CN103745087A - 一种基于遥感技术的森林资源动态变化预测方法 - Google Patents

Abstract

本发明公开了一种基于遥感技术的森林资源动态变化预测方法，包括：通过卫星遥感技术获取待测森林资源的遥感图像，对遥感图像进行处理，提取与病虫害相关的参数指标；基于提取所得与病虫害相关的参数指标，建立针对森林资源病虫害变化情况的平滑指数预测模型；利用建立的平滑指数预测模型，对森林资源动态变化趋势进行预测。本发明所述基于遥感技术的森林资源动态变化预测方法，可以克服现有技术中检测效率低、实时性差和准确性差等缺陷，以实现检测效率高、实时性好和准确性好的优点。

Description

一种基于遥感技术的森林资源动态变化预测方法

技术领域

本发明涉及图像处理技术领域，具体地，涉及一种基于遥感技术的森林资源动态变化预测方法。

背景技术

森林资源一直是处于一个动态的、变化的过程中，为了能够更好的掌握森林资源每一时刻的实际情况，往往需要对森林资源进行持续的监测。目前仍然是使用实地抽取考查的方法，或者应用遥感技术对森林资源的实施情况，都可以起到一定监测作用。然而无论使用哪一种森林资源的监测方式，其对森林资源的变化情况都有一定的滞后性。

采用实地考查的森林资源监测方法在对大面积森林资源抽样检查时效率较低，对森林资源状况的监测实时性较差，而应用遥感技术对森林资源进行监测，其实施性相对较好，但这种监测方式很大程度取决于遥感技术的分辨率，以及对森林资源特征参数提取的准确性。然而即便是如此，森林资源的变化往往趋势，由于不能够预先进行预测，因此采用实时监测的方式对森林资源进行管理，缺乏管理的前瞻性。而且由于森林资源的变化是一个缓慢的由量变到质变的过程，因此对森林资源进行监测，如果缺乏前瞻性，会导致对森林资源健康状态以及可持续发展，缺乏管理的预见性，不利用森林资源的科学的可持续发展。

因此目前急需采用一些技术手段对森林资源的变化情况，在实时监测基础上进行提前分析和预测，以便森林资源的管理能够提早部署。需要有针对性的对森林资源变化趋势进行引导和控制，提高森林资源的可持续发展程度。

在实现本发明的过程中，发明人发现现有技术中至少存在检测效率低、实时性差和准确性差等缺陷。

发明内容

本发明的目的在于，针对上述问题，提出一种基于遥感技术的森林资源动态变化预测方法，以实现检测效率高、实时性好和准确性好的优点。

为实现上述目的，本发明采用的技术方案是：一种基于遥感技术的森林资源动态变化预测方法，包括：

a、通过卫星遥感技术获取待测森林资源的遥感图像，对遥感图像进行处理，提取与病虫害相关的参数指标；

b、基于提取所得与病虫害相关的参数指标，建立针对森林资源病虫害变化情况的平滑指数预测模型；

c、利用建立的平滑指数预测模型，对森林资源动态变化趋势进行预测。

进一步地，在步骤c之后，还包括：

d、在利用平滑指数预测模型对森林资源动态变化情况预测的过程中，通过人为输入已知的森林资源健康指标，对平滑指数预测模型进行自适应修复；在对平滑指数预测模型自适应修复过程中，自动调整平滑指数预测模型中的控制因子，对当前预测结果进行修正。

进一步地，所述步骤d，具体包括：

d1、计算当前预测值与采样值之间的误差，连续统计N次预测误差，计算N次误差的平均值，N为自然数；

d2、基于计算得到的N次误差的平均值，计算单次误差与误差平均值的比值，选取修正差值ξ，在控制因子a的基础上分别加上或减去ξ；

d3、计算控制因子a、控制因子a加上ξ、以及控制因子a减去ξ的三个不同控制因子得到的误差比值，选取误差比值最小的控制因子，作为修正后的新的控制因子。

进一步地，在步骤d3中，所述计算控制因子a、控制因子a加上ξ、以及控制因子a减去ξ的三个不同控制因子得到的误差比值的操作中，所用的修正公式如下：

e(a,x)=a(s(x)-s(x-1))；

$G(\mathrm{\α},N)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{ei}(\mathrm{\α},x);$

