基于BP神經網絡模型的森林資源蓄積量動態估測

尹瑞安 吳達勝 周如意

摘要 以浙江省慶元縣2007年森林資源二類調查數據為樣本數據，選擇樹齡、海拔、坡度級、土層厚度、A層厚度、郁閉度6個指標作為自變量因子，利用基于BP神經網絡的預測模型，分優勢樹種對森林資源蓄積量進行預測。試驗結果表明，自變量因子與因變量（蓄積量）之間具有較好的相關性。今后研究中若能加入一些其他影響因子（如太陽輻射指數、地形濕度指數等），并結合高精度的遙感影像（如天地圖），然后再對數據進行一定的預處理，則研究結果將完全可能用于輔助森林資源調查。

關鍵詞 BP神經網絡；森林資源；蓄積量

中圖分類號 S758.51 文獻標識碼 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

人工神經網絡（ANN，Artificial Neural Network）具有很強的靈活性和適應性，可用于建立長期存在的非線性和復雜的動態生物生態系統（如森林生態系統）。Guan等[1]研究結果表明，基于人工神經網絡的紅松生長模型有較好的數據擬合性、預測優越性和靈活性。Avila等[2]證實了神經網絡是一個很有潛力的預測技術。洪 偉等[3]認為人工神經網絡模型優于Logistic模型，可應用于森林資源動態模擬。Jensen等[4]對針葉林的年齡進行了預測模擬，比較了傳統統計方法和人工神經網絡方法，得出人工神經網絡的限制因素少，且可提高森林預測模擬效果。吳承禎等[5]研究結果表明，人工神經網絡模型可適用于榿柏混交林密度變化規律描述，且優于傳統模型，從而豐富和發展了森林稀疏規律理論。

21世紀以來，更多的學者嘗試了將神經網絡應用于森林資源領域的動態監測，經過與線性模型（LM）、通用疊加模型（GAM）、分類與回歸樹（CART）、多元適應性回歸模型（MAR）、K近鄰（KNN）、支持向量機回歸（SVR）、隨機森林（RF）等的比較，得出人工神經網絡尤其是BP人工神經網絡在模型的普適性、數據預處理的簡易性、自變量參數調整的靈活性、預測結果的高精確性等方面都更具有優勢[6-19]。

當前神經網絡已較為廣泛地應用于森林資源生物量、蓄積量、面積、胸徑等的預測并取得了一定的效果，但多數是基于森林資源一類調查固定樣地數據做的研究。但在實際生產中森林資源二類調查所涉及的樣本量更大、調查成本更高，本文嘗試選擇浙江省慶元縣作為研究區域，在收集其2007年森林資源二類調查數據的基礎上，開發基于BP神經網絡的預測模型，并以該區域部分鄉鎮的森林資源二類調查數據為樣本數據進行建模，然后預測鄰近鄉鎮的森林蓄積量，最后分析預測結果并提出能夠輔助森林資源二類調查且成本更低的方法。

1 研究數據與方法

1.1 研究區域與研究數據

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

1.1.2 研究數據。以該研究區2007年森林資源二類調查數據為研究數據，該期共調查小班20 083個、細班49 400個。去除蓄積量為0的細班后，留下細班共29 163個。按優勢樹種來劃分這29 163個細班數據，大體包含5類優勢樹種：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，本文從數據庫中選擇鄉鎮編號小于112620的18個林業基層管理單位作為建模區域，而剩余的4個林業基層管理單位作為預測區域。

在小班和細班調查指標中，選擇樹齡、海拔、坡度級、土層厚度、A層厚度、郁閉度6個指標作為森林資源生長的影響因子，構成本研究的自變量指標集。在這6個指標中，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分的吸收。

坡度級，原調查記錄中記為急、陡、險、緩、平和NULL，根據林地的坡度級劃分：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，將原字符數據進行量化（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年首先獨立地給出清晰描述，使該算法受到廣泛關注，由于該算法具有很強的非線性映射、容錯和泛化能力，成為人工神經網絡中應用最廣的模型，并產生了眾多的變化形式。其網絡拓撲結構如圖1所示。從圖1中可見，這是一個3層的BP神經網絡，其中X為BP神經網絡的輸入值，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值向量（圖1）。

標準BP算法采用最速梯度下降法修正權值，訓練過程是從某一起點沿誤差函數的斜面逐漸達到最小點使之誤差趨向于零，但對于復雜的網絡在訓練過程中可能會陷入某個局部最小點而無法跳出。標準BP網絡學習算法存在與輸入樣本的順序有關、收斂速度緩慢、易陷入局部極小等缺陷。

LM算法則結合了梯度下降法和牛頓法的優點，其每次迭代不再沿著單一的負梯度方向，而是允許誤差沿著惡化的方向進行搜索，同時通過在最速梯度下降法和高斯-牛頓法之間自適應調整優化網絡權值，使網絡能夠有效收斂，大大提高了網絡收斂速度和泛化能力。對于中等規模的網絡，其收斂速度是所有傳統BP及其改進算法中最快的。作者選擇基于LM算法優化的BP神經網絡（即LM-BP神經網絡）用于本研究。

2 結果與分析

本文基于LM-BP神經網絡模型對建模區細班分優勢樹種杉木、馬尾松、黃山松和硬闊類進行建模，其性能參數如表2所示，從中可知，平均估測值與平均實測值非常接近，相關系數平方（R2）均在0.599 0及以上，說明自變量因子集與因變量（蓄積量）之間的相關性較高。

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

3 結論

本文選擇了研究區域森林資源二類調查數據中的樹齡、海拔、坡度級、土層厚度、A層厚度、郁閉度6個指標作為自變量因子，對森林資源蓄積量進行預測。從本文試驗看，預測結果雖然不能達到生產要求，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、地形濕度指數等），并結合高精度的遙感影像（如天地圖），然后再對數據進行一定的預處理（如進一步求解影響因子的隸屬度、歸一化等），則研究結果將完全可能用于輔助森林資源調查。

4 參考文獻

[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.基于人工神經網絡的森林資源管理模型研究[J].自然資源學報，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.榿柏混交林密度變化規律的人工神經網絡模型研究[J].西北植物學報，1999，19（1）：144-150.

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

[7] 朱瑜馨，張錦宗，趙軍.基于人工神經網絡的森林資源預測模型研究[J].干旱區資源與環境，2005，19（1）：101-104.

[8] 鄧立斌，李際平.基于人工神經網絡的杉木可變密度蓄積量收獲預估模型[J].西北林學院學報，2002，17（4）：87-89.

[9] 王立海，邢艷秋.基于人工神經網絡的天然林生物量遙感估測[J].應用生態學報，2008，19（2）：261-266.

[10] 王任華，霍宏濤，游先祥.人工神經網絡在遙感圖像森林植被分類中的應用[J].北京林業大學學報，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，FERN？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.