CN106815551A - 一种森林资源管理的变异函数参数拟合的优化方法 - Google Patents

一种森林资源管理的变异函数参数拟合的优化方法 Download PDF

Info

Publication number
CN106815551A
CN106815551A CN201611121281.1A CN201611121281A CN106815551A CN 106815551 A CN106815551 A CN 106815551A CN 201611121281 A CN201611121281 A CN 201611121281A CN 106815551 A CN106815551 A CN 106815551A
Authority
CN
China
Prior art keywords
data
variation function
particle
forest
optimization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201611121281.1A
Other languages
English (en)
Other versions
CN106815551B (zh
Inventor
朱静
王博
勾志楠
石砦
顾相平
郑隽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hohai University HHU
Xinjiang Agricultural University
Original Assignee
Hohai University HHU
Xinjiang Agricultural University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hohai University HHU, Xinjiang Agricultural University filed Critical Hohai University HHU
Priority to CN201611121281.1A priority Critical patent/CN106815551B/zh
Publication of CN106815551A publication Critical patent/CN106815551A/zh
Application granted granted Critical
Publication of CN106815551B publication Critical patent/CN106815551B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Development Economics (AREA)
  • Mining & Mineral Resources (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)

Abstract

本发明公开了一种森林资源管理的变异函数参数拟合的优化方法，通过卫星获取森林资源的遥感影像数据，对抽样区域采用计算机终端进行数据统计及量化处理，进行数据粒子群优化，采用K均值划分方法对变量参数集进行划分聚类，对变量参数进行拟合；利用支持向量回归法对抽样区域多维的特征矢量进行变异函数参数拟合的优化。本发明的方法针对目前国内外卫星系统的各种多时相、不同分辨率、多空间尺度的多源遥感数据，优化后可以更好的满足各级林业部门对森林资源管理信息化的需要，达到加强森林资源管理的目的，同时还可以实现森林资源数据的及时更新和阶段性的管理计划。

