以福建省三明市森林资源二类调查资料为基础数据,采用VB编程语言,自主开发了森林资源蓄积量预测系统,用GM(1,1)模型、复利公式和BP人工神经网络模型分别对森林资源蓄积量进行宏观预测。3种方法的预测结果显示:BP人工神经网络模型拟合效果较好,其次是灰色系统模型,平均相对误差最大的是复利公式。最后分析了3种方法的优劣,探讨进一步优化的方法。

【目的】估算我国7大地区森林蓄积量的变化,探讨未来我国森林保护重点工程实施的具体地区和规划方向。【方法】根据1975-2005年的7次全国森林资源清查数据,结合2010年颁布的《全国林地保护利用规划(2010-2020)》,按照自然区将我国划分为东北、华北、西北、西南、华南、华东和华中7个地区,初步核算了2005-2020年各区域森林面积和森林蓄积量的年平均增长率,并评估不同区域之间森林面积和蓄积量增长潜力的差异。【结果】森林面积增长量表现为西南>西北>华北>华南>东北>华中>华东,森林蓄积量增量以西南>东北>华北>华南>华中>西北>华东;我国森林蓄积量增长潜力呈东南部增长快但总量少、西部增长...

以内蒙古旺业甸林场为研究区域,以资源三号(ZY-3)卫星遥感图像为数据源,通过对影像进行处理,获取对应样地的波段光谱值、光谱组合值及地形因子信息等遥感因子。基于对各遥感因子的信息量分析、多重相关性危害分析及应用残差平方和的方法对遥感因子进行筛选,实验结果表明:ZY-3影像提取的12个遥感因子中,单波段因子中ZY3的信息量最大,波段组合中ZY(2-3)/ZY4的信息量最大,地形因子中高程的信息量最大,ZY-3的波段、波段组合和地形因子间存在多重相关性,去掉ZY(2-3)/(2+3)和坡度因子后,多重相关性的危害大大降低,可以满足进一步建立蓄积量遥感反演模型要求。

借助SPSS统计软件和ERDAS IMAGINE9.0/ArcGIS9.2的建模及空间分析工具,采用TM影像和1∶100000地形图作为数据源,从TM影像提取野外GPS采样点缓冲区内6个波段的灰度值及其线性和非线性组合等遥感因子,从地形图提取海拔、坡度、坡向等GIS因子,以各遥感因子和GIS因子作为自变量,以GPS野外调查样点缓冲区内的蓄积量作为因变量建立多元线性回归模型。样本数据筛选采用标准差法,因子变量筛选采用主成分因子分析法、多元线性回归的逐步回归和强行进入法等方法,建立的多元回归模型预测总体精度达到87.35%。用2006年山东省TM影像提取的有林地掩膜模型中各因子变量灰度图,得到各因...

森林是陆地生态系统的重要组成部分,蓄积量是森林资源调查的基本指标之一。传统的森林蓄积量调查数据一般以行政单元为记录进行表示,因此,难以在更细尺度上反映蓄积量的空间分布及其变化。以20世纪80年代全国森林资源清查数据为例,在国家和省区两个尺度分别分析森林蓄积量与不同土地利用类型面积和不同土地覆被类型面积之间的关系。结果显示:不论在国家尺度还是省区尺度,森林蓄积量与土地覆被类型的相关性(国家尺度R2=0.568 2;省区尺度R2=0.851 1)均优于其与土地利用类型的相关性(国家尺度R2=0.528 3;省区尺度R2=0.775 4),而且分省区模型优于全国整体模型;在此基础上,基于蓄积量与不同...

在前人研究中还没有把基于BP与RBF神经网络的森林蓄积量预测模型的应用效果进行评价。拟在实际应用中对两种方法进行综合分析与评价,找到一种预测精度更高、适用性更强的方法。采用相关分析法选定郁闭度、阴坡、阳坡、TM1、TM2、TM3、TM5、TM7、NDVI、TM(4-3)、TM4/3为输入变量,以密云县森林蓄积量为输出变量,建立蓄积量估测的RBF与BP神经网络模型。并从神经网络的训练步长、训练时间、预测精度、模型适用性对二者进行了综合分析,RBF神经网络无论是在训练步长、训练时间、预测精度、模型适用性上都优于BP神经网络模型。

森林资源资产评估初探李仁昌，陈明福森林资源资产评估通过正确体现森林资源的价值量，明晰各产权主体的产权份额，保护所有者、经营者和使用者的合法权益，调动各产权主体经营林业的积极性。同时，它也是保证国有森林资产保值增值、防止国有森林资产流失的一项基础性工作...

针对常规角规测树较为粗放的现状,该文提出了电子角规测定森林蓄积量及生长量的基本原理与方法.电子角规是电子经纬仪与PDA的有机结合,电子经纬仪测角精确,配合相应的PDA应用程序,可以准确地实现角规的量测胸高断面积功能.电子角规可以实时准确地量测树木材积,从而可以计算各树形高值以计算林分蓄积量;此外,电子角规还可以准确地测量各棵树相对于样点的坡度以进行坡度改正.为了测量蓄积生长量,该文作者在样点设置固定标桩进行两期观测.为了合理地解释森林蓄积生长,该文采用潜在计数值法,它可以合理地计算出进界木在前期的潜在量,林分实际生长量等于保留木、潜在木和进界木生长量之和.

