导读:本文包含了森林生物量模型论文开题报告文献综述及选题提纲参考文献，主要关键词:森林生物多样性,PSR模型,AHP,状况评价
森林生物量模型论文文献综述
郭文月,沈文星[1]（2019）在《基于PSR模型的森林生物多样性现状评价》一文中研究指出森林生物多样性和人类社会是双向作用关系。文中以我国森林生物多样性变化状况为研究对象,采用PSR评价模型搭建指标体系,运用AHP层次分析法确定权重,从压力层、状态层和响应层比较分析了2008-2017年10年间我国经济社会发展对森林生物多样性带来的影响。结果表明我国森林生物多样性面临的压力总体呈下降趋势,2011年之后其状态有所好转,2014年之后人类对其保护投入力度逐渐增加。未来还需要从物种入侵、森林火灾、林业有害生物防治和缓解适应气候变化等方面着手,进一步改善森林生物多样性状况,促进森林可持续发展。(本文来源于《物流工程与管理》期刊2019年08期）
陈日东,林什全,潘国英,陈月明[2]（2019）在《天堂山林场森林地上生物量及碳储量的遥感估算模型构建》一文中研究指出基于广东省清远市天堂山林场的二类调查小班数据和landsat8遥感影像和多元逐步回归的方法,建立森林地上生物量模型,进而构建森林地上碳储量模型,对天堂山林场森林碳储量及其分布进行了估算,并讨论了预测结果及其精确性。结果表明:阔叶林、针叶林和混交林生物量模型的拟合优度分别为0.77、0.67、0.69。基于碳储量估算模型计算生成的天堂山林场碳储量分布图与采用二类森林调查数据得到的碳储量分布图空间分布一致。验证了基于landsat8遥感影像的碳储量模型能为森林碳储量提供快速准确的估测。(本文来源于《林业与环境科学》期刊2019年03期）
于晓辉[3]（2019）在《森林生物量遥感估测模型构建中的特征选择方法对比研究》一文中研究指出在森林生物量定量遥感领域,一个越来越突出的现象是解释变量越来越多,如何有效地选择解释变量成了一个重要的问题。线性回归模型是常用的遥感模型之一,在线性回归模型建立过程中一个非常重要的步骤是选择解释变量。本文针对亚热带森林生物量遥感估测模型构建中的变量选择、模型稳定性等问题,对SR(Stepwise Regression Method)、BIC准则(Criterions Based on The Bayes Method)、AIC准则(Criterions Based on Information Theory)、Cp准则(Criterions Based on Prediction Error)、LASSO(Least Absolute Shrinkage and Selection Operator)、ADALASSO(Adaptive Lasso)、SCAD(Smoothly Clipped Absolute Deviation)、NNG(Non-negative garrote)等8种具有变量选择能力的方法重点进行了对比研究,出于比较的目的,将OLS、RR这2个一般认为不具有变量选择能力的方法也进行了对比讨论。对比考虑了下列因素:(1)决定系数等常用指标、预测误差、模型误差等精度指标;(2)决定系数差异显着性;(3)模型参数稳定性;(4)变量选择稳定性;(5)变量选择能力。试验的方法是十折交叉检验,且重复了5次。有些评价指标分别考虑自由度和不考虑自由度进行了计算。研究结果表明:综合评价,BIC表现最好,NNG、Cp、AIC整体较差。其他方法则在各指标上的表现差异较大。SR在变量选择方面的能力较强,虽在常用指标上较差。短波红外波段及由其派生的纹理特征被各方法选中的次数最大,表明这些变量在森林生物量估测中具有重要作用。本次研究通过对比各种具有变量选择能力的方法在遥感森林生物量特征变量选择方面的表现,为亚热带森林生物量遥感特征变量的选择和估测提供了新的方法和参考。本文所用的研究方法很可能会随着研究对象的改变而改变,因此针对具体问题需要具体分析。(本文来源于《浙江农林大学》期刊2019-06-06）
