收藏本站
收藏 | 投稿 | 手机打开
二维码
手机客户端打开本文

基于BP神经网络的油松人工林树高模型研究

陈佳琦  赵鹏祥  祁宁  李卫忠  
【摘要】:通过分析比较不同算法以及不同输入层因子,构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源,通过对6种BP神经网络的训练方法进行训练,经过反复筛选找出最优模型并与传统胸径-树高模型作比较;最后将BP神经网络中的输入因子从2个增加到6个后,经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1)贝叶斯归一化(BR)算法在6种算法中表现最佳,R~2和MSE分别为0.963 0和1.168;2)不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响,BP神经网络模型的决定系数(R~2)随着隐含层节点数的增加呈现先上升后下降的趋势;均方误差(MSE)呈现先下降后上升的趋势,两者都在节点数为10时有极值,此时的模型为最优模型;3)当输入因子为胸径和优势树高时,油松人工林的最优模型结构为(输入层节点数:隐含层节点数:输出层节点数为2∶10∶1),此时BP神经网络模型对树高预测的决定系数(R~2)和均方误差(MSE)分别为0.761 0和1.984 7;当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时,最优模型结构为6∶10∶1,此时BP神经网络模型对树高预测的决定系数(R~2)和均方误差(MSE)分别为0.844 7和1.955 7。由此得出,在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法;BP神经网络模型与传统模型相比,BP神经网络模型不需要目标方程结构,并且模拟和预测的精度均要优于传统模型;在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。

知网文化
【相似文献】
中国期刊全文数据库 前18条
1 章治邦;张学辉;;基于BP神经网络的区域森林植被覆盖率预测[J];信息与电脑(理论版);2017年11期
2 王勇;王刚;;基于BP神经网络的森林碳汇量估测方法研究[J];四川林业科技;2012年01期
3 琚存勇;蔡体久;;用泛化改进的BP神经网络估测森林蓄积量[J];林业科学;2006年12期
4 徐志扬;;基于BP神经网络的马尾松树高曲线模型[J];林业调查规划;2015年02期
5 李丹丹;冯仲科;汪笑安;张凝;张巍巍;;BP神经网络反演森林生物量模型研究[J];林业调查规划;2013年01期
6 许炜敏;陈友飞;陈明华;郑丽丹;张清林;;基于BP神经网络的杉木林蓄积量估测研究[J];福建林学院学报;2012年04期
7 全青青;;基于BP神经网络的落叶松人工林树种分类[J];信息技术与信息化;2019年09期
8 郭晓君;吴沿友;竹为国;朱咏莉;;基于BP神经网络的泉州湾红树株高预测模型[J];江苏林业科技;2012年03期
9 曾孝平,刘敬,刘德,李永华,蒲秀娟;基于BP神经网络的森林火环境预测方法[J];重庆大学学报(自然科学版);2005年01期
10 徐云栋;舒清态;李圣娇;张焱;王永刚;;基于优化BP神经网络的香格里拉高山松蓄积量模型研究[J];西北林学院学报;2015年06期
11 陈立君;王克奇;王辉;;基于BP神经网络木材纹理分类的研究[J];森林工程;2007年01期
12 宁金忠;欧华坤;冯伟杨;王亚东;;基于小波熵和BP神经网络的木材空洞诊断的研究[J];仪表技术;2017年05期
13 卞西陈;陈丽华;王鹏;王萍花;;BP神经网络在森林健康预警中的应用[J];水土保持通报;2011年04期
14 陈建珍;;BP神经网络在林分平均胸径生长预估中的应用[J];林业调查规划;2009年03期
15 龙滔;覃连欢;叶绍明;;基于BP神经网络连栽桉树人工林生长量预测[J];东北林业大学学报;2012年05期
16 白雪冰;王克奇;王业琴;王晗;邹丽辉;;基于BP神经网络的木材表面颜色特征分类的研究[J];森林工程;2007年01期
17 牟洪波;王世伟;戚大伟;倪海明;;基于灰度共生矩阵和模糊BP神经网络的木材缺陷识别[J];森林工程;2017年04期
18 崔永红;;基于BP神经网络的松材线虫病防控采伐成本分析——以闽侯县为例[J];林业勘察设计;2018年01期
中国重要会议论文全文数据库 前5条
1 孟丹;李小娟;韩洁;;基于PROSAIL模型-BP神经网络的森林叶面积指数反演[A];地理学核心问题与主线——中国地理学会2011年学术年会暨中国科学院新疆生态与地理研究所建所五十年庆典论文摘要集[C];2011年
2 戚大伟;牟洪波;;基于Hu不变矩和BP神经网络的木材缺陷检测[A];2013年中国智能自动化学术会议论文集(第三分册)[C];2013年
3 罗茜;王鸿斌;张真;孔祥波;;基于MFCC和BP神经网络的小蠹声音识别[A];第三届中国森林保护学术大会论文摘要集[C];2010年
4 琚存勇;蔡体久;;用泛化BP神经网络估算森林蓄积量的应用研究[A];中国生态学会2006学术年会论文荟萃[C];2006年
5 符利勇;何铮;唐守正;刘应安;;基于改进Elman神经网络的林隙大小预测模型[A];第九届中国林业青年学术年会论文摘要集[C];2010年
中国博士学位论文全文数据库 前4条
1 牟洪波;基于BP和RBF神经网络的木材缺陷检测研究[D];东北林业大学;2010年
2 李鸿鹏;基于神经网络的非线性系统辨识方法研究[D];东北林业大学;2018年
3 吴达胜;基于多源数据和神经网络模型的森林资源蓄积量动态监测[D];浙江大学;2014年
4 车少辉;基于神经网络方法的杉木人工林林分生长模拟研究[D];中国林业科学研究院;2012年
中国硕士学位论文全文数据库 前10条
1 刘帅;基于BP神经网络的森林蓄积量估测[D];浙江农林大学;2014年
2 向洪波;基于BP神经网络森林叶面积指数估算研究[D];西南大学;2009年
3 王勇;基于BP神经网络的慈竹林地上部分碳储量估算方法研究[D];四川农业大学;2012年
4 胡超;基于BP人工神经网络的区域森林火灾预测研究[D];浙江海洋学院;2015年
5 刘瑾蓉;基于卷积神经网络的银杏叶片患病程度识别[D];北京林业大学;2018年
6 张飞;基于卷积神经网络的林火识别[D];中南林业科技大学;2019年
7 刘亚檀;基于卷积神经网络的林木提取及覆盖率估测[D];东北林业大学;2019年
8 李秀清;基于视频的自然场景下烟雾检测研究[D];山东大学;2019年
9 周涛;基于神经网络的林火信息融合系统设计[D];中南林业科技大学;2018年
10 马学欣;一种多因子融合的BP神经网络树木生长模型研究[D];浙江农林大学;2019年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62982499
  • 010-62783978