论文部分内容阅读
森林作为陆地生态系统的重要组成部分,是人类社会生存和发展的物质基础。森林蓄积量是衡量森林资源状况的一个重要指标,因此准确估测森林蓄积量具有重要的作用和意义。本文以江苏东台林场为例,比较了森林蓄积量估计的几种抽样方法,研建了基于小班对象的不等概抽样系统,以期提高抽样设计、抽样调查、抽样估计的信息化程度,提高抽样效率。主要研究内容如下:1、探讨基于深度学习模型的分层辅助信息获取新方法,拟为研究区提供分类精度较高的优势树种作为森林蓄积估测的分层辅助信息。该方法基于深度学习模型,综合利用研究区2016年无人机高分影像数据、前期二类调查数据、2016年补充调查数据,通过大型卷积神经网络提取优势树种影像特征,继而实现树种类型的信息提取与精细识别,获取研究区小班抽样的分层辅助信息。对分类结果的4类树种类型进行精度评价,并对主要优势树种的精细识别结果进行面积统计,与2016年补充调查数据中各树种面积统计值进行对比分析。结果表明,本文提出的基于深度学习模型的分层辅助信息获取新方法,分类总体精度达到91.18%,Kappa系数0.88。通过该模型进行各树种面积估计,得到杨树(Populus euramevicana)、水杉(Metasequoia glyptostroboides)、银杏(Ginkgo biloba,)、竹(Bambusoideae)及其他的林地面积成数相对精度分别为96.77%、84.28%、87.04%和90.48%,相对平均精度为89.65%,识别精度能够满足林业生产需求。2、比较了几种小班抽样方法估测研究区森林蓄积量的抽样精度。本文采取小班简单随机抽样、小班分层抽样、小班PPS抽样(Probability Proportionate to Size Sampling)、小班πPS抽样、小班分层πPS抽样5种抽样方法,在相同样本容量下对比抽样精度。分层辅助信息采用树种精细分类结果。比较5种抽样方法的抽样精度,并选用最优抽样方法对研究区总体森林蓄积量进行估计。结果表明,基于分层辅助信息的小班分层πPS抽样方法取得了较好的效果。在相同样本容量下,小班分层πPS抽样比小班简单随机抽样、小班分层抽样、小班PPS抽样、小班πPS抽样抽样精度高,其抽样精度达91.52%,研究区蓄积估计为211992.03m~3。小班分层πPS抽样较小班PPS抽样精度高,主要是因为PPS抽样为有放回抽样,可能重复抽到某些规模较大的森林小班,影响估计精度。小班分层πPS抽样较小班等概抽样几种方法精度高,主要是因为不等概抽样具有抽样效率高的优点,在同样本容量下,抽样精度更高。小班分层πPS抽样方法具有低成本、高效率的特点,在森林资源调查中有很好的应用前景。3、本文研建了基于小班对象的不等概抽样系统。服务器端基于PostgreSQL/PostGIS数据库技术,通过C#语言在Visual Stodio2010平台完成空间数据的数据库应用与接口设计,基于Web Services技术实现空间数据库访问与应用的网络接口;在客户端,基于C#语言设计与实现了空间数据缓存结构类,实现空间数据的缓存与读写接口;通过实例分析设计出了拥有数据服务与数据库连接测试,Shapefile数据的导入、导出与查询导出功能的应用程序。成功实现了一个可以在Android移动设备上使用的小班不等概抽样系统。该系统的主要功能包括(1)地图基本操作:实现了Shapefile文件的读取与显示、瓦片数据的加载与显示及基础的地图交互操作,如:缩放、平移、定位及搜索等;(2)样地点布设与复位:实现了样地点的选择、返回分布点界面、标记已调查样地点的功能;(3)样点数据采集:包括空间数据、样地调查数据和角规调查数据;(4)统计分析:通过πPS抽样算法,对研究区蓄积进行估计,并得出抽样精度、面积统计和蓄积估计;(5)数据访问:通过服务器实现了移动端查询本期数据和下载历史数据的功能。