CN107590540B - 一种依赖于相邻木特征的林木冠幅估算方法 - Google Patents
一种依赖于相邻木特征的林木冠幅估算方法 Download PDFInfo
- Publication number
- CN107590540B CN107590540B CN201710840970.6A CN201710840970A CN107590540B CN 107590540 B CN107590540 B CN 107590540B CN 201710840970 A CN201710840970 A CN 201710840970A CN 107590540 B CN107590540 B CN 107590540B
- Authority
- CN
- China
- Prior art keywords
- phase
- wood
- pair
- adjacent
- small
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Radar Systems Or Details Thereof (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种依赖于相邻木特征的林木冠幅估算方法,属于森林经理学及计算机程序技术领域。相邻木冠幅与距对象木距离计算步骤,建立相邻木冠幅、距对象木距离与对象木与相邻木冠幅比值间模糊推理规则步骤,由相邻木特征直接估算对象木冠幅。本发明方法定义了相邻木冠幅与距对象木距离两个自变量计算方法,以对象木与相邻木冠幅比值作为因变量,建立了自变量与因变量间的模糊推理规则,描述了对象木冠幅与相邻木冠幅、距离与方位等特征因子间存在的复杂映射关系。本发明方法可在不加入对象木属性特征的前提下,根据空间结构单元相邻木特征,直接实现对对象木冠幅的有效估算。同时,可为探索林木生长、调控机理,构建森林智能模型提供技术参考。
Description
技术领域
本发明涉及一种依赖于相邻木特征的林木冠幅估算方法,属于森林经理学及计算机程序技术领域。
背景技术
林木冠幅是表征林木形态结构的关键指标,是其相邻木生长影响作用的结果,同时也是预测森林生长收获的重要变量。林木冠幅的估算不仅对评价其生存环境适宜性、健康程度具有重要作用,也为材积与生物量测定、削度方程建立、指导森林经营实践活动提供了可参考的量化因子。
林木形态结构因子、林分特征因子与竞争因子是林木冠幅估算常用参数。现有成果中对象木林木冠幅估算模型自变量除含其他因子外,大多含有对象木林木自身测树因子(胸径、树高等),估算精度与对象木冠幅与其他测树因子间固有的相关程度是分不开的,如此,无法直接反映相邻木对对象木冠幅的影响。
林木冠幅的形成除受其自身遗传因素的影响外,更多的是受其相邻木的影响作用,且关系复杂。不加入对象木特征因子,建立直接由空间结构单元内相邻木特征估算对象木其他特征的关系模型,需要解决如何表达其中太多的不确定性和复杂的非线性映射关系的问题。智能化算法为其提供了解决途径,自适应神经模糊系统具有自学习和模糊逻辑推理能力,是处理模型未知、不确定性、非线性、复杂系统建模问题的强有力手段,能够建立输入输出间的映射关系模型,为描述相邻木特征与对象木冠幅间复杂关系提供了基础的技术方法。
发明内容
为了克服现有技术的不足,针对相邻木特征与对象木冠幅间复杂关系,结合自适应神经模糊系统,从相邻木特征出发,提出一种依赖于相邻木特征的林木冠幅估算方法,构建不含林木自身测树因子的冠幅估算方法,实现在林木自身测树因子未知情况下的林木冠幅估算。
一种依赖于相邻木特征的林木冠幅估算方法,针对相邻木特征对对象木冠幅影响关系反映不足的问题,通过构建相邻木冠幅与距对象木距离计算,相邻木冠幅、距对象木距离与对象木与相邻木冠幅比值间模糊推理规则两个核心方法,解决由相邻木特征直接估算对象木冠幅的问题,实现依赖于相邻木特征的林木冠幅估算方法,为揭示冠幅形成影响因子提供方法参考,以提高林木冠幅智能化估算水平。
一种依赖于相邻木特征的林木冠幅估算方法,包括以下步骤:相邻木冠幅与距对象木距离计算步骤,建立相邻木冠幅、距对象木距离与对象木与相邻木冠幅比值间模糊推理规则步骤。
相邻木冠幅与距对象木距离计算步骤:
第一步、以0°-359°(正北、正东、正南、正西)将水平空间划分为4个象限;若4株最近相邻木中存在任意两株与正东方向的夹角之差小于等于5度,则选定距中心木距离较近者为最近相邻木,舍弃距离较远者,同时另增选1株最近相邻木;若最近4株木分别位于4个象限,则不增加林木,但若哪个象限无林木,则增选本象限一株距离最近林木为相邻木,直至4个象限均有林木存在为止;
