尹瑞安 吳達(dá)勝 周如意

摘要 以浙江省慶元縣2007年森林資源二類調(diào)查數(shù)據(jù)為樣本數(shù)據(jù)，選擇樹齡、海拔、坡度級、土層厚度、A層厚度、郁閉度6個指標(biāo)作為自變量因子，利用基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，分優(yōu)勢樹種對森林資源蓄積量進(jìn)行預(yù)測。試驗結(jié)果表明，自變量因子與因變量（蓄積量）之間具有較好的相關(guān)性。今后研究中若能加入一些其他影響因子（如太陽輻射指數(shù)、地形濕度指數(shù)等），并結(jié)合高精度的遙感影像（如天地圖），然后再對數(shù)據(jù)進(jìn)行一定的預(yù)處理，則研究結(jié)果將完全可能用于輔助森林資源調(diào)查。

關(guān)鍵詞 BP神經(jīng)網(wǎng)絡(luò)；森林資源；蓄積量

中圖分類號 S758.51 文獻(xiàn)標(biāo)識碼 A 文章編號 1007-5739（2018）10-0154-02

Dynamic Estimation of Forest Resources Amount of Growing Stock Based on BP Neural Network Model

YIN Rui-an 1 WU Da-sheng 2 * ZHOU Ru-yi 2 WU Yong 1 BAO Wen-feng 1

（1 Qingyuan Forestry Bureau in Zhejiang Province，Qingyuan Zhejiang 323800； 2 School of Information Engineering，Zhejiang Agriculture and

Forestry University）

Abstract Based on the forest resource survey data of the closing hillsides as sample data in Zhejiang Province in 2007，selecting six indicators of tree-age，altitude，slope，soil layer thickness，thickness of A layer，crown density as independent variable factor，using the forecasting model based on the BP neural network，the volume of forest resources on the basis of dominant tree species was predicted.The experimental results showed that there was a good correlation between the independent variable factor and the dependent variable（amount of growing stock）.If the research in the future could add some of the other factors（such as solar radiation index，terrain humidity index），and combine the high precision remote sensing image（such as photo of heaven and earth），and then preprocess the data，research results will be completely used to assist the investigation of forest resources.

Key words BP neural network model；forest resource；amount of growing stock

人工神經(jīng)網(wǎng)絡(luò)（ANN，Artificial Neural Network）具有很強(qiáng)的靈活性和適應(yīng)性，可用于建立長期存在的非線性和復(fù)雜的動態(tài)生物生態(tài)系統(tǒng)（如森林生態(tài)系統(tǒng)）。Guan等[1]研究結(jié)果表明，基于人工神經(jīng)網(wǎng)絡(luò)的紅松生長模型有較好的數(shù)據(jù)擬合性、預(yù)測優(yōu)越性和靈活性。Avila等[2]證實了神經(jīng)網(wǎng)絡(luò)是一個很有潛力的預(yù)測技術(shù)。洪 偉等[3]認(rèn)為人工神經(jīng)網(wǎng)絡(luò)模型優(yōu)于Logistic模型，可應(yīng)用于森林資源動態(tài)模擬。Jensen等[4]對針葉林的年齡進(jìn)行了預(yù)測模擬，比較了傳統(tǒng)統(tǒng)計方法和人工神經(jīng)網(wǎng)絡(luò)方法，得出人工神經(jīng)網(wǎng)絡(luò)的限制因素少，且可提高森林預(yù)測模擬效果。吳承禎等[5]研究結(jié)果表明，人工神經(jīng)網(wǎng)絡(luò)模型可適用于榿柏混交林密度變化規(guī)律描述，且優(yōu)于傳統(tǒng)模型，從而豐富和發(fā)展了森林稀疏規(guī)律理論。

21世紀(jì)以來，更多的學(xué)者嘗試了將神經(jīng)網(wǎng)絡(luò)應(yīng)用于森林資源領(lǐng)域的動態(tài)監(jiān)測，經(jīng)過與線性模型（LM）、通用疊加模型（GAM）、分類與回歸樹（CART）、多元適應(yīng)性回歸模型（MAR）、K近鄰（KNN）、支持向量機(jī)回歸（SVR）、隨機(jī)森林（RF）等的比較，得出人工神經(jīng)網(wǎng)絡(luò)尤其是BP人工神經(jīng)網(wǎng)絡(luò)在模型的普適性、數(shù)據(jù)預(yù)處理的簡易性、自變量參數(shù)調(diào)整的靈活性、預(yù)測結(jié)果的高精確性等方面都更具有優(yōu)勢[6-19]。