Description

一种森林资源管理的变异函数参数拟合的优化方法
技术领域
本发明属于变异函数优化技术领域，具体来讲是涉及一种森林资源管理的变异函数参数拟合的优化方法。
背景技术
森林资源是林业生产的物质基础，森林资源状况是衡量林业工作成效最重要的标志。森林在发展过程中因受人为经营活动和自然因素影响，森林资源始终处于消长动态变化之中，因此，必需加强对森林资源的管理与监督，建立科学有效的管理体系。森林资源管理的对象主要是林地、林木、野生动植物以及森林环境。
变异函数是指区域化变量增量平方的数学期望，即区域化变量增量的方差。典型变异函数曲线分为抛物线型(连续型)、线性型、间断型(块金型)、随机型(纯块金型)、转变型，它们代表了具有不同连续性和随机性的地质体参数的变化性特点。实际计算的实验变异函数2γ*(h)是在以向量h相隔的N对点的两个观测值间增量平方的平均值，即2γ*(h)＝1N(h)∑N(h)i＝1〔Z(xi+h)Z(xi)〕22γ*(h)为增量方差之半，又叫半变异函数，简称变异函数。
支持向量回归法主要是通过升维后，在高维空间中构造线性决策函数来实现线性回归，用e不敏感函数时，其基础主要是e不敏感函数和核函数算法。若将拟合的数学模型表达多维空间的某一曲线，则根据e不敏感函数所得的结果，就是包括该曲线和训练点的“e管道”。在所有样本点中，只有分布在“管壁”上的那一部分样本点决定管道的位置。这一部分训练样本称为“支持向量”。为适应训练样本集的非线性，传统的拟合方法通常是在线性方程后面加高阶项。此法诚然有效，但由此增加的可调参数未免增加了过拟合的风险。支持向量回归算法采用核函数解决这一矛盾。用核函数代替线性方程中的线性项可以使原来的线性算法“非线性化”，即能做非线性回归。与此同时，引进核函数达到了“升维”的目的，而增加的可调参数是过拟合依然能控制。支持向量机中的一大亮点是在传统的最优化问题中提出了对偶理论，主要有最大最小对偶及拉格朗日对偶。
在处理森林资源管理的变异函数参数时在低维空间向量集通常难于划分，解决的方法是将它们映射到高维空间。但这个办法带来的困难就是计算复杂度的增加，而核函数正好巧妙地解决了这个问题。也就是说，只要选用适当的核函数，就可以得到高维空间的分类函数。在确定了核函数之后，由于确定核函数的已知数据也存在一定的误差，考虑到推广性问题，因此必须对变异函数的参数在拟合过程中进行优化，使其数值无限接近最适值。
发明内容
本发明解决的技术问题是提供了一种森林资源管理的变异函数参数拟合的优化方法，其主要是在森林资源管理过程中将对应的变异函数的参数在拟合过程中通过多重数据分析处理，使用粒子群优化、支持向量回归等优化方法，以此达到变异函数的取值范围更加精确化的效果。
本发明的技术方案如下：
一种森林资源管理的变异函数参数拟合的优化方法，主要包括以下步骤:
(1)通过卫星获取森林资源的遥感影像，对所述的遥感影像进行预处理，获取预处理后的遥感影像数据，对抽样区域采用计算机终端进行数据统计及量化处理；
(2)针对得到的森林资源的数据进行数据粒子群优化，采用K均值划分方法对变量参数集进行划分聚类，获得数据集的聚类结果，根据适应度值公式对变量参数进行拟合；
(3)将变量参数集的具体数据值与最优适应度值在允许误差范围内生成特征矢量及用于反映抽样区域空间特征的特征矢量，利用支持向量回归法对抽样区域多维的特征矢量进行变异函数参数拟合的优化。
进一步的，所述的数据统计及量化处理是指根据遥感影像将预处理得到的遥感影像与预先存储的位置矢量数据进行叠加，生成森林遥感影像地理信息图，使用计算机终端对信息图的数据统计，将需要数据分析的区域进行坐标格网划分，形成的网格单元按照对应比例的列为单位数值，在所述的区域内选择固定区域进行抽样，抽样区域的具体形状没有要求，以能准确的获取抽样区域数据为准，不局限抽样区域的维度，然后利用插值法探索分析区域的数据的空间变异结构，拟合生成各个变量参数的理论变异函数，所述的变量参数是根据实际生产需要转化对应生成的。
