导读:本文包含了森林蓄积量论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:森林,遥感,林业厅,天保,因子,淮河,双峰。
森林蓄积量论文文献综述
涂云燕,彭道黎[1]（2019）在《基于聚类分析与岭估计模型的森林蓄积量遥感估测》一文中研究指出为提高森林蓄积量遥感估测的可靠性及解决自变量间相关性问题,本研究拟采用基于聚类分析与岭估计模型对密云县森林蓄积量进行估测。选取对森林蓄积量有影响的遥感、地形因子作为分类刻画因子进行聚类分析。根据聚类结果选取建模样本,采用岭估计模型对森林蓄积量进行估测,并对其进行适用性评价与精度验证。用离差平方和进行聚集得到3种分类结果,按个数权重抽取建模样本,用30个独立预留样本对模型进行验证。结果表明,预留样本实测值与估测值的R2为0.5311,均方根误差为1.4553,相对偏差为8.9%,实测值为90.942 m3,估测值为82.842 m3。模型适用性一般,估测精度达到91.1%,总体估测精度高。(本文来源于《中国农学通报》期刊2019年35期）
蒋馥根,孙华,ZHAO,Feng,林辉,龙江平[2]（2019）在《基于方差优化k最近邻法的森林蓄积量估测》一文中研究指出森林资源调查是数字森林资源监测的基础,遥感技术可以克服传统方法如抽样调查的局限性,有效地缩短作业时间,提高效率。虽然目前森林蓄积量遥感估测方法很多,但随着样本数量的增加,这些方法无法保证估算的准确性。本研究拟提出一种基于方差速率优化的k最近邻法(kNN),以2017年10月Planet Labs影像为数据源,结合赤峰市旺业甸林场蓄积量实测数据建立反演模型,并与地理加权回归(GWR)模型、随机森林(RF)模型、普通kNN模型和距离加权kNN模型进行对比分析。在建立的森林蓄积量反演模型中,方差优化kNN模型得到最优精度[决定系数(R~2)为0.69,均方根误差(RMSE)为67.6 m~3·hm~(-2),相对均方根误差(RRMSE)为32.04%],显着优于其他模型。结果表明,方差优化kNN模型相比其他模型更适用于森林蓄积量遥感估测,森林蓄积量遥感反演空间分布符合实际分布情况,可以满足建立反演模型的需求。同时,由于Planet Labs影像的鲜明特征(即具有高时间分辨率),该数据的时间序列数据对于森林季节变化有丰富的记录,在反演森林蓄积量方面有着很大潜力。(本文来源于《森林与环境学报》期刊2019年05期）
吴建琼[3]（2019）在《森林蓄积量全省第一》一文中研究指出本报讯11日，记者从市林业局获悉，南平市森林覆盖率再提升0.3个百分点，达到78.29%，居全省第二，森林蓄积量17348.6万立方米，居全省第一。绿树成荫、绿色尽染并非一蹴而就。长期以来，我市扎实开展国土绿化行动，加大对高速公路森林生态景观通(本文来源于《闽北日报》期刊2019-07-19）
张翔雨,王瑞瑞[4]（2019）在《基于资源叁号卫星遥感影像的森林蓄积量估测》一文中研究指出以宁波市北仑区新路林场作为研究区域,选用主成分回归法、偏最小二乘法和逐步回归法3种不同方法,基于资源叁号卫星影像建立蓄积量反演模型,并对比不同估测模型的精度得出逐步回归模型为最优模型,相对精度为95.2%,满足林业调查的需要。(本文来源于《湖北农业科学》期刊2019年12期）
李世波,林辉,王光明,程韬略[5]（2019）在《基于GF-1的森林蓄积量遥感估测》一文中研究指出森林蓄积量是评价森林资源数量的一个重要指标。结合遥感影像和地面调查数据估测森林蓄积量受遥感影像、遥感因子、预处理方法、估测方法等多方面的影响。为研究国产GF-1遥感影像估测森林蓄积量的最佳遥感因子组合方式和较优估测方法,并绘制森林蓄积量空间分布图,为我国森林蓄积量的研究提供理论基础和科学依据。