０片样叶，准确测定各龄抽样叶的叶面积和叶干重，利用抽样叶叶面积与叶干重的比例关系，结合取样枝叶干重推算出取样枝叶面积，由取样枝叶面积换算单株叶面积，进而扩大到整个样地，求得样地总叶面积及叶面积指数。其中油松抽样叶叶面积的计算采用针叶树叶面积（体积排水法）公式如下：
（ＣＤｌｌｅｇｅｏｆＦｏｒｅｓｔｒｙ，ＩｎｎｅｒＭｏｎｇｏｌｉａＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙ，Ｈｕ＾ｈｏｔ
０１００１９，ｈⅣＭｏｎｇｏＬｉａ，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｈｅｒｅｌａｔｉｏｎｓｈｉｐａｍｏｎｇｔｈｅ１ｅａｆ

基于BP神经网络和纹理特征的马尾松图像分割方法_黄健

福建农林大学学报(自然科学版)第38卷第6期J o u r n a l o f F u j i a nA g r i c u l t u r e a n dF o r e s t r y U n i v e r s i t y(N a t u r a l S c i e n c e E d i t i o n)2009年11月基于B P神经网络和纹理特征的马尾松图像分割方法黄　健,黄习培,李金铭(福建农林大学计算机与信息学院,福建福州350002)摘要:马尾松图像中树干部分的纹理可以很好地描述图像中的分割目标,表明神经网络可应用于该分类问题,如果给予较理想的训练样本,就可以得到较好的网络;再用此训练好的网络对输入图像进行分割就会得到较好的结果.结果表明这种方法效果良好.关键词:图像分割;G a b o r滤波器;纹理特征;B P网络;马尾松中图分类号:T P391.41文献标识码:A文章编号:1671-5470(2009)06-0649-04I m a g e s e g m e n t a t i o no f p i n u s m a s s o n i a n a b a s e do nB Pn e u r a l n e t w o r ka n dt e x t u r e f e a t u r eH U A N GJ i a n,H U A N GX i-p e i,L I J i n-m i n g(C o l l e g e o f C o m p u t e r a n d I n f o r m a t i o n,F u j i a n A g r i c u l t u r e a n dF o r e s t r y U n i v e r s i t y,F u z h o u,F u j i a n350002,C h i n a)A b s t r a c t:T h e i m a g e t e x t u r e o f p i n u s m a s s o n i a n at r u n k s c o u l d b e ag o o dd e s c r i p t i o no f t h e t a r g e t i m a g e s e g m e n t a t i o n.T h e r e s u l t s h o w e dt h e n e u r a l n e t w o r kc o u l d b e a p p l i e d t o t h i s k i n d p r o b l e m.I f i d e a l t r a i n i n g s a m p l e s w e r e p r o v i d e d,t h e r e s u l t o f s e g m e n t a t i o n c o u l d b e b e t t e r.T h e e x p e r i m e n t r e s u l t s s h o w e dt h ee f f e c t o f t h i s m e t h o d w a s b e t t e r.K e yw o r d s:i m a g e s e g m e n t a t i o n;G a b o r f i l t e r;t e x t u r e f e a t u r e;B Pn e t w o r k;p i n u s m a s s o n i a n a林分蓄积量是鉴定森林数量和质量的重要指标,可对森林进行评价,为森林的经营、管理、区划提供可靠的依据.国内外许多学者在森林蓄积遥感估测方面进行了大量的研究工作,例如使用光学遥感数据和微波遥感数据进行森林蓄积量估测.马尾松树干部分的纹理符合霍金斯判别纹理特征的3要素[1]:一是某种局部的序列性;二是序列,由基本部分非随机排列组成;三是各部分大致都是均匀的统一体.B P神经网络因其具有并行处理能力和非线性的特点而特别适合于解决分类问题[2].