基于神经网络模型的森林生物量估算方法研究
发布时间：2021-08-29 21:51
本文探讨了分别基于三种神经网络模型（常见的普通BP神经网络、Erf-BP神经网络以及改进的神经网络模型——小批量梯度下降BP神经网络模型）,利用MODIS遥感图像、地面调查数据、地形数据以及森林覆盖率,估算三种类型森林地上生物量。对于每一种类型森林,在森林地上生物量和遥感数据、地形数据、植被指数以及森林覆盖率进行单因素相关性分析的基础上筛选出模型因子,将模型因子分别引入三种神经网络模型,对于每种神经网络模型,分别在训练集和验证集上训练出三种神经网络模型的最优参数、最优网络结构作为最终的神经网络模型,在测试集上对训练出的三种模型进行测试,并与逐步回归模型比较。主要结果如下:（1）针叶林生物量遥感估测模型将每个自变量与针叶林生物量进行皮尔逊相关性分析。分析结果显示,共有9个变量因子与样地针叶林生物量存在显著相关性:归一化植被指数（Normalized Difference Vegetation Index,NDVI）、强化植被指数（Enhanced Vegetation Index,EVI）、B1、坡度、B4、B7、森林、覆盖率、B3、B2,NDVI和EVI相关性系数最大,对针叶林生物量解...
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图１－１任务流程图??
（ａ）大气校正前图像?（ｂ）大气校正后图像??图２－２?ＦＬＡＡＳＨ大气校正??２．３统计分析??２．３．１单因素相关性分析与检验??在统计学中，Ｐｅａｒｓｏｎ相关系数用于度量两个变量Ｘ和Ｙ之间的相关（线性??相关），其值取值范围是－１与１之间，该系数是度量两个变量相关性的常用指标。??相关系数的计算公式：??Ｐｘ，ｙ＝红１?…二＂。—（２－２）??Ｐｅａｒｓｏｎ相关系数的取值范围为［－Ｕ１，两变量之前Ｐｅａｒｓｏｎ相关系数绝对值??越大，两变量之间的相关性越高，反之亦然。如果Ｐｅａｒｓｏｎ相关系数是大于０的，??表明两个变量之间是正相关关系；如果Ｐｅａｒｓｏｎ相关系数是小于〇的，表明两个??变量之间是负相关关系。如果Ｐｅａｒｓｏｎ相关系数等于０，表明两个变量不是线性??相关，可能有非线性关系。如果Ｐｅａｒｓｏｎ相关系数绝对值大于０．８时，表示两变??
ＢＰ神经网络简单思想如下图所示：第一层是神经网络输入层，作用于第二??层的神经元；第二层和第三层是隐藏层，表示隐藏层神经元相互之间传递刺激。??隐藏层可以有多层，图２－３示意图隐藏层只有两层，实际应用中隐藏层非常深，??１２??
【参考文献】：
期刊论文
[1]森林地上生物量遥感反演方法综述[J]. 刘茜,杨乐,柳钦火,李静. 遥感学报. 2015(01)
[2]基于多源遥感数据的草地生物量估算方法[J]. 王新云,郭艺歌,何杰. 农业工程学报. 2014(11)
[3]植物生物量研究综述[J]. 张建设,王刚,王刚. 四川林业科技. 2014(01)
[4]藏北典型高寒草甸地上生物量的遥感估算模型[J]. 周宇庭,付刚,沈振西,张宪洲,武建双,李云龙,杨鹏万. 草业学报. 2013(01)
[5]BP神经网络反演森林生物量模型研究[J]. 李丹丹,冯仲科,汪笑安,张凝,张巍巍. 林业调查规划. 2013(01)
[6]森林地上生物量估测方法研究综述[J]. 张志,田昕,陈尔学,何祺胜. 北京林业大学学报. 2011(05)
[7]植物生物量研究概述(综述)[J]. 郭娜,刘剑秋. 亚热带植物科学. 2011(02)
[8]三种森林生物量估测模型的比较分析[J]. 范文义,张海玉,于颖,毛学刚,杨金明. 植物生态学报. 2011(04)
[9]利用大光斑激光雷达数据估测树高和生物量[J]. 于颖,范文义,李明泽,杨曦光. 林业科学. 2010(09)
[10]国外立木生物量模型研究现状与展望[J]. 曾伟生,唐守正. 世界林业研究. 2010(04)
博士论文
[1]基于激光雷达与多光谱遥感数据的森林地上生物量反演研究[D]. 汤旭光.中国科学院研究生院(东北地理与农业生态研究所) 2013
[2]森林生物量及碳储量遥感监测方法研究[D]. 韩爱惠.北京林业大学 2009
[3]中国森林生物量与生产力的研究[D]. 肖兴威.东北林业大学 2005
硕士论文
[1]基于高分辨率遥感和极化雷达数据的大兴安岭地区森林地上生物量估测[D]. 张颖.北京林业大学 2016
[2]基于BEPS模型和遥感的森林地上生物量更新方法研究[D]. 黄金龙.南京大学 2014
[3]中国北方主要森林树种生物量格局的研究[D]. 李飞.华北电力大学（北京） 2010
本文编号：3371450
【文章来源】：华北电力大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图１－１任务流程图??