$H(\mathrm{\α},N)=\left|\frac{e(\mathrm{\α},x)}{\frac{G(\mathrm{\α},N)}{N}}\right|;$

选取ξ（ξ≤0.2α），调整α，取α={α0-ξ,a0,α0+ξ}，使得H(α0,N)、H(α0-ξ,N)和H(α0+ξ,N)三者取值最小的α即为修正后的因子；

平滑指数预测模型在运行过程中，能够对预测因子即控制因子进行修正；其修正依据是通过外部输入上一次图像预测的预测结果，以及该图像所对应的真实健康状况值，共同作为该平滑指数预测模型修正的输入数据。

进一步地，在步骤a中，所述提取与病虫害相关的参数指标的操作，主要包括：

a1、基于待测森林资源外部形态的变化，提取与病虫害相关的参数指标；

a2、基于待测森林资源生理形态的变化，提取与病虫害相关的参数指标。

进一步地，所述步骤a1，具体包括：

基于提取的参数指标，获取待测森林资源外部形态的变化情况；

基于获取的待测森林资源外部形态的变化情况，记录森林落叶情况；

基于记录的森林落叶情况，获取卷叶情况；

基于获取的卷叶情况，获取叶片被吞食的情况；

基于获取的叶片被吞食情况，获取冠层形态的变化情况。

进一步地，所述步骤a2，具体包括：

基于提取的参数指标，获取待测森林资源生理形态的变化情况；

基于获取的待测森林资源生理形态的变化情况，获取光合作用能力的变化情况；

基于获取的光合作用能力变化情况，获取水份的吸收和转换能力的变化情况；

基于获取的水份的吸收和转换能力的变化情况，获取森林资源光谱信息的变化情况；

基于获取的森林资源光谱信息的变化情况，获取冠层形态的变化情况。

进一步地，在步骤b中，建立的针对森林资源病虫害变化情况的平滑指数预测模型的数学表达式如下：

S(x)=αf(x)+(1-α)S(x-1)；

其中，S(x)表示当前经过平滑指数预测模型之后的输出值，f(x)表示当前时刻的真实值，S(x-1)表示预测的上一时刻模型输出值，α表示平滑指数模型系数；

该平滑指数预测模型，其初始状况是通过大量已知数据训练得到；在训练过程中，需要输入一系列的森林资源遥感卫星图片，以及该图片所对应的森林资源指标数据，而且所输入的森林资源指标数据应该覆盖森林资源各种健康状况情况；通过这些数据的训练获得平滑指数预测模型中各预测因子即控制因子。

本发明各实施例的基于遥感技术的森林资源动态变化预测方法，由于包括：通过卫星遥感技术获取待测森林资源的遥感图像，对遥感图像进行处理，提取与病虫害相关的参数指标；基于提取所得与病虫害相关的参数指标，建立针对森林资源病虫害变化情况的平滑指数预测模型；利用建立的平滑指数预测模型，对森林资源动态变化趋势进行预测；可以利用图片识别算法对森林资源遥感图片的分析，能够准确分析出森林资源当前的健康状态；从而可以克服现有技术中检测效率低、实时性差和准确性差的缺陷，以实现检测效率高、实时性好和准确性好的优点。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1为本发明基于遥感技术的森林资源动态变化预测方法的流程示意图；

图2为本发明基于遥感技术的森林资源动态变化预测方法中预测算法因子自适应修正流程示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

为森林资源动态变化监测的需要，根据本发明实施例，如图1和图2所示，提供了一种基于遥感技术的森林资源动态变化预测方法，能够满足利用遥感技术，对森林资源的遭受病虫害影响的健康程度进行预测。通过设计基于遥感技术图像处理技术和森林资源病虫害预测算法，计算森林资源病虫害的变化趋势，给出森林资源动态变化预测结果。利用图片识别算法对森林资源遥感图片的分析，能够准确分析出森林资源当前的健康状态；通过对森林资源遥感图片历史数据的统计分析，利用资源预测算法，实现对森林资源未来的变化趋势进行动态预测。

