论文部分内容阅读
本文探讨了分别基于三种神经网络模型(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,估算三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三种神经网络模型,对于每种神经网络模型,分别在训练集和验证集上训练出三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三种模型进行测试,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著相关性: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著相关性,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著相关性,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。