徐小强,王德华[4]（2019）在《利用提取的遥感参数建立森林生物量模型方法研究》一文中研究指出文中采用TM遥感影像提取森林植被指数,结合样地测量数据和星载激光雷达(ICESat-GLAS)树高数据,通过RBF(Radial Basis Function)神经网络方法和支持向量机(Support Vector Machine)方法对某林区森林生物量进行遥感反演建模,分析评定模型精度进而对研究区森林生物量进行估测研究。(本文来源于《矿山测量》期刊2019年02期）
孙凤娟,居为民,方美红,范渭亮[5]（2018）在《基于四尺度几何光学模型的森林地上生物量遥感估算》一文中研究指出森林地上生物量(AGB)是评价森林生态系统功能的重要参数,遥感是获取区域尺度AGB的有效手段。以内蒙古根河市为研究区,利用TM遥感影像数据和33个森林样地调查数据,基于四尺度几何光学模型的森林AGB遥感估算方法,首先,基于样地观测数据建立树冠面积(SA)估算AGB的方程;再利用四尺度几何光学模型建立由冠层反射率反演SA的查找表,由TM影像反演SA,进而估算AGB。在全部33个样地,估算的AGB与观测数据的一致性(RMSE=20.8t·hm-2,R2=0.45)明显优于基于差值植被指数(DVI)(RMSE=27.7t·hm-2,R2=0.09)和混合像元分解(SMA)(RMSE=27.6t·hm-2,R2=0.02)方法建立的统计模型的估算结果。利用19个针叶林样地的观测数据验证表明,估算的AGB的RMSE和R2分别为20.8t·hm-2和0.53,利用DVI估算的AGB的RMSE和R2分别为31.5t·hm-2和0.18,利用SMA方法估算的AGB的RMSE和R2分别为31.8t·hm-2和0.14;对于14个阔叶林样地,估算的AGB的RMSE和R2分别为20.9t·hm-2和0.47,利用DVI估算的AGB的RMSE和R2分别为21.4t·hm-2和0.01,利用SMA方法估算的AGB的RMSE和R2分别为20.6t·hm-2和0.11。结果表明:通过反演与AGB紧密联系的SA,进行AGB的遥感估算是一种有效可行的技术方法。(本文来源于《遥感技术与应用》期刊2018年06期）
邵彬,姚予龙,吴良,欧阳华[6]（2018）在《西伯利亚地区主要森林优势树种生物量相对生长模型》一文中研究指出西伯利亚地区的主要森林优势树种有欧洲赤松(Pinus sylvestris L.)、西伯利亚落叶松(Larix sibirica Ledeb.)、凯杨德落叶松(Larix cajanderi Maye)、西伯利亚红松(Pinus sibirica Mayr)、西伯利亚云杉(Picea obovata Ldb.)、西伯利亚冷杉(Abies sibirica Ledeb.)、欧洲山杨(Populus tremula L.)、欧洲白桦(Betula pendula Roth)等。利用IIASA和俄罗斯着名学者V.A.Usol’tsev的专着等提供的森林优势树种样地实测数据和生物量实测数据,西伯利亚地区7个森林优势树种的林分平均林木区域尺度上的生物量相对生长模型已成功构建。精度分析结果表明,7个树种的树干(带皮)和地上生物量模型完全满足计算这些树种样地生物量和植被碳储量的需要;除西伯利亚红松外的其它6个树种的树枝、树叶的生物量模型可以用于样地内林木主要营养器官生物量的计算;欧洲赤松、西伯利亚红松、西伯利亚冷杉和欧洲山杨的地下生物量模型也已达到实际应用的精度要求。区域尺度上样本数对生物量模型构建的响应与局地尺度上的响应在有限样本条件下可能略有不同。(本文来源于《资源科学》期刊2018年11期）
彭成,刘维平,王欢,张文,赖长鸿[7]（2018）在《基于森林资源清查的四川毛竹林生物量模型研究》一文中研究指出竹林是森林生态系统中一个不容忽视的碳汇,通过模型预测竹林生物量对竹林碳汇功能具有重要意义。文章基于四川多期森林资源清查毛竹信息、生物量实测数据对四川毛竹林生物量模型进行了研究。结果表明:单株毛竹生物量主要集中在地上部分,且随毛竹粗度增加而增加,而眉径对单株毛竹生物量具有决定性的影响。眉径与单株毛竹竹杆、竹根生物量预估最优模型为二次项函数,与竹枝、竹叶生物量预估最优模型为幂函数。毛竹林密度与毛竹林单位面积生物量预估最优模型为幂函数。(本文来源于《四川林勘设计》期刊2018年01期）
