留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

论区域林业史研究的价值与思路:以浙江林业史为重点

雷志松

栾景然, 冯国红, 朱玉杰. 基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别[J]. 浙江农林大学学报, 2022, 39(3): 671-678. DOI: 10.11833/j.issn.2095-0756.20210377
引用本文: 雷志松. 论区域林业史研究的价值与思路:以浙江林业史为重点[J]. 浙江农林大学学报, 2007, 24(6): 747-751.
LUAN Jingran, FENG Guohong, ZHU Yujie. Visible/near infrared spectrum wood identification based on SPA-GA-BP neural network[J]. Journal of Zhejiang A&F University, 2022, 39(3): 671-678. DOI: 10.11833/j.issn.2095-0756.20210377
Citation: LEI Zhi-song. Values and logic of regional forestry history: a case study of Zhejiang Province[J]. Journal of Zhejiang A&F University, 2007, 24(6): 747-751.

论区域林业史研究的价值与思路:以浙江林业史为重点

基金项目: 

浙江省哲学社会科学规划项目(06WZT010)

详细信息
    作者简介: 雷志松,讲师,博士研究生,从事中国近现代史、"三农"问题与中国现代化等研究。E-mail:leizhisong@163.com
  • 中图分类号: S7-93;F326.29

Values and logic of regional forestry history: a case study of Zhejiang Province

  • 摘要: 学术界对林业史的研究较为充分,但对区域林业史的研究明显不足。区域林业史研究的价值在于:一是可弥补全国林业史很难注意到区域差异性而导致的不足,以补充和丰富全国史,推动全国史研究的深入发展;二是实现区域通史研究与区域生产部门史研究、区域农业史研究与区域林业史研究分离,以求区域林业史研究得到强化与细化。区域林业史研究总体思路为:以辩证唯物主义和历史唯物主义作为历史观和方法论,应体现浓郁的地方特色、鲜活的时代特色、鲜明的专业特色和强烈的现实指导意义,把区域林业历史变迁过程的分期、分区域、分内容研究和林业变迁各种机制研究结合起来。
  • 木材在中国可再生资源中占有很大的比例。随着国民经济逐步增长,木材市场不断扩大。目前,由于优质木材频频出现供需不平衡、木材造假等问题,因此采用多种识别技术来甄别木材种类已成为必然。木材种类识别除了依照形态学处理外,还可以使用计算机图像识别、DNA识别等方法[1-3],但是这些方法和传统的取样方法一样[4],都需要对树木进行剖析和制样,对于一些珍贵的木材会造成不必要的浪费,甚至会降低本身的价值。近红外光谱分析技术是20世纪70年代兴起的一种新的木材识别分析技术。它作为一种常用的测量工具,具有快速、无损、在线分析等优势。近几年,学者们应用近红外光谱技术对木材种类进行了识别研究[5],如王学顺等[6]利用近红外光谱技术,结合主成分分析(PCA)和BP神经网络对不同木材种类进行了识别研究,效果良好。谭念等[7]基于近红外光谱技术,联合PCA和支持向量机实现了木材种类的有效鉴别。

    目前,近红外光谱分析技术用于木材种类识别大多采用PCA进行特征提取,实现数据降维,但这种方法的特征值筛选有一定的局限性,仅凭累计贡献率决定特征值的个数,无法通过参数化等方法对处理过程进行干预,效率和物理实用性不高。连续投影算法(SPA)是一种常用的特征波长筛选算法。它能够利用向量的投影分析,寻找含有最低限度冗长信息的变量组,通过参数调整可实现较强物理实用性的数据压缩。陈远哲等[8]基于SPA构建了最小偏二乘法回归模型,适用于淡水鱼储藏期质构品质的快速无损检测。郭文川等[9]通过比较不同特征提取方式,得出采用SPA和随机森林识别准确率最高。遗传算法(GA)用于寻优,广泛应用于机器学习等领域。