进一步的，所述的数据粒子群优化是根据区域数据得到变量参数的取值范围进行分类，并得到分类后的变量参数集，针对每个变量参数集确定具体数据值、允许误差、数据量，采用粒子编码方式对选择的变量参数集中的数据进行编码，设定粒子种群中粒子的数目及最大迭代次数、整个粒子种群的位置和速度的搜索空间范围，设定每个粒子的初始位置和速度，根据当前粒子编码位置各维度的值获得初始聚类中心子簇的序号，采用K均值划分方法对变量参数集进行划分聚类，所述的K均值划分方法指是两个元素在欧氏空间中的集合距离，用于标识两个标量元素的相异度，其公式为：获得数据集的聚类结果，根据适应度值公式，对变量参数集聚类结果计算粒子的适应度值，判断当前粒子适应度值与粒子种群的最优适应度值的大小，若小于则将粒子种群最优适应度值用当前粒子适应度值替换，将粒子种群最优位置用当前粒子位置替换，否则不变，判断粒子群优化迭代次数是否到达预设的最大迭代次数，若是，则停止迭代，输出粒子种群最优适应度值和对应的变量参数集类簇划分结果，否则，返回继续进行计算。
进一步的，所述的支持向量回归法是指利用支持向量回归对抽样区域多维的特征矢量进行训练，最后利用训练得到的支持向量回归训练模型对理论上变异函数生成的区域数据进行测试，得到理论上的每个多维区域图形的预测值，从而来优化理论数据通过变异函数于实际抽样区域特征性的变化情况，真实反映客观评价情况与主观感知的相关性，优点是获得的立体图像的特征矢量信息具有较强的稳定性且能够较好地反映立体图像的视觉舒适度变化情况，按照以上步骤分别求取每一个抽样区域图形对应的多维方向下的不同空间间隔所对应优化后的变异函数值，以变异函数值为Y轴，空间间隔为X轴，建立映射关系，具体的映射关系数量根据选取的区域图形维度相关，得到一个与理论数值最佳拟合的图形，利用线性方程进行回归计算，获取拟合度及每个维度下的局部最优空间尺度，把所有维度图像结合形成所对应的最优变异函数对应区域图形。
进一步的，所述的插值法采用克里金插值方法，在数据网格化的过程中考虑了描述对象的空间相关性质，使插值结果更科学、更接近于实际情况，能给出插值的误差，使插值的可靠程度一目了然，其插值方差就是指实际参数值zv与估计值zv*两者偏差平方的数学期望：
而插值点的zv*通过N个离散点获得；
其中λ与N个离散点指的是加权系数。
进一步的，所述的维度是指空间维度，是根据地理对象的实际分布特征以及地图表达的需要来确定的，包括：0维、1维、2维、2.5维和3维。
进一步的，所述的迭代是指最开始使用的数据定位按照粒子适应度值作为下一次迭代的参考点位置，随着参考点更靠近真实的位置，数据定位的位置也会无限靠近真实的位置。在迭代过程中，数据定位不受线性或者非线性属性的约束，会在不同的维度空间对所有的区域数值进行迭代，以此来对非线性属性进行补偿。
进一步的，所述的线性方程的计算方法为最小二乘法。
进一步的，所述的变异函数的线性范围是抛物线型、线性型、间断型、随机型、转变型其中的一种或者几种的组合。
与现有技术相比，本发明的方法具有以下优点：通过卫星获取森林资源的遥感影像数据，对抽样区域采用计算机终端进行数据统计及量化处理，针对得到的森林资源的数据进行数据粒子群优化，采用K均值划分方法对变量参数集进行划分聚类，获得数据集的聚类结果，根据适应度值公式对变量参数进行拟合；将变量参数集的具体数据值与最优适应度值在允许误差范围内生成特征矢量及用于反映抽样区域空间特征的特征矢量，利用支持向量回归法对抽样区域多维的特征矢量进行变异函数参数拟合的优化；本发明的方法针对目前国内外卫星系统的各种多时相、不同分辨率、多空间尺度的多源遥感数据，优化后可以更好的满足各级林业部门对森林资源管理信息化的需要，达到加强森林资源管理的目的，同时还可以实现森林资源数据的及时更新和阶段性的管理计划。
附图说明
图1是本发明所述的一种森林资源管理的变异函数参数拟合的优化方法流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本发明实施例的理解，下面将结合附图及具体实施例为例做进一步的解释说明，实施例并不构成对本发明实施例的限定。
根据某山区的森林区域的属性数据进行资源管理，其中属性数据包括：地类、树种、林龄、株数、病虫害情况，其中一种森林资源管理的变异函数参数拟合的优化方法，主要包括以下步骤：
(1)通过卫星获取森林资源的遥感影像，对所述的遥感影像进行预处理，获取预处理后的遥感影像数据，对抽样区域采用计算机终端进行数据统计及量化处理；所述的数据统计及量化处理是指根据遥感影像将预处理得到的遥感影像与预先存储的位置矢量数据进行叠加，生成森林遥感影像地理信息图，使用计算机终端对信息图的数据统计，将需要数据分析的区域进行坐标格网划分，形成的网格单元按照对应比例的列为单位数值，在所述的区域内选择固定区域进行抽样，抽样区域的具体形状没有要求，以能准确的获取抽样区域数据为准，不局限抽样区域的维度，然后利用插值法探索分析区域的数据的空间变异结构，拟合生成各个变量参数的理论变异函数，所述的变量参数是根据实际生产需要转化对应生成的。
