福建省杉木立地质量评价与造林模式设计技术研究
发布时间：2021-09-05 04:33
随着我国生态文明建设的深入和“国土绿化行动”的开展,造林已经成为我国林业发展的首要任务。造林设计的核心是为造林工程中的造林地编制造林模式（又称造林作业法）。但是,当前我国基层林业生产单位造林设计专家、技术人员严重不足,且多依靠生产经验进行造林,缺乏科学地经营管理。这种状况使我国林业长期处于集约化程度低、粗放培育与经营、管理水平落后的状态,经营管理粗放。本研究通过机器学习方法对人工林造林地立地质量进行评价,在此基础上,通过智能选择算法为造林工程挑选造林地,研究造林模式设计技术并建立信息系统辅助造林模式设计。本文对造林模式设计过程中的立地质量评价、造林地智能选择、造林模式设计等关键技术进行了研究,设计并实现了造林模式辅助设计系统,为造林模式设计提供服务,具有一定的实用价值。论文的主要研究内容如下:1.研究了基于机器学习的立地质量评价方法。通过对立地因子的量化,使用数量化理论I方法、基于遗传算法的径向基神经网络方法对造林地的优势木高进行预测,使用杉木基准年龄求得地位指数,对造林地立地质量进行评价。使用数量化理论I方法评价地位指数时,立地因子类目中得分值较高的因子是海拔、土壤厚度和地貌,与优势...
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：122 页
【学位级别】：博士
【部分图文】：
图３－１人工神经元结构??Ｆｉｇ．?３－１?Ａｒｔｉｆｉｃｉａｌ?ｎｅｕｒｏｎ?ｓｔｒｕｃｔｕｒｅ??
与人脑神经系统类似，人工神经网络也需要由大量神经元相互连接构成。通??过权重控制神经元之间连接信号，每个神经元内部则通过激励函数来产生输出，现有??的神经元模型大多数采用ＭＰ模型（ＭｃＣｕｌｌｏｃｈ?ａｎｄ?Ｐｉｔｔｓ，?１９４３），模型结构如图３－１??所示。??在图３－１中，丨ｘ，，ｘ２，．．．，ｘ？丨表示神经元接收的输入信号，每一个信号都由人工神??经网络中的其他神经元传递而来。祌经元和神经元之间通过权重控制连接信号，每个??输入信号都有一个权重＜ｙ，所有权重的集合为｛ｒｙｐｆｙ２，．．．，％｝。输入信号和信号权重决??定了神经元的激活状态，如公式３－９所示。??？ｒ，?＼??Ａ：ｎ??图３－１人工神经元结构??Ｆｉｇ．?３－１?Ａｒｔｉｆｉｃｉａｌ?ｎｅｕｒｏｎ?ｓｔｒｕｃｔｕｒｅ??ｎｅｔ?＝?ＹｕＸ＾?（３．９）??设０为阈值，用来判断神经元是否处于激活状态。当祌经元的输入信号和权重的??乘积之和大于阈值０时，表示神经元被激活；否则，神经元未被激活。假设／表示激??活函数
支持向量机（ＳＶＭ，Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅｓ）是机器学习中常用的算法之一??（ＢｏｓｅｒＢ?等，１９９２；?ＳｃｈｏｌｋｏｐｆＢ?等，１９９５；?ＣｏｒｔｅｓＣ?等，１９９５），由线性可分时的最??优分类面发展而来。如图３－３所示，图中有两类样本数据，Ｈ表示的是分类线。Ｈ１??和Ｈ２分别是平行于Ｈ，且通过两类样本中距离分类线最近样本的直线。Ｈ１和Ｈ２的??空间距离称之为ｍａｒｇｉｎ，表示分类间隔（张学工，２０００）。其中，最优分类线意为将??两类样本准确区分（没有分类错误的样本），而且使得Ｈ１和Ｈ２的距离最大。在图??３－３中，最优分类面是／＾＾化＝２／｜｜４最小的，过两类样本中离分类面最近的点且平行??于最优分类面的超平面上（ＨＩ，?Ｈ２）的训练样本就叫做支持向量。??ＳＶＭ的核心思想就是将分类间隔最大化，分类间隔的最大化就是对推广能力的??控制（张学工，２０００）。根据支持向量机的原理和最优分类面的公式转化为约束如公??式３－２０所示。??１?２?１??ｍｉｎ〇（ｗ）?＝?—｜｜ｗ｜｜?＝—（ｗ＇－ｗ）?（３－２０）??通过拉格朗日（Ｌａｇｒａｎｇｅ）函数解决公式３－２０的约束最优化问题
【参考文献】：
期刊论文
[1]实施大规模国土绿化行动 全国森林覆盖率2020年将达到23.04%[J]. 许云飞. 国土绿化. 2018(01)