本实施例的基于遥感技术的森林资源动态变化预测方法，通过采用卫星遥感技术，实现对大面积的森林资源健康状况参数进行采样，获取当前森林资源的健康指标。然后设计专门的针对森林资源病虫害变化情况的预测模型，实现对遥感图像结果进行病虫害预测分析，使得对森林资源的健康状况不仅能够做到实时的监测；而且，能够根据当前一段时间内的森林资源变化情况，预测出森林资源在未来一段时间内的变化趋势，为森林资源管理人员提前部署有针对性的管理和控制措施。利用该基于遥感技术的森林资源动态变化预测方法，可以对危及森林资源健康状况的病虫害提前进行预防，有效的提高森林资源管理的科学性，以及发展的可持续性。

本实施例的基于遥感技术的森林资源动态变化预测方法，首先对遥感卫星图片进行图像处理，从图像信息中提取与病虫害相关的参数指标，针对由病虫害所引起的森林资源动态变化情况，分别从病虫害引起的森林资源外部形态的变化，以及森林资源生理形态的变化进行参数的提取。对森林资源外部形态参数的提取，分别提取森林资源的落叶情况、卷叶情况，以及叶片被吞食的情况，除此之外还通过对图像遥感信息的处理，分析遥感图像中森林资源由于叶片和枝条的枯萎，而导致冠层形态的变化情况。对生理资源变化的情况，则主要是针对病虫害所引起的森林资源叶片在受到虫害之后，其光合作用能力，以及对水份的吸收和转换能力的变化，从而影响到森林资源光谱信息的变化。通过对病虫害参数指标的提取之后，应用专门设计的平滑指数预测模型，对森林资源动态变化趋势进行预测。平滑指数预测模型是通过前期大量的统计数据进行训练得到，在训练的时候将森林资源的遥感图像信息，以及该遥感图像所对应的森林资源病虫害指标情况作为训练数据，得到训练模型计算出指标平滑模型中的影响因子。平滑指数预测模型在对森林资源动态变化情况预测的过程中，同时也可以通过人为输入已知的森林资源健康指标，对该模型进行自适应的修复，在平滑指数模型自适应修复过程中，将会自动的调整平滑指数预测模型中的预测因子，并对预测结果进行修正。