    本研究将SPA和GA联用,在运用SPA获得特征值后,应用GA进一步寻找最佳特征参数,以提升木材识别的效率和准确率。本研究以红檀Swartizia spp.、刺猬紫檀Pterocarpus erinaceus、巴里黄檀Dalbergia bariensis、大果紫檀Pterocarpus macrocarpus、红檀香Myroxylon balsamu、破布木Cordia dichotoma、豆瓣香Osmanthus delavayi、檀香紫檀Pterocarpus santalinus、中美洲黄檀Dalbergia granadillo和黑檀Dalbergia nigra为研究对象,应用可见/近红外光谱仪采集10种木材的光谱图,运用不同的预处理方式叠加进行降噪分析,以BP神经网络为木材种类的分类识别算法,探讨经GA优化的SPA较之常规特征提取算法的优越性,为更精确高效的木材识别提供参考。

    数据采集:参与试验的木材共10种,试样为6 cm×5 cm×2 cm的木块。每种木材制备5块样本,共计50块。每块木材分10个点采集光谱,以木块横向等分2份,纵向等分5份,取每份的中心点作为标记进行采样,每个点采集10组数据,取平均值作为此样点的实验数据,即1块试样采集10组实验数据,10种木材共计采集500组实验数据。样点采集遵循以下原则:①采谱过程中每15 min进行1次空白校正,以保证光谱的稳定性。②每块木材样本大小、薄厚和形状均保持一致,确保样点在每块样本木块上的属性相同,最大程度缩小误差。

    主要仪器:LabSpec 5000光谱仪(ASD公司,美国),波长为350~2 500 nm。用光谱仪配套的软件Indico Pro Version 3.1采集光谱数据。

    PCA是一种常用的波段降维手段。主成分通常表示为原始变量的某种线性组合,它们不仅能够代表原始变量绝大多数的信息,还可以一定程度上去除噪声,压缩数据,对高维数据进行降维,减少预测变量的个数[10]

    SPA是一种使矢量空间共线性最小化的前向变量选择算法,在降低共线信息的研究和有效信息获取的研究中取得较好的成效[11-12]。本研究应用SPA在光谱全波段中筛选出少量几个特征波段,不仅能够减少参与识别的光谱波段个数,并且可以保证特征波段之间的共线性最小,进而提高识别正确率和速度。

    当SPA筛选后的输入自变量较多且不是相互独立时,利用BP神经网络容易出现过拟合的现象,从而导致所建立的模型精度低、建模时间长等问题,因此,在构建模型前,有必要对输入自变量进行优化,选择最能反映输入与输出关系的自变量参与建模。GA优化能较好解决上述问题。利用GA进行优化计算,需要将解空间映射到编码空间,每个编码对应问题的1个解。本研究将编码长度设计为10,木材光谱特征的每位对应1个输入自变量,每一位的基因取值只能是“1”和“0”,如果一位值为“1”,表示该位对应的输入自变量参与最终的建模;反之,则表示“0”对应的输入自变量不作为最终的建模自变量。选取测试集数据均方误差的倒数作为GA的适应度函数,这样,经过不断的迭代进化,最终筛选出最具代表性的输入自变量参与建模[13-14]。GA优化的设计步骤主要为:首先产生初始种群,对适应度函数进行计算,其次进行选择、交叉和变异的基础操作,最后优化结果输出,构建其模型。设计步骤如图1所示。

    图 1  SPA-GA-BP设计步骤
    Figure 1  SPA-GA-BP design steps

    应用LabSpec 5000光谱仪采集10种木材的原始光谱图,其中选取红檀的50个样本进行对比分析(图2)。

    图 2  红檀的原始光谱图
    Figure 2  Original spectra of red sandalwood

    为了更直观地对比10种木材光谱图的差异,分别取10种木材中第1组数据进行绘图分析(图3)。由图3可见:大果紫檀、红檀和檀香紫檀的强度数值过小,几乎与x轴重叠。

    图 3  10种木材的光谱图
    Figure 3  Spectral diagrams of 10 species of wood

    图2图3可以看出:同一种木材光谱图的波形基本一致,但强度值略有差异;刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀这6种木材的光谱图从波峰、形状上相似性均较高,黑檀与这6种木材的光谱图也较相似,仅在第1个波谷处形状上略有差异。

    原始光谱图往往带有一定的噪声,影响BP神经网络识别的正确率,因此有必要对光谱数据进行预处理[15-17]。数据的预处理方法较多,本研究分别采用了移动平均法、移动平均法+多元散射校正(MSC)、移动平均法+标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV对10种木材的原始光谱进行了预处理,通过对比分析以确定最佳的预处理方法。