當(dāng)前神經(jīng)網(wǎng)絡(luò)已較為廣泛地應(yīng)用于森林資源生物量、蓄積量、面積、胸徑等的預(yù)測并取得了一定的效果，但多數(shù)是基于森林資源一類調(diào)查固定樣地數(shù)據(jù)做的研究。但在實際生產(chǎn)中森林資源二類調(diào)查所涉及的樣本量更大、調(diào)查成本更高，本文嘗試選擇浙江省慶元縣作為研究區(qū)域，在收集其2007年森林資源二類調(diào)查數(shù)據(jù)的基礎(chǔ)上，開發(fā)基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，并以該區(qū)域部分鄉(xiāng)鎮(zhèn)的森林資源二類調(diào)查數(shù)據(jù)為樣本數(shù)據(jù)進(jìn)行建模，然后預(yù)測鄰近鄉(xiāng)鎮(zhèn)的森林蓄積量，最后分析預(yù)測結(jié)果并提出能夠輔助森林資源二類調(diào)查且成本更低的方法。

1 研究數(shù)據(jù)與方法

1.1 研究區(qū)域與研究數(shù)據(jù)

1.1.1 研究區(qū)域。本文選取浙江省慶元縣作為研究區(qū)域，該研究區(qū)域位于浙江省西南部，東經(jīng)118°50′～119°30′、北緯27°25′～27°51′，下轄3個街道、6個鎮(zhèn)、13個鄉(xiāng)，全縣有林地16.27萬hm2，木材蓄積量達(dá)739萬m3，森林覆蓋率達(dá)72%，毛竹山1.8萬hm2，有毛竹2 794.2萬株，是浙江省重點(diǎn)林區(qū)和毛竹產(chǎn)地。

1.1.2 研究數(shù)據(jù)。以該研究區(qū)2007年森林資源二類調(diào)查數(shù)據(jù)為研究數(shù)據(jù)，該期共調(diào)查小班20 083個、細(xì)班49 400個。去除蓄積量為0的細(xì)班后，留下細(xì)班共29 163個。按優(yōu)勢樹種來劃分這29 163個細(xì)班數(shù)據(jù)，大體包含5類優(yōu)勢樹種：杉木（8 538個）、馬尾松（2 268個）、硬闊類（3 158個）、黃山松（5 687個）、其他（9 512個）。其中最后一類（即“其他”）包含了毛竹、軟闊類、部分果樹及一些散生的柳杉等，因樹種繁雜，不作為本試驗的考慮范疇。

為方便試驗處理，本文從數(shù)據(jù)庫中選擇鄉(xiāng)鎮(zhèn)編號小于112620的18個林業(yè)基層管理單位作為建模區(qū)域，而剩余的4個林業(yè)基層管理單位作為預(yù)測區(qū)域。

在小班和細(xì)班調(diào)查指標(biāo)中，選擇樹齡、海拔、坡度級、土層厚度、A層厚度、郁閉度6個指標(biāo)作為森林資源生長的影響因子，構(gòu)成本研究的自變量指標(biāo)集。在這6個指標(biāo)中，海拔與坡度級影響了森林的水分和光照的分布，土層厚度和A層厚度直接影響了森林樹木對水分和養(yǎng)分的吸收。

坡度級，原調(diào)查記錄中記為急、陡、險、緩、平和NULL，根據(jù)林地的坡度級劃分：0～5°為平坡，6～15°為緩坡，16～25°為斜坡，26～35°為陡坡，36～40°為急陡坡，41～45°為急坡，46°以上為險坡，若無坡度則記為NULL。為方便處理，將原字符數(shù)據(jù)進(jìn)行量化（表1）。土層厚度和A層厚度分別記錄為厚、中、薄、NULL，將其量化為1、0.7、0.4、0。