它将图像分割问题转化为诸如能量最小化、分类等问题,即先利用训练样本集对网络进行训练,再用训练好的网络去分割新的图像.B P神经网络在农林科学的研究领域也有广泛应用[3-4].本文提出用G a b o r小波滤波器提取马尾松树干的纹理特征,利用所提取的树干纹理特征作为B P网络的训练样本,采用神经网络对含马尾松图像的林木进行分割,并对实测的马尾松图像进行分割,分割得到的树干部分可作为马尾松蓄积估算的依据[5].1　马尾松树干部分纹理特征提取1.1　纹理特征提取纹理特征是一种全局特征,它也描述了图像或图像区域所对应景物的表面性质.与颜色特征不同,纹理特征不是基于像素点的特征,它需要在包含多个像素点的区域中进行统计计算.作为一种统计特征,纹理特征常具有旋转不变性,并且对于噪声有较强的抵抗能力.可利用纹理特征分割粗细、疏密等差别较大的纹理图像.但当纹理之间的粗细、疏密等信息相差不大的时候,通常的纹理特征很难准确地反映出纹理之间的差别.常用的纹理特征提取方法有统计方法、几何法、模型法和信号处理法.1.2　马尾松树干纹理的G a b o r小波提取G a b o r小波滤波是一种纹理提取方法,它能够针对人的视觉更加有效地刻画出纹理的特性,因而在图收稿日期:2009-03-06 修回日期:2009-07-10作者简介:黄健(1975-),男,实验师,硕士.研究方向:图形图像处理与计算机网络管理.像处理方面得到了广泛应用[6],一个二维G a b o r 小波的基函数可以定义为:g (x ,y )=12πσx σy e x p -12x 2σ2x +y 2σ2y +2πj ωx (1) 其中,g (x ,y )是经过复数正弦函数调制的G a u s s i a n 函数,σx 、σy 分别为Ga b o r 小波基函数沿x 轴和y 轴方向的方差,w 为中心频率.这里G a b o r 小波基函数是以(w ,θ)为中心频率的带通滤波器.通过对G a b o r 小波基函数g (x ,y )进行尺度伸缩和旋转形成G a b o r 小波族:g m n (x ,y )=a -m g (x ′,y ′),a>1,m ,n ∈Z (2) 其中:x ′=a -m (x c o s θ,y s i n θ),y ′=a -m (-x c o s θ,y s i n θ),θ=n πk,k 是方向数,a -m 是尺度因子.用G a b o r 小波提取图像的纹理特征,只要将输入图像与G a b o r 小波进行卷积运算即可得到不同方向和尺度的子带.由此可知,只要给定x 方向、y 方向的方差、基函数的频率,以及滤波方向,就可以构造出一个G a b o r 小波滤波器,而这些参数会影响滤波器的性能.人们根据不同的目标提出许多参数设定的方法[7].设输入纹理图像为I (x ,y ),则经G a b o r 分解输出的图像为I m n (x ,y )=I (x ,y ) g m n (x ,y )(3) 本研究对获得的样本作了统计分析,得到参数的近似值,各参数分别取2、4、6、π3.图1是一个马尾松树干的G a b o r 小波分解结果.A .马尾松树干的G a b o r 小波分解结果;B .由图1A 得到的G a b o r 小波滤波结果;C .由图1B 得到的纹理边缘.图1　G a b o r 小波滤波器提取的马尾松树干纹理F i g .1　T r u n kt e x t u r e o f p i n u s m a s s o n i a n a e x t r a c t e db yG a b o r w a v e l e t f i l t e r2　基于B P 网络的图像分割2.1　构造用于图像分割处理的B P 网络2.1.1　学习样本数据的归一化　训练集各个样本数据的数值范围直接关系到网络学习的结果,由于森林图像的成像受外界光线的影响严重,当图像处于阴影之中时数值的变化范围很小,直接用G a b o r 滤波器组提取它们的纹理特征并不能有效地对网络权值进行修正,所以在对图像进行纹理特征提取前必须进行图像均衡化处理.同时为了让纹理提取算法具有旋转不变性(由于树干不全是直的),每个样本将按照4个角度(0°、30°、60°、90°)旋转得到4个样本.2.1.2　B P 网络相关参数的选择　具有偏差和至少一个S 型隐含层加上一个线性输入层的网络,能够逼近任何有理函数.增加层数可以进一步降低误差,提高精度,但同时也使网络复杂化.另外不能用仅具有非线性激活函数的单层网络来解决问题.因为能用单层网络解决的问题也可用自适应线性网络解决,而且自适应线性网络的运算速度更快.而对于只能用非线性函数解决的问题,单层精度不够高,也只有通过增加层数才能达到期望的结果.根据前人的研究成果和实际应用经验,B P 神经网络在模式识别及分类中具有良好的性能[8],而且一个具有无限隐含层节点的3层B P 网络可以实现任意从输入到输出的非线性映射,所以这里采用3层B P 网络.尽管输入和输出单元数分别由输入向量的维数和类别数决定,但是隐单元个数并不简单地与此类问题的外在特性相关.