森林健康預警PSR模型

卞西陳，陳麗華，武巧英，王 鵬，王萍花

（北京林業大學水土保持學院，北京 100083）

森林健康預警的實質就是根據森林資源可持續發展的要求、森林健康的發展趨勢和預警科學的基本理論和方法，結合森林生態系統的特點，制定一系列森林健康的預警指標，并在歷史數據的定性分析和定量評價的基礎上，結合系統綜合評價理論、預警理論和專家經驗，確定預警指標的合理警限，通過對森林健康的現狀和未來的測度，及時發布森林系統向不健康方向發展的警情，為決策者提供及時、準確的反饋調控信息。

PSR模型即“壓力－狀態－響應”（Pressure-State-Response，PSR）框架，1979年由加拿大學者Rapport和Friend提出。20世紀90年代，在經濟合作與發展組織（OECD）和 聯合國環境規劃署（UNEP）共同推動下，PSR模型成為研究環境問題的基本框架[1-3]。隨著PSR模型理論的不斷發展，其應用領域也越來越廣泛，如：生態安全評價、土地質量評價、土地可持續利用評價、生態系統健康評價等。但該理論在森林生態系統健康預警中的應用較少，為此我們提出了基于PSR模型的預警流程圖（圖1）。

圖1 PSR模型的預警流程圖

由圖1可以看出：PSR模型是一個循環的運行過程。當自然因素和人為因素成為壓力施加到森林系統上，將對森林健康狀態產生影響，即外界壓力引起了森林健康狀態的變化；這種森林健康狀態信息被管理部門接收到后，管理部門將采取相應的響應措施對施加于森林系統的外界壓力因素進行管理，從而改善人類活動等壓力因素；改善后的壓力因素將再次作用于森林系統，使其狀態再次發生變化，管理部門再次進行響應。

1 項目區概況與基本研究方法

1.1 項目區概況

北溝林場隸屬于河北省孟灤國營林場管理局，位于圍場縣中南部，分布在半截塔鎮和下伙房鄉境內，地處七老圖嶺山西側，地勢東北高，西南低；海拔800～1 600 m，色樹梁東光頂是全場最高峰，海拔1 600 m；灤河支流——伊瑪吐河由北向南從林區穿過，流入隆化境內。林場總經營面積約5 733 hm2，林地面積5 000 hm2，活立木蓄積284 000 m3，森林覆蓋率88%。森林以天然次生林和人工林為主，主要樹種有白樺、油松、華北落葉松、山楊、柞樹、五角楓、云杉、日本落葉松等。林區內生物資源十分豐富，高等維管植物有600多種，野生脊椎動物有20余種，鳥類有80余種。

1.2 研究方法

在林場森林中選出32 700 m2的典型樣地，其中包括天然次生林和人工林。根據林地的不同類型把樣地分為88個小班。其中天然次生林共25個小班，每個小班的面積為20×20 m2，人工林共63個小班，其中62個小班大小為10×10 m2，另1小班與天然林緊挨，林分結構有別于天然林和人工林，大小為15×20 m2。每塊樣地里面又設置5×5 m2的中等樣方和1×1 m2的小樣方，分別調查灌木和草本植物，調查指標包括胸徑、樹高、枝下高、優勢度、干形質量、冠幅、土壤厚度、土壤入滲率、病蟲害狀況及森林火險等。

2 RS-粗糙集理論確定預警指標

2.1 RS-粗糙集理論基本原理

20世紀80年代初，波蘭數學家Z.Pawlak針對G.Frege的邊界線區域思想首次提出了粗糙集（Rough sets，RS）概念。粗糙集理論是一種處理含糊和不精確性問題的新型數學工具，其基本思想是在保持分類能力不變的前提下通過知識約簡，導出概念的分類規則。其特點是：不需要提供求解問題時所需處理的數據集合之外的任何先驗知識，僅對實測數據本身進行分類處理即可發掘隱含知識，揭示潛在的數據內部規律；可處理不完備的數據信息；能在保留關鍵數據信息的前提下對數據進行化簡并求出知識的最小表達；能評估數據間的依賴關系，從經驗數據中獲得易于驗證的分類規則，有利于智能控制[4-9]。近年來，粗糙集理論逐漸被引用到綜合評價中，成為綜合評價中確定權重，進行評價的一種有效的方法。