（ａ）大气校正前图像?（ｂ）大气校正后图像??图２－２?ＦＬＡＡＳＨ大气校正??２．３统计分析??２．３．１单因素相关性分析与检验??在统计学中，Ｐｅａｒｓｏｎ相关系数用于度量两个变量Ｘ和Ｙ之间的相关（线性??相关），其值取值范围是－１与１之间，该系数是度量两个变量相关性的常用指标。??相关系数的计算公式：??Ｐｘ，ｙ＝红１?…二＂。—（２－２）??Ｐｅａｒｓｏｎ相关系数的取值范围为［－Ｕ１，两变量之前Ｐｅａｒｓｏｎ相关系数绝对值??越大，两变量之间的相关性越高，反之亦然。如果Ｐｅａｒｓｏｎ相关系数是大于０的，??表明两个变量之间是正相关关系；如果Ｐｅａｒｓｏｎ相关系数是小于〇的，表明两个??变量之间是负相关关系。如果Ｐｅａｒｓｏｎ相关系数等于０，表明两个变量不是线性??相关，可能有非线性关系。如果Ｐｅａｒｓｏｎ相关系数绝对值大于０．８时，表示两变??
ＢＰ神经网络简单思想如下图所示：第一层是神经网络输入层，作用于第二??层的神经元；第二层和第三层是隐藏层，表示隐藏层神经元相互之间传递刺激。??隐藏层可以有多层，图２－３示意图隐藏层只有两层，实际应用中隐藏层非常深，??１２??
【参考文献】：
期刊论文
[1]森林地上生物量遥感反演方法综述[J]. 刘茜,杨乐,柳钦火,李静. 遥感学报. 2015(01)
[2]基于多源遥感数据的草地生物量估算方法[J]. 王新云,郭艺歌,何杰. 农业工程学报. 2014(11)
[3]植物生物量研究综述[J]. 张建设,王刚,王刚. 四川林业科技. 2014(01)
[4]藏北典型高寒草甸地上生物量的遥感估算模型[J]. 周宇庭,付刚,沈振西,张宪洲,武建双,李云龙,杨鹏万. 草业学报. 2013(01)
[5]BP神经网络反演森林生物量模型研究[J]. 李丹丹,冯仲科,汪笑安,张凝,张巍巍. 林业调查规划. 2013(01)
[6]森林地上生物量估测方法研究综述[J]. 张志,田昕,陈尔学,何祺胜. 北京林业大学学报. 2011(05)
[7]植物生物量研究概述(综述)[J]. 郭娜,刘剑秋. 亚热带植物科学. 2011(02)
[8]三种森林生物量估测模型的比较分析[J]. 范文义,张海玉,于颖,毛学刚,杨金明. 植物生态学报. 2011(04)
[9]利用大光斑激光雷达数据估测树高和生物量[J]. 于颖,范文义,李明泽,杨曦光. 林业科学. 2010(09)
[10]国外立木生物量模型研究现状与展望[J]. 曾伟生,唐守正. 世界林业研究. 2010(04)
博士论文
[1]基于激光雷达与多光谱遥感数据的森林地上生物量反演研究[D]. 汤旭光.中国科学院研究生院(东北地理与农业生态研究所) 2013
[2]森林生物量及碳储量遥感监测方法研究[D]. 韩爱惠.北京林业大学 2009
[3]中国森林生物量与生产力的研究[D]. 肖兴威.东北林业大学 2005
硕士论文
[1]基于高分辨率遥感和极化雷达数据的大兴安岭地区森林地上生物量估测[D]. 张颖.北京林业大学 2016
[2]基于BEPS模型和遥感的森林地上生物量更新方法研究[D]. 黄金龙.南京大学 2014
[3]中国北方主要森林树种生物量格局的研究[D]. 李飞.华北电力大学（北京） 2010
本文编号：3371450
本文链接：https://www.wllwen.com/nykjlw/lylw/3371450.html