第二步、将相邻木冠幅CW相、距对象木距离D相作为估计对象木冠幅 CW对的特征变量,具体计算时将CW对/CW相作为估计值;
根据对象木与相邻木空间分布特征,CW相与D相具体计算方法定义如下:CW4南其中右下角4代表象限4,右下角南代表南方向,CW4南即为第四象限相邻木南方向冠幅;D4相代表第四象限相邻木距对象木距离,其他参数含义可据此推知:
(1)当CW对为北方向冠幅时,CW相=(CW4南+CW4东+CW1南+CW1西)/4,D相=(D4相+D1相)/2,
(2)当CW对为东方向冠幅时,CW相=(CW1南+CW1西+CW2北+CW2西)/4,D相=(D1相+D2相)/2,
(3)当CW对为南方向冠幅时,CW相=(CW2北+CW2西+CW3北+CW3东)/4,D相=(D2相+D3相)/2,
(4)当CW对为西方向冠幅时,CW相=(CW3北+CW3东+CW4南+CW4东)/4,D相=(D3相+D4相)/2;
第三步、当某一象限相邻木不唯一时,选择相邻木与对象木连线方向与所研究的对象木冠幅方向夹角较小者作为本象限相邻木参与相邻木冠幅CW相计算,当以对象木北方向冠幅为研究对象时,因β>α,故选T1参与计算。
T1第4象限相邻木;
T2第4象限相邻木;
β代表T2与对象木连线方向与对象木冠幅北方向夹角;
α代表T1与对象木连线方向与对象木冠幅北方向夹角;
建立相邻木冠幅、距对象木距离与对象木与相邻木冠幅比值间模糊推理规则步骤包括:
第一步、设定相邻木冠幅CW相的模糊子集为{偏小,小,适中,大,偏大},距对象木距离D相的模糊子集为{偏小,小,适中,大,偏大},模糊规则后件输出常数为{0,0.8,1.0,1.2,1.4,1.6};
第二步、建立含25条规则的模糊规则库,用于自适应神经模糊系统推理;
(1)IF CW相IS偏小AND D相IS偏小THEN CW对/CW相IS 1.6;
(2)IF CW相IS偏小AND D相IS小THEN CW对/CW相IS 1.6;
(3)IF CW相IS偏小AND D相IS适中THEN CW对/CW相IS 1.0;
(4)IF CW相IS偏小AND D相IS大THEN CW对/CW相IS 1.6;
(5)IF CW相IS偏小AND D相IS偏大THEN CW对/CW相IS 1.6;
(6)IF CW相IS小AND D相IS偏小THEN CW对/CW相IS 1.0;
(7)IF CW相IS小AND D相IS小THEN CW对/CW相IS 1.2;
(8)IF CW相IS小AND D相IS适中THEN CW对/CW相IS 1.0;
(9)IF CW相IS小AND D相IS大THEN CW对/CW相IS 1.4;
(10)IF CW相IS小AND D相IS偏大THEN CW对/CW相IS 1.6;
(11)IF CW相IS适中AND D相IS偏小THEN CW对/CW相IS 0.0;
(12)IF CW相IS适中AND D相IS小THEN CW对/CW相IS 0.8;
(13)IF CW相IS适中AND D相IS适中THEN CW对/CW相IS 1.2;
(14)IF CW相IS适中AND D相IS大THEN CW对/CW相IS 1.4;
(15)IF CW相IS适中AND D相IS偏大THEN CW对/CW相IS 1.6;
(16)IF CW相IS大AND D相IS偏小THEN CW对/CW相IS 0.0;
(17)IF CW相IS大AND D相IS小THEN CW对/CW相IS 0.8;
(18)IF CW相IS大AND D相IS适中THEN CW对/CW相IS 1.2;
(19)IF CW相IS大AND D相IS大THEN CW对/CW相IS 0.8;
(20)IF CW相IS大AND D相IS偏大THEN CW对/CW相IS 1.6;
(21)IF CW相IS偏大AND D相IS偏小THEN CW对/CW相IS 0.0;
(22)IF CW相IS偏大AND D相IS小THEN CW对/CW相IS 0.0;
(23)IF CW相IS偏大AND D相IS适中THEN CW对/CW相IS 1.2;
(24)IF CW相IS偏大AND D相IS大THEN CW对/CW相IS 1.2;
(25)IF CW相IS偏大AND D相IS偏大THEN CW对/CW相IS 0.0。
本发明的优点是:
本发明方法定义了相邻木冠幅与距对象木距离两个自变量计算方法,以对象木与相邻木冠幅比值作为因变量,建立了自变量与因变量间的模糊推理规则,描述了对象木冠幅与相邻木冠幅、距离与方位等特征因子间存在的复杂映射关系。本发明方法可在不加入对象木属性特征的前提下,根据空间结构单元相邻木特征,直接实现对对象木冠幅的有效估算。同时,可为探索林木生长、调控机理,构建森林智能模型提供技术参考。