具体地，如图1所示，本实施例的基于遥感技术的森林资源动态变化预测方法，主要包括以下步骤：

步骤100：对通过遥感技术获取的遥感图像进行处理；

步骤101：从步骤100处理后的遥感图像中，提取与病虫害相关的参数指标；然后分为两个分支，分别执行步骤102～步骤109、以及步骤110～步骤109；

步骤102：基于步骤101提取的参数指标，获取待测森林资源外部形态的变化情况；

步骤103：基于步骤102获取的待测森林资源外部形态的变化情况，记录森林落叶情况；

步骤104：基于步骤103记录的森林落叶情况，获取卷叶情况；

步骤105：基于步骤104获取的卷叶情况，获取叶片被吞食的情况；

步骤106：基于步骤105获取的叶片被吞食情况，获取冠层形态的变化情况；

步骤107：基于步骤106获取的冠层形态的变化情况，建立基于待测森林资源外部形态的平滑指数预测模型；

步骤108：基于步骤107或步骤115建立的平滑指数预测模型，对待测森林资源的动态变化情况进行预测，输出待测森林资源动态变化预测结果；

步骤109：基于步骤108输出的待测森林资源动态变化预测结果，进行模型修正，并将修正结果分别反馈至步骤107或步骤115；

步骤110：基于步骤101提取的参数指标，获取待测森林资源生理形态的变化情况；

步骤111：基于步骤110获取的待测森林资源生理形态的变化情况，获取光合作用能力的变化情况；

步骤112：基于步骤111获取的光合作用能力变化情况，获取水份的吸收和转换能力的变化情况；

步骤113：基于步骤112获取的水份的吸收和转换能力的变化情况，获取森林资源光谱信息的变化情况；

步骤114：基于步骤113获取的森林资源光谱信息的变化情况，获取冠层形态的变化情况；

步骤115：基于步骤113获取的冠层形态的变化情况，建立基于待测森林资源生理形态的平滑指数预测模型。

如图2所示，在步骤109中，对相应的平滑指数预测模型进行修正的操作，具体包括以下步骤：

步骤200：计算当前预测值与采样值之间的误差；

步骤201：基于步骤200计算得到的误差，连续统计N次预测误差，N为自然数；

步骤202：基于步骤200连续统计得到的N次预测误差，计算N次误差的平均值；

步骤203：基于步骤202计算得到的N次误差的平均值，计算单次误差与误差平均值的比值；

步骤204：基于步骤203计算得到的单次误差与误差平均值的比值，选取修正差值ξ，在控制因子a的基础上分别加上或减去ξ；

步骤205：基于步骤204对控制因子a的处理，计算控制因子a、控制因子a加上ξ、以及控制因子a减去ξ的三个不同控制因子得到的误差比值；

步骤206：基于步骤205计算得到的三个不同控制因子得到的误差比值，选取误差比值最小的控制因子；

步骤207：基于步骤206选取的控制因子，将该控制因子作为修正后的新的控制因子，参与计算。

上述实施例的基于遥感技术的森林资源动态变化预测方法，最核心的是预测模型的设计，以及预测模型在运行过程中对其系数的自适应修正。该预测模型（对森林资源动态变化过程中，该预测模型也称为平滑指数预测模型）的数学表达式如下所示：

S(x)=αf(x)+(1-α)S(x-1)；

其中，S(x)表示当前经过平滑指数预测模型之后的输出值，f(x)表示当前时刻的真实值，S(x-1)表示预测的上一时刻模型输出值，α表示平滑指数模型系数。该平滑指数预测模型，其初始状况是通过大量已知数据训练得到；在训练过程中，需要输入一系列的森林资源遥感卫星图片，以及该图片所对应的森林资源指标数据，而且所输入的森林资源指标数据应该覆盖森林资源各种健康状况情况；通过这些数据的训练获得平滑指数预测模型中各预测因子（即控制因子）。

该预测模型在工作过程中，设计了专门的模型参数自适应调整功能，能够在模型运行之前根据上一次的预测结果，通过外部输入参考性的预测结果与预测模型自身输出的结果共同作为输入条件，对平滑指数预测模型中的预测因子进行修正，其修正的过程如下所示：

e(a,x)=a(s(x)-s(x-1))；

$G(\mathrm{\α},N)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{ei}(\mathrm{\α},x);$

$H(\mathrm{\α},N)=\left|\frac{e(\mathrm{\α},x)}{\frac{G(\mathrm{\α},N)}{N}}\right|;$

选取ξ（ξ≤0.2α），调整α，取α={α0-ξ,a0,α0+ξ}，使得H(α0,N)、H(α0-ξ,N)和H(α0+ξ,N)三者取值最小的α即为修正后的因子。这里，平滑指数预测模型在运行过程中，能够对预测因子进行修正。其修正的依据是通过外部输入上一次图像预测的预测结果，以及该图像所对应的真实健康状况值，共同作为该模型修正的输入数据。

下面将以基于遥感技术的森林资源动态变化预测算法的详细工作过程，描述本发 上述实施例的基于遥感技术的森林资源动态变化预测方法的算法功能及特点。

例如，基于遥感技术的森林资源动态变化预测算法，具体包括以下几个方面：

⑴按照上述实施例的基于遥感技术的森林资源动态变化预测方法，在算法执行之初，首先需要选取大量的遥感数据，以及该遥感数据所对应的森林资源病虫害情况，作为初始的训练数据；应用这些训练数据对森林资源动态变化预测模型进行训练，得到森林资源动态预测模型初始的预测因子；