    针对上述的几种预处理方法,分别进行主成分特征提取。以累计贡献率达95%及以上为主成分个数的选取标准。以选取的主成分为输入向量,40个样本作为训练,10个样本作为测试(后文测试数据均与此相同,不再赘述)。应用BP神经网络进行木材种类识别测试,经过20次的随机试验,获得各种预处理下BP神经网络的平均识别结果(表1)。由表1可以看出:采用S-G滤波器+SNV预处理时,BP 神经网络获得的平均识别率最高,达到了84.7%。

    表 1  不同预处理的PCA-BP神经网络识别率
    Table 1  PCA-BP neural network recognition with different preprocessing      
    检测方式预处理方法累计贡
    献率/%
    主成分
    个数/个
    平均识
    别率/%
    可见/近红外光谱 对照组 95 12 80.2
    移动平均法 95 14 81.4
    移动平均法+MSC 95 10 82.1
    移动平均法+SNV 95 11 83.5
    S-G滤波器 95 12 81.3
    S-G滤波器+MSC 95 13 82.9
    S-G滤波器+SNV 95 15 84.7
    下载: 导出CSV 
    | 显示表格

    为了方便对比10种木材各自的识别效果,整理了S-G滤波器+SNV预处理时10种木材的BP神经网络识别结果:10种木材的识别效果相差不大,最低为豆瓣香(83.1%),最高为刺猬紫檀(85.8%)。

    2.3.1   不同预处理的对比分析

    针对2.2节中的几种预处理方法进行SPA的BP神经网络识别探讨,以确定最佳的预处理方法。为了对比预处理的效果,针对SPA方法中的起始波段和特征值个数进行了随机设置。令SPA方法中的起始波段(Winitial)为15 nm,特征值个数(Ntot)为10,对各种预处理后的数据进行SPA特征提取,应用BP神经网络进行20次的随机识别,得出10种木材的平均识别率(表2)。由表2可以看出:对于不同的预处理方式,SPA-BP的正确识别率有所不同,移动平均法+SNV的预处理方法最佳,正确率可达88.2%,因此,后续在分析SPA-BP神经网络识别木材时,本研究仅针对移动平均法和SNV叠加的预处理方法进行分析。

    表 2  不同预处理的SPA-BP神经网络平均识别率      
    Table 2  Average recognition rate of SPA-BP neural network with different pretreatments
    预处理方法平均识
    别率/%
    预处理方法平均识
    别率/%
    对照组 86.1 S-G滤波器 86.4
    移动平均法 87.2 S-G滤波器+MSC 86.8
    移动平均法+MSC 86.5 S-G滤波器+SNV 87.3
    移动平均法+SNV 88.2
    下载: 导出CSV 
    | 显示表格
    2.3.2   基于吸收峰的最佳起始波段分析

    影响SPA特征提取的因素通常有2个,分别是WinitialNtot。随着WinitialNtot的改变,提取的特征波长分布会有所不同,从而影响最终BP神经网络的正确识别率,此处探讨最佳Winitial的选取方法。光谱图中的特征吸收峰对被分析物质是很关键的特征,因此首先考虑分别以木材的吸收峰和非吸收峰作为起始波段,通过对比分析,确定最佳起始波段。①吸收峰作为起始波段的选取。光谱图中分布了大小不一的波峰,选取波峰特征较明显的吸收峰进行分析,以波峰点为中心点,取宽度相等的波段区间(每个波段均取51个数据)作为吸收峰的集中分布波段,10种木材的吸收峰集中波段如表3所示。由表3可以看出:10种木材的吸收峰重叠的波段有1 230~1 260、1 780~1 810、1 940~1 970 nm。分别取3个波段的中位数作为起始波段值,即1 245、1 795和1 955 nm。因为Winitial的数值表示为序列号,所以在此基础上减去初始波段350 nm,Winitial最终取值分别为895、1 445、1 605 nm。②非吸收峰作为起始波段的选取。将全波段350~2 500 nm等分成5份,分别在每个等分波段中随机选取1个非吸收峰作为起始波段。本研究随机选取的5个波段的波长分别为365、1 145、1 345、1 700、2 300 nm。在此基础上减去初始波段350 nm,Winitial最终取值分别为15、795、995、1350、1 950。分别以上述的吸收峰和非吸收峰为起始波段值,即以15、795、895、995、1 350、1 445、1 605、1 950 nm作为SPA的起始波段。SPA的特征值个数统一取10,进行BP神经网络识别,经过20次的随机试验,10种木材提取的特征波长分布和平均识别率如表4所示。由表4可以看出:以吸收峰作为起始波段时,特征波长分布大多追溯在吸收峰附近。对比表4的识别率可见,起始波段为1 445 nm时最高,达90.4%,其余按照1605、895、795、995、1 350、1 950和15 nm的顺序依次递减。不难看出,吸收峰作为起始波段的识别率普遍优于非吸收峰。