附图说明
当结合附图考虑时,通过参照下面的详细描述,能够更完整更好地理解本发明以及容易得知其中许多伴随的优点,但此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定,如图其中:
图1、相邻木确定方法示意图;
图2、参数之一示意图;
图3、参数之二示意图;
图4、参数之三示意图;
图5、参数之四示意图;
图6、同一象限内参与计算的相邻木选择;
图7、输入变量相邻木冠幅CW相初始隶属函数;
图8、输入变量距对象木距离D相初始隶属函数;
图9、输入变量相邻木冠幅CW相训练后隶属函数;
图10、输入变量距对象木距离D相训练后隶属函数;
图11系统训练过程;
图12估算值与真实值对比;
图13估算值与真实值回归直线;
下面结合附图和实施例对本发明进一步说明。
具体实施方式
显然,本领域技术人员基于本发明的宗旨所做的许多修改和变化属于本发明的保护范围。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当称元件、组件被“连接”到另一元件、组件时,它可以直接连接到其他元件或者组件,或者也可以存在中间元件或者组件。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语 (包括技术术语和科学术语)具有与所属领域中的普通技术人员的一般理解相同的意义。
为便于对发明实施例的理解,下面将结合做进一步的解释说明,且各个实施例并不构成对本发明的限定。
实施例:一种依赖于相邻木特征的林木冠幅估算方法,针对相邻木特征对对象木冠幅影响关系反映不足的问题,通过构建相邻木冠幅与距对象木距离计算,相邻木冠幅、距对象木距离与对象木与相邻木冠幅比值间模糊推理规则两个核心方法,解决由相邻木特征直接估算对象木冠幅的问题,实现依赖于相邻木特征的林木冠幅估算方法,为揭示冠幅形成影响因子提供方法参考,以提高林木冠幅智能化估算水平。
一种依赖于相邻木特征的林木冠幅估算方法,包括以下步骤:相邻木冠幅与距对象木距离计算步骤,建立相邻木冠幅、距对象木距离与对象木与相邻木冠幅比值间模糊推理规则步骤。
一、相邻木冠幅与距对象木距离计算步骤;
第一步、以0°-359°(正北、正东、正南、正西)将水平空间划分为4个象限;若4株最近相邻木中存在任意两株与正东方向的夹角之差小于等于5度,则选定距中心木距离较近者为最近相邻木,舍弃距离较远者,同时另增选1株最近相邻木;若最近4株木分别位于4个象限,则不增加林木,但若哪个象限无林木,则增选本象限一株距离最近林木为相邻木,直至4个象限均有林木存在为止。
相邻木确定方法见图1。
第二步、将相邻木冠幅CW相、距对象木距离D相作为估计对象木冠幅 CW对的特征变量,具体计算时将CW对/CW相作为估计值。
根据对象木与相邻木空间分布特征,CW相与D相具体计算方法定义如下 (以CW4南为例,右下角4代表象限编号,右下角南代表南方向,CW4南即为第四象限相邻木南方向冠幅;D4相代表第四象限相邻木距对象木距离,其他参数含义可据此推知,参数示意图见图2、图3、图4及图5。):
(1)当CW对为北方向冠幅时,CW相=(CW4南+CW4东+CW1南+CW1西)/4,D相=(D4相+D1相)/2,如图2;
(2)当CW对为东方向冠幅时,CW相=(CW1南+CW1西+CW2北+CW2西)/4,D相=(D1相+D2相)/2,如图3;
(3)当CW对为南方向冠幅时,CW相=(CW2北+CW2西+CW3北+CW3东)/4,D相=(D2相+D3相)/2,如图4;
(4)当CW对为西方向冠幅时,CW相=(CW3北+CW3东+CW4南+CW4东)/4,D相=(D3相+D4相)/2,如图5。
第三步、当某一象限相邻木不唯一时,选择相邻木与对象木连线方向与所研究的对象木冠幅方向夹角较小者作为本象限相邻木参与相邻木冠幅CW相计算,如图6所示,当以对象木北方向冠幅为研究对象时,因β>α,故选T1参与计算。
二、相邻木冠幅、距对象木距离与对象木与相邻木冠幅比值间模糊推理规则;
第一步、设定相邻木冠幅CW相的模糊子集为{偏小,小,适中,大,偏大},距对象木距离D相的模糊子集为{偏小,小,适中,大,偏大},模糊规则后件输出常数为{0,0.8,1.0,1.2,1.4,1.6}。
第二步、建立含25条规则的模糊规则库,用于自适应神经模糊系统推理。
(1)IF CW相I S偏小AND D相IS偏小THEN CW对/CW相IS 1.6;
(2)IF CW相IS偏小AND D相IS小THEN CW对/CW相IS 1.6;
(3)IF CW相IS偏小AND D相IS适中THEN CW对/CW相IS 1.0;
