摘要：探讨了基于小批量梯度下降的B-P神经网络模型,利用MODIS遥感图像、地面调查数据、地形数据以及森林覆盖率,估算天然针叶林地上生物量。在对针叶林地上生物量和遥感数据、地形数据、植被指数以及森林覆盖率进行单因素相关性分析的基础上,采用基于小批量梯度下降的B-P神经网络建立一组不同网络结构的天然针叶林生物量模型,在测试集上筛选出均方误差最小的网络结构,在验证集上用实测地上生物量值对筛选出的模型进行验证,并与多元回归模型比较。结果表明：小批量梯度下降训练算法收敛速度很快,最多不超过100 s,比较适合做大范围的生物量实时反演监测;模型很好地反应了针叶林地上生物量与MODIS遥感图像、地面调查数据、地形数据以及森林覆盖率的定量关系（相关系数R^2=0.835）,明显地优于传统的多元回归方法（相关系数R^2=0.427）。由此可见,基于小批量梯度下降的B-P神经网络模型可以用于天然针叶林结构参数的定量研究,利用基于小批量梯度下降的B-P神经网络模型进行天然针叶林地上生物量实时监测具有一定的应用潜力。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社