    表 3  10种木材吸收峰个数和集中波段
    Table 3  Number of absorption peaks and concentrated bands of 10 species of wood
    木材种类吸收峰个数/个集中分布波段/nm
    红檀 7 920~970、1 010~1 060、1 210~1 260、1 570~1 620、1 779~1 829、1 921~1 971、2 122~2 172
    大果紫檀 7 930~980、1 020~1 070、1 220~1 270、1 580~1 630、1 780~1 830、1 920~1 970、2 120~2 170
    檀香紫檀 7 932~982、1 023~1 073、1 221~1 271、1 568~1 618、1 777~1 827、1 921~1 971、2 123~2 173
    刺猬紫檀 9 763~813、1 222~1 272、1 308~1 358、1 461~1 511、1 548~1 598、1 760~1 810、1 931~1 981、
    2 092~2 142、2 211~2 261
    巴里黄檀 9 765~815、1 221~1 271、1 307~1 357、1 466~1 516、1 545~1 595、1 769~1 819、1 930~1 980、
    2 087~2 137、2 219~2 269
    红檀香 9 753~803、1 223~1 273、1 309~1 359、1 463~1 513、1 558~1 608、1 771~1 821、1 932~1 982、
    2 092~2 142、2 212~2 262
    破布木 9 763~813、1 222~1 272、1 317~1 367、1 463~1 513、1 551~1 601、1 772~1 822、1 933~1 983、
    2097~2147、2214~2264
    豆瓣香 9 766~816、1230~1280、1317~1367、1468~1518、1554~1604、1775~1825、1940~1990、
    2095~2145、2 216~2 266
    中美洲黄檀 9 753~803、1 218~1 268、1 305~1 355、1 457~1 507、1 544~1 594、1 769~1 819、1 928~1 978、
    2 084~2 134、2 209~2 259
    黑檀 9 881~931、1 218~1 268、1 305~1 355、1 452~1 502、1 557~1 607、1 772~1 822、1 923~1 973、
    2 092~2 142、2 218~2 268
    下载: 导出CSV 
    | 显示表格
    表 4  不同起始波段的SPA-BP神经网络平均识别率
    Table 4  Average recognition rate of SPA-BP neural network with different starting bands
    特征值数/起始波段/nm10种木材提取特征波长分布/nm平均识别率/%
    10 895 364~368、2 141~2 144;402~410;418~426;324、2 135~2 142;375~383;432~440;400~408;476~484;420~428;1 452~1 460 89.7
    10 1 445 478~586;410~418;423~431;500~508;405~413;436~444;418~426;693~701;891~899;888~896 90.4
    10 1 605 133~135、2 137~2 142;891~899;891~899;2 135~2 142、2 132;419~427;819~827;420~428;446~454;892~990;893~901 90.1
    10 15 2133~135、2 137~2 142;2 133~2 135、2 137~2 142;408~416;292、22 135~2 142;375~383;430~438;414~422;461~469;420~428;890~898 88.3
    10 795 61~64、2 139~2 143;405~413;420~428;326、2 135~2 142;378~386;527~535;403~411;478~486;420~422、1 453~1 458;1 350~1 358 89.5
    10 995 203~209、2 141~2 142;399~407;418~426;349~352、2 138~2 142;3381~389;434~442;421~429;485~493;527~535;1 452、1 454~ 1458、1 461~1 463 89.2
    10 1 350 82~90;891~899;434~442;519~527;416~424;886~894;420~428;694~702;891~899;888~896 88.9
    10 1 950 13、2 135~2 142;379~387;407~415;281、2 135~2 142;293~301;428~436;
    1 058~1 066;450~458;413、1 452~1 459;1 452~1 460
    88.6
      说明:木材依次为红檀、大果紫檀、檀香紫檀、刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀、黑檀
    下载: 导出CSV 
    | 显示表格
    2.3.3   最佳特征值个数分析