隐单元个数决定了网络的表达能力,从而决定了边界的复杂度.如果模式较易分开或线性可分,那么仅需要较少的隐单元;相反,如果从具有较高分散性的复杂度概率密度中抽取的,则需要更650福建农林大学学报(自然科学版)第38卷　多的隐单元.过多的隐单元可以精细地调节到特定的训练集上,但测试样本的误差率过高;过少的隐单元则不具备足够的自由度来较好地拟合训练样本,测试误差率依然很高.一个基本的方法是根据训练数据相应地调节网络的复杂程度.由试验结果可知,当输入层节点数为32、隐含层节点数为32、输出层节点数为2时,可以取得很好的效果[9].隐含层和输出层的传递函数均选用非线性S 型函数,以完成输入模式到输出模式的非线性映射.标准的B P 学习算法通常具有收敛速度慢、易陷入局部极小等缺点,因此出现了许多改进的算法.初始权值为(-0.5,+0.5)之间的随机数,误差为0.01.2.2　基于纹理特征和B P 网络的马尾松图像分割方法选取训练样本(大小为16×16像素的子图像)40个,含马尾松树干纹理和不含马尾松树干纹理子图像各20个.为了提高识别效果,将所有样本图像按照4个方向(0°、30°、60°、90°)进行旋转得到160个样本图像.对160个样本图像进行直方图均衡化处理,用G a b o r 滤波器组卷积得到特征能量图,并计算它们的均值和方差,得到的神经网络输入向量(图2)即为提取得到的纹理特征.当其含有树干纹理时输出向量为[1,0],当其不含有树干纹理时输出向量为[0,1].通过训练神经网络得到用于识别树干纹理子图像的网络. 将待处理的整幅图像分割为16×16的子图像,同时生成一幅与整幅图像大小相同的结果图像;将它赋值255(即背景色),对每个子图像直方图均衡化;用多通道G a b o r 滤波器组求得特征能量图,并计算它们的均值和方差,得到神经网络的输入向量.将神经网络的输入向量输入训练好的网络,如果输出向量的第1个分量大于第2个分量,将结果图像中对应的点赋值0.图2　G a b o r 小波滤波后提取的纹理特征F i g .2　T e x t u r e f e a t u r e e x t r a c t e d b yG a b o r w a v e l e t f i l t e r3　结论与讨论为了说明整个纹理提取算法的有效性,对不同成分的森林图像进行纹理提取,其中含有马尾松的80幅,不含马尾松的20幅.图3给出了算法试验结果的3个例子的原始图像;图4为提取的纹理区域图像(白色表示树干区域).图像为480×480像素,子图像为16×16像素.651　第6期黄健等:基于B P 神经网络和纹理特征的马尾松图像分割方法从结果可以看出,在没有噪声的情况下识别的效果十分理想,如图4A 所示,在背景较少或背景色与目标颜色相差很大时也有利于目标的识别(图4B ).当背景色与前景色相差不大时,由于背景中也可能有相似纹理存在而导致分割结果不太理想,如图4C 所示.参考文献[1]于海鹏,刘一星,刘镇波.木材纹理的定量化算法探究[J ].福建林学院学报,2005,25(2):157-162.[2]杨嘉麟,郑文岭,马文丽,等.基于改进的B P 神经网络的血液细胞图像分割[J ].微型电脑应用,2008,24(4):4-7.[3]唐南奇,谭明军.基于人工神经网络农用地分等研究Ⅰ.分等模型与精度检测[J ].福建农林大学学报:自然科学版,2004,33(2):241-244.[4]唐南奇,谭明军.基于人工神经网络农用地分等研究Ⅱ.前置数据优化处理[J ].福建农林大学学报:自然科学版,2004,33(4):512-516.[5]孙红,孙明.农作物无损检测的机器视觉系统标定方法研究[J ].农机化研究,2007(2):61-66.[6]M A N J U N A T HBS ,M AW Y .T e x t u r e f e a t u r e s f o r b r o w s i n g a n dr e t r i e v a l o f i m a g e d a t a [J ].I E E ET r a n s a c t i o n s o nP a t t e r nA -n a l y s i s a n dM a c h i n e I n t e l l i g e n c e ,1996,18(8):837-842.[7]赵英男,杨静宇,孟宪权.一种实用的G a b o r 滤波器组参数设置方法[J ].计算机工程,2006,32(19):173-175.[8]董长虹.M a t l a b 神经网络与应用[M ].北京:国防工业出版社,2007.[9]R I C H A R DOD ,P E T E REH ,D A V I DGS .模式分类[M ].2版.李宏东,姚天翔,译.北京:机械工业出版社,2003.(责任编辑:叶济蓉) 652福建农林大学学报(自然科学版)第38卷　。