(4)IF CW相IS偏小AND D相IS大THEN CW对/CW相IS 1.6;
(5)IF CW相IS偏小AND D相IS偏大THEN CW对/CW相IS 1.6;
(6)IF CW相IS小AND D相IS偏小THEN CW对/CW相IS 1.0;
(7)IF CW相IS小AND D相IS小THEN CW对/CW相IS 1.2;
(8)IF CW相IS小AND D相IS适中THEN CW对/CW相IS 1.0;
(9)IF CW相IS小AND D相IS大THEN CW对/CW相IS 1.4;
(10)IF CW相IS小AND D相IS偏大THEN CW对/CW相IS 1.6;
(11)IF CW相IS适中AND D相IS偏小THEN CW对/CW相IS 0.0;
(12)IF CW相IS适中AND D相IS小THEN CW对/CW相IS 0.8;
(13)IF CW相IS适中AND D相IS适中THEN CW对/CW相IS 1.2;
(14)IF CW相IS适中AND D相IS大THEN CW对/CW相IS 1.4;
(15)IF CW相IS适中AND D相IS偏大THEN CW对/CW相IS 1.6;
(16)IF CW相IS大AND D相IS偏小THEN CW对/CW相IS 0.0;
(17)IF CW相IS大AND D相IS小THEN CW对/CW相IS 0.8;
(18)IF CW相IS大AND D相IS适中THEN CW对/CW相IS 1.2;
(19)IF CW相IS大AND D相IS大THEN CW对/CW相IS 0.8;
(20)IF CW相IS大AND D相IS偏大THEN CW对/CW相IS 1.6;
(21)IF CW相IS偏大AND D相IS偏小THEN CW对/CW相IS 0.0;
(22)IF CW相IS偏大AND D相IS小THEN CW对/CW相IS 0.0;
(23)IF CW相IS偏大AND D相IS适中THEN CW对/CW相IS 1.2;
(24)IF CW相IS偏大AND D相IS大THEN CW对/CW相IS 1.2;
(25)IF CW相IS偏大AND D相IS偏大THEN CW对/CW相IS 0.0。
从湖南攸县黄丰桥国有林场100组实地样本调查数据中,随机抽取70 组数据为训练(自适应学习)数据,剩余30组数据为检验数据。根据发明方法计算相邻木冠幅CW相与距对象木距离D相,采用均等分割方式确定三角型隶属函数形状参数,其隶属函数分别为图7、图8,根据发明方法设定相邻木冠幅、距对象木距离与对象木与相邻木冠幅比值间模糊推理规则,对系统进行20次训练(自适应学习),训练后隶属函数分别如图9 及图10,训练前后隶属函数参数如表1所示,训练过程如图11所示。
图7.相邻木冠幅CW相初始隶属函数;图8.距对象木距离D相初始隶属函数;图9.相邻木冠幅CW相训练后隶属函数;图10.距对象木距离D相训练后隶属函数;
表1训练前后隶属函数参数
由图7、图8、图9及图10、表1发现,在提高系统估算精度的目标下,两输入隶属函数参数得到了优化训练,由图11显示的训练过程发现,训练及检验数据误差均得到了有效的降低,训练数据误差为0.15418,检验数据误差为0.15586。
利用30组数据对模型进行检验,对象木与相邻木冠幅比值的估算值与真实值对比如图12所示,同时,为进一步说明模型估算效果,将比值换算为冠幅,以冠幅估算值为横坐标、真实值为纵坐标进行线性回归,模型拟合效果见图13所示。
对回归模型进行显著性检验,p值为5.75×10-9小于0.05,可知在显著性水平α=0.05下,冠幅预算值与真实值的线性关系是显著的,图13中置信区间为针对某一冠幅估算值,冠幅真实值的平均值有95%的可能落在置信区间带中。
本发明方法判定系数R2为0.71,说明模型拟合效果较好,可根据实际调查数据,实现依赖于相邻木特征的林木冠幅有效估算。
如上所述,对本发明的实施例进行了详细地说明,但是只要实质上没有脱离本发明的发明点及效果可以有很多的变形,这对本领域的技术人员来说是显而易见的。因此,这样的变形例也全部包含在本发明的保护范围之内。
Claims (1)
1.一种依赖于相邻木特征的林木冠幅估算方法,其特征在于包括以下步骤:计算相邻木冠幅CW相与距对象木距离D相的步骤,建立相邻木冠幅CW相、距对象木距离D相,和对象木与相邻木冠幅比值CW对/CW相之间的模糊推理规则的步骤,其中,CW对为对象木冠幅;
计算相邻木冠幅CW相与距对象木距离D相的步骤为:
第一步、以正北、正东、正南、正西将水平空间划分为4个象限;若4株最近相邻木中存在任意两株与正东方向的夹角之差小于等于5度,则选定距对象木距离较近者为最近相邻木,舍弃距离较远者,同时另增选1株最近相邻木;若4株最近相邻木分别位于4个象限,则不增加林木,但若哪个象限无林木,则增选本象限一株距离最近林木为相邻木,直至4个象限均有林木存在为止;
第二步、将相邻木冠幅CW相、距对象木距离D相作为估计对象木冠幅CW对的特征变量,具体计算时将CW对/CW相作为估计值;
根据对象木与相邻木空间分布特征,CW相与D相具体计算方法定义如下:CW4南其中右下角4代表象限4,右下角南代表南方向,CW4南即为第四象限相邻木南方向冠幅;D4相代表第四象限相邻木距对象木距离,其他参数含义可据此推知:
(1)当CW对为北方向冠幅时,CW相=(CW4南+CW4东+CW1南+CW1西)/4,D相=(D4相+D1相)/2,
(2)当CW对为东方向冠幅时,CW相=(CW1南+CW1西+CW2北+CW2西)/4,D相=(D1相+D2相)/2,
(3)当CW对为南方向冠幅时,CW相=(CW2北+CW2西+CW3北+CW3东)/4,D相=(D2相+D3相)/2,
(4)当CW对为西方向冠幅时,CW相=(CW3北+CW3东+CW4南+CW4东)/4,D相=(D3相+D4相)/2;
第三步、当某一象限相邻木不唯一时,选择相邻木与对象木连线方向与所研究的对象木冠幅方向夹角较小者作为本象限相邻木参与相邻木冠幅CW相计算;
建立相邻木冠幅CW相、距对象木距离D相,和对象木与相邻木冠幅比值CW对/CW相之间的模糊推理规则的步骤,其中,CW对为对象木冠幅,包括:
第一步、设定相邻木冠幅CW相的模糊子集为:偏小、小、适中、大和偏大,距对象木距离D相的模糊子集为:偏小、小、适中、大和偏大,模糊规则后件输出常数为:0、0.8、1.0、1.2、1.4及1.6;
第二步、建立含25条规则的模糊规则库,用于自适应神经模糊系统推理;
(1)IF CW相IS偏小AND D相IS偏小THEN CW对/CW相IS 1.6;
(2)IF CW相IS偏小AND D相IS小THEN CW对/CW相IS 1.6;
(3)IF CW相IS偏小AND D相IS适中THEN CW对/CW相IS 1.0;
(4)IF CW相IS偏小AND D相IS大THEN CW对/CW相IS 1.6;
(5)IF CW相IS偏小AND D相IS偏大THEN CW对/CW相IS 1.6;
(6)IF CW相IS小AND D相IS偏小THEN CW对/CW相IS 1.0;
(7)IF CW相IS小AND D相IS小THEN CW对/CW相IS 1.2;
(8)IF CW相IS小AND D相IS适中THEN CW对/CW相IS 1.0;
(9)IF CW相IS小AND D相IS大THEN CW对/CW相IS 1.4;
(10)IF CW相IS小AND D相IS偏大THEN CW对/CW相IS 1.6;
(11)IF CW相IS适中AND D相IS偏小THEN CW对/CW相IS 0.0;
(12)IF CW相IS适中AND D相IS小THEN CW对/CW相IS 0.8;
(13)IF CW相IS适中AND D相IS适中THEN CW对/CW相IS 1.2;
(14)IF CW相IS适中AND D相IS大THEN CW对/CW相IS 1.4;
(15)IF CW相IS适中AND D相IS偏大THEN CW对/CW相IS 1.6;
(16)IF CW相IS大AND D相IS偏小THEN CW对/CW相IS 0.0;
(17)IF CW相IS大AND D相IS小THEN CW对/CW相IS 0.8;
(18)IF CW相IS大AND D相IS适中THEN CW对/CW相IS 1.2;
(19)IF CW相IS大AND D相IS大THEN CW对/CW相IS 0.8;
(20)IF CW相IS大AND D相IS偏大THEN CW对/CW相IS 1.6;
(21)IF CW相IS偏大AND D相IS偏小THEN CW对/CW相IS 0.0;
(22)IF CW相IS偏大AND D相IS小THEN CW对/CW相IS 0.0;
(23)IF CW相IS偏大AND D相IS适中THEN CW对/CW相IS 1.2;
(24)IF CW相IS偏大AND D相IS大THEN CW对/CW相IS 1.2;
(25)IF CW相IS偏大AND D相IS偏大THEN CW对/CW相IS 0.0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710840970.6A CN107590540B (zh) | 2017-09-18 | 2017-09-18 | 一种依赖于相邻木特征的林木冠幅估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710840970.6A CN107590540B (zh) | 2017-09-18 | 2017-09-18 | 一种依赖于相邻木特征的林木冠幅估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107590540A CN107590540A (zh) | 2018-01-16 |
