期刊文献+

神经网络模型森林生物量遥感估测方法的研究 被引量:41

Remote sensing method of forest biomass estimation by artificial neural network models
下载PDF
导出
摘要 森林生物量的估测是全球变化研究的基础,而遥感宏观、综合、动态、快速的特点决定了基于遥感的生物量模型为森林生物量估测的发展方向,目前的遥感生物量估测方法大多基于回归分析,需要预先假设、事后检验,仅为经验性的统计模型。神经网络的分布并行处理、非线性映射、自适应学习和容错等特性,使其具有独特的信息处理和计算能力,在机制尚不清楚的高维非线性系统体现出强大优势,可以用于遥感生物量估测。文章在野外调查的基础上,尝试应用BP网络和RBF网络技术,建立广州TM遥感影像数据与森林样方生物量实测数据之间的神经网络模型,通过训练和仿真,与生物量实测数据进行比较。结果表明,在独立样地估测中,人工神经网络估测的相对误差均小于15.18%,获得了满意的效果。而RBF网络与BP网络相比,在识别精度上、稳定性、速度上,均优于BP网络,其最大相对误差不超过10.12%,平均相对误差为4.76%。可见应用神经网络方法的“黑箱”操作虽然难以归纳出指导性规律,但可以获得很高的精度。尤其RBF网络,在训练完成后,可以应用该模型进行大区域生物量估算,对于森林的规划及管理具有深远意义。 In this paper, biomass value was obtained from 80 plots (30 m×30 m), including 40plots for broadleaved forests and 40 plots for coniferous forests, respectively. All of plots were positioned accurately using Global Positioning System, the Landsat TM image for Guangzhou area was acquired on Mar 9, 2004. The satellite image was revised. Using the technology of artificial neural network, two different network models were established based on the data of Guangzhou remote sensing and the field measurements, for estimation of the forest biomass, the results shows that the relative errors of estimate value all were less than 15.18%. Comparing with BP network, the RBF has more advantages in application: Its maximal relative error less than 10.12%, its mean relative error was 4.76%, which proved to have a much higher accuracy.
出处 《生态环境》 CSCD 北大核心 2007年第1期108-111,共4页 Ecology and Environmnet
基金 国家教育部"985工程"GIS与遥感的地学应用科技创新平台项目(105203200400006)
关键词 LANDSAT TM数据 森林生物量 人工神经网络 BP网络 RBF网络 landsat TM data forests biomass artificial neural network, BP network, RBF network
  • 相关文献

参考文献12

  • 1DIXON R K,BRWN S B,HOUGHTON R A,et al.Carbon pools and flux of globle forest ecosystem[J].Science,1994,263:185-190.
  • 2SPENCER R D,GREEN M A,BLGGS P H.Integrating Eucalypt Forest Inventory and GIS In West Australia[J].Photogrammetric Engineering&Remote Sensing,1997,63(12):1345-1351.
  • 3郭志华,彭少麟,王伯荪.利用TM数据提取粤西地区的森林生物量[J].生态学报,2002,22(11):1832-1839. 被引量:99
  • 4杨存建,刘纪远,张增祥.热带森林植被生物量遥感估算探讨[J].地理与地理信息科学,2004,20(6):22-25. 被引量:39
  • 5ROGERS S K,KABRISKY M.An Inrroduction to Biological and Artificial Neural Networks for Pattern Recognition[M].Washington:SPIE Opt Eng Press,1991.
  • 6沈清 胡德文 时春.神经网络应用技术[M].长沙:国防科技大学出版社,1995.372-377.
  • 7LEK S,GUEGAN J F.Artificial neural network as a tool in ecological modeling,an introduction[J].Ecological Modeling,1999,120:65-73.
  • 8KEINER L L,YAN X H.A neural network for estimating sea surface chlorophyll and from thrmatic mapper imagery[J].Remote Sens Environ,1998,66:153-165.
  • 9管东生.流溪河水库林区森林生态系统研究[C]//中国科学院鼎湖山森林生态系统定位研究站.热带亚热带森林生态系统研究(5).北京:科学出版社,1989:123-134.
  • 10方精云,刘国华,徐嵩龄.我国森林植被的生物量和净生产量[J].生态学报,1996,16(5):497-508. 被引量:1081

二级参考文献34

  • 1聂道平.毛竹林结构的动态特性[J].林业科学,1994,30(3):201-208. 被引量:24
  • 2彭少麟,张祝平.鼎湖山地带性植被生物量、生产力和光能利用效率[J].中国科学(B辑),1994,24(5):497-502. 被引量:40
  • 3方精云,Abstracts of the first IGAC Scientific Conference,1993年
  • 4方精云,Abtracts of the XXIBC,1993年
  • 5程鸿,中国自然资源手册,1990年
  • 6何妙光,植物生态学译丛.4,1982年
  • 7彭少麟,中国科学,24卷,5期,497页
  • 8Moffat A S. Resurgent forests can be greenhouse gas sponges. Science, 1997, 277: 315~316.
  • 9Dixon R K, Brwn S B, Houghton R A, et al. Carbon pools and flux of global forest ecosystem. Science, 1994, 263: 185~190.
  • 10Phillips O L, Malhi Y, Higuchi N, et al. Changes in the carbon balance of tropical forests: evidence from long-term plots. Science, 1998, 282: 439~442.

共引文献1177

同被引文献685

引证文献41

二级引证文献459

相关作者

内容加载中请稍等...

相关机构

内容加载中请稍等...

相关主题

内容加载中请稍等...

浏览历史

内容加载中请稍等...
;
使用帮助 返回顶部