论文部分内容阅读
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,建立了涵盖地形、地貌、气候气象、土壤、林分结构特征及光谱特征的森林资源蓄积量预测自变量因子集。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,并应用改进的BP神经网络模型对森林资源蓄积量进行预测。研究结果可用于自然生长状态下的森林资源小班蓄积量数据的动态更新,也可为林业管理部门提供决策支持。主要研究内容和成果如下：(1)以森林资源蓄积量为监测指标,通过大规模的样本集,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、B1、B2、B3、B4、B5、B7等17个指标在内的自变量因子集。具体来说：①在ENVI5.0及ArcGIS9.3中,对龙泉市2003年度的ETM+遥感影像以及2007年度和2010年度的TM遥感影像进行处理,与森林资源二类调查小班数据及固定样地调查数据进行叠加分析,以小班为单元提取了7个遥感光谱因子数据：归一化植被指数(NDVI).波段1(B1)、波段2(B2)、波段3(B3)、波段4(B4)、波段5(B5)及波段7(B7)；②以30m分辨率的数字高程模型(DEM)为数据源,在ArcGIS9.3中计算得到坡度(Slope)、坡向(Aspect)、海拔(Elevation)、地表曲率(Curvature)、太阳辐射(Solar)、地形湿度指数(TWI)等6个因子的数据；③以森林资源二类调查数据为数据源得到土层厚度、A层厚度、树龄、郁闭度、单位蓄积量等5个因子数据。(2)通过多项式拟合结合经验数据求得了各自变量因子的隶属度,并在MatlabR2011b中按优势树种(分别为杉木、马尾松、硬阔类、黄山松)建立了基于Levenberg-Marquardt优化算法改进的BP神经网络模型。在此基础上,以上述处理后的17个自变量因子为输入层向量,以平均单位蓄积量为输出层向量,对研究区域的2007年度样本数据进行分组训练和仿真。结果表明：个体平均相对误差IARE从27.00%到41.69%,平均值为33.73%；群体相对误差GRE从4.94%到7.55%,平均值为6.14%,意味着仿真精度达到90%以上,超过森林资源二类调查的蓄积量总体抽样精度标准(即85%),可用于指导生产实践。(3)用上述所建模型按优势树种反演了2004年度固定样地所在小班的平均单位蓄积量,结果表明：由预测值与实测值组成的点对大体均匀地分布于对角线两侧,除了黄山松的散点图较为分散外,其它优势树种的点对基本上集中在以对角线为中心线的一个较窄的范围内。群体相对误差GRE从0.91%到10.48%,平均值为3.67%,这意味着群体反演结果达到了相当高的精度(大于95%),超过森林资源二类调查的蓄积量总体抽样精度标准(即85%)；个体平均相对误差IARE从17.28%到39.04%,平均值为27.31%。反演结果最为理想的是马尾松,最差的是黄山松。(4)通过该模型预测了2010年度固定样地所在小班的平均单位蓄积量。从散点图和误差曲线可见,预测值与实测值组成的点对基本上集中在以对角线为中心线的一个较窄的范围内。预测结果的群体相对误差GRE为6.73%,群体预测精度达到93.27%,超过森林资源二类调查的蓄积量总体抽样精度标准(即85%),可用于指导生产实践；个体预测平均相对误差IARE为24.14%,其中有61.84%的样本的个体相对误差小于20%。进一步表明了所建立的预测模型具有很强的泛化能力。