一种多因子融合的BP神经网络树木生长模型研究
发布时间：2020-08-13 13:20
【摘要】：森林资源是人类赖以生存的发展的物质基础,它不仅能够为发展和生产提供各种各样的物质原材料,同时对整个生态环境的稳定和健康发展发挥着巨大的作用,准确测算林木生长数据具有重要意义。目前在实际调查中,胸径、树高等林业数据一般是利用传统的测量仪器(如皮尺、卡尺等)进行测量和采集的,然后通过人工方式进行记录。然而这种方式存在以下问题:(1)需要采集的参数种类多样,经常会导致误测或漏测;(2)林业中需要测量的树木非常多,巨大的工作量需要耗费大量的时间和精力。因此,利用先进技术对树木生长进行有效预测,对森林科学经营管理具有重要意义。BP人工神经网络具有自学习、高速寻找最优解等优点,近年来,BP神经网络在林业中得到了逐步应用。针对目前林业数据采集和统计领域存在的问题,以及在林地评估领域的不足之处,本文以景宁县2004、2009和2014年国家一类清查的乔木人工林为研究对象,基于49块乔木林样地数据,设计了一种基于多因子融合的BP神经网络树木生长模型。利用皮尔逊相关系数根据相关因子与待预测因子之间的相关性选择出若干种相关性较高的影响因子作为树木生长模型的预测依据,然后构建多输入、三输出的BP神经网络结构,并利用遗传算法(Genetic Algorithm,GA)对BP神经网络进行优化,从而提高BP神经网络的精度。最后利用选择的数据训练神经网络,即为树木生长模型,通过输入若干种林木影响因子预测树木的平均树高、平均胸径和活立木蓄积量,并与其他模型进行了对比研究。实验结果表明,在100组测试数据中,平均胸径的总体相对误差为5.89%,平均树高的总体误差为2.77%,活立木蓄积量的总体误差为3.74%,模型总体误差低于其他模型,说明本文设计的生长模型对林分生长具有更好的预测能力,能够满足实际应用的需求。
【学位授予单位】：浙江农林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S758
【图文】：
2.1 研究区域概况本文选取了浙江省丽水市景宁地区的人工林为研究对象，研究林位于浙江省西南部、属浙南中山区。景宁县地理坐标 27°28′42″～28°10′52″N，119°13′40″～119°58′19″E，县域面积 1950km2，辖 2 街道、4 镇、15 乡，属亚热带季风气候，温和湿润，雨量充沛，年均温度 17.5°C，年均降水量 1626mm[33-35]。研究区域属于低山丘陵区，海拔高度位于 80-400m，全县植被类型主要为针叶林、马尾松、杉木、阔叶林、针阔混交林、毛竹林、经济特产林等。该地区的地形复杂，地势呈现出由西南向东北方向渐倾的趋势，地貌基本以深切割山地为主。研究区属亚热带季风气候区，常年雨水充足，四季分。由于景宁地区的地形比较复杂，海拔差距大，因此具有较强的垂直气候差异[36]。由于具有良好的气候环境因此动植物资源非常丰富，孕育了大量的森林资源，在众多植物中，不但有优良的用材树种，还有许多重要的观赏树种和药用植物。其中该地区具有伯乐树、鹅掌楸、南方红豆杉、香果树、银杏、厚朴等 30 多种国家自然保护植物[37]。因此将该地区的的人工林作为研究对象，具有较强的代表性。研究区域如图 2.1 所示。
3.1 遗传算法遗传算法（Genetic Algorithm,GA）是一种模拟生物自然选择和遗传学的进化算法，其基本原理是模仿生物界的“物竞天择、适者生存”的演化法则[64-65]。遗传算法的核心思想是将待求解的问题参数编码为生物细胞内的染色体，然后通过迭代的方法对编码的“染色体”进行选择、交叉和变异，以此来对种群内的染色体信息进行交换，最终得到符合应用要求的染色体信息[66]。遗传算法中的染色体对应的不是真正意义上的染色体，而是代数上的矩阵，通常一个染色体即由二维矩阵中的一维数据构成，一维数据上的数据对应了基因的取值，染色体也可被称为基因型个体，一定数量的染色体即可构成一个群体。群体数量的多少称为群体的规模。为与生物上的遗传相类似，遗传算法增加了适应度的概念，个体对于环境的适应能力可以用适应度的值进行表示[67]。遗传算法的实现大致分为编码、初始化种群、适应度计算、选择、交叉和变异等步骤组成，具体的实现步骤如下所示，其中遗传算法的实现步骤图如图 3.1 所示。
一种多因子融合的 BP 神经网络树木生长模型研究神经网络，该网络由Rumelhartt 和McClelland为首出，BP 神经网络已被广泛的应用于对结果的预测领前馈神经网络最核心的部分[71-72]，因此目前的 80%以P 神经网络或是 BP 神经网络的优化模型[71-72]。BP 神映射能力，是一种具有较好柔性的网络结构，并且其的神经元个数都可根据情况自行设定，具有较强的灵对结果的预测领域之中，并取得了良好的成效。经网络结构网络由输入层、隐层和输出层三部分组成，其中隐层层之间通过训练函数来进行数值的计算以及信号的传非线性的，但输出层的训练函数可由输入层与输出层[73]。其网络拓扑结构图如图 3.2 所示。