在实现本步骤时，可以通过以下方式来实现：获取森林资源的遥感影像，对遥感影像进行波段选择和运算，得到森林资源的第一遥感图像，其中，在获取林业资源的遥感影像时，可以根据具体的需要，对遥感影像的分辨率、光谱波段、成像时段、传感器进行选择；对第一遥感图像进行辐射增强、几何校正、反差调整、空间增强和图像融合处理，得到第二遥感图像，使解译后的影像的信息更为丰富，以改善视觉效果。将遥感影像林相图中各小班的特征数据与森林资源数据库中的相应小班的属性数据进行对比，判断各小班的属性数据是否发生变化；
(2)针对得到的森林资源的数据进行数据粒子群优化，采用K均值划分方法对变量参数集进行划分聚类，获得数据集的聚类结果，根据适应度值公式对变量参数进行拟合；所述的数据粒子群优化是根据区域数据得到变量参数的取值范围进行分类，并得到分类后的变量参数集，针对每个变量参数集确定具体数据值、允许误差、数据量，采用粒子编码方式对选择的变量参数集中的数据进行编码，设定粒子种群中粒子的数目及最大迭代次数、整个粒子种群的位置和速度的搜索空间范围，设定每个粒子的初始位置和速度，根据当前粒子编码位置各维度的值获得初始聚类中心子簇的序号，采用K均值划分方法对变量参数集进行划分聚类，所述的K均值划分方法指是两个元素在欧氏空间中的集合距离，用于标识两个标量元素的相异度，其公式为：获得数据集的聚类结果，根据适应度值公式，对变量参数集聚类结果计算粒子的适应度值，判断当前粒子适应度值与粒子种群的最优适应度值的大小，若小于则将粒子种群最优适应度值用当前粒子适应度值替换，将粒子种群最优位置用当前粒子位置替换，否则不变，判断粒子群优化迭代次数是否到达预设的最大迭代次数，若是，则停止迭代，输出粒子种群最优适应度值和对应的变量参数集类簇划分结果，否则，返回继续进行计算。
利用C#和ArcEngineSDK研究开发了森林资源管理数据优化系统，针对森林资源的地类、树种、林龄、株数、病虫害情况，在更新数据之前，需对原有数据库进行备份，数据更新完毕，最终形成下一年度的森林资源数据库。每一年度的森林资源数据库中都存储了从建库开始的所有森林资源管理的数据。
(3)将变量参数集的具体数据值与最优适应度值在允许误差范围内生成特征矢量及用于反映抽样区域空间特征的特征矢量，利用支持向量回归法对抽样区域多维的特征矢量进行变异函数参数拟合的优化，所述的支持向量回归法是指利用支持向量回归对抽样区域多维的特征矢量进行训练，最后利用训练得到的支持向量回归训练模型对理论上变异函数生成的区域数据进行测试，得到理论上的每个多维区域图形的预测值，从而来优化理论数据通过变异函数于实际抽样区域特征性的变化情况，真实反映客观评价情况与主观感知的相关性，优点是获得的立体图像的特征矢量信息具有较强的稳定性且能够较好地反映立体图像的视觉舒适度变化情况，按照以上步骤分别求取每一个抽样区域图形对应的多维方向下的不同空间间隔所对应优化后的变异函数值，以变异函数值为Y轴，空间间隔为X轴，建立映射关系，具体的映射关系数量根据选取的区域图形维度相关，得到一个与理论数值最佳拟合的图形，利用线性方程进行回归计算，获取拟合度及每个维度下的局部最优空间尺度，把所有维度图像结合形成所对应的最优变异函数对应区域图形。
其中，所述的插值法采用克里金插值方法，在数据网格化的过程中考虑了描述对象的空间相关性质，使插值结果更科学、更接近于实际情况，能给出插值的误差，使插值的可靠程度一目了然，其插值方差就是指实际参数值zv与估计值zv*两者偏差平方的数学期望：
而插值点的zv*通过N个离散点获得；
其中λ与N个离散点指的是加权系数。
其中，所述的迭代是指最开始使用的数据定位按照粒子适应度值作为下一次迭代的参考点位置，随着参考点更靠近真实的位置，数据定位的位置也会无限靠近真实的位置。在迭代过程中，数据定位不受线性或者非线性属性的约束，会在不同的维度空间对所有的区域数值进行迭代，以此来对非线性属性进行补偿。所述的线性方程的计算方法为最小二乘法。所述的变异函数的线性范围是随机型。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围。