[2]基于BP神经网络的粮食产量与化肥用量相关性研究[J]. 李想,戴维,高红菊,徐文平,魏小红. 农业机械学报. 2017(S1)
[3]OLI与HSI影像融合的土壤盐分反演模型[J]. 厉彦玲,赵庚星,常春艳,王卓然,王凌,郑佳荣. 农业工程学报. 2017(21)
[4]从摄影测量到计算机视觉[J]. 龚健雅,季顺平. 武汉大学学报(信息科学版). 2017(11)
[5]Canopy-Kmeans聚类和组合优化的铁矿预配料智能调度[J]. 曹跃,王雅琳,何海明,杨卜菘,桂卫华. 控制理论与应用. 2017(07)
[6]基于BP神经网络的长白落叶松人工林林分平均高预测[J]. 沈剑波,雷相东,李玉堂,兰莹. 南京林业大学学报(自然科学版). 2018(02)
[7]森林经理与森林质量精准提升[J]. 张会儒,雷相东. 国土绿化. 2017(08)
[8]基于网络爬虫的森林经营知识采集系统研建[J]. 刘建成,吴保国,陈栋. 浙江农林大学学报. 2017(04)
[9]国务院印发《新一代人工智能发展规划》[J]. 广播电视信息. 2017(08)
[10]基于BP神经网络的天然云冷杉针阔混交林标准树高-胸径模型[J]. 刘鑫,王海燕,雷相东,解雅麟. 林业科学研究. 2017(03)
博士论文
[1]基于神经网络方法的杉木人工林林分生长模拟研究[D]. 车少辉.中国林业科学研究院 2012
[2]经营单位级森林经营数据仓库研建及应用研究[D]. 孟京辉.中国林业科学研究院 2011
[3]基于数据挖掘技术的造林决策研究[D]. 姚山.北京林业大学 2008
[4]求解工件加工调度问题的一种混合邻域搜索算法[D]. 曾立平.华中科技大学 2006
硕士论文
[1]旅行商问题的研究与应用[D]. 袁豪.南京邮电大学 2017
[2]福建杉木人工林单木生长模型的研究[D]. 董云飞.北京林业大学 2015
[3]森林资源经营管理平台与经营决策服务子系统的研建[D]. 沈立辉.北京林业大学 2015
[4]基于人工鱼群的K中心组合优化聚类算法研究[D]. 田琳.沈阳大学 2014
[5]人工林立地质量评价系统的研建[D]. 王超群.北京林业大学 2013
[6]基于神经网络的森林生物量估测模型研究[D]. 王轶夫.北京林业大学 2013
[7]服务于林农的森林培育专家决策支持系统开发[D]. 韩焱云.北京林业大学 2012
[8]搜索引擎中重复网页检测算法研究[D]. 闫付亮.河南工业大学 2012
[9]解图着色问题的一个新的遗传算法[D]. 王芳.西安电子科技大学 2010
[10]基于模拟退火遗传算法的图着色研究[D]. 余珮嘉.贵州大学 2009
本文编号：3384677
【文章来源】：北京林业大学北京市 211工程院校 教育部直属院校
【文章页数】：122 页
【学位级别】：博士
【部分图文】：
图３－１人工神经元结构??Ｆｉｇ．?３－１?Ａｒｔｉｆｉｃｉａｌ?ｎｅｕｒｏｎ?ｓｔｒｕｃｔｕｒｅ??
与人脑神经系统类似，人工神经网络也需要由大量神经元相互连接构成。通??过权重控制神经元之间连接信号，每个神经元内部则通过激励函数来产生输出，现有??的神经元模型大多数采用ＭＰ模型（ＭｃＣｕｌｌｏｃｈ?ａｎｄ?Ｐｉｔｔｓ，?１９４３），模型结构如图３－１??所示。??在图３－１中，丨ｘ，，ｘ２，．．．，ｘ？丨表示神经元接收的输入信号，每一个信号都由人工神??经网络中的其他神经元传递而来。祌经元和神经元之间通过权重控制连接信号，每个??输入信号都有一个权重＜ｙ，所有权重的集合为｛ｒｙｐｆｙ２，．．．，％｝。输入信号和信号权重决??定了神经元的激活状态，如公式３－９所示。??？ｒ，?＼??Ａ：ｎ??图３－１人工神经元结构??Ｆｉｇ．?３－１?Ａｒｔｉｆｉｃｉａｌ?ｎｅｕｒｏｎ?ｓｔｒｕｃｔｕｒｅ??ｎｅｔ?＝?ＹｕＸ＾?（３．９）??设０为阈值，用来判断神经元是否处于激活状态。当祌经元的输入信号和权重的??乘积之和大于阈值０时，表示神经元被激活；否则，神经元未被激活。假设／表示激??活函数