1.2 研究方法

BP算法（Back propagation Algorithm）研究小組Rumel-hart等人在1986年首先獨(dú)立地給出清晰描述，使該算法受到廣泛關(guān)注，由于該算法具有很強(qiáng)的非線性映射、容錯和泛化能力，成為人工神經(jīng)網(wǎng)絡(luò)中應(yīng)用最廣的模型，并產(chǎn)生了眾多的變化形式。其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)如圖1所示。從圖1中可見，這是一個3層的BP神經(jīng)網(wǎng)絡(luò)，其中X為BP神經(jīng)網(wǎng)絡(luò)的輸入值，y為隱含層的輸出值，O為輸出層輸出值，V為輸入層到隱含層之間的向量，Vj有m個分量，W為隱含層到輸出層之間的權(quán)值向量（圖1）。

標(biāo)準(zhǔn)BP算法采用最速梯度下降法修正權(quán)值，訓(xùn)練過程是從某一起點(diǎn)沿誤差函數(shù)的斜面逐漸達(dá)到最小點(diǎn)使之誤差趨向于零，但對于復(fù)雜的網(wǎng)絡(luò)在訓(xùn)練過程中可能會陷入某個局部最小點(diǎn)而無法跳出。標(biāo)準(zhǔn)BP網(wǎng)絡(luò)學(xué)習(xí)算法存在與輸入樣本的順序有關(guān)、收斂速度緩慢、易陷入局部極小等缺陷。

LM算法則結(jié)合了梯度下降法和牛頓法的優(yōu)點(diǎn)，其每次迭代不再沿著單一的負(fù)梯度方向，而是允許誤差沿著惡化的方向進(jìn)行搜索，同時通過在最速梯度下降法和高斯-牛頓法之間自適應(yīng)調(diào)整優(yōu)化網(wǎng)絡(luò)權(quán)值，使網(wǎng)絡(luò)能夠有效收斂，大大提高了網(wǎng)絡(luò)收斂速度和泛化能力。對于中等規(guī)模的網(wǎng)絡(luò)，其收斂速度是所有傳統(tǒng)BP及其改進(jìn)算法中最快的。作者選擇基于LM算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)（即LM-BP神經(jīng)網(wǎng)絡(luò)）用于本研究。

2 結(jié)果與分析

本文基于LM-BP神經(jīng)網(wǎng)絡(luò)模型對建模區(qū)細(xì)班分優(yōu)勢樹種杉木、馬尾松、黃山松和硬闊類進(jìn)行建模，其性能參數(shù)如表2所示，從中可知，平均估測值與平均實測值非常接近，相關(guān)系數(shù)平方（R2）均在0.599 0及以上，說明自變量因子集與因變量（蓄積量）之間的相關(guān)性較高。

預(yù)測結(jié)果（表3、圖2）略亞于建模結(jié)果，但R2也均在0.458 4及以上，仍然體現(xiàn)出了自變量因子集與因變量之間的較好相關(guān)性。建模結(jié)果及預(yù)測結(jié)果均表明馬尾松為優(yōu)勢樹種的細(xì)班性能參數(shù)劣于其他優(yōu)勢樹種，說明較少的建模樣本量對于建模及預(yù)測結(jié)果都會產(chǎn)生一定的負(fù)面影響。

3 結(jié)論

本文選擇了研究區(qū)域森林資源二類調(diào)查數(shù)據(jù)中的樹齡、海拔、坡度級、土層厚度、A層厚度、郁閉度6個指標(biāo)作為自變量因子，對森林資源蓄積量進(jìn)行預(yù)測。從本文試驗看，預(yù)測結(jié)果雖然不能達(dá)到生產(chǎn)要求，但有一定的參考價值。而且后期若能加入一些其他影響因子（如太陽輻射指數(shù)、地形濕度指數(shù)等），并結(jié)合高精度的遙感影像（如天地圖），然后再對數(shù)據(jù)進(jìn)行一定的預(yù)處理（如進(jìn)一步求解影響因子的隸屬度、歸一化等），則研究結(jié)果將完全可能用于輔助森林資源調(diào)查。

4 參考文獻(xiàn)

[1] GUAN B T，GERTNER G.Modeling red pine tree survival with an artifici

al neural network[J].Forest Science，1991，37（5）：1429-1440.

