论文部分内容阅读
林地资源作为国家重要的自然资源和战略资源之一,肩负着森林的生存和发展,承载着生态建设的重任,具有环境优化与促进发展的双重使命。为解决我国森林资源产出的结构性矛盾问题,国家建设储备林基地、实行储备林制度。储备林基地的划定首要原则是适地适树,对树种适宜性的评价研究十分重要。随着我国林业调查体系和物联网等技术手段的发展完善,森林资源数据日益多元化和海量化,但目前其利用情况还并不充分。我国传统的具体树种适宜性研究主要使用基于样地调查的统计分析方法,消耗大量人力物力,现有数据未被综合利用,同时也难以处理树种适宜性和各个环境因子之间的复杂非线性关系。针对上述问题,本文以森林资源小班调查数据为基础数据,集成多源森林资源小班数据,应用数据挖掘理论和方法,对储备林树种适宜性进行了研究分析。科学处理树种适宜性和环境因子之间的非线性关系,以期从大量数据中挖掘树种适宜性知识,为储备林基地建设提供辅助决策和技术支撑,为树种适宜性评价提供新的思路和方法。本文的具体研究内容有以下几个方面:(1)以小班为单位的多源森林资源数据集成。本文在森林资源调查数据的基础上,使用DEM数据、土壤数据、气象数据,经过提取、转换、清洗、集成,融合成了面向树种适宜性研究应用的以小班为单位的多源森林资源数据集。扩大环境因子信息量,以提供更全面的树种适宜性研究依据。(2)储备林树种适宜性数据挖掘技术体系综合分析。通过明确储备建设重点和目标,分析树种适宜性评价的指标和原则,结合现有数据挖掘算法及一般步骤,根据数据实际情况构建储备林树种适宜性评价指标,提出树种适宜性研究数据挖掘的流程和适宜算法。(3)树种适宜性评价维归约建模。与树木生长情况相关的环境因子众多,本文分析了森林资源小班数据特点,运用基于邻域粒化的粗糙集算法,选择出了对树种适宜性影响较大的重要因子。(4)树种适宜性评价分类预测建模。根据BP人工神经网络算法与C5.0决策树算法的基本原理与计算流程,提出这两种算法应用于树种适宜性分类预测时的建模过程与具体实现。(5)实验结果与分析。本文以辽东山区红松林为例进行评价验证,设计多种实验方案,对比了不同方案中的传统多元线性回归模型与数据挖掘模型的模拟精度,分析并验证了数据挖掘模型的合理性。通过应用本文建立的分类预测模型,得到了准确率较高的树种适宜性分布图。本文的主要创新点:(1)在储备林树种适宜性评价中引入数据挖掘技术,构造出了基于储备林建设特点的树种适宜性评价指标,并提出完整技术流程;(2)使用粗糙集算法结合BP人工神经网络算法和C5.0决策树算法实现分类预测,有效改善了模型的计算效率,并提高了数据挖掘预测的准确率。(3)实现了辽东山区红松树种适宜性定量和定性的评价。