由吳達勝編著的《人工神經網絡在森林資源動態監測中的應用》以浙江省重點林業縣級市(龍泉市)為研究區域，以森林資源蓄積量為主要監測指標，通過整合遙感影像、數字高程模型、森林資源二類調查數據、固定樣地調查數據等多源數據，建立了包含土層厚度、A層厚度、海拔、坡度、坡向、地表曲率、太陽輻射指數、地形濕度指數、樹齡、郁閉度、歸一化植被指數、TM影像中的6個波段(B1、B2、B3、B4、B5、B7)等17個指標在內的自變量因子集。通過多項式擬合，結合經驗數據求取各自變量因子的隸屬度，按優勢樹種(分別為杉木、馬尾松、硬闊類、黃山松)建立了基于LevenbeI`g—Marquardt優化算法改進的BP神經網絡模型。在此基礎上，對研究區域各森林資源小班或細班的平均單位蓄積量進行仿真、反演和預測，總體精度均超過90％，高于森林資源二類調查的蓄積量總體抽樣精度標準。同時，還利用所建模型，以研究區域2007年度數據為樣本數據，估測了平均胸徑、平均樹高等森林調查因子，總體估測精度也達到90％以上。
《人工神經網絡在森林資源動態監測中的應用》結合了現代森林資源管理要求和信息技術特點，充分體現了先進技術在傳統行業領域應用中所產生的效果，可供森林資源管理工作者、信息技術應用人員、信息系統研究與開發人員參考使用。
由吳達勝編著的《人工神經網絡在森林資源動態監測中的應用》共8章。第1章介紹研究背景、森林資源動態監測的國內外研究進展情況、研究目的與內容等；第2章介紹BP神經網絡模型理論，并重點介紹了基于Levenberg-Marquardt算法改進的BP神經網絡模型；第3章介紹了研究區概況及研究基礎，包括了監測指標及影響其變化的自變量因子集、研究所用到的數據等；第4章為數據預處理，包括DEM、遙感數據的預處理，自變量因子數據的提取、監測指標數據的提取、自變量因子數據整合及各自變量因子隸屬度的求解；第5章重點介紹如何建立基于Levenberg-Marquardt算法改進的BP神經網絡的森林資源蓄積量預測模型，并以2007年研究區小班為評價單元分訓練樣本和測試樣本對森林資源蓄積量進行仿真測試；第6章為森林資源蓄積量反演和預測，描述了如何利用第5章所建立模型反演2004年森林資源蓄積量及預測2007年森林資源蓄積量；第7章為胸徑、樹高等調查因子的估測，用于進一步驗證模型的通用性；第8章則對全文研究結果作了總結與討論.并對今后可能的研究方向與內容提出了一定的看法。
序
前言
第1章 概論
1.1 研究背景
1.2 國內外研究進展
1.3 研究目的與內容
1.4 研究技術路線
第2章 BP神經網絡模型
2.1 人工神經網絡理論
2.2 人工神經網絡結構
2.3 神經網絡的學習方式
2.4 BP神經網絡
2.5 改進的BP神經網絡
2.6 本章小結
第3章 研究區概況及研究基礎
3.1 研究區概況
3.2 監測指標與自變量因子
3.3 研究區數據
3.4 本章小結
第4章 數據預處理
4,1 DEM數據預處理
4.2 遙感數據預處理
4.3 自變量因子數據提取
4.4 監測指標數據提取
4.5 自變量因子數據整合
4.6 自變量因子隸屬度求解過程與結果——以杉木為優勢樹種的小班
4.7 自變量因子隸屬度求解結果——以馬尾松為優勢樹種的小班
4.8 自變量因子隸屬度求解結果——以硬闊類為優勢樹種的小班
4.9 自變量因子隸屬度求解結果——以黃山松為優勢樹種的小班
4.10 本章小結
第5章 基于改進BP神經網絡的森林資源蓄積量預測模型的建立
5.1 確定訓練及仿真樣本集
5.2 設置模型參數
5.3 建立網絡
5.4 訓練網絡
5.5 網絡仿真
5.6 森林資源蓄積量仿真結果及分析
5.7 本章小結
第6章 森林資源蓄積量反演和預測
6.1 2004年度森林資源蓄積量反演
6.2 2010年度森林資源蓄積量預測
6.3 本章小結
第7章 胸徑、樹高等調查因子的估測
7.1 平均胸徑的估測
7.2 平均樹高的估測
7.3 本章小結
第8章 總結與展望
8.1 主要研究成果與結論
8.2 創新點
8.3 展望
參考文獻