Claims (9)

1.一种森林资源管理的变异函数参数拟合的优化方法，其特征在于，主要包括以下步骤:
(1)通过卫星获取森林资源的遥感影像，对所述的遥感影像进行预处理，获取预处理后的遥感影像数据，对抽样区域采用计算机终端进行数据统计及量化处理；
(2)针对得到的森林资源的数据进行数据粒子群优化，采用K均值划分方法对变量参数集进行划分聚类，获得数据集的聚类结果，根据适应度值公式对变量参数进行拟合；
(3)将变量参数集的具体数据值与最优适应度值在允许误差范围内生成特征矢量及用于反映抽样区域空间特征的特征矢量，利用支持向量回归法对抽样区域多维的特征矢量进行变异函数参数拟合的优化。
2.如权利要求1所述的一种森林资源管理的变异函数参数拟合的优化方法，其特征在于，所述的数据统计及量化处理是指根据遥感影像将预处理得到的遥感影像与预先存储的位置矢量数据进行叠加，生成森林遥感影像地理信息图，使用计算机终端对信息图的数据统计，将需要数据分析的区域进行坐标格网划分，形成的网格单元按照对应比例的列为单位数值，在所述的区域内选择固定区域进行抽样，抽样区域的具体形状没有要求，以能准确的获取抽样区域数据为准，不局限抽样区域的维度，然后利用插值法探索分析区域的数据的空间变异结构，拟合生成各个变量参数的理论变异函数，所述的变量参数是根据实际生产需要转化对应生成的。
3.如权利要求1所述的一种森林资源管理的变异函数参数拟合的优化方法，其特征在于，所述的数据粒子群优化是根据区域数据得到变量参数的取值范围进行分类，并得到分类后的变量参数集，针对每个变量参数集确定具体数据值、允许误差、数据量，采用粒子编码方式对选择的变量参数集中的数据进行编码，设定粒子种群中粒子的数目及最大迭代次数、整个粒子种群的位置和速度的搜索空间范围，设定每个粒子的初始位置和速度，根据当前粒子编码位置各维度的值获得初始聚类中心子簇的序号，采用K均值划分方法对变量参数集进行划分聚类，所述的K均值划分方法指是两个元素在欧氏空间中的集合距离，用于标识两个标量元素的相异度，其公式为：获得数据集的聚类结果，根据适应度值公式，对变量参数集聚类结果计算粒子的适应度值，判断当前粒子适应度值与粒子种群的最优适应度值的大小，若小于则将粒子种群最优适应度值用当前粒子适应度值替换，将粒子种群最优位置用当前粒子位置替换，否则不变，判断粒子群优化迭代次数是否到达预设的最大迭代次数，若是，则停止迭代，输出粒子种群最优适应度值和对应的变量参数集类簇划分结果，否则，返回继续进行计算。
4.如权利要求1所述的一种森林资源管理的变异函数参数拟合的优化方法，其特征在于，所述的支持向量回归法是指利用支持向量回归对抽样区域多维的特征矢量进行训练，最后利用训练得到的支持向量回归训练模型对理论上变异函数生成的区域数据进行测试，得到理论上的每个多维区域图形的预测值，从而来优化理论数据通过变异函数于实际抽样区域特征性的变化情况，真实反映客观评价情况与主观感知的相关性，取每一个抽样区域图形对应的多维方向下的不同空间间隔所对应优化后的变异函数值，以变异函数值为Y轴，空间间隔为X轴，建立映射关系，具体的映射关系数量根据选取的区域图形维度相关，得到一个与理论数值最佳拟合的图形，利用线性方程进行回归计算，获取拟合度及每个维度下的局部最优空间尺度，把所有维度图像结合形成所对应的最优变异函数对应区域图形。
5.如权利要求2所述的一种森林资源管理的变异函数参数拟合的优化方法，其特征在于，所述的插值法采用克里金插值方法。
6.如权利要求4所述的一种森林资源管理的变异函数参数拟合的优化方法，其特征在于，所述的维度是指空间维度，是根据地理对象的实际分布特征以及地图表达的需要来确定的，包括：0维、1维、2维、2.5维和3维。
7.如权利要求3所述的一种森林资源管理的变异函数参数拟合的优化方法，其特征在于，所述的迭代是指最开始使用的数据定位按照粒子适应度值作为下一次迭代的参考点位置，随着参考点更靠近真实的位置，数据定位的位置也会无限靠近真实的位置。在迭代过程中，数据定位不受线性或者非线性属性的约束，会在不同的维度空间对所有的区域数值进行迭代，以此来对非线性属性进行补偿。
8.如权利要求4所述的一种森林资源管理的变异函数参数拟合的优化方法，其特征在于，所述的线性方程的计算方法为最小二乘法。
9.如权利要求1-7所述的一种森林资源管理的变异函数参数拟合的优化方法，其特征在于，所述的变异函数的线性范围是抛物线型、线性型、间断型、随机型、转变型其中的一种或者几种的组合。
CN201611121281.1A 2016-12-08 2016-12-08 一种森林资源管理的变异函数参数拟合的优化方法 Expired - Fee Related CN106815551B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611121281.1A CN106815551B (zh) 2016-12-08 2016-12-08 一种森林资源管理的变异函数参数拟合的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611121281.1A CN106815551B (zh) 2016-12-08 2016-12-08 一种森林资源管理的变异函数参数拟合的优化方法