    将起始波段固定为最佳,即Winitial=1 445 nm,探讨Ntot取不同数值时,对BP神经网络识别木材的影响。从图3的光谱图可以看出:红檀、大果紫檀、檀香紫檀3种木材样本的吸收峰有7个,刺猬紫檀、巴里黄檀、红檀香、破布木、豆瓣香、中美洲黄檀和黑檀有9个。考虑吸收峰能更好地反映木材光谱图的特征,Ntot分别取了7和9,同时参考SPA的相关文献[18-21],且基于BP神经网络输入向量过多也会影响识别精度,又分别取了5、8、10、20、25进行了对比分析。基于以上特征数,分别应用BP神经网络进行木材识别,每个状态仍随机运行20次,获得的结果如表5所示。分析表5可知:整体上,当特征值个数取7和9时正确率偏高,说明特征值个数的取值和吸收峰值有关;当特征值个数取9时识别率最高,达93.2%,说明特征值个数和单个木材的吸收峰无关,应由整体的吸收峰来确定。

    表 5  同一起始波段不同特征波段的SPA-BP神经网络平均识别率
    Table 5  Average recognition rate of SPA-BP neural network with the same starting band and different characteristic bands
    起始波
    段/nm
    特征值
    数/个
    平均识
    别率/%
    起始波
    段/nm
    特征值
    数/个
    平均识
    别率/%
    1 445592.31 4451090.6
    1 445793.01 4452092.7
    1 445993.21 4452591.2
    1 445891.6
    下载: 导出CSV 
    | 显示表格
    2.3.4   10种木材的最佳识别结果分析

    基于最佳预处理方式(移动平均法+SNV)、最佳起始波段(Winitial=1 445 nm)和最佳特征值个数(Ntot=9),整理出SPA-BP神经网络识别10种木材各自的识别结果(表6)。由表6可以看出:在最佳参数设置下,SPA-BP神经网络的识别率较高,大果紫檀、红檀香、中美洲黄檀和黑檀的平均识别率均为100.0%,其他木材的平均识别率最低达90.7%,最高达95.1%。

    表 6  同一预处理方式10种木材的SPA-BP神经网络平均识别率
    Table 6  Average recognition rate of SPA-BP neural network for 10 species of wood with the same pretreatment method
    木材种类平均识
    别率/%
    木材种类平均识
    别率/%
    木材种类平均识
    别率/%
    红檀  90.9巴里黄檀94.2中美洲黄檀100.0
    大果紫檀100.0红檀香 100.0黑檀   100.0
    檀香紫檀90.7破布木 94.6平均   95.7
    刺猬紫檀95.1豆瓣香 91.0
      说明:预处理方式为移动平均法+SNV,起始波段为1 445 nm,     特征值数为9个
    下载: 导出CSV 
    | 显示表格

    针对SPA的最佳预处理方式(移动平均法+SNV)、最佳起始波段(Winitial=1 445 nm)和最佳特征值个数(Ntot=9),基于SPA-GA的BP神经网络识别方法随机运行20次,采用GA优化前后建模时间明显缩短;大果紫檀、红檀香、中美洲黄檀和黑檀在采用GA优化前后正确识别率均为100.0%,说明这4种木材在采用SPA特征提取时,识别率较高,采用GA优化后对正确识别率影响不大;其他6种木材采用SPA特征提取时均有一定的误判,运用GA优化后识别率有一定的提高。其中破布木的识别率由90.0%提升到了100.0%,巴里黄檀由88.9%提升到了100.0%,刺猬紫檀由90.9%提升到了100.0%。虽然每次仅提升1种木材,但通过多次运行,可达到整体提升的效果。