基于BP神经网络的油松林小气候的模型研究

第３１卷第２期２０１３年４月
ቤተ መጻሕፍቲ ባይዱ
石河子大学学报（自然科学版）ＪｏｕｒｎａｌｏｆＳｈｉｈｅｚｉＵｎｉｖｅｒｓｉｔｙ［Ｎａｔｕｒａｌ，Ｓｃｉｅｎｃｅ）
ＶｏＩ．３１ＮＯ．２
相互关系，为油松人工林小气候预测、林分生态效益的定量评价及森林资源经营管理提供科学依据，本研究利用延庆不同密度油松人工林林分、林缘及农田的小气候监测数据，构建了林缘一林分、农田一林分立体空间的ＢＰ神经网
Ｂｅｉｊｉｎｇ１０００８３，Ｃｈｉｎａ；２ＳｈｉｈｅｚｉＵｎｉｖｅｒｓｉｔｙ．Ｓｈｉｈｅｚｉ８３２０００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｆｒｏｍｔｈｅｐｅｒｓｐｅｃｔｉｖｅｏｆｍｏｄｅｌ，ｔｈｅｉｎｔｅｒｒｅ１ａｔｉｏｎｓｈｉｐｏｆｆｏｒｅｓｔｍｉｃｒｏｃｌｉｍａｔｅｗｉｔｈｆｏｒｅｓｔｅｄｇｅｍｉｅｒｏｃｌｉｍａｔｅａｎｄｆａｒｍｍｉ — ｃｒｏｃｌｉｍａｔｅｗａｓｓｔｕｄｉｅｄｔｏｅｘｐｌｏｒｅｗｈｅｔｈｅｒｆｏｒｅｓｔｅｄｇｅｍｉｃｒｏｃｌｉｍａｔｅｏｒｆａｒｍｍｉｃｒｏｃｌｉｍａｔｅｗｏｕｌｄｐｒｅｄｉｃｔｆｏｒｅｓｔｍｉｃｒｏｃｌｉｍａｔｅＳＯａｓｔｏｐｒｏｖｉｄｅｓｃｉｅｎｔｉｆｉｃｂａｓｉｓｆｏｒｆａｃｉｌｉｔｙｍｅｔｅｏｒｏｌｏｇｉｃａｌｓｅｒｖｉｃｅｉｎｐｌａｎｔａｔｉｏｎｓ，ｑｕａｎｔｉｔａｔｉｖｅｅｖａｌｕａｔｉｏｎｆｏｒｅｃｏｌｏｇｉｃａｌｅｆｆｅｃｔａｎｄｍａｎ —