曾小强[8]（2018）在《基于神经网络模型的森林生物量估算方法研究》一文中研究指出本文探讨了分别基于叁种神经网络模型(常见的普通BP神经网络、Erf-BP神经网络以及改进的神经网络模型——小批量梯度下降BP神经网络模型),利用MODIS遥感图像、地面调查数据、地形数据以及森林覆盖率,估算叁种类型森林地上生物量。对于每一种类型森林,在森林地上生物量和遥感数据、地形数据、植被指数以及森林覆盖率进行单因素相关性分析的基础上筛选出模型因子,将模型因子分别引入叁种神经网络模型,对于每种神经网络模型,分别在训练集和验证集上训练出叁种神经网络模型的最优参数、最优网络结构作为最终的神经网络模型,在测试集上对训练出的叁种模型进行测试,并与逐步回归模型比较。主要结果如下:(1)针叶林生物量遥感估测模型将每个自变量与针叶林生物量进行皮尔逊相关性分析。分析结果显示,共有9个变量因子与样地针叶林生物量存在显着相关性:归一化植被指数(Normalized Difference Vegetation Index,NDVI)、强化植被指数(Enhanced Vegetation Index,EVI)、B1、坡度、B4、B7、森林、覆盖率、B3、B2,NDVI和EVI相关性系数最大,对针叶林生物量解释最高。逐步回归模型、普通BP神经网络模型、Erf-BP神经网络模型、小批量梯度下降神经网络模型在同一测试集上预测R2炉分别为0.427、0.764、0.818、0.835;模型训练时间分别为 0.427s、123s、6433s、65s。综合比较模型训练时间和模型预测精度,小批量梯度下降BP神经网络模型是4个模型中最合适北卡罗莱纳州国家森林中针叶林生物量反演,其次是Erf-BP神经网络模型、普通BP神经网络模型,逐步回归模型效果最差。(2)阔叶林生物量遥感估测模型13个遥感变量因子中,共有8个变量因子与样地阔叶林生物量存在显着相关性,它们的相关系数绝对值从大到小顺序:B4、NDVI、B1森林覆盖率、EVI、B2、B3、B7。逐步回归模型、普通BP神经网络模型、Erf-BP神经网络模型、小批量梯度下降神经网络模型在同一测试集上预测R2分别为0.264、0.706、0.694、0.720;模型训练时间分别为0.346s、69s、2700s、45s。综合比较模型训练时间和模型预测精度,小批量梯度下降神经网络模型是4个模型中最合适北卡罗莱纳州国家森林中阔叶林生物量反演,其次是Erf-BP神经网络模型、普通BP神经网络模型,逐步回归模型效果最差。(3)混交林生物量遥感估测模型13个遥感变量因子中,共有6个变量因子与样地混交林生物量存在显着相关性,它们的相关系数从大到小顺序:森林覆盖率、EVI、NDVI、B4、B2、B1。逐步回归模型、普通BP神经网络模型、Erf-BP神经网络模型、小批量梯度下降神经网络模型在同一测试集上预测R2分别为0.182、0.378、0.511、0.523;模型训练时间分别为0.512s、97s、3245s、47s。综合比较模型训练时间和模型预测精度,小批量梯度下降神经网络模型是4个模型中最合适北卡罗莱纳州国家森林中混交林生物量反演,其次是BP神经网络模型、Erf-BP神经网络模型,逐步回归模型效果最差。基于小批量梯度下降的BP神经网络模型可以用于天然林结构参数的定量研究,该模型在保留传统回归方法的较快的模型训练速度和预测速度的基础上,克服了传统回归方法的低精确度性,保持着甚至超过BP神经网络原始模型和多种演变模型的精确度,由于该模型有着较高精确度和实时性,利用该模型进行天然林地上生物量实时监测具有一定的应用潜力。(本文来源于《华北电力大学(北京)》期刊2018-03-01）
