人工神经网络在森林资源动态监测中的应用

序前言第1章 概论　1.1 研究背景　1.2 国内外研究进展　1.3 研究目的与内容　1.4 研究技术路线第2章 BP神经网络模型　2.1 人工神经网络理论　2.2 人工神经网络结构　2.3 神经网络的学习方式　2.4　BP神经网络　2.5 改进的BP神经网络　2.6 本章小结第3章 研究区概况及研究基础　3.1 研究区概况　3.2 监测指标与自变量因子　3.3 研究区数据　3.4 本章小结第4章 数据预处理　4,1 DEM数据预处理　4.2 遥感数据预处理　4.3 自变量因子数据提取　4.4 监测指标数据提取　4.5 自变量因子数据整合　4.6 自变量因子隶属度求解过程与结果——以杉木为优势树种的小班　4.7 自变量因子隶属度求解结果——以马尾松为优势树种的小班　4.8 自变量因子隶属度求解结果——以硬阔类为优势树种的小班　4.9 自变量因子隶属度求解结果——以黄山松为优势树种的小班　4.10 本章小结第5章 基于改进BP神经网络的森林资源蓄积量预测模型的建立　5.1 确定训练及仿真样本集　5.2 设置模型参数　5.3 建立网络　5.4 训练网络　5.5 网络仿真　5.6 森林资源蓄积量仿真结果及分析　5.7 本章小结第6章 森林资源蓄积量反演和预测　6.1 2004年度森林资源蓄积量反演　6.2 2010年度森林资源蓄积量预测　6.3 本章小结第7章 胸径、树高等调查因子的估测　7.1 平均胸径的估测　7.2 平均树高的估测　7.3 本章小结第8章 总结与展望　8.1 主要研究成果与结论　8.2 创新点　8.3 展望参考文献

由吴达胜编著的《人工神经网络在森林资源动态监测中的应用》共8章。第1章介绍研究背景、森林资源动态监测的国内外研究进展情况、研究目的与内容等；第2章介绍BP神经网络模型理论，并重点介绍了基于Levenberg-Marquardt算法改进的BP神经网络模型；第3章介绍了研究区概况及研究基础，包括了监测指标及影响其变化的自变量因子集、研究所用到的数据等；第4章为数据预处理，包括DEM、遥感数据的预处理，自变量因子数据的提取、监测指标数据的提取、自变量因子数据整合及各自变量因子隶属度的求解；第5章重点介绍如何建立基于Levenberg-Marquardt算法改进的BP神经网络的森林资源蓄积量预测模型，并以2007年研究区小班为评价单元分训练样本和测试样本对森林资源蓄积量进行仿真测试；第6章为森林资源蓄积量反演和预测，描述了如何利用第5章所建立模型反演2004年森林资源蓄积量及预测2007年森林资源蓄积量；第7章为胸径、树高等调查因子的估测，用于进一步验证模型的通用性；第8章则对全文研究结果作了总结与讨论．并对今后可能的研究方向与内容提出了一定的看法。由吴达胜编著的《人工神经网络在森林资源动态监测中的应用》以浙江省重点林业县级市(龙泉市)为研究区域，以森林资源蓄积量为主要监测指标，通过整合遥感影像、数字高程模型、森林资源二类调查数据、固定样地调查数据等多源数据，建立了包含土层厚度、A层厚度、海拔、坡度、坡向、地表曲率、太阳辐射指数、地形湿度指数、树龄、郁闭度、归一化植被指数、TM影像中的6个波段(B1、B2、B3、B4、B5、B7)等17个指标在内的自变量因子集。通过多项式拟合，结合经验数据求取各自变量因子的隶属度，按优势树种(分别为杉木、马尾松、硬阔类、黄山松)建立了基于LevenbeI‘g—Marquardt优化算法改进的BP神经网络模型。在此基础上，对研究区域各森林资源小班或细班的平均单位蓄积量进行仿真、反演和预测，总体精度均超过90％，高于森林资源二类调查的蓄积量总体抽样精度标准。同时，还利用所建模型，以研究区域2007年度数据为样本数据，估测了平均胸径、平均树高等森林调查因子，总体估测精度也达到90％以上。　　《人工神经网络在森林资源动态监测中的应用》结合了现代森林资源管理要求和信息技术特点，充分体现了先进技术在传统行业领域应用中所产生的效果，可供森林资源管理工作者、信息技术应用人员、信息系统研究与开发人员参考使用。