基于度量误差方法的油松林分生长模型

基于度量误差方法的油松林分生长模型王金池;冉啟香;邓华锋;黄国胜;王雪军【摘要】为掌握北京地区油松Pinus tabulaeformis生长过程,建立相容的断面积和蓄积模型,通过引入间伐林分与未间伐林分的哑变量,分别建立林分断面积、林分蓄积生长模型,然后从相容的角度出发,建立林分断面积、蓄积量的误差变量联立方程组,并与不含哑变量的传统生长模型的误差变量联立方程组进行比较.经检验,传统误差变量联立方程组中林分断面积和林分蓄积生长模型的预测精度都在92％以上,对油松林分断面积的预测精度高达0.9215,决定系数高达0.9001,对油松林分蓄积量的预测精度达到了0.9283,决定系数高达0.9123,而引入哑变量的误差变量联立方程组中,模型的预测精度和确定系数稍高,均在93％以上,对油松林分断面积的预测精度高达0.9398,决定系数达到了0.9279,对油松林分蓄积量的预测精度在0.9300以上,决定系数达0.9328.这说明引入哑变量,一定程度上提高了模型的预测精度,而且所建模型比较合理,形式相对简单,便于应用,不仅使得林分水平上的林分断面积、蓄积量的预测结果具有相容性,同时还考虑了间伐措施对林分生长的影响,达到了林分生长与收获模型整体化研究的目的,为林分的经营管理提供了可靠依据.表5参21%To grasp the growth process of Pinus tabulaeformis in Beijing and to establish general and compati-ble models, stand basal area and volume growth models with dummy variables of thinned and unthinned stands were established. Then from the perspective of compatibility, simultaneous equations with error variables were established for stand basal area and volume. These were compared to simultaneous equations with error vari-ables of the traditional growth model with no dummy variable. Results after inspection showed prediction accu-racies of stand basal area andvolume were over 92％ in the traditional simultaneous equations with error vari-ables. Prediction accuracies of P. tabulaeformis for stand basal area reached 0.9215 with coefficients of deter-mination as high as 0.9001; whereas, prediction accuracies of stand volume reached 0.9283 with coefficients of determination of 0.9123. However, in simultaneous equations with error variables of introduced dummy vari-ables, the prediction accuracies and coefficients of determination of models were slightly higher with over 93％. Prediction accuracy of stand basal area was over 0.9398 with coefficients of determination reaching 0.9279. Prediction accuracy of stand volume was over 0.9300 with coefficients of determination as high as 0.9328. Thus, to improve prediction accuracies, models using dummy variables were reasonable as the form was rela-tively simple, easy to apply, made forecast results of stand basal area and volume predictions consistent, con-sidered the effect of thinning measures on stand growth, and achieved the purpose of stand growth and yield model integrative research, thereby offering a reliable basis for forest management. [Ch, 5 tab. 21 ref.]【期刊名称】《浙江农林大学学报》【年(卷),期】2018(035)001【总页数】7页(P68-74)【关键词】森林测计学;度量误差方法;哑变量;生长模型;油松【作者】王金池;冉啟香;邓华锋;黄国胜;王雪军【作者单位】北京林业大学林学院, 北京 100083;北京林业大学林学院, 北京100083;北京林业大学林学院, 北京 100083;国家林业局调查规划设计院, 北京100714;国家林业局调查规划设计院, 北京 100714【正文语种】中文【中图分类】S758.5研究林分生长与收获预估模型可以了解森林的生长变化规律和预估林分生长量、收获量［1］。

基于GA-BP神经网络的耕地自然质量计算模型研究

杭艳红，杨林.基于G A-B P神经网络的耕地自然质量计算模型研究[J].江苏农业科学,2017,45(8):183 -186.doi：10.15889/j.issn.1002 - 1302.2017. 08.052基于G A-B P神经网络的耕地自然质量计算模型研究杭艳红，杨林(东北农业大学资源与环境学院,黑龙江哈尔滨1003)摘要:在常规耕地分等的方法中由于人为因素会干扰评价因子的权重及B P神经网络模型自身优化过程中容易陷人局部极小值的情况,通过遗传算法全局搜索最优权值的能力对BP神经网络进行优化，建立耕地自然质量计算的遗传算法优化的BP神经网络模型（GA-B P网络模型）。