[2] AVILA，ROBERTOANTONIO.Methodology and design of a decision sup

port system to predict tree growth response from forest fertilization[D].Idaho：University of Idaho，1997.

[3] 洪偉，吳承禎，何東進(jìn).基于人工神經(jīng)網(wǎng)絡(luò)的森林資源管理模型研究[J].自然資源學(xué)報，1998，13（1）：69-72.

[4] JENSEN J R，QIU F，JI M.Predictive modeling of coniferous forest age us

ing statistical and artificial neural network approaches applied to remote sensor data[J].International Journal of Remote Sensing，1999，20（14）：2805-2822.

[5] 吳承禎，洪偉，何東進(jìn).榿柏混交林密度變化規(guī)律的人工神經(jīng)網(wǎng)絡(luò)模型研究[J].西北植物學(xué)報，1999，19（1）：144-150.

[6] 叢沛桐，祖元剛，王瑞蘭，等.GIS與ANN整合技術(shù)在森林資源蓄積量預(yù)測中的應(yīng)用[J].地理科學(xué)，2004，24（5）：591-596.

[7] 朱瑜馨，張錦宗，趙軍.基于人工神經(jīng)網(wǎng)絡(luò)的森林資源預(yù)測模型研究[J].干旱區(qū)資源與環(huán)境，2005，19（1）：101-104.

[8] 鄧立斌，李際平.基于人工神經(jīng)網(wǎng)絡(luò)的杉木可變密度蓄積量收獲預(yù)估模型[J].西北林學(xué)院學(xué)報，2002，17（4）：87-89.

[9] 王立海，邢艷秋.基于人工神經(jīng)網(wǎng)絡(luò)的天然林生物量遙感估測[J].應(yīng)用生態(tài)學(xué)報，2008，19（2）：261-266.

[10] 王任華，霍宏濤，游先祥.人工神經(jīng)網(wǎng)絡(luò)在遙感圖像森林植被分類中的應(yīng)用[J].北京林業(yè)大學(xué)學(xué)報，2003，25（4）：1-5.

[11] GIANFRANCO SCRINZI，LAURA MARZULLO，DAVID GALVAGNI.Development of a neural network model to update forest distribution data for managed alpine stands[J].Ecological Modelling，2007（206）：331-346.

[12] CASTA？譙O-SANTAMAR？魱A J，CRECENTE-CAMPO F，F(xiàn)ERN？魣NDEZ-MART？魱NEZJ L，et al.Tree height prediction approaches for unevenaged beech forests in northwestern Spain[J].Forest Ecology and Management，2013，307：63-73.

[13] EJRNAESR，AUDEE，NYGAARDB，et al.Prediction of habitat quality using ordination and neural networks[J].Ecological Applications，2002， 12（4）：1180-1187.

[14] PIERRE JUTRAS，SHIVO PRASHER，CHUN-CHIEH YANG，et al.Urb an tree growth modeling with artificial neural network[C]//Honolu-lu：2002 International Joint Conference on Neural Networks（IJCNN′02），2002：1385-1389.

[15] SHATAEE SHABAN.Non-parametric forest attributes estimation using Lidar and TM data[C]//32nd Asian Conference on Remote Sensing，2011（2）：887-893.

[16] SUSAN L KING，KRISTINP BENNETT，SHANNONLIST.Modelingnonc

atastrophic individual tree mortality using logisticregression，neural net

works，and support vector methods[J].Computers and Electronics in Agri

culture，2000，27（1/3）：401-406.

[17] WANG S，ZHANGM，ZHAOP，et al.Modelling the spatial distribution of forest carbon stocks with artificial neural network based on TM images and forest inventory data[J].Acta Ecologica Sinica，2011，31（4）：998-1008.

[18] YU C L，DU H Q，ZHOU G M，et al.Transferability of remote sensingb-ased models for estimating moso bamboo forest aboveground biomass[J].Chinese Journal of Applied Ecology，2012，23（9）：2422-2428.

[19] ZHANG Q B，HEBDA R J，ZHANG Q J，et al.Modeling Tree-ring Grow

th Responses to Climatic Variables Using Artificial neural networks[J].Forest Science，2000，46（2）：229-239.