CN107590540B true CN107590540B (zh) | 2020-09-15 |
Family
ID=61048454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710840970.6A Expired - Fee Related CN107590540B (zh) | 2017-09-18 | 2017-09-18 | 一种依赖于相邻木特征的林木冠幅估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107590540B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492332B (zh) * | 2018-04-03 | 2021-05-18 | 中国林业科学研究院资源信息研究所 | 一种森林三维场景中叶面积指数实时计算方法 |
CN110163452B (zh) * | 2019-06-06 | 2023-05-30 | 中南林业科技大学 | 基于环状分布指数的林分空间结构优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007066050A (ja) * | 2005-08-31 | 2007-03-15 | Kokusai Kogyo Co Ltd | 樹冠円抽出システム |
CN101199266A (zh) * | 2006-12-13 | 2008-06-18 | 中国林业科学研究院林业研究所 | 判断林木水平分布格局的方法 |
CN102968664A (zh) * | 2012-10-10 | 2013-03-13 | 江苏大学 | 一种移动机器人变量施药智能决策方法和系统 |
CN103559540A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理系统的风速超短期在线预测方法 |
CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
-
2017
- 2017-09-18 CN CN201710840970.6A patent/CN107590540B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007066050A (ja) * | 2005-08-31 | 2007-03-15 | Kokusai Kogyo Co Ltd | 樹冠円抽出システム |
CN101199266A (zh) * | 2006-12-13 | 2008-06-18 | 中国林业科学研究院林业研究所 | 判断林木水平分布格局的方法 |
CN102968664A (zh) * | 2012-10-10 | 2013-03-13 | 江苏大学 | 一种移动机器人变量施药智能决策方法和系统 |
CN103559540A (zh) * | 2013-11-13 | 2014-02-05 | 上海电气集团股份有限公司 | 基于自适应神经模糊推理系统的风速超短期在线预测方法 |
CN105913017A (zh) * | 2016-04-08 | 2016-08-31 | 南京林业大学 | 一种基于同期双高分辨率遥感影像的森林生物量估算方法 |
Non-Patent Citations (3)
Title |
---|
基于空间结构调查的林分密度估计;王宏翔 等;《应用生态学报》;20140730;第25卷(第7期);1912-1918 * |
基于立方体格网法的树冠体积计算与预估模型建立;樊仲谋 等;《农业机械学报》;20150331;第46卷(第3期);320-327 * |
樟子松人工林树冠表面积及体积预估模型的研究;廖彩霞 等;《植物研究》;20070731;第27卷(第4期);478-483 * |
Also Published As
Publication number | Publication date |
---|---|