【学位授予单位】：浙江农林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：S758
【图文】：
2.1 研究区域概况本文选取了浙江省丽水市景宁地区的人工林为研究对象，研究林位于浙江省西南部、属浙南中山区。景宁县地理坐标 27°28′42″～28°10′52″N，119°13′40″～119°58′19″E，县域面积 1950km2，辖 2 街道、4 镇、15 乡，属亚热带季风气候，温和湿润，雨量充沛，年均温度 17.5°C，年均降水量 1626mm[33-35]。研究区域属于低山丘陵区，海拔高度位于 80-400m，全县植被类型主要为针叶林、马尾松、杉木、阔叶林、针阔混交林、毛竹林、经济特产林等。该地区的地形复杂，地势呈现出由西南向东北方向渐倾的趋势，地貌基本以深切割山地为主。研究区属亚热带季风气候区，常年雨水充足，四季分。由于景宁地区的地形比较复杂，海拔差距大，因此具有较强的垂直气候差异[36]。由于具有良好的气候环境因此动植物资源非常丰富，孕育了大量的森林资源，在众多植物中，不但有优良的用材树种，还有许多重要的观赏树种和药用植物。其中该地区具有伯乐树、鹅掌楸、南方红豆杉、香果树、银杏、厚朴等 30 多种国家自然保护植物[37]。因此将该地区的的人工林作为研究对象，具有较强的代表性。研究区域如图 2.1 所示。
3.1 遗传算法遗传算法（Genetic Algorithm,GA）是一种模拟生物自然选择和遗传学的进化算法，其基本原理是模仿生物界的“物竞天择、适者生存”的演化法则[64-65]。遗传算法的核心思想是将待求解的问题参数编码为生物细胞内的染色体，然后通过迭代的方法对编码的“染色体”进行选择、交叉和变异，以此来对种群内的染色体信息进行交换，最终得到符合应用要求的染色体信息[66]。遗传算法中的染色体对应的不是真正意义上的染色体，而是代数上的矩阵，通常一个染色体即由二维矩阵中的一维数据构成，一维数据上的数据对应了基因的取值，染色体也可被称为基因型个体，一定数量的染色体即可构成一个群体。群体数量的多少称为群体的规模。为与生物上的遗传相类似，遗传算法增加了适应度的概念，个体对于环境的适应能力可以用适应度的值进行表示[67]。遗传算法的实现大致分为编码、初始化种群、适应度计算、选择、交叉和变异等步骤组成，具体的实现步骤如下所示，其中遗传算法的实现步骤图如图 3.1 所示。
一种多因子融合的 BP 神经网络树木生长模型研究神经网络，该网络由Rumelhartt 和McClelland为首出，BP 神经网络已被广泛的应用于对结果的预测领前馈神经网络最核心的部分[71-72]，因此目前的 80%以P 神经网络或是 BP 神经网络的优化模型[71-72]。BP 神映射能力，是一种具有较好柔性的网络结构，并且其的神经元个数都可根据情况自行设定，具有较强的灵对结果的预测领域之中，并取得了良好的成效。经网络结构网络由输入层、隐层和输出层三部分组成，其中隐层层之间通过训练函数来进行数值的计算以及信号的传非线性的，但输出层的训练函数可由输入层与输出层[73]。其网络拓扑结构图如图 3.2 所示。
【相似文献】
中国期刊全文数据库 前10条
1 胡悦;;金融市场中的神经网络拐点预测法[J];金融经济;2017年18期
2 鲍伟强;陈娟;熊涛;;基于进化神经网络的短期电力负荷预测研究[J];电工技术;2019年11期
3 迟惠生;陈珂;;1995年世界神经网络大会述评[J];国际学术动态;1996年01期
4 吴立可;;脉冲神经网络和行为识别[J];通讯世界;2018年12期
5 林嘉应;郑柏伦;刘捷;;基于卷积神经网络的船舶分类模型[J];信息技术与信息化;2019年02期
6 俞颂华;;卷积神经网络的发展与应用综述[J];信息通信;2019年02期
7 韩真;凯文·哈特尼特;;为神经网络的通用理论建造基石[J];世界科学;2019年04期
8 王丽华;杨秀萍;王皓;高峥翔;;智能双轮平衡车的设计研究[J];数字技术与应用;2018年04期
9 张庭略;;基于硬件的神经网络加速[J];通讯世界;2018年08期
10 苏秀婷;;耦合神经网络的同步[J];绍兴文理学院学报(自然科学);2016年03期
中国重要会议论文全文数据库 前10条
1 孙军田;张U
本文编号：2792054
本文链接：https://www.wllwen.com/nykjlw/lylw/2792054.html
