數(shù)據(jù)挖掘在森林資源管理中的應(yīng)用.pdf

1、數(shù)據(jù)挖掘技術(shù)是近年來(lái)從無(wú)到有，發(fā)展迅速的新興技術(shù)，在理論研究逐步深入的同時(shí)，許多行業(yè)也開(kāi)始在應(yīng)用方面進(jìn)行探索。數(shù)據(jù)挖掘作為知識(shí)發(fā)現(xiàn)過(guò)程的重要步驟，是從大型數(shù)據(jù)庫(kù)及數(shù)據(jù)倉(cāng)庫(kù)中提取未知的、有價(jià)值的和潛在關(guān)系、模式和趨勢(shì)用于決策支持的過(guò)程。利用該技術(shù)來(lái)分析森林資源數(shù)據(jù)，在關(guān)系復(fù)雜的海量數(shù)據(jù)中找到隱含的深層次信息，對(duì)后期的森林經(jīng)營(yíng)和資源管理意義重大，并有助于形成以知識(shí)管理和知識(shí)發(fā)現(xiàn)來(lái)輔助森林資源管理，并提高森林資源決策管理的科技水平。
　

2、　 由于數(shù)據(jù)挖掘技術(shù)本身發(fā)展時(shí)間不長(zhǎng)，在很多行業(yè)中的應(yīng)用也是剛剛興起，目前國(guó)內(nèi)森林資料管理中結(jié)合數(shù)據(jù)挖掘技術(shù)的文獻(xiàn)目前還比較缺乏。本文利用一平浪林場(chǎng)二類調(diào)查數(shù)據(jù)，以云南松小班為研究對(duì)象，研究和探討了數(shù)據(jù)挖掘技術(shù)在提取林業(yè)知識(shí)及隱含的有價(jià)值的信息方面的有效性和可行性，并分析了聚類、決策樹(shù)、關(guān)聯(lián)規(guī)則三種數(shù)據(jù)挖掘算法對(duì)林業(yè)數(shù)據(jù)進(jìn)行知識(shí)挖掘的具體應(yīng)用。
　　 由于現(xiàn)實(shí)數(shù)據(jù)的不完整性、冗余性和模糊性，以及各個(gè)數(shù)據(jù)挖掘算法對(duì)數(shù)據(jù)類型有不同

3、要求，數(shù)據(jù)預(yù)處理是數(shù)據(jù)挖掘過(guò)程中重要的部分。在數(shù)據(jù)預(yù)處理階段，本文對(duì)初始數(shù)據(jù)進(jìn)行了預(yù)備數(shù)據(jù)集的提取及數(shù)據(jù)類型的轉(zhuǎn)換。在預(yù)備數(shù)據(jù)集提取中對(duì)缺失值過(guò)多的小班和屬性進(jìn)行了刪除；在數(shù)據(jù)類型的轉(zhuǎn)換中實(shí)現(xiàn)了通過(guò)等寬裝箱法將連續(xù)型屬性轉(zhuǎn)化為離散型及結(jié)合林業(yè)專業(yè)知識(shí)將離散型屬性量化為數(shù)值型兩種轉(zhuǎn)換。
　　 林地立地分類與評(píng)價(jià)是森林經(jīng)營(yíng)管理的重要內(nèi)容，是林業(yè)決策的依據(jù)和基礎(chǔ)。本文應(yīng)用聚類算法中的層次聚類分析法對(duì)云南松三齡級(jí)的量化數(shù)據(jù)進(jìn)行了聚類分析

4、，聚類為三類的小班在同樹(shù)種同齡級(jí)的條件下，樹(shù)木的樹(shù)高和胸徑生長(zhǎng)量出現(xiàn)了數(shù)據(jù)上的分化，說(shuō)明不同類別的小班林地生產(chǎn)力存在差異，立地質(zhì)量具有梯度性的變化。根據(jù)林地定級(jí)的概念，可將三類中的小班林地分別劃分為第I立地等級(jí)、第II立地等級(jí)和第Ⅲ立地等級(jí)。根據(jù)聚類的結(jié)果計(jì)算類別中心后，計(jì)算一平浪地區(qū)無(wú)林地小班與各個(gè)聚類中心的距離，將無(wú)林地小班劃分為距離最近的類，即可得到對(duì)無(wú)林地小班的立地等級(jí)評(píng)價(jià)。其結(jié)果可作為林業(yè)經(jīng)營(yíng)的輔助決策支持。
　　 本

5、文采用數(shù)據(jù)挖掘中的決策樹(shù)C4.5算法建立了云南松單株材積的區(qū)間估值模型。通過(guò)將單株材積量等寬離散為5個(gè)取值區(qū)間，為不同云南松小班建立了所屬的單株材積區(qū)間，即不同的類。以年齡、樹(shù)高、直徑、疏密度及小班環(huán)境因子作為條件屬性，以單株材積區(qū)間為決策屬性建立決策樹(shù)模型。決策樹(shù)算法利用自身的性能選擇自動(dòng)選擇貢獻(xiàn)率最大的屬性，消除噪聲數(shù)據(jù)的影響。決策樹(shù)的運(yùn)行結(jié)果顯示算法在剪枝過(guò)程中剪去了年齡、疏密度、所有的環(huán)境因子條件屬性，僅保留了直徑與樹(shù)高兩個(gè)屬性

6、作為分類屬性，說(shuō)明在一平浪地區(qū)云南松小班中，沒(méi)有對(duì)單株材積影響較大的環(huán)境因子。用十折交叉驗(yàn)證法對(duì)決策樹(shù)驗(yàn)證的結(jié)果，決策樹(shù)的分類準(zhǔn)確度達(dá)到了93％。由決策樹(shù)中提取的規(guī)則對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，得到了云南松的以直徑、樹(shù)高為因變量的單株材積區(qū)間預(yù)測(cè)模型。
　　 本文應(yīng)用關(guān)聯(lián)規(guī)則挖掘Apriori算法在云南松三齡級(jí)小班中進(jìn)行規(guī)則提取。根據(jù)規(guī)則集建立了由規(guī)則推導(dǎo)得出的直徑模型。由模型的擬合結(jié)果分析看出，假如規(guī)則評(píng)價(jià)較高，則由規(guī)則推導(dǎo)的模型分類

7、正確度也較高；如規(guī)則評(píng)價(jià)較低，則模型性能較差。本文又根據(jù)所提取規(guī)則的評(píng)估指標(biāo)作為自變量，建立了云南松三齡級(jí)直徑與環(huán)境地理因子的回歸模型。在預(yù)測(cè)變量為離散型變量的情況下，通常不能直接采用傳統(tǒng)的統(tǒng)計(jì)回歸方法建模。利用數(shù)據(jù)挖掘的關(guān)聯(lián)規(guī)則算法可以解決這一問(wèn)題。經(jīng)過(guò)比較采用數(shù)據(jù)挖掘技術(shù)建立的線性模型與直接采用量化的環(huán)境因子建立的模型，前者的誤差明顯小于后者，具有更好的擬合效果。
　　 本文最后對(duì)全文進(jìn)行了總結(jié)，并對(duì)有待進(jìn)一步研究的問(wèn)題進(jìn)行