兴安落叶松天然林全林分生长人工神经网络模型的研究

兴安落叶松天然林全林分生长人工神经网络模型的研究

论文摘要

本研究以大兴安岭北部地区兴安落叶松(Larix gemelinii Rupr.)天然林为研究对象,利用固定样地复测数据,在MATLAB系统环境下,应用BP人工神经网络技术,建立了兴安落叶松天然林生长的动态预测神经网络模型。本文首先构建了地位级指数神经网络模型、林分密度神经网络模型和全林分生长神经网络模型,并利用大兴安岭地区1990年、1995年和2000年三期国家一类清查的兴安落叶松天然林固定样地资料对所建模型进行训练和检验。同时,与依赖生长方程建立的相应模型进行了比较,结果表明,神经网络模型的拟合性、检验精度、平均误差、平均绝对误差、平均绝对相对误差都优于依赖现存树木生长方程所建的模型。本文还从定性的角度直观分析了模型的拟合效果,即利用MATLAB强大的绘图功能,基于地位级指数神经网络曲线式和林分密度指数神经网络曲线式,按比例法绘制了兴安落叶松天然林地位级指数曲线和林分密度指数曲线。当已知林分年龄和林分平均高,以及已知林分平均直径和林分每公顷株数时,即可方便快捷的在相应曲线上查得地位级指数值和林分密度指数值。与此同时,基于全林分生长神经网络模型绘制了林分生长过程的三维仿真曲面、模型预测理论值和实测值的三维对照图和回归定量分析,结果说明,所建模型拟合效果良好,并具有很强的泛化能力。为了提高模型的预估精度,基于差分法建立了林分密度动态预测模型和林分蓄积量动态预测模型,并基于以上建立的模型构建了大兴安岭北部地区兴安落叶松天然林全林分生长神经网络模型系统。该模型系统客观地反映了大兴安岭北部地区兴安落叶松天然林的生长动态,可较好地模拟林分的生长过程,为该地区天然混交林的集约经营和生产决策提供了详细的林木生长信息,具有一定的理论和实践价值。

论文目录

  • 摘要
  • Abstract
  • 1 绪论
  • 1.1 引言
  • 1.2 国内外研究现状
  • 1.3 生长模型的定义及分类
  • 1.3.1 全林分模型研究综述
  • 1.4 人工神经网络应用的研究综述
  • 1.4.1 人工神经网络研究的发展与现状
  • 1.4.2 人工神经网络在林业上的应用
  • 2 研究地区概况和数据的收集与整理
  • 2.1 研究地区概况
  • 2.2 数据的来源
  • 2.3 数据整理
  • 3 神经网络理论及研究方法
  • 3.1 神经网络基础理论
  • 3.1.1 生物神经元和人工神经元模型
  • 3.1.2 人工神经网络
  • 3.2 研究方法
  • 3.2.1 BP网络模型的设计
  • 3.2.2 模型的训练
  • 3.2.3 模型的检验
  • 3.2.4 模型的仿真分析
  • 4 地位级指数神经网络模型
  • 4.1 地位级指数(SCI)
  • 4.1.1 导向曲线的BP神经网络模型拟合
  • 4.1.2 导向曲线的经验法拟合
  • 4.1.3 导向曲线的比较
  • 4.1.4 地位级指数(SCI)的计算
  • 5 林分密度指数神经网络模型
  • 5.1 林分密度指标
  • 5.1.1 最大密度林分N—Dg的BP神经网络模型
  • 5.1.3 最大密度林分N—Dg模型的比较
  • 5.1.4 林分密度指数(SDI)的计算
  • 6 全林分生长的人工神经网络模型
  • 6.1 研究资料
  • 6.2 全林分生长的神经网络模型
  • 6.2.1 模型的构建
  • 6.2.2 模型的训练
  • 6.2.3 模型的性能
  • 6.3 全林分生长方程的经验法拟合
  • 6.4 全林分生长模型的比较
  • 6.5 全林分生长预测神经网络模型
  • 6.5.1 SDI动态预测模型
  • 6.5.2 蓄积枯损率
  • 6.5.3 林分蓄积量动态预测模型
  • 结论
  • 参考文献
  • 攻读学位期间发表的学术论文
  • 致谢
  • 相关论文文献

    • [1].三十六脚湖叶绿素a浓度人工神经网络模型演算研究[J]. 渔业研究 2020(01)
    • [2].基于人工神经网络的压水堆燃料破损状态监测[J]. 原子能科学技术 2020(03)
    • [3].人工神经网络下农林作物预测模型及决策——以湘西土家族苗族自治州为例[J]. 林业科技通讯 2020(08)
    • [4].海堤越浪量的人工神经网络模型算法[J]. 水道港口 2020(04)
    • [5].人工神经网络在轧钢中的应用综述[J]. 上海工程技术大学学报 2018(04)
    • [6].人工神经网络在自动化领域的应用[J]. 科技风 2019(15)
    • [7].人工神经网络在林业上的应用研究进展[J]. 世界林业研究 2019(03)
    • [8].人工神经网络初探[J]. 科技传播 2018(02)
    • [9].深度学习技术及其在医疗领域中的应用[J]. 科技传播 2018(12)
    • [10].人工神经网络发展历史与训练算法概述[J]. 科技传播 2018(21)
    • [11].电气控制线路和人工神经网络关系初探[J]. 电子世界 2017(02)
    • [12].人工神经网络在化工过程中的应用进展[J]. 化工进展 2016(12)
    • [13].基于3s的人工神经网络模型在地质灾害危险性评价中的应用[J]. 报刊荟萃 2017(04)
    • [14].青春IN词[J]. 青春期健康 2017(09)
    • [15].人工神经网络在未来深空探测中的应用[J]. 太空探索 2017(08)
    • [16].人工神经网络基本原理概述[J]. 计算机产品与流通 2020(06)
    • [17].人工神经网络在分类问题中的应用[J]. 科技传播 2019(02)
    • [18].浅析人工神经网络及其应用模型[J]. 科技传播 2019(08)
    • [19].基于人工神经网络的二分类方法[J]. 现代计算机 2019(28)
    • [20].面向材料基因工程的人工神经网络研究[J]. 热加工工艺 2018(12)
    • [21].人工神经网络在医疗诊断中的应用[J]. 中国科技信息 2018(19)
    • [22].人工神经网络在自动化测试软件中的应用[J]. 中国战略新兴产业 2017(04)
    • [23].改进灰色人工神经网络模型的超高层建筑变形预测[J]. 测绘科学 2017(04)
    • [24].基于改进人工神经网络的管理诊断方案评价方法[J]. 广州航海学院学报 2017(02)
    • [25].人工神经网络在塑性加工中的应用研究[J]. 科技与企业 2016(08)
    • [26].基于人工神经网络的滑坡危险性评价方法研究[J]. 城市建筑 2013(20)
    • [27].人工神经网络在课堂教学质量评价体系中的应用[J]. 中国科技信息 2012(08)
    • [28].人工神经网络在建筑工程项目管理中的应用[J]. 山西建筑 2010(04)
    • [29].灰色人工神经网络在稻瘟病发生预报中的应用[J]. 中国农学通报 2010(12)
    • [30].人工神经网络在节水灌溉应用中的研究进展[J]. 山西水利 2009(01)

    标签:;  ;  ;  ;  ;  

    兴安落叶松天然林全林分生长人工神经网络模型的研究
    下载Doc文档

    猜你喜欢