论文部分内容阅读
本文以浙江省重点林业县级市(龙泉市)为研究区域，以森林蓄积量为监测指标，在整合DEM（数字高程模型）、森林资源二类调查数据的基础上，为了有效估测森林蓄积量，建立了涵盖地形、地貌、气候、土壤、林分结构等特征的自变量因子集，应用BP神经网络模型对目标变量(蓄积量)进行估测。主要研究内容和成果如下：(1)以30m分辨率的DEM为数据源，利用ArcGIS9.3提取或计算得到坡度(Slope)、坡向（Aspect）、海拔(Elevation)、地表曲率（Curvature）、太阳辐射量（Solar）、地形湿度指数（TWI）等6个因子的数据；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、年龄、郁闭度、单位蓄积量等5个因子数据。(2)以单位蓄积量为监测指标，在科学性、系统性、经济性与实用性等原则指导下，建立了土层厚度、A层厚度、海拔、坡度、坡向、太阳辐射量、地形湿度指数、地表曲率、年龄、郁闭度等10个指标在内的自变量因子集。(3)以上述10个自变量因子为输入层向量，以平均单位蓄积量作为输出层向量。在MATLAB R2011a中按优势树种（分别为杉木、马尾松、硬阔类、黄山松）建立了BP神经网络模型，其各层神经元个数配置如下：输入层10个，隐含层21个，输出层1个。在此基础上，对研究区域的2007年度森林资源二类调查数据进行分组训练和仿真。结果表明：各优势树种个体平均相对误差IARE从28.61%到84.78%，其平均值为47.06%；群体相对误差GRE从6.35%到12.62%，平均值为9.49%。从仿真结果看，各类优势树种的群体相对误差均未超过15%，意味着仿真精度达到85%以上，说明模型的总体仿真效果与实际情况非常接近，虽然个体平均相对误差平均值达到了47.06%，但考虑到森林资源蓄积量估测通常都是以一个较大范围的群体（如一个行政区域或是一类优势树种）为单位的，所以，本文研究应用BP神经网络来估测森林蓄积量具有较高的参考价值。