哑变量在森林蓄积量模型估测中的应用

发布时间：2021-09-04 05:05

　　【目的】建立含哑变量的林分蓄积量估测模型,分析哑变量在香格里拉高山松林分蓄积量模型中的意义与作用。【方法】以香格里拉为研究区,基于2008—2009年3幅TM遥感影像与2008年抽样控制样地数据,对香格里拉高山松林分神经网络模型与考虑龄组构造的哑变量神经网络模型两种类型建立蓄积量遥感估测模型,并进行精度评价。对比模型的估测值与实测值,计算模型残差,检验各龄组残差均值与0之间的差异性;同时对模型的预测值结果进行组间均值的差异性检验,以此作为确定龄组分类形式构建哑变量的标准与依据。【结果】2个模型的独立样本检验结果表明,引入哑变量的神经网络估测模型比神经网络模型拟合效果要好,其决定系数要高于神经网络模型,决定系数从0.516提高到0.783。模型预估精度从神经网络模型的66.3%提高至哑变量模型的74.8%,估算误差优于神经网络模型。【结论】根据模型的残差差异性结果得出,哑变量模型可以在一定程度上解决在估测幼龄林、中龄林蓄积量低值高估的问题;可见引入哑变量估测森林蓄积量的方法是相对有效的。 

【文章来源】：中南林业科技大学学报. 2020,40(07)北大核心CSCD

【文章页数】：8 页

【部分图文】：

香格里拉高山松样地分布

【参考文献】：
期刊论文
[1]基于多尺度遥感影像纹理特征的森林蓄积量反演[J]. 汪康宁,吕杰,李崇贵.  中南林业科技大学学报. 2017(11)
[2]结合纹理因子和地形因子的森林蓄积量多光谱估测模型[J]. 杨柳,冯仲科,岳德鹏,孙金华.  光谱学与光谱分析. 2017(07)
[3]耦合光谱、纹理信息的森林蓄积量估算研究[J]. 郝泷,刘华,陈永富,吴云华.  山地学报. 2017(02)
[4]基于PALSAR全极化数据的城市森林蓄积量估测[J]. 张密芳,胡曼,李明阳.  南京林业大学学报(自然科学版). 2016(06)
[5]哑变量在云杉地上生物量模型中的应用研究[J]. 杨英,冉啟香,陈新云,欧强新.  林业资源管理. 2015(06)
[6]基于不同立地质量的森林蓄积量遥感估测[J]. 刘俊,孟雪,温小荣,林国忠,佘光辉,刘雪慧,徐达.  西北林学院学报. 2016(01)
[7]基于Landsat8卫星光谱与纹理信息的森林蓄积量估算[J]. 王月婷,张晓丽,杨慧乔,王书涵,白金婷.  浙江农林大学学报. 2015(03)
[8]基于高分辨率遥感影像的森林蓄积量估测[J]. 李利伟,黄国胜,王雪军,张超,智长贵,党永峰,王威.  福建林业科技. 2014(04)
[9]基于ALOS遥感数据纹理及纹理指数的柞树蓄积量估测[J]. 刘俊,毕华兴,朱沛林,孙菁,朱金兆,陈涛.  农业机械学报. 2014(07)
[10]结合影像光谱与地形因子的森林蓄积量估测模型[J]. 王佳,宋珊芸,刘霞,杨慧乔,冯仲科.  农业机械学报. 2014(05)

博士论文
[1]黄海叶绿素及初级生产力的遥感估算[D]. 杨曦光.中国科学院研究生院（海洋研究所） 2013
[2]回复式神经网络及其在组合优化问题中的应用[D]. 屈鸿.电子科技大学 2006

硕士论文
[1]基于Landsat8-OLI的香格里拉高山松林生物量遥感估测模型研究[D]. 孙雪莲.西南林业大学 2016
[2]森林蓄积量遥感估测研究[D]. 涂云燕.北京林业大学 2013



本文编号：3382620