Publications (2)

Publication Number Publication Date
CN106815551A true CN106815551A (zh) 2017-06-09
CN106815551B CN106815551B (zh) 2019-09-10

Family

ID=59106892

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611121281.1A Expired - Fee Related CN106815551B (zh) 2016-12-08 2016-12-08 一种森林资源管理的变异函数参数拟合的优化方法

Country Status (1)

Country Link
CN (1) CN106815551B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107979817A (zh) * 2017-11-24 2018-05-01 王红军 一种移动终端二维指纹定位方法
CN109241200A (zh) * 2018-08-21 2019-01-18 国网河北省电力有限公司石家庄供电分公司 电力物资聚类信息处理方法及系统
CN109885600A (zh) * 2019-02-25 2019-06-14 甘肃省祁连山水源涵养林研究院 森林植被增长率分析方法及系统
CN112085191A (zh) * 2019-06-12 2020-12-15 上海寒武纪信息科技有限公司 一种神经网络的量化参数确定方法及相关产品
CN113780515A (zh) * 2021-01-05 2021-12-10 京东鲲鹏(江苏)科技有限公司 数据处理方法、图像处理方法、装置、存储介质与设备
CN115422309A (zh) * 2022-07-07 2022-12-02 南京林业大学 一种基于神经网络的大尺度林龄遥感反演方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625741A (zh) * 2009-07-07 2010-01-13 武汉大学 土地评价样点空间配置方法
CN102567523A (zh) * 2011-12-29 2012-07-11 武汉大学 一种集聚分布型地理要素的自适应空间抽样方案设计方法
CN102663100A (zh) * 2012-04-13 2012-09-12 西安电子科技大学 一种两阶段混合粒子群优化聚类方法
CN102682219A (zh) * 2012-05-17 2012-09-19 鲁东大学 一种支持向量机短期负荷预测方法
US20120290277A1 (en) * 2011-05-10 2012-11-15 Chevron U.S.A. Inc. System and method for characterizing reservoir formation evaluation uncertainty
CN102842043A (zh) * 2012-07-17 2012-12-26 西安电子科技大学 基于自动聚类的粒子群优化分类方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101625741A (zh) * 2009-07-07 2010-01-13 武汉大学 土地评价样点空间配置方法
US20120290277A1 (en) * 2011-05-10 2012-11-15 Chevron U.S.A. Inc. System and method for characterizing reservoir formation evaluation uncertainty
CN102567523A (zh) * 2011-12-29 2012-07-11 武汉大学 一种集聚分布型地理要素的自适应空间抽样方案设计方法
CN102663100A (zh) * 2012-04-13 2012-09-12 西安电子科技大学 一种两阶段混合粒子群优化聚类方法
CN102682219A (zh) * 2012-05-17 2012-09-19 鲁东大学 一种支持向量机短期负荷预测方法
CN102842043A (zh) * 2012-07-17 2012-12-26 西安电子科技大学 基于自动聚类的粒子群优化分类方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HAMED AZAMI 等: "An Empirical Study using Combination of SVM with PSO based Scattering Ratio Optimization and K-means", 《2012 2ND INTERNATIONAL ECONFERENCE ON COMPUTER AND KNOWLEDGE ENGINEERING (ICCKE)》 *
K. VENKATALAKSHMI 等: "Classification of multispectral images using support vector machines based on PSO and K-Means clustering", 《PROCEEDINGS OF ICISIP 2005》 *
熊伟丽 等: "基于PSO的SVR参数优化选择方法研究", 《系统仿真学报》 *
王辉赞 等: "支持向量机优化的克里金插值算法及其海洋资料对比试验", 《大气科学学报》 *
马海 等: "基于粒子群优化的理论变异函数拟合方法研究", 《地球物理学进展》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107979817A (zh) * 2017-11-24 2018-05-01 王红军 一种移动终端二维指纹定位方法
CN109241200A (zh) * 2018-08-21 2019-01-18 国网河北省电力有限公司石家庄供电分公司 电力物资聚类信息处理方法及系统
CN109885600A (zh) * 2019-02-25 2019-06-14 甘肃省祁连山水源涵养林研究院 森林植被增长率分析方法及系统
CN109885600B (zh) * 2019-02-25 2022-04-12 甘肃省祁连山水源涵养林研究院 森林植被增长率分析方法及系统
CN112085191A (zh) * 2019-06-12 2020-12-15 上海寒武纪信息科技有限公司 一种神经网络的量化参数确定方法及相关产品
CN112085192A (zh) * 2019-06-12 2020-12-15 上海寒武纪信息科技有限公司 一种神经网络的量化参数确定方法及相关产品
CN112085192B (zh) * 2019-06-12 2024-03-29 上海寒武纪信息科技有限公司 一种神经网络的量化参数确定方法及相关产品
CN112085189B (zh) * 2019-06-12 2024-03-29 上海寒武纪信息科技有限公司 一种神经网络的量化参数确定方法及相关产品
CN112085191B (zh) * 2019-06-12 2024-04-02 上海寒武纪信息科技有限公司 一种神经网络的量化参数确定方法及相关产品
CN113780515A (zh) * 2021-01-05 2021-12-10 京东鲲鹏(江苏)科技有限公司 数据处理方法、图像处理方法、装置、存储介质与设备
CN115422309A (zh) * 2022-07-07 2022-12-02 南京林业大学 一种基于神经网络的大尺度林龄遥感反演方法
CN115422309B (zh) * 2022-07-07 2023-05-23 南京林业大学 一种基于神经网络的大尺度林龄遥感反演方法