为研究GF-1遥感影像估测森林蓄积量的遥感因子和估测方法,以湖南省醴陵市为研究对象,以国产GF-1遥感影像为数据源,通过对遥感图像预处理,获取光谱信息、纹理因子、植被指数作为特征变量,结合同时期的二类调查样地数据,从GF-1遥感影像像元与样地不匹配角度出发,应用移动窗口的方法解决像元与样地的对应关系,采用多元逐步回归、偏最小二乘回归和随机森林模型对研究区森林蓄积量进行估测,采用建模精度和估测精度进行分析评价。实验结果表明:1)3个模型选择的因子都包含了NDVI、 Band2、DI3、CO1和DVI等5个遥感因子,说明其对森林蓄积量的估测比较敏感;2)随机森林模型优于偏最小二乘回归和多元逐步回归,其决定系数R2为0.73、估测精度为83.69%。利用GF-1遥感影像结合随机森林模型应用于森林蓄积量的估测结果趋于真实分布,效果较理想;采用移动窗口法,利用国产GF-1遥感影像并结合随机森林进行森林蓄积量估测具有较好的应用前景。(本文来源于《中南林业科技大学学报》期刊2019年08期）
董卉卉,孟岩,王晶,张建设,钱红阳[6]（2019）在《淮河源主要林地森林覆盖率及蓄积量特征分析》一文中研究指出选择淮河源生态功能区以内和生态功能重点地区,监测森林覆盖率变化及各林地蓄积量,以期为该地区生态系统的保护与持续利用提供科学依据。结果表明,研究区域2007-2012年的森林覆盖率连续六年逐年增加,同年度的森林覆盖率低山+中山区要远远大于低山+丘陵区;研究区内马尾松林蓄积量最高。(本文来源于《南方农业》期刊2019年18期）
张苏,周小成,黄洪宇,冯芝清[7]（2019）在《基于SVR的GF1号遥感影像森林蓄积量估测》一文中研究指出国产高分辨率卫星遥感影像已成为森林资源调查和监测的重要数据源。基于国产卫星遥感的森林蓄积量估算成为重要的研究方向之一。本研究以福建省将乐县为研究区,选择国产高分辨率高分一号卫星2 m分辨率遥感影像为主要数据源,加以辅助野外实地调查数据,分别采用多元线性回归和SVM(support vector machine)回归方法开展亚热带针叶林蓄积量估算效果评价研究。首先,从融合影像中提取遥感因子,包括11个光谱因子和10个纹理因子等;其次,对21个遥感因子进行相关性分析,选取皮尔森相关系数较大的6个遥感因子;第叁,应用多元线性回归和支持向量机回归(support vector regression,SVR)对所选遥感因子建立模型,选取最优模型反演将乐县蓄积量分布图。结果表明:支持向量机回归(SVR)估测蓄积量的模型预估精度达到98. 22%。(本文来源于《贵州大学学报(自然科学版)》期刊2019年03期）
赵峰,杨金华[8]（2019）在《双峰山开启新版“靠山吃山”》一文中研究指出目光所及，一片苍翠。这里是孝感双峰山旅游度假区。截至今年5月底，全区森林覆盖率为89.78%，核心区高达91.5%。“绿色家底”让双峰山未来可期。4月23日，双峰山旅游度假区获评省级旅游度假区。度假区工委书记郑杰信心十足地说(本文来源于《湖北日报》期刊2019-06-19）
厉香蕴,孔丽[9]（2019）在《基于Landsat8的霍山县森林蓄积量反演估算》一文中研究指出以Landsat8 OLI影像、森林资源二类调查成果和数字高程模型数据作为数据源,借助SPSS统计软件、ENVI5.3和ARCGIS10.2的数据处理及空间分析工具,从OLI影像提取采样点7个波段的光谱、纹理、植被指数及波段比等遥感因子,从数字高程模型数据提取高程、坡度、坡向等地形因子,建立多元逐步回归模型对森林蓄积量进行反演估算。结果表明:基于本研究采用的方法得到的霍山县森林蓄积量反演模型的实测值与估算值相对误差为0.728 9,RMSE为1.5 912。依据该模型计算得到霍山县有林地总蓄积量为6 474 709 m~3,对于大范围监测森林资源具有可靠性。(本文来源于《智能城市》期刊2019年11期）
