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