Also Published As

Publication number Publication date
CN106815551B (zh) 2019-09-10

Similar Documents

Publication Publication Date Title
CN106815551B (zh) 一种森林资源管理的变异函数参数拟合的优化方法
Alessandrini et al. A novel application of an analog ensemble for short-term wind power forecasting
CN110598290B (zh) 考虑气候变化的流域未来水电发电能力预测方法和系统
CN103514457B (zh) 生态约束条件下土地利用结构优化的多目标改进差分进化模型
Liu et al. Quantifying the effect of land use and land cover changes on green water and blue water in northern part of China
CN116205310B (zh) 一种基于可解释集成学习模型的土壤含水量影响因素敏感区间判定方法
CN106709181B (zh) 一种基于并行编程和模块法的分布式水文模型率定方法
CN113837499A (zh) 一种超短期风电功率预测方法及系统
CN116976529B (zh) 基于供需预测动态校正的跨流域调水方法和系统
CN117648863B (zh) 一种基于水系连通的特旱条件下区域供水能力获取方法
Fouad et al. Regional regression models of percentile flows for the contiguous United States: Expert versus data-driven independent variable selection
Aliberti et al. Forecasting Short-term Solar Radiation for Photovoltaic Energy Predictions.
CN108205718A (zh) 一种粮食作物抽样测产方法及系统
CN101694671A (zh) 一种基于地学栅格图像的空间加权主成分分析的方法
CN114648181A (zh) 一种基于机器学习的降水预报修正方法及系统
Shuanglong et al. Patterns and driving forces of cropland abandonment in mountainous areas
RU2670801C9 (ru) Система интегрированного концептуального проектирования месторождения углеводородов
Alexandrov et al. Estimating terrestrial NPP: what the data say and how they may be interpreted?
Kaur et al. Impact of climate change on groundwater levels in Sirhind Canal Tract of Punjab, India
CN102663562B (zh) 一种基于克隆选择算法的土地资源评价因子级别划分方法
CN114418243B (zh) 分布式新能源云端网格预测方法与系统
Garcia A generic approach to spatial individual-based modelling and simulation of plant communities
Irwin Assessment of the regionalization of precipitation in two Canadian climate regions: A fuzzy clustering approach
CN114117323A (zh) 水资源系统优化配置方法、装置以及设备
CN107291798A (zh) 一种地球化学数据异常信息的提取方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190910

Termination date: 20211208