CN107590540A (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103577888B (zh) | 一种对产品设计方案优选的方法 | |
Sun et al. | Soft fuzzy rough sets and its application in decision making | |
CN108777873A (zh) | 基于加权混合孤立森林的无线传感网络异常数据检测方法 | |
CN102117412B (zh) | 图像识别方法和装置 | |
Nord-Larsen | Developing dynamic site index curves for European beech (Fagus sylvatica L.) in Denmark | |
CN106851573A (zh) | 基于对数路径损耗模型的联合加权k近邻室内定位方法 | |
Gégout et al. | Prediction of forest soil nutrient status using vegetation | |
CN107590540B (zh) | 一种依赖于相邻木特征的林木冠幅估算方法 | |
Ngouajio et al. | A simple model for rapid and nondestructive estimation of bell pepper fruit volume | |
CN110751176A (zh) | 一种基于决策树算法的湖泊水质预测方法 | |
CN111062511B (zh) | 基于决策树与神经网络的水产养殖病害预测方法及系统 | |
Xin et al. | Three‐dimensional reconstruction of Vitis vinifera (L.) cvs Pinot Noir and Merlot grape bunch frameworks using a restricted reconstruction grammar based on the stochastic L‐system | |
CN115936532A (zh) | 基于bp神经网络的盐碱地稳定性评估方法及系统 | |
CN112651173B (zh) | 一种基于跨域光谱信息的农产品品质无损检测方法及可泛化系统 | |
Lacerda et al. | Artificial neural networks for estimating tree volume in the Brazilian savanna | |
Nureize et al. | Fuzzy random regression based multi-attribute evaluation and its application to oil palm fruit grading | |
CN111308027B (zh) | 生食品质的确定方法、装置、系统和计算机可读存储介质 | |
CN111754358A (zh) | 一种林分空间结构综合指数模型的构建方法及应用 | |
CN114582439B (zh) | 一种基于应用场景的土壤盐碱地改良剂筛选方法及系统 | |
CN106599391A (zh) | 基于三角形角度值动态加权的关联向量机软测量建模方法 | |
Fuentes‐Santos et al. | Dynamic self‐thinning model for sessile animal populations with multilayered distribution | |
CN113095571B (zh) | 一种基于树木代谢速率理论的生物量模型预测方法及系统 | |
Cervera-Gascó et al. | An intelligent mushroom strain selection model based on their quality characteristics | |
CN107122518B (zh) | 磁场相似性度量方法 | |
Van Laar | Bark thickness and bark volume of Pinus patula in South Africa |
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 |
Granted publication date: 20200915 Termination date: 20210918 |
|
CF01 | Termination of patent right due to non-payment of annual fee |