以黑龙江省绥化市明水县进行实证研究，结果证明，GA-BP 网络模型能有效地避免常规方法评价因子确定权重时的人为干扰，同时具有较高的优化效率及泛化能力，能够更加快速智能地计算耕地的自然质量分，从而确定耕地的自然等别,应用效果相对较好。

关键词:耕地自然质量;遗传算法;BP神经网络中图分类号：F323.211 文献标志码：A文章编号：1002 -1302(2017)08 -0183 -04江苏农业科学2017年第45卷第8期一 183—耕地是土地中的精华[1]。

中国是农业大国，“十分珍惜和合理利用每一寸土地，切实保护耕地”是我国的基本国策。

耕地质量优劣直接决定我国农业发展水平，也是粮食产量的重要保障，耕地质量直接影响农业产业结构和耕地产出水平，耕地质量目前已愈发受到重视，要切实加强耕地质量的评价与监测，从而有效提升耕地内在质量[2]。

实现“藏粮于地”已成我国对耕地质量保护与提升的重要目标。

耕地红线不仅是数量上的，更是质量上的，要坚持数量与质量并重，为国家农业发展打下坚实基础。

人多地少的国情使我国农业生产一直坚持高投人、高产出模式，耕地长期高强度、超负荷利用，造成质量状况堪忧、基础地力下降[3]。

耕地质量评价是促进粮食和农业可持续发展的迫切需要和理论基础。

基于BP神经网络连栽桉树人工林生长量预测

基于BP神经网络连栽桉树人工林生长量预测龙滔;覃连欢;叶绍明【摘要】以广西国有东门林场雷卡分场的3个连栽代次的尾巨桉(Eucalyptus urophyuaxE.grandis)人工林为研究对象,以林分的林龄和林分密度作为输入变量,分别以林分的平均胸径和树高为输出变量,构建了6个2:n:1的BP人工神经网络模型.用林分前5a的数据对网络进行训练,第6、7年数据进行测试,经过大量训练选取最优模型后,得出以2:2:1的结构训练的模型最优,林分平均胸径的3个BP网络模型平均预测精度分别为99.09％、98.35％和96.37％,平均树高的3个BP网络模型平均精度分别为96.22％、96.48％和96.6％.回归分析证明模型的拟合效果良好.模型可用来分析、模拟和预测相似条件下按树人工林林分随林龄增长整个生长阶段的生长量变化情况.%Taking Eucalyptus urophyllaxE. grandis plantations in Dongmen Forestry Center of Guangri Province as the research object, six 2 : n : 1 BP artificial neural network models were constructed using stand age and stand density of the plantations as input variables, and average diameter at breast height ( DBH) and average tree height as output variables respectively. The BP network was trained with data from the first five years, and the network model was examined with data from the sixth and seventh years. The optimum model was selected after extensive training. Experimental results showed that the optimum network structure was 2:2: 1. The average forecast precisions of average DBH for three models were 99.09% , 98.35% , and 96.37% , and the average forecast precisions of average tree height were 96.22% , 96.48% , and 96.6% , respectively. Regression analysis indicated that the six constructed modelsexhibited good fit to the data. The models can be applied to the analysis, simulation and prediction of the growth of E. urophyllaxE. grandis plantations of different ages under similar conditions.【期刊名称】《东北林业大学学报》【年(卷),期】2012(040)005【总页数】4页(P122-125)【关键词】BP神经网络;尾巨桉;人工林;生长量预测【作者】龙滔;覃连欢;叶绍明【作者单位】广西大学,南宁,530004;广西大学,南宁,530004;广西大学,南宁,530004【正文语种】中文【中图分类】S792.39林分生长量是衡量林分生产力的依据，是森林资源经营管理必须的基础数据，而平均胸径和树高是林分的最基本结构要素，它们既是林分的数量指标又是林分的质量指标［1］，是林业科研中研究的基础内容。