【目的】探索Landsat8 OLI数据和立体数据在估算桉树森林蓄积量（forest stock volume,FSV）中的潜力，并且准确地估计桉树的FSV。【方法】以3幅Landsat8 OLI图像和资源3号立体数据为遥感数据源，并且结合少量地面调查数据实现了桉树FSV的遥感估计。研究中提取了三类遥感特征用于估计桉树FSV：第一类是包括植被指数和单波段反射率在内的光谱特征；第二类是基于Landsat 8 OLI图像的单波段提取的8种纹理特征；第三类是基于资源3号立体像对数据和开源的数字高程模型（digital elevation model,DEM）提取的冠层高度模型（canopy height model,CHM）。利用Boruta算法对三类遥感特征进行提取，之后建立了随机森林（random forest,RF）、K-最近邻（K-nearest neighbor,KNN）和支持向量机（support vector machine,SVM）3种机器学习模型以及传统的多源线性回归模型（multiple linear regression,MLR），并以决定系数（R~2）、均方根误差（root mean square error,RMSE）和相对均方根误差（relative root mean square error,rRMSE）作为评价指标对模型结果进行评估。【结果】基于ZY-3立体像对数据和开源的DEM数据提取的CHM与桉树的FSV具有很强的相关性，Pearson相关系数达到了0.71。仅仅利用基于Landsat 8 OLI图像提取的光谱和纹理特征难以准确地估计桉树的FSV，估测模型的R~2为0.29～0.38,rRMSE为35.65%～43.30%，存在严重的数据饱和问题。当变量集中加入CHM后，模型的估测精度明显提高，R~2达到了0.64～0.66,rRMSE为25.74%～26.41%。【结论】使用Landsat 8 OLI数据估算桉树FSV时存在严重的数据饱和问题，并且使用空间分辨率为30 m的纹理特征难以有效地改善森林蓄积量的估计精度。利用资源3号立体像对数据和开源的DEM数据可以提取较为准确的CHM，并且所提取的CHM可以解决改善光学数据的饱和问题，从而提高桉树FSV的估计精度。

利用林分生长收获模型预测林分生长收获量是森林经营和管理的重要手段。早在200年前欧洲学者就编制了林分产量表,根据林分年龄预测林分产量。20世纪70年代随着计算机的普及,科学家们开始研究林分生长和产量预测模型系统,80年代后趋于成熟[1]。林分水平的生长和产量预测模型是采

介绍主成分变换和经规则化调整法进行泛化改进的BP神经网络在森林蓄积量建模估测中的应用,比较普通BP神经网络与泛化改进的BP神经网络对蓄积量预报的差异,分析直接用中心标准化的观测值建立仿真模型和进行主成分变换后再建立模型的效率问题。结果表明:泛化改进的BP神经网络比普通BP神经网络具有更高的预报精度,利用主成分得分作为仿真模型的变量比直接用观测值作变量具有更快的速度,并保证了预报精度。

以国产"高分一号"卫星(以下简称GF-1)获取的遥感影像数据与少量研究区样地数据为数据源,构建以光谱信息与多尺度纹理特征为特征变量的森林蓄积量反演模型,探讨不同尺度下提取的纹理特征对森林蓄积量估测模型准确度的影响,通过对特征变量的优选,寻求一种提高森林蓄积量反演模型的准确度的方法。首先,对覆盖研究区域的GF-1遥感影像进行重采样,得到覆盖研究区域的不同分辨率的影像序列,基于不同窗口大小的灰度共生矩阵提取影像序列的纹理特征,与遥感影像光谱信息共同作为特征变量;然后,使用随机森林(random forest,

森林生物量是指一个森林群落在一定时间内积累的有机质总量,是森林生态系统重要的特征数据,因此世界各国越来越重视对森林生物量的监测与研究[1-3],建立的生物量模型众多[4-6]。大尺度森林生物量监测,是以省、流域、国家乃至全球为对象,在估算方法一致的前提下,对多个时间点的森林生物

【目的】1)评估模型的线性和非线性形式、模型残差假设对推断不确定性的效应；2)比较2种总体均值的方差估计方法（自助法和解析法）；3)评估多种因素对推断不确定性的效应，构建基于遥感模型的统计推断经验法则用于指导实践。【方法】应用基于模型的统计推断方法，以森林蓄积量估计为例，基于非洲稀树草原的薪材材积实测样地数据与Landsat 8遥感辅助数据，使用二阶抽样从总体中选择160块样地形成样本，在不同模型假设下进行总体参数的推断，量化分析参数模型假设对估计量不确定性的效应，并辅以置信椭圆等诊断方法确保分析的有效性。【结果】1)不同模型假设下的总体均值估计值■为7.159～7.331 m³·hm^-2，解析方差估计值■为0.147～0.221，抽样精度为93.59%～96.64%，总体均值的经验方差估计值■为0.143～0.237。模型假设会影响模型参数的估计，进而影响推断精度■。自助法是检验总体参数解析估计量无偏性的有效方法。2)基于设计的方法得出的总体均值估计值■为6.774 m³·hm^-2，其方差估计值■为0.965，抽样精度为85.50%。既定条件下，相比于基于设计的统计推断，使用基于模型的统计推断能有效地将推断精度提升77.10%～84.77%，对抽样精度的提升为9.46%～13.03%。【结论】基于模型的统计推断在小样本推断中具有更高的推断精度及抽样精度，有助于实现高精度、低样本量、短周期的森林资源调查目标，但建模过程中的不确定性会影响推断精度，其中残差变异性对推断不确定性的影响最大。忽略方差异性和空间自相关效应在同方差假设下进行总体参数的推断，会低估■，在考虑方差异性的同时应进一步检验空间自相关性并使用相应的权函数和自相关函数模拟残差变异性。