阮兰君,杨燕琼[9]（2018）在《东莞市针叶类森林生物量遥感模型研究》一文中研究指出基于Landsat 8影像数据,对东莞市松树林(Pinus sp.)、杉木林(Cunninghamia lanceolata)、针叶混交林3种针叶类森林生物量进行估算,利用相关分析、主成分分析和逐步回归分析,建立针叶类森林生物量遥感估算模型,其决定系数(R2)值分别为0.880 9、0.832 5、0.964 0,均达显着水平。经适用性检验,模型均达0.05显着水平,可用于东莞市针叶类森林生物量估算。(本文来源于《林业与环境科学》期刊2018年01期）
胡凯龙,刘清旺,李世明,庞勇,李梅[10]（2018）在《运用融合纹理和机载LiDAR特征模型估测森林地上生物量》一文中研究指出针对区域尺度森林地上生物量的分布情况,以大兴安岭生态观测站为例,提出了一种融合光学影像纹理和机载LiDAR点云特征的森林地上生物量遥感估测方法。该方法首先提取Landsat 8 OLI不同波段在不同运算窗口下的纹理特征;然后对机载LiDAR点云进行滤波提取地面点,并利用地面点对点云数据进行高度归一化处理,提取点云特征因子;最后结合提取的遥感特征因子,利用支持向量回归的方法对研究区森林地上生物量进行估测,并对结果进行精度验证。结果表明:不同波段和窗口尺寸的建模精度差异较大,蓝光波段在7×7运算窗口下模型精度最高(R~2=0.73,R_(MSE)=22.32 t/hm~2);点云高度分位数变量的建模精度呈正态分布,变量H_(50)的建模精度最高(R~2=0.75,R_(MSE)=19.24 t/hm~2);与单一的遥感特征变量相比,融合光学影像纹理和机载LiDAR点云特征的模型精度有了一定提高,且针叶林和混交林的估测R_(MSE)分别为19.63和20.40 t/hm~2。因此,该方法可以为区域性的森林地上生物量估测提供有效参考。(本文来源于《东北林业大学学报》期刊2018年01期）
森林生物量模型论文开题报告
（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：
基于广东省清远市天堂山林场的二类调查小班数据和landsat8遥感影像和多元逐步回归的方法,建立森林地上生物量模型,进而构建森林地上碳储量模型,对天堂山林场森林碳储量及其分布进行了估算,并讨论了预测结果及其精确性。结果表明:阔叶林、针叶林和混交林生物量模型的拟合优度分别为0.77、0.67、0.69。基于碳储量估算模型计算生成的天堂山林场碳储量分布图与采用二类森林调查数据得到的碳储量分布图空间分布一致。验证了基于landsat8遥感影像的碳储量模型能为森林碳储量提供快速准确的估测。
（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。
森林生物量模型论文参考文献
[1].郭文月,沈文星.基于PSR模型的森林生物多样性现状评价[J].物流工程与管理.2019
[2].陈日东,林什全,潘国英,陈月明.天堂山林场森林地上生物量及碳储量的遥感估算模型构建[J].林业与环境科学.2019
[3].于晓辉.森林生物量遥感估测模型构建中的特征选择方法对比研究[D].浙江农林大学.2019
[4].徐小强,王德华.利用提取的遥感参数建立森林生物量模型方法研究[J].矿山测量.2019
[5].孙凤娟,居为民,方美红,范渭亮.基于四尺度几何光学模型的森林地上生物量遥感估算[J].遥感技术与应用.2018
[6].邵彬,姚予龙,吴良,欧阳华.西伯利亚地区主要森林优势树种生物量相对生长模型[J].资源科学.2018
[7].彭成,刘维平,王欢,张文,赖长鸿.基于森林资源清查的四川毛竹林生物量模型研究[J].四川林勘设计.2018
[8].曾小强.基于神经网络模型的森林生物量估算方法研究[D].华北电力大学(北京).2018
[9].阮兰君,杨燕琼.东莞市针叶类森林生物量遥感模型研究[J].林业与环境科学.2018
[10].胡凯龙,刘清旺,李世明,庞勇,李梅.运用融合纹理和机载LiDAR特征模型估测森林地上生物量[J].东北林业大学学报.2018