基于深度学习的森林资源信息估测模型研究

发布时间：2020-06-27 22:12

【摘要】：森林是地球陆地上最大的、也是最复杂的生态系统,其面积约占地球陆地总面积的三分之一。森林生物量约占地球陆地生态系统总生物量的90%,且其在全球碳循环过程中发挥着决定性的作用,因此可以将森林看作是地球上最宝贵的资源之一。正因为以上原因,研究如何快速、高效地对生物量、蓄积量等森林资源信息进行估测,具有非常重要的意义与价值。遥感(Remote Sensing,RS)技术作为一种非接触的探测技术,可以实现对森林的快速、大尺度、周期性探测,非常适合森林资源信息估测研究。本文以“高分一号”卫星(GF-1)遥感影像为数据源,以甘肃省黑河大野口流域为研究区,对研究区内的森林资源信息进行估测,主要研究内容包括:1、分析从遥感影像上提取的特征与森林生物量之间.的相关关系。从GF-1遥感影像上提取了光谱信息与植被指数作为估测模型的特征变量,对这些特征变量与森林生物量进行相关性分析,结果表明从遥感影像上提取的特征与森林生物量之间的相关性都非常的微弱,因此在基于遥感技术进行森林资源信息估测时,使用非线性方法更为适宜。2、将深度学习方法引入森林资源信息估测领域,提出了一种基于深度学习的森林资源信息估测方法。深度学习作为一种非线性学习方法,已经在诸多研究领域取得了良好的效果。本文在对深度学习相关理论进行叙述的基础上,提出一种利用深度学习构建森林生物量估测模型的方法。并通过实验证明这种方法是可行的,通过与传统基于BP神经网络的估测方法进行比较,可以证明其估测准确度优于传统的基于BP神经网络的森林生物量估测方法。3、通过对实验结果的分析,讨论了当使用较少数量的训练样本进行森林资源信息估测时,估测模型存在的问题与解决方法。森林结构参数的测量非常复杂,导致了森林资源信息估测实验中训练样本数量通常较少。在使用神经网络等非参数模型时,训练样本的质量对估测结果会产生较大的影响。针对这种情况,本文提出了一种随机划分训练样地与验证样地,进行多次实验的方法,对模型进行验证。当对整个研究区进行生物量估测时,可以使用准确度最高的神经网络参数进行估测,保证最好的准确度。
【学位授予单位】：西安科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：S757
【图文】：

示意图,算法,神经网,向量

神经网络样需要更pagation, B层神经网经网络模算输出值权值向量是最优的层神, ), ( ,1 2y x y始化：当随机分布向计算：络的学习能力更为强大的BP)，该算法网络模型被模型的基本值（向量）与量w与偏置的神经网络模经元的),......, (2 mx当没有输入布产生。：当神经网图 2.2力远强于单的算法。198法也是神经称之为 BP本原理为：输与真实值（b ，通过若模型。针对单隐层, )}, m iy x入向量传入神网络开始计算h 多层感知机单层的感知机86 年，Rum经网络领域神经网络模输入值（向（向量）的误若干次迭代，对一个有d 个前馈神,d lR Riy神经网络中算后，隐藏dih iv x 机示意图机模型，但melhart 等中应用最为模型[41-42]。量）通过前误差，并将，最终得到个输入层神经网时，其具中时，神经网藏层第h个神但与此同时，人提出了反为广泛的训练前向计算产将误差反向传到一个最优的神经元，l个络，训体步骤如下网络中权值神经元接收，训练多反向传播练算法，生一个输传播用于的权值向个输出层神练数 [43]：值向量w与收到的输入

示意图,示意图,隐藏层,神经元

观特nni络局观点，分别拥有多个特征对数据针对深度神ning)来解决nton 提出的ted Boltzm是一个无监隐藏层的神藏层神经ining)，当神络进行训练局最优，从。别是：隐藏层的人据有更本质神经网络难决，即将上的深度置信mann Machin监督逐层训神经元时，经元的输出神经网络中练。这种做法从而有效地避人工神经网的代表性，难以训练达到上一层训练好信网络(Deepne, RBM)堆练(unsuper将上一隐藏出作为下一中的每一层法可视为先避免了梯度网络具有优秀将有利于到最优的问好的结果作p Belief Ne堆叠组成，网rvised layer-藏层神经元一隐藏层的层都“预训练先在相邻隐藏度消失这一情秀的特征学可视化和分问题，可以通作为下一层训etwork, DB网络中的每-wise traini元的输出作为的输入，这练”完成以藏层中寻找情况的发生学习能力，深分类问题。通过“逐层初训练的初始BN)由一系列每一层都是一ng)模型，其为这一隐藏这种做法被以后，再使用找局部最优生。深度置信深度学习初始化”(L始化参数。列受限玻一个受限其基本思藏层神经元被称为“预用反向传，再在整信网络示预

【参考文献】