⑵当用户需要对某一系列的遥感图像的病虫害情况进行预测，首先将遥感图像信息输入至上述实施例的基于遥感技术的森林资源动态变化预测方法，首先将遥感的图像进行初始处理，为从该图像中提取有价值的病虫害影响因子作准备；

⑶然后从经过初始处理的图像信息中提取反应病虫害影响的森林资源外部指标，主要包括森林资源中植被的落叶情况、卷叶情况、叶片吞食情况和冠层形状变化情况。

⑷之后对遥感信息图像进行分析，从中提取反应森林资源病虫害生理变化的特征参数；

⑸之后将所提取到的各种外部形态参数和生理变化参数分别送入预测模型，通过之前训练好的平滑指数预测模型，对当前所输入的遥感图像信息进行预测，给出预测结果；

⑹在预测过程中，由于往往是对一段周期内的连续的卫星图像信息进行预测处理，因此初始输入的卫星图像信息，一般都带有该图像信息所对应的病虫害指标情况。因此可以将前期所包括的病虫害指标情况作为外部输入条件，对预测模型进行实时的修正；

⑺因此在每一次对当前图像进行病虫害预测的过程中，同时输入上一次的病虫害实测指标值，以实现对当前预测过程中影响系数的修正。最后利用修正之后的模型对当前的遥感图像进行预测，得到更为精确的预测结果。

上述实施例的基于遥感技术的森林资源动态变化预测方法，是一种面向卫星遥感技术的森林资源动态变化预测方法，在采用森林资源遥感技术的基础上，对所得到的遥感图像信息进行分析和识别，准确的分析出当前森林资源的健康状态。而且能够对森林资源遥感图像的历史数据进行统计分析，预测出森林资源在未来一段时间内病虫害的变化趋势。

在上述实施例中，在对森林资源遥感图像进行分析时，主要分析遥感图像中包含病虫害的相关信息，提取能够反应森林资源病虫害特征的参数指标。主要包括森林资源中落叶指标、卷叶指标、叶片被吞食的指标和冠层形态变化指标，以及森林资源受虫害影响之后光谱的变化指标。

在上述实施例中，对遥感图像进行分析获取森林资源健康状态，其实现过程是通过对森林资源病虫害各个指标进行判定。如果各个指标符合森林资源的健康范围内，则表明当前森林资源是属于健康状态，否则明确标识当前森林资源的健康状况的哪一项指标不符合健康指标。

综上所述，本发明上述各实施例的基于遥感技术的森林资源动态变化预测方法，相对于传统的森林资源实时监测技术，至少具有以下的有益效果：

⑴通过设计基于卫星遥感技术的森林资源动态变化预测算法，实现了对森林资源变化趋势提前获知的一种渠道，解决了对森林资源监测过程中一直存在滞后性的问题，能够有效的提高对森林资源科学管理的依据；

⑵本发明提出的基于卫星遥感技术的森林资源动态变化预测方法，选取了以病虫害为影响的主要影响因子，并在遥感图像中通过对这些影响因子重点进行监测；能够实现对森林资源当前的病虫害情况及健康状况进行准确的分析，确保了本发明所设计的森林资源动态变化预测算法的准确性；

⑶本发明设计的基于卫星遥感技术的森林资源动态变化预测算法，采用平滑指数预测模型进行设计，具有实现效率高，短周期内预测精度高的特点，非常适合于森林资源病虫害的预测应用；

⑷本发明设计的基于卫星遥感技术的森林资源动态变化预测算法，所设计的预测模型中包括了一个预测模型参数指标自适应调整功能模块，能够在工作过程中通过外部输入森林资源外部健康指数指标，实现对预测模型的自适应修正，提高预测的精度。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于遥感技术的森林资源动态变化预测方法，其特征在于，包括：

a、通过卫星遥感技术获取待测森林资源的遥感图像，对遥感图像进行处理，提取与病虫害相关的参数指标；

b、基于提取所得与病虫害相关的参数指标，建立针对森林资源病虫害变化情况的平滑指数预测模型；

c、利用建立的平滑指数预测模型，对森林资源动态变化趋势进行预测。

2.根据权利要求1所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，在步骤c之后，还包括：

d、在利用平滑指数预测模型对森林资源动态变化情况预测的过程中，通过人为输入已知的森林资源健康指标，对平滑指数预测模型进行自适应修复；在对平滑指数预测模型自适应修复过程中，自动调整平滑指数预测模型中的控制因子，对当前预测结果进行修正。