基于BP神经网络的落叶松生长模型研究

基于BP神经网络的落叶松生长模型研究
阚龙攀;黄家荣;赵俊卉;牛晓锋
【期刊名称】《江苏农业科学》
【年(卷),期】2010(000)001
【摘要】利用黑龙江省落叶松解析木为样本,采用Richards、Logistic、Gompertz、Mitscherlich、Korf、Weibull等6种常用的生长方程和BP神经网络对林分胸径和树高进行模拟,分析它们的精度情况,得出最佳的生长方程,用以指导林业生产.
【总页数】3页(P366-367,379)
【作者】阚龙攀;黄家荣;赵俊卉;牛晓锋
【作者单位】河南农业大学林学院,河南郑州,450002;河南农业大学林学院,河南郑州,450002;北京林业大学/省部共建森林培育与保护教育部重点实验室,北
京,100083;河南农业大学林学院,河南郑州,450002
【正文语种】中文
【中图分类】S711
【相关文献】
1.基于哑变量的日本落叶松生长模型研究 [J], 李忠国;孙晓梅;陈东升;李子敬
2.基于树干解析的兴安落叶松人工林单木生长模型研究 [J], 萨如拉;徐加睿;王智慧;张科;于宪军
3.基于BP人工神经网络的兴安落叶松天然林全林分生长模型的研究 [J], 金星姬;贾炜玮;李凤日
4.基于BP人工神经网络的大青山自然保护区华北落叶松人工林全林分生长模型研究 [J], 杨潇;张秋良
5.基于贝叶斯法的长白落叶松林分优势高生长模型研究 [J], 姚丹丹;雷相东;张则路因版权原因，仅展示原文概要，查看原文内容请购买。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Ｄａｉｇｎｅｎｏｉｓｅｔｂｉｅｑｎ，ＩｎｒＭｏｇｌｗａｓａｌｈｄ，ｗｉｅｈｌｆｏｓｇａｓｇｒｉｌａｄｏｈｒｕｃｉｎｎＭａｌｂｎｕａｅ— ａｓｔｔｅｐｏｇｉ，ｔｎｉ，ｔａｎｍｎｔｅｎｔｓｉｔｅｒｌｔｈｈｌｆｏａｎ
Ｐａｕｅｒｓ．ｔｂｌｆｍｉａｏ．ＫｙｏｄＡｔｃｌｅｒｌｅｏｋＴｅｅｇｏｏｅｓｉｕｂｌｅｒｓｅｗｒｓｒｆｉｕａｎｔｒ；ｒｅｈｉｇｓｈｍｄｌ；Ｐｎｓａｕｆｍｉｉａｎｉｗｈｔａｏ
林分生长模型是公认的研究森林发展和林木生长的基础，以能否构建精准的林分生长模型是研究林业的关所
徐步强张秋良弥宏卓
（内蒙古农业大学，呼和浩特，１０８００１）
常亮
春兰
吴彤
（内蒙古建筑职业技术学院）（内蒙古农业大学）（乌兰察布市林业局）