利用Rosetta軟件對各指標的數據進行處理，根據各指標在總指標中的權重確定出本次研究中用的指標。其中，壓力指標包括病蟲害程度和森林火險等級；狀態指標包括群落層次結構、林分郁閉度、近自然度、土壤侵蝕程度、生物多樣性和土壤厚度；響應指標包括人工育林比例、專業技術人員比例。各指標占總指標的權重見表1。

2.2 森林生態系統健康警度的劃分

表1 森林生態系統健康預警指標權重

警限的劃分關系到預報警度的準確性，以及誤警和漏警的預防。本文依據生態學基本原理以及國內外有關森林健康研究和實踐的結果，對森林健康預警指標的各單項指標進行等級劃分，將各預警指標分為無警、輕警、中警、重警和巨警5個警度[10-12]，見表2。

表2 森林生態系統健康警度的劃分

3 粗糙集結合概率神經網絡算法（RS- PNN）[12-18]

3.1 基本原理

Specht于1988年提出了概率神經網絡（Probabilistic Netural Networks,簡稱PNN），它構成一個Bayes分類器，實現多分類的Bayes判別，它把輸入的樣本模式，經網絡變換為輸出的分類決策。與BP網絡、RBF網絡等傳統的前饋神經網絡相比，具有網絡學習過程簡單、網絡的容錯性好、模式分類能力強、網絡的擴充性能好等特點。但在運算過程中，該網絡無法分辨所給數據的冗余性和重要性，將所有數據不加區別進行運算。當樣本屬性過多時，其運算量隨著變量的增加呈指數級增加，從而增加了運算的難度和時間，嚴重限制了支持向量機的應用。

降低PNN輸入樣本的復雜程度是解決上述問題的一個方向。為了降低PNN輸入樣本的復雜程度，減少PNN中運算的維數，提高運算效率，可以選擇在運算前進行數據約簡，壓縮數據的空間，從而降低分類中的維數，以提高PNN的運算效率。粗糙集理論依據數據的依賴性，對數據進行約簡，在保留重要信息的前提下消除冗余的數據，簡化數據之間的關系，優化評價結構。因此，將粗糙集理論引入到PNN的運算過程之中，充分發揮其屬性約簡的能力，以降低PNN計算的維數。

3.2 算法描述

基于算法的原理，首先要進行粗糙集的屬性約簡的計算，然后再進行PNN的分類以及預測計算，具體的計算步驟如下。（1）樣本預處理：進行初步數據處理，保留具有屬性值的樣本，發現樣本數據中的特征；（2）屬性約簡：利用粗糙集理論的屬性約簡能力，對樣本集進行進一步處理，得到最簡屬性樣本集；（3）挑選合適的訓練函數和參數值，建立概率神經網絡；（4）利用PNN進行分類預測計算：計算模型見式（1）。

式中：Fi為第i號小班森林健康基值得分；Pij為第i號小班第j個指標森林健康等級得分；Rj為第j個指標的權重；i為小班號；j為森林健康預警基值指標。

4 預警結果

以小班為單位，應用Matlab7.0軟件中的PNN神經網絡工具箱[4-8]對北溝林場的森林生態系統進行健康預警，預警統計結果見表3。

表3 北溝林場森林生態系統健康預警結果

由表3可以看出，在88個小班中，27個處于綠色警戒，占地面積10 200 m2；49個處于藍色警戒，占地面積5 100 m2；9個處于黃色警戒，占地面積900 m2；3個處于橙色警戒，占地面積300 m2；0個處于紅色警戒，占地面積0。各預警等級占樣地總面積的百分比分別為：61.82%、30.91%、5.45%、1.82%、0。