    针对上述20次运行结果,获得10种木材各自的识别结果:大果紫檀、中美洲黄檀、刺猬紫檀、巴里黄檀、红檀香、破布木和黑檀平均识别正确率高达100.0%,其他3种木材的平均识别率最低达91.5%,最高达95.7%,10种木材的平均识别率达98.0%。

    已有的木材识别研究的特征提取方法主要集中于主成分分析[22]、导数处理[23]等,主成分分析的平均识别率为70.0%~95.3%,导数处理识别率达98.6%。虽然这些研究识别率较高,但这些研究参与识别的木材种类大多仅为4~5个,对于同时识别10种木材未见尝试。经研究,参与识别的木材种类越多,识别率越难保证。本研究的主成分分析法识别10种木材,平均识别率仅为84.7%。本研究采取SPA-GA联合的特征提取方法,识别对象为10种木材,通过调整吸收峰、特征值等参数,最终7种木材的平均识别率达100.0%,且识别速度提高为原来的2~3倍。为了进一步验证识别率的鲁棒性,本研究还采用多种预处理的方式,使得原始数据表现出良好的稳定性和容错性。最后实验数据均为随机20次运行的结果,说明训练好的模型可以随时间和频次迁移应用,识别性能不会降低。

    研究结果表明:①SPA-GA法识别木材时,选择移动平均法+SNV的预处理方式效果最佳。②对于参数的选择,起始波段选取吸收峰比选取非吸收峰识别率更高,特征值个数结合光谱图的峰值个数选取更恰当。本研究分别选取起始波段为1 445 nm,特征值个数为9个。③SPA-GA提取光谱图特征时识别性能最佳。SPA特征值经GA寻优后,特征个数大多减少为原来的一半左右,优化后BP神经网络的平均识别速度显著提升,大果紫檀、中美洲黄檀、刺猬紫檀、巴里黄檀、红檀香、破布木和黑檀等7种木材的平均识别正确率均高达100.0%,总体识别率较SPA显著提高。

    本研究仅选择了红檀、刺猬紫檀、巴里黄檀、大果紫檀、红檀香、破布木、豆瓣香、檀香紫檀、中美洲黄檀和黑檀这10种木材样本进行了探讨,对于其他木材的识别有待进一步研究验证。

  • [1] 陈嵘.中国森林史料[M].北京:中国林业出版社,1951.
    [2] 干铎.中国林业技术史料初步研究[M].北京:农业出版社,1964.
    [3] 谭其骧.何以黄河在东汉以后会出现一个长期安流的局面?[J].学术月刊,1962,6(2):23-25.
    [4] 胡坚强.中国林业史研究概述[J].浙江林学院学报,2002,19(3):330-333.
    [5] 国家林业局.中国林业50年(1949-1999)[M].北京:中国林业出版社,1999.
    [6] 张钧成.中国林业大事年表[G]//中国农业百科全书编辑部.中国农业百科全书:林业卷.北京:农业出版社,1989.
    [7] 陶炎.中国森林的历史变迁[M].北京:中国林业出版社,1994.
    [8] 焦国模.中国林业史[M].台北:国立编译馆,1999.
    [9] 熊大桐.中国近代林业史[M].北京:中国林业出版社,1989.
    [10] 张钧成.中国古代林业史:先秦篇[M].台北:五南图书出版公司,1995.
    [11] 辛业江.中国林业概貌[M].北京:中国林业出版社,1987.
    [12] 王长富.中国林业经济史[M].哈尔滨:东北林业大学出版社,1990.
    [13] 林业部教育司.中国林业教育史[M].北京:中国林业出版社,1998.
    [14] 张钧成.中国林业传统引论[M].北京:中国林业出版社,1992.
    [15] 董智勇,佟新夫.中国森林史资料汇编[G].北京:中国林学会林业史学会,1993.
    [16] 王九龄,李荫秀.北京森林史辑要[M].北京:北京科学技术出版社,1992.
    [17] 翟旺,段贵书.太岳山区森林与生态史[M].太原:山西高校联合出版社,1996.
    [18] 樊宝敏,董源.明清时期环北京地区的林业政策[J].北京林业大学学报:社会科学版,2002,1(1):56-61.
    [19] 冯祖祥,漆根深,赵天生.湖北林业史[M].北京:中国林业出版社,1995.
    [20] 王长富.东北近代林业经济史[M].北京:中国林业出版社,1991.
    [21] 北京林业志编委会.北京林业志[M].北京:中国林业出版社,1993.
    [22] 曾若愚.湖北林业志[M].武汉:武汉出版社,1989.
    [23] 王继贵.四川林业志[M].成都:四川科学技术出版社,1994.
    [24] 司马迁.史记:卷110匈奴列传[M].北京:中华书局,1975:2892-2893.
    [25] 王先明."区域化"取向与近代史研究[J].学术月刊,2006,38(3):126-128

