论文部分内容阅读
批量评估与传统的单项评估相比，具有效率高，节约评估人力和费用，评估过程受人为因素影响较小等优点。林木资源资产批量评估是指在给定的时间，引用共同数据，建立自动评估模型，对类似大量的林木资源资产进行评估的过程。论文在分析林木资源资产批量评估的内涵、特点、优势及其实现手段等的基础上，计算不同影响因子对评估值的影响程度；通过比较BP神经网络的输入层神经元、隐含层节点数、学习算法差异对模型拟合精度以及泛化（预测）能力的影响，分析影响因子对评估值的影响程度；分别不同龄组建立基于BP神经网络的林木资源资产批量评估最优模型。主要研究结果如下：（1）贝叶斯算法和L-M算法相比，网络输出更加稳健，而且可达到更高的预测精度。（2）幼龄林影响因子对林木价值的影响程度由大到小依次为：利率、树高、公顷平均株数、营林成本、年龄、优势树种；中龄林影响因子对林木价值的影响程度由大到小依次为：年龄、利率、蓄积、优势树种、主伐年龄、销售成本、规格材销售价格、规格材出材率、非规格材销售价格、营林成本、非规格材出材率；成熟林影响因子对林木价值的影响程度由大到小依次为蓄积、优势树种、销售成本、规格材出材率、规格材销售价格、非规格材出材率、非规格材销售价格、年龄。（3）通过对学习算法、输入层因子、隐含层节点数的比较，基于BP神经网络林木资产批量评估幼龄林最优模型为BR6-7-1，模型训练性能函数SSE为0.0145，模型平均绝对误差MAE为67.20元/hm2，平均相对误差MAPE为1.45%，决定系数R2为0.9994；中龄林最优模型为BR9-10-1，SSE为0.0009，MAE为32.46元/hm2，MAPE为1.28%，R2为0.9997；成熟林最优模型为BR7-9-1，SSE为0.0008，MAE为77.40元/hm2，MAPE为0.62%，R2为0.9999。模型的定性检验表明三个模型均符合林学、经济学的基本规律；定量的精度检验表明三个模型训练性能函数值较低，说明模型对训练样本的拟合精度高，对检验样本的预测能力强，模型泛化能力好。