南方红豆杉人工林生长与收益模型研究

论文摘要

本文以南方红豆杉人工林为研究对象,以福建、浙江和江苏等3省9县市的370块样地、2500余株样木为基础数据,以地位指数、经营密度指数、单木定位等多种因素为研究变量,调查和收集了南方红豆杉约50年的生长数据。在充分运用BP神经网络编程建模技术并结合林分生长理论的基础上,对南方红豆杉人工林的各种生长模型在不同地位指数及密度指数条件下的变化,作了较为系统而全面的研究。首先,本文对红豆杉的名称起源,古今差异及传统的医药功能作了详实的考证,弥补了国内有关红豆杉历史文化和功能应用的空白。其次,对本次实验的材料、软件及主要技术方法进行了阐述与研究。正文则根据地位指数和林分密度指数的等级,分章节讨论和构建了南方红豆杉人工林地位指数模型和地位指数表、单木生长模型、林分结构模型、全林分生长模型,以及动态的收益预测模型。全文模型的构建和检验,系将整理后的调查数据分为训练样本和检验样本,其中3/5的为训练样本,2/5的为检验样本。根据BP神经网络模型的原理,寻找到一种简单而有效的隐层层数的确定方法。与此同时,结合测树学和林木生长理论等相关理论知识,对人工神经网络（MATLAB软件）拟合出的模型进行筛选,使模型精度和分析得到了有效保障。以林分年龄为输入的变量,以林分优势平均高为目标输出变量,构建了1：4：1的林分平均优势高BP神经网络模型。再按照标准差调整法编制了南方红豆杉人工林的地位指数表。在充分应用编制地位指数表的基础上,结合地位指数和林分密度对林分平均高、林分平均胸径、林分蓄积生长的影响,全面而系统地探究了林分结构和全林分生长的模型,以及运用这些模型对南方红豆杉人工林的收益进行预测和评价。其中,南方红豆杉人工林单木的生长模型总体训练精度达到93%,比常规建模方法略高。南方红豆杉人工林林分结构模型树高累积频率检验精度平均为97%,频率检验精度平均为86%,直径累积频率检验精度平均为87.34%。林分的树高胸径二维分布是一个近似的二维正态分布,中间树高与中间胸径的株数最多,树高和直径越向两极株数越少。树高直径二维分布模型为2：S：1,即二输入一输出的神经网络模型,其拟合精度和检验精度高,达到较为理想的效果。论文的创新点：（1）简化了人工神经网络在人工林生长规律建模的程序,并研建了名优树种林分、单木生长的神经网络模型和编写了相关程序。使用模型结构图和矩阵行列式,直观地反映出神经网络输入与输出及神经元输入与输出的关系。编写的程序可以直接在MATLAB软件及c语言,c++语言中直接使用和模拟模型。运用范围和实现途径广,关系和结构也简单明了。（2）结合测树学和林木生长理论等相关理论知识,对人工神经网络（MATLAB软件）拟合出的模型进行筛选。这种定性和定量分析相结合的方法,既能简单地确定隐层神经元个数,又避免了单一依靠MATLAB软件在训练时容易出现单一拟合数据而降低模型泛化能力的重大缺陷,使模型精度和分析得到有效保障。（3）根据地位指数表编制的要求,结合林分优势树高生长导向曲线,计算出各龄组树高的变动系数的理论值。研建了地位指数表编制的2：S：1神经网络模型,以年龄和林分平均优势高为输入变量,以地位指数为输出变量的地位指数表模型。同时,在南方红豆杉人工林的单木生长、林分结构、林分生长等方面,与以往研究相比有了新的改进,在数据收集、模型构建、模型性能分析等方面都有自己的独到见解。林分结构和林分生长以及单木生长系统都存在非线性、多样性、复杂性等特点,要用更贴近自然生长规律的模型构建技术进行林分生长动态模型的模拟。而人工神经网络技术在这方面有显著优势,是一种林分生长建模的新技术。根据这种建模的思想,结合林分生长的理论知识,本文以南方红豆杉人工林为研究对象,成功地将BP神经网络建模技术在林分结构和全林分生长模型中做了系统的研究。本研究方法可推广到南方红豆杉宏观层面的评价分析、南方红豆杉的其他研究方向以及其他名优树种生长量的评价和生长模型的建立。