    ,137.
    [26] 浙江省林业志编纂委员会.浙江省林业志[M].北京:中华书局,2001:1.
    [27] 梁启超.中国历史研究法[M].上海:上海古籍出版社,1998:40.
    [28] 王继贵.我对编写林业志几个问题的浅见[M]//中国林学会林业史学会.林史文集:第1辑.北京:中国林业出版社,1990:91.
  • [1] 谢文远, 鲁益飞, 陈征海, 金孝锋.  浙江广义乌蔹莓属植物的分类研究 . 浙江农林大学学报, 2022, 39(6): 1212-1220. doi: 10.11833/j.issn.2095-0756.20210751
    [2] 张芬耀, 张行法, 谢文远, 陈锋, 陈征海.  浙江植物新资料(Ⅱ) . 浙江农林大学学报, 2016, 33(4): 724-726. doi: 10.11833/j.issn.2095-0756.2016.04.024
    [3] 刘佳敏, 张慧, 黄秀凤, 徐华潮.  浙江3个自然保护区昆虫多样性及森林健康评价 . 浙江农林大学学报, 2013, 30(5): 719-723. doi: 10.11833/j.issn.2095-0756.2013.05.013
    [4] 王丽敏, 陈征海, 马丹丹, 夏国华, 李根有.  4种分布于浙江石灰岩山地的新记录植物 . 浙江农林大学学报, 2012, 29(3): 467-469. doi: 10.11833/j.issn.2095-0756.2012.03.024
    [5] 包亚芳, 孙治.  浙江国家森林公园自导式解说服务游客满意度研究 . 浙江农林大学学报, 2009, 26(6): 891-895.
    [6] 蔡碧凡, 俞益武, 方躬勇, 孟明浩, 朱云杰, 钱圆.  浙江省森林旅游区质量评价指标体系和标准研究 . 浙江农林大学学报, 2009, 26(6): 884-890.
    [7] 张志杰, 伊力塔, 韩海荣, 袁位高.  浙江省森林承载力评价研究 . 浙江农林大学学报, 2009, 26(3): 368-374.
    [8] 李根有, 金水虎, 哀建国.  浙江省有害植物种类、特点及防治 . 浙江农林大学学报, 2006, 23(6): 614-624.
    [9] 石柏林, 李根有, 金祖达, 钟泰林.  浙江湿地植物分布新记录 . 浙江农林大学学报, 2006, 23(4): 472-474.
    [10] 季春峰, 向其柏.  浙江木犀科植物增补 . 浙江农林大学学报, 2005, 22(5): 501-501.
    [11] 胡坚强, 张佩成, 吴勇.  魏晋南北朝时期的浙江森林旅游研究 . 浙江农林大学学报, 2004, 21(3): 328-332.
    [12] 陶吉兴.  浙江海岛适地适树技术研究 . 浙江农林大学学报, 2003, 20(4): 346-352.
    [13] 沈月琴, 顾蕾, 沈月娣, 应新缓, 万刚.  浙江山区现代化建设若干问题的思考 . 浙江农林大学学报, 2000, 17(4): 445-449.
    [14] 施必青, 颜务林, 王静儿, 王学勤.  浙江省林业信息资源调研及共享对策 . 浙江农林大学学报, 1999, 16(4): 416-419.
    [15] 吴鸿, 徐一忠, 陈德良, 余久华, 马海泉.  浙江百山祖自然保护区昆虫区系研究 . 浙江农林大学学报, 1997, 14(3): 267-272.
    [16] 韦新良, 刘永富.  浙江省森林景观地理概述 . 浙江农林大学学报, 1996, 13(3): 316-321.
    [17] 方炎明, 章忠正, 王文军.  浙江龙王山和九龙山鹅掌揪群落研究 . 浙江农林大学学报, 1996, 13(3): 286-292.
    [18] 杨云芳, 马灵飞, 俞友明, 王仁东, 周迎春.  浙江速生杉木物理力学性质的研究 . 浙江农林大学学报, 1996, 13(4): 371-377.
    [19] 方志刚.  浙江省海棠害虫初报 . 浙江农林大学学报, 1995, 12(2): 226-231.
    [20] 楼炉焕, 李根有, 金水虎, 吕正水.  《浙江植物志》补遗资料 . 浙江农林大学学报, 1994, 11(4): 449-452.
  • 期刊类型引用(5)