摘要以内蒙古大青山油松人工纯林作为研究对象，利用Ｍａａ神经网络工具箱中的ｌｓ、ａｓ、ａｎｔｂｌｏｉｔｉｔｉｌｇｇｎｇｒｍ等函数，用二类调查数据中的平均年龄、闭度、采郁地位级作为输入层，平均高为输出层，建立油松人工林树高生长ＢＰ人工神经网络模型。结果表明，型的拟合精度为９．８，模９９％检验精度为９．２，明该模型对当地的油松人８６％说工林生长具有良好的预测能力。关键词人工神经网络；高生长模型；树油松分类号ｓ５．７７３ＧｒｗｔｄｌｆｉｕｂｌｅｒｓＰａｔｔｎＢｓｄｏＰＮｕａＮｅｗｒ／ｕＢｑａｇｈｎｉｌｎ，ＭｉｏｈＭｏｅｏｎｓｔｕｆｍｉｌｎａｉａｅｎＢｅｒｌｔｏｋＸｕｉ，ＺａｇＱｕｉｇＰａａｏｏｎａ
ｅ．ａｄａｅａｅｔｅｅｇｔａｈｕｐｔａｅ．Ｒｅｔｔｓｏｓｔａｈｔｎｒｃｓｏｆｔｅｍｏｅｓ９．８．ａｄｔｅｒｎｖｒｇｅｈｉｈｓｔｅｏｔｕｙｒｒｌｓｄｈｗｈｔｔｅｆｔｇｐｅｉｉｎｏｈｄｌｉ９９％ｉｉｎｈｔｓｉｇａｃｒｃ８６ｅｔｃｕａｙｉ９．２％，ｉｈｍｅｎａｅｍｏｅａｏｄｆｒｃｔｇａｉｔｒｔｅ￣ｏｈｏｃｌｒｆｉｒｓｓｎｓｗｈｃａｓｔｔｔｄｌｓｇｏｅａｉｂｌｙｆｈｈｈｓｎｉｏｈｔｆｏｗｌａｔｃａｆｅｔａｉｌｏｉ
Ｈｎｚｕ（ｏｅｅｏＦｒｓｙＩｎｒｎｏａＡｒｕｔａＵｉｒｔ，ｈｏ００１，．Ｒｈｎ）ＣａｇＬａｇＩ— ｏｇｈｏＣｌｇｆｏｅｔ，ｎｅｇｌｇｉｌｒｌｎｖｓｙＨｏｈｔ１０８Ｐ．Ｃｉａ；ｈｎｉ（ｎｌｒＭｏｉｃｕｅｉｎｎｒＭｎｏａＴｃｎｃｌｏｌｅｏｏｓｕｔｎ；ｈｎＬｎＩｎｒＭｎｏａＡｒｕｔａＵｉｒｔ）ＷｕＴｎ（ｏｅｔｅｏｇｌｅｈｉａＣｌｇｆｎｔｃｏ）Ｃｕａ（ｎｅｏｇｌｇｉｌｒｌｎｖｓｙ；ｏｇＦｒｓｉｅＣｒｉｉｃｕｅｉｙｒ
在４林班，２２条树种为油松、种组成为纯林的小班２个共３树
Ｂｒａｆｌｎｈｂｉ）／ｏｒａｏｏｔａｔｏｅｔｎｖｒｔ．２１，９１）一３～３ｕｅｕｏａｅａｕＣｔ／ＪｕｎｌｆｒｅｓＦｒｓｙＵｉｓｙ一０ｌ３（２．３ＷｕｙＮｈｒｅｉ５ＡＢｒｆｉｅｒｌｅｗｒｏｅｆｅｇｏｔｆｔｅｈｉｔｆｉｕｂｌｆｒｓａ访ｃｌｏｓｎＭｏｎＰａｔｃｌｕａｎｔｏｋｍｄｌｏｔｒｗｈｏｅｅｈｎｓｔｕｅｍｉｎｉｒｔｉｕｔｉａｎｉｒｈｒｇｏＰａａｏａｆｅｓ
ｗｒｏｌｏ，ｕｉｇａｅａｅｆｒｓｇ，ｃｎｐｅｓｔｎｉｌｓｆｔｅｉｖｎｏｙｄｔｒｍａａｅｎｓｔｅｉｐｔａ－ｏｋｔｏｂｘｓｎｖｒｇｏｅｔｅａｏｙｄｎｉａｄｓｔｃａｓｏｅｔｒａａｆｎｇｍｅｔｎｕｙａｙｅｈｎｏａｈｌ
第３９卷第１２期２１年１０１２月
东
北
林
业
大
学
学
报
Ｖｏ．１３９Ｎｏ．２１
ＪＯＵＲＮＡＬＯＦＮＯＨＥＴＦＲＥＴＮＩＲＳＴＲＴＡＳＯＳＲＹＵＶＥＩＹ
Ｄｅ．工林生长模型）