论文目录

• 摘要
• Abstract
• 1.导论
• 1.1 红豆杉古今异名考
• 1.2 红豆杉科属植物榧树考略
• 1.3 红豆杉临床功用考证
• 1.4 南方红豆杉的特征及分布
• 1.5 单木和林分生长、结构模型研究
• 1.5.1.单木生长模型研究
• 1.5.2 林分结构生长模型的研究
• 1.5.3 林分生长模型研究
• 1.6 人工神经网络的应用研究
• 1.6.1 人工神经网络理论
• 1.6.2 BP神经网络及其算法
• 1.6.3 神经网络在林分生长模型研究中的应用
• 1.7 基础材料
• 1.7.1 研究地区地理环境
• 1.7.2 基础数据
• 1.8 研究方法
• 1.8.1 技术路线
• 1.8.2 模型构建方法
• 1.8.3 模型训练方法
• 1.8.4 模型性能分析方法
• 1.9 研究目的、意义及建模的理念
• 2.南方红豆杉林分的地位指数神经网络模型
• 2.1 单形地位指数模型
• 2.1.1 模型构建
• 2.1.2 模型训练
• 2.1.3 模型精度分析
• 2.1.4 南方红豆杉人工林地位指数表编制
• 2.2 本章小结
• 2.2.1 单形地位指数模型小结
• 2.2.2 地位指数表编制小结
• 3.单木生长的神经网络模型
• 3.1 竞争指标的确定
• 3.2 模型构建与训练
• 3.2.1 模型构建
• 3.2.2 模型训练
• 3.3 模型性能分析
• 3.4 单木生长方程的建立
• 3.4.1 几种生长方程
• 3.4.2 生长过程曲线的分析
• 3.5 本章小结
• 4. 林分结构神经网络模型
• 4.1 林分直径分布模拟
• 4.1.1 模型建立
• 4.1.2 模型训练
• 4.1.3 结果分析
• 4.2 林分树高分布模拟
• 4.2.1 树高曲线模型
• 4.2.2 结果分析
• 4.3 直径树高二维分布模拟
• 4.3.1 模型构建
• 4.3.2 模型训练
• 4.3.3 结果分析
• 4.4 本章小结
• 4.4.1 直径分布模拟小结
• 4.4.2 树高分布预测小结
• 4.4.3 树高直径二维分布模拟小结
• 4.4.4 本章总的结论
• 5. 全林分生长神经网络模型
• 5.1 模型建立
• 5.2 模型训练
• 5.3 模型性能分析
• 5.3.1 仿真效果分析
• 5.3.2 拟合精度分析
• 5.3.3 检验精度分析
• 5.3.4 回归分析
• 5.4 本章小结
• 6. 南方红豆杉林分生长与预期收益
• 6.1 基于全林分生长模型的预测
• 6.1.1 全林分生长模型校正
• 6.1.2 林分现状因子测算
• 6.1.3 林分预测计算
• 6.2 基于林分径阶分布模型的预测
• 6.2.1 林分直径分布频率预测
• 6.2.2 林分生长与收益的预测
• 6.3 基于单木生长模型的预测
• 6.4 南方红豆杉收益估算
• 6.4.1 南方红豆杉人工林经济效益估算
• 6.4.2 南方红豆杉人工林生态效益估算
• 6.4.3 南方红豆杉人工林社会效益估算
• 6.5 本章小结
• 6.5.1 基于全林分生长模型的预测小结
• 6.5.2 基于径阶分布模型的预测小结
• 6.5.3 基于单木生长模型的预测小结
• 7.结论与讨论
• 7.1 方法研究结论
• 7.2 地位指数与密度指数模型的研究结论
• 7.3 林分结构模型的研究结论
• 7.4 全林分生长模型的研究结论
• 7.5 林分生长与收获预测的研究结论
• 7.6 单木生长模型的研究结论
• 7.7 论文的创新点
• 参考文献
• 导师简介
• 个人简介
• 致谢