    1. 金航峰,于昌昊,范锴萍,吴健清,颜菲菲,汪涵. 基于近红外高光谱成像技术的地方鸡品种鉴别. 现代食品科技. 2024(05): 247-254 . 百度学术
    2. 岳蓉,尹本酥,李振发,李粉玲. 基于无人机RGB影像的染条锈冬小麦花青素含量监测. 麦类作物学报. 2024(07): 936-946 . 百度学术
    3. 王延年,李鹏程,廉继红,范昊,王炳炎. 纱线卷绕系统恒张力先进控制策略. 纺织高校基础科学学报. 2023(01): 49-56 . 百度学术
    4. 孙晓荣,田密,刘翠玲,吴静珠,郑冬钰,靳佳蕊. 基于太赫兹成像技术的发芽葵花籽无损检测研究. 食品科技. 2023(02): 296-302 . 百度学术
    5. 付立岩,冯国红,刘旭铭. 基于多元经验模态分解的可见/近红外光谱识别木材研究. 森林工程. 2023(04): 101-109 . 百度学术

    其他类型引用(9)

  • 加载中
  • 链接本文:

    https://zlxb.zafu.edu.cn/article/id/d4787abd-abfd-4ce8-92eb-50864075df3f

    https://zlxb.zafu.edu.cn/article/zjnldxxb/2007/6/747

计量
  • 文章访问数:  716
  • HTML全文浏览量:  115
  • PDF下载量:  30
  • 被引次数: 14
出版历程
  • 收稿日期:  2007-01-30
  • 修回日期:  2007-05-08

论区域林业史研究的价值与思路:以浙江林业史为重点

    基金项目:

    浙江省哲学社会科学规划项目(06WZT010)

    作者简介:

    雷志松,讲师,博士研究生,从事中国近现代史、"三农"问题与中国现代化等研究。E-mail:leizhisong@163.com

  • 中图分类号: S7-93;F326.29

摘要: 学术界对林业史的研究较为充分,但对区域林业史的研究明显不足。区域林业史研究的价值在于:一是可弥补全国林业史很难注意到区域差异性而导致的不足,以补充和丰富全国史,推动全国史研究的深入发展;二是实现区域通史研究与区域生产部门史研究、区域农业史研究与区域林业史研究分离,以求区域林业史研究得到强化与细化。区域林业史研究总体思路为:以辩证唯物主义和历史唯物主义作为历史观和方法论,应体现浓郁的地方特色、鲜活的时代特色、鲜明的专业特色和强烈的现实指导意义,把区域林业历史变迁过程的分期、分区域、分内容研究和林业变迁各种机制研究结合起来。

English Abstract

栾景然, 冯国红, 朱玉杰. 基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别[J]. 浙江农林大学学报, 2022, 39(3): 671-678. DOI: 10.11833/j.issn.2095-0756.20210377
引用本文: 雷志松. 论区域林业史研究的价值与思路:以浙江林业史为重点[J]. 浙江农林大学学报, 2007, 24(6): 747-751.
LUAN Jingran, FENG Guohong, ZHU Yujie. Visible/near infrared spectrum wood identification based on SPA-GA-BP neural network[J]. Journal of Zhejiang A&F University, 2022, 39(3): 671-678. DOI: 10.11833/j.issn.2095-0756.20210377
Citation: LEI Zhi-song. Values and logic of regional forestry history: a case study of Zhejiang Province[J]. Journal of Zhejiang A&F University, 2007, 24(6): 747-751.
参考文献 (28)

目录

/

返回文章
返回