支持向量机（ＳＶＭ，Ｓｕｐｐｏｒｔ?Ｖｅｃｔｏｒ?Ｍａｃｈｉｎｅｓ）是机器学习中常用的算法之一??（ＢｏｓｅｒＢ?等，１９９２；?ＳｃｈｏｌｋｏｐｆＢ?等，１９９５；?ＣｏｒｔｅｓＣ?等，１９９５），由线性可分时的最??优分类面发展而来。如图３－３所示，图中有两类样本数据，Ｈ表示的是分类线。Ｈ１??和Ｈ２分别是平行于Ｈ，且通过两类样本中距离分类线最近样本的直线。Ｈ１和Ｈ２的??空间距离称之为ｍａｒｇｉｎ，表示分类间隔（张学工，２０００）。其中，最优分类线意为将??两类样本准确区分（没有分类错误的样本），而且使得Ｈ１和Ｈ２的距离最大。在图??３－３中，最优分类面是／＾＾化＝２／｜｜４最小的，过两类样本中离分类面最近的点且平行??于最优分类面的超平面上（ＨＩ，?Ｈ２）的训练样本就叫做支持向量。??ＳＶＭ的核心思想就是将分类间隔最大化，分类间隔的最大化就是对推广能力的??控制（张学工，２０００）。根据支持向量机的原理和最优分类面的公式转化为约束如公??式３－２０所示。??１?２?１??ｍｉｎ〇（ｗ）?＝?—｜｜ｗ｜｜?＝—（ｗ＇－ｗ）?（３－２０）??通过拉格朗日（Ｌａｇｒａｎｇｅ）函数解决公式３－２０的约束最优化问题
【参考文献】：
期刊论文
[1]实施大规模国土绿化行动 全国森林覆盖率2020年将达到23.04%[J]. 许云飞. 国土绿化. 2018(01)
[2]基于BP神经网络的粮食产量与化肥用量相关性研究[J]. 李想,戴维,高红菊,徐文平,魏小红. 农业机械学报. 2017(S1)
[3]OLI与HSI影像融合的土壤盐分反演模型[J]. 厉彦玲,赵庚星,常春艳,王卓然,王凌,郑佳荣. 农业工程学报. 2017(21)
[4]从摄影测量到计算机视觉[J]. 龚健雅,季顺平. 武汉大学学报(信息科学版). 2017(11)
[5]Canopy-Kmeans聚类和组合优化的铁矿预配料智能调度[J]. 曹跃,王雅琳,何海明,杨卜菘,桂卫华. 控制理论与应用. 2017(07)
[6]基于BP神经网络的长白落叶松人工林林分平均高预测[J]. 沈剑波,雷相东,李玉堂,兰莹. 南京林业大学学报(自然科学版). 2018(02)
[7]森林经理与森林质量精准提升[J]. 张会儒,雷相东. 国土绿化. 2017(08)
[8]基于网络爬虫的森林经营知识采集系统研建[J]. 刘建成,吴保国,陈栋. 浙江农林大学学报. 2017(04)
[9]国务院印发《新一代人工智能发展规划》[J]. 广播电视信息. 2017(08)
[10]基于BP神经网络的天然云冷杉针阔混交林标准树高-胸径模型[J]. 刘鑫,王海燕,雷相东,解雅麟. 林业科学研究. 2017(03)
博士论文
[1]基于神经网络方法的杉木人工林林分生长模拟研究[D]. 车少辉.中国林业科学研究院 2012
[2]经营单位级森林经营数据仓库研建及应用研究[D]. 孟京辉.中国林业科学研究院 2011
[3]基于数据挖掘技术的造林决策研究[D]. 姚山.北京林业大学 2008
[4]求解工件加工调度问题的一种混合邻域搜索算法[D]. 曾立平.华中科技大学 2006
硕士论文
[1]旅行商问题的研究与应用[D]. 袁豪.南京邮电大学 2017
[2]福建杉木人工林单木生长模型的研究[D]. 董云飞.北京林业大学 2015
[3]森林资源经营管理平台与经营决策服务子系统的研建[D]. 沈立辉.北京林业大学 2015
[4]基于人工鱼群的K中心组合优化聚类算法研究[D]. 田琳.沈阳大学 2014
[5]人工林立地质量评价系统的研建[D]. 王超群.北京林业大学 2013
[6]基于神经网络的森林生物量估测模型研究[D]. 王轶夫.北京林业大学 2013
[7]服务于林农的森林培育专家决策支持系统开发[D]. 韩焱云.北京林业大学 2012
[8]搜索引擎中重复网页检测算法研究[D]. 闫付亮.河南工业大学 2012
[9]解图着色问题的一个新的遗传算法[D]. 王芳.西安电子科技大学 2010
[10]基于模拟退火遗传算法的图着色研究[D]. 余珮嘉.贵州大学 2009
本文编号：3384677
本文链接：https://www.wllwen.com/nykjlw/lylw/3384677.html