刘恒[10]（2019）在《基于多源数据的森林资源二类调查蓄积量估测研究》一文中研究指出森林资源规划设计调查(简称二类调查)主要任务是查清森林资源种类和森林类型识别以及获取定量化的林分参数等。传统的森林资源二类调查方法和调查技术手段落后,调查周期长(10年一次),费时费力,无法形成年度动态数据,难以满足新形势下森林资源动态监测需求。因此,急需通过现代化物联网信息技术、大数据遥感技术和3S技术,实现森林资源二类调查的快速监测,提高调查和监测效率。本文在前人研究的基础上,结合多元统计学相关理论算法,利用克旗2014年森林资源二类调查小班数据和2018年一类调查样地数据,重点围绕高分一号、高分二号和Landsat8卫星数据,针对森林资源二类调查的实际需要,采用3S技术等现代化手段研究森林资源二类调查主要林分因子提取算法,主要是小班蓄积量和小班森林类别估测;在此基础上运用C#语言、ArcGIS Engine和插件式技术的支持下,开发出配套的小班属性信息提取系统,并对系统进行实验验证,同时利用已建立的KNN模型对托河林场进行反演,并将反演结果与实测值进行精度对比分析。通过对克旗2194块小班数据进行系统验证,得出小班蓄积量提取结果加权平均相对精度为81.8%,小班森林类型提取结果相对平均精度为72.65%,并生成小班蓄积量和森林类别空间分布专题图;在将反演结果与实测数据进行精度比对时,得出托河林场1101个有林地小班蓄积量提取结果平均相对精度88.04%,小班森林类型提取结果相对平均精度为70.91%,提取效果良好,满足二类调查技术规程要求,可广泛应用于全国森林资源二类调查生产实践。(本文来源于《西安科技大学》期刊2019-06-01）
森林蓄积量论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
森林资源调查是数字森林资源监测的基础,遥感技术可以克服传统方法如抽样调查的局限性,有效地缩短作业时间,提高效率。虽然目前森林蓄积量遥感估测方法很多,但随着样本数量的增加,这些方法无法保证估算的准确性。本研究拟提出一种基于方差速率优化的k最近邻法(kNN),以2017年10月Planet Labs影像为数据源,结合赤峰市旺业甸林场蓄积量实测数据建立反演模型,并与地理加权回归(GWR)模型、随机森林(RF)模型、普通kNN模型和距离加权kNN模型进行对比分析。在建立的森林蓄积量反演模型中,方差优化kNN模型得到最优精度[决定系数(R~2)为0.69,均方根误差(RMSE)为67.6 m~3·hm~(-2),相对均方根误差(RRMSE)为32.04%],显着优于其他模型。结果表明,方差优化kNN模型相比其他模型更适用于森林蓄积量遥感估测,森林蓄积量遥感反演空间分布符合实际分布情况,可以满足建立反演模型的需求。同时,由于Planet Labs影像的鲜明特征(即具有高时间分辨率),该数据的时间序列数据对于森林季节变化有丰富的记录,在反演森林蓄积量方面有着很大潜力。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
森林蓄积量论文参考文献
[1].涂云燕,彭道黎.基于聚类分析与岭估计模型的森林蓄积量遥感估测[J].中国农学通报.2019
[2].蒋馥根,孙华,ZHAO,Feng,林辉,龙江平.基于方差优化k最近邻法的森林蓄积量估测[J].森林与环境学报.2019
[3].吴建琼.森林蓄积量全省第一[N].闽北日报.2019
[4].张翔雨,王瑞瑞.基于资源叁号卫星遥感影像的森林蓄积量估测[J].湖北农业科学.2019
[5].李世波,林辉,王光明,程韬略.基于GF-1的森林蓄积量遥感估测[J].中南林业科技大学学报.2019
[6].董卉卉,孟岩,王晶,张建设,钱红阳.淮河源主要林地森林覆盖率及蓄积量特征分析[J].南方农业.2019
[7].张苏,周小成,黄洪宇,冯芝清.基于SVR的GF1号遥感影像森林蓄积量估测[J].贵州大学学报(自然科学版).2019
[8].赵峰,杨金华.双峰山开启新版“靠山吃山”[N].湖北日报.2019
[9].厉香蕴,孔丽.基于Landsat8的霍山县森林蓄积量反演估算[J].智能城市.2019
[10].刘恒.基于多源数据的森林资源二类调查蓄积量估测研究[D].西安科技大学.2019
论文知识图