3.根据权利要求2所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，所述步骤d，具体包括：

d1、计算当前预测值与采样值之间的误差，连续统计N次预测误差，计算N次误差的平均值，N为自然数；

d2、基于计算得到的N次误差的平均值，计算单次误差与误差平均值的比值，选取修正差值ξ，在控制因子a的基础上分别加上或减去ξ；

d3、计算控制因子a、控制因子a加上ξ、以及控制因子a减去ξ的三个不同控制因子得到的误差比值，选取误差比值最小的控制因子，作为修正后的新的控制因子。

4.根据权利要求3所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，在步骤d3中，所述计算控制因子a、控制因子a加上ξ、以及控制因子a减去ξ的三个不同控制因子得到的误差比值的操作中，所用的修正公式如下：

e(a,x)=a(s(x)-s(x-1))；

$G(\mathrm{\α},N)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}\mathrm{ei}(\mathrm{\α},x);$

$H(\mathrm{\α},N)=\left|\frac{e(\mathrm{\α},x)}{\frac{G(\mathrm{\α},N)}{N}}\right|;$

选取ξ（ξ≤0.2α），调整α，取α={α0-ξ,a0,α0+ξ}，使得H(α0,N)、H(α0-ξ,N)和H(α0+ξ,N)三者取值最小的α即为修正后的因子；

平滑指数预测模型在运行过程中，能够对预测因子即控制因子进行修正；其修正依据是通过外部输入上一次图像预测的预测结果，以及该图像所对应的真实健康状况值，共同作为该平滑指数预测模型修正的输入数据。

5.根据权利要求1-4中任一项所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，在步骤a中，所述提取与病虫害相关的参数指标的操作，主要包括：

a1、基于待测森林资源外部形态的变化，提取与病虫害相关的参数指标；

a2、基于待测森林资源生理形态的变化，提取与病虫害相关的参数指标。

6.根据权利要求5所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，所述步骤a1，具体包括：

基于提取的参数指标，获取待测森林资源外部形态的变化情况；

基于获取的待测森林资源外部形态的变化情况，记录森林落叶情况；

基于记录的森林落叶情况，获取卷叶情况；

基于获取的卷叶情况，获取叶片被吞食的情况；

基于获取的叶片被吞食情况，获取冠层形态的变化情况。

7.根据权利要求5所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，所述步骤a2，具体包括：

基于提取的参数指标，获取待测森林资源生理形态的变化情况；

基于获取的待测森林资源生理形态的变化情况，获取光合作用能力的变化情况；

基于获取的光合作用能力变化情况，获取水份的吸收和转换能力的变化情况；

基于获取的水份的吸收和转换能力的变化情况，获取森林资源光谱信息的变化情况；

基于获取的森林资源光谱信息的变化情况，获取冠层形态的变化情况。

8.根据权利要求1-4中任一项所述的基于遥感技术的森林资源动态变化预测方法，其特征在于，在步骤b中，建立的针对森林资源病虫害变化情况的平滑指数预测模型的数学表达式如下：

S(x)=αf(x)+(1-α)S(x-1)；

其中，S(x)表示当前经过平滑指数预测模型之后的输出值，f(x)表示当前时刻的真实值，S(x-1)表示预测的上一时刻模型输出值，α表示平滑指数模型系数；

该平滑指数预测模型，其初始状况是通过大量已知数据训练得到；在训练过程中，需要输入一系列的森林资源遥感卫星图片，以及该图片所对应的森林资源指标数据，而且所输入的森林资源指标数据应该覆盖森林资源各种健康状况情况；通过这些数据的训练获得平滑指数预测模型中各预测因子即控制因子。

Images