在森林生態系統88個典型小班中，處于綠色和藍色警戒范圍內森林小班為76個，面積為15 300 m2，占樣地總面積的92.73%。由此得出，林場的森林生態系統整體處于綠色和藍色警戒內，整體生長狀況良好，但需對林場采取必要的健康經營[12-18]方法，具體措施如確定合理的林分密度、加強林分的撫育管理、制定合理的森林管理制度、預防森林火災和病蟲害的發生等，以確保森林的可持續利用。

5 小結

本文首次將粗糙集理論作為預警計算模型應用于森林健康預警中，為預警指標的約簡和指標權重的計算提供了新的思路。將粗糙集理論與PNN神經網絡相結合，有效克服了PNN神經網絡構造復雜、訓練時間長的缺點，并進一步擴展了粗糙集理論的應用范圍。基于PSR模型,構建了森林生態系統健康預警體系，并對河北省北溝林場進行了實例研究，結果表明，該模型能夠反映森林健康預警結果,具有一定的科學性、可操作性和靈敏性。

[1] 高均凱.森林健康基本理論及評價方法研究[D].北京：北京林業大學，2007.18-21.

[2] 黃小磊.粗糙集屬性約簡及在電力系統中的若干應用[D].浙江：浙江大學，2008.

[3] 馬 立.北京山地森林健康綜合評價體系的構建與應用[D].北京:北京林業大學，2007.24-32.

[4] 譚 旭，唐云嵐，等.雜合數據的粗糙集屬性約簡方法[J].國防科技大學學報，2008，30（6）：83-88.

[5] 吳延熊.區域森林資源預警系統的研究[D].北京：北京林業大學，1998.

[6] 余 亮，邊馥苓.粗糙神經網絡在森林火災預警中的應用[J].武漢大學學報（信息科學版），2006，31（8）：720-723.

[7]張建設.基于粗糙集的多屬性決策問題[D].重慶：重慶大學，2006.

[8] 王 兵，郭 浩，王 燕，等.森林生態系統健康評估研究進展[J].中國水土保持科學，2007，5（3）：114-120.

[9] Paul A Mistretta.Managing for forest health.Journal of Forestry,2002,100（7）:24-27.

[10]Hubert H,Dieter M,Martin W.Estimating tree mortality of Norway spruce stands with neural networks[J].Advances in Environmental Research,2001,5（4）:405-414.

[11]陸元昌.森林健康狀態監測技術體系綜述[J].世界林業研究，2003，16（1）：20-25.

[12]肖風勁，歐陽華，傅伯杰，等.森林生態系統健康評價指標及其在中國的應用[J].地理學報，2003，58（6）：803-809.

[13]周早弘.油料林森林健康評價指標體系的研究[J].湖南農業科學，2009，（2）：114-117.

[14]蔣萬杰，杜連海，吳記貴，等.北京松山國家級自然保護區森林健康經營研究[J].安徽農業科學，2010，（2）：982-984，1042.

[15] Shalabh P.Bharadwaj,Siva Subramaian,Sudhakar Manda,Taniya Ray,Prabir Mukherjee,I.V.Ramanuja Rao.Bamboo livelihood development planning,monitoring and analysis through GISand remote sensing[J].Journal of Bamboo and Rattan,2003,2,（4）.

[16]USDA Forest Service.Healthy Forests Report[R].（2005-12-02）[20060719].USDA Forest Service.

[17] O’Laughlin J,Cook P S.Inventory-based forest health indicators:Implications for national forest management[J].Journal of forestry,2003,101（2）:11-17.

[18] O’Laughlin J,Cook P S.Inventory-based forest health indicators:Implications for national forest management[J].Journal of forestry,2003,101（2）：11-17.