黃龍山林區白皮松古樹年齡模型構建

劉光武，張新權，陳 晨

(河南林業職業學院，河南 洛陽 471002)

1 引言

白皮松(Pinusbungeana)是東亞唯一的三針松，也是我國特有的鄉土樹種[1，2]。白皮松具有重要的經濟價值，其材質堅硬細致，耐腐蝕性強，可以用于建筑和制作精致的木質家具，同時因其具有較強的抗寒、抗旱、壽命長、干形優美等特點，是重要的城市綠化及山區造林樹種[3～5]。但受各種因素影響，野生白皮松存在生長條件差、“島嶼”狀分布、林相不完整等問題，目前僅在陜西、山西、河南、湖北、湖南、甘肅、四川等地分布[6，7]。黃龍山林區是黃土高原野生動植物資源最豐富的地區，也是野生白皮松分布相對集中的區域[8，9]。

古樹年齡確定是古樹名木普查中的一個難點，確定樹木年齡的方法常用文獻檢索法[10]、生長錐測定法[11]、碳同位素法[12]、樹木年輪分析法[13～15]等。文獻檢索法比較適合名木的年齡確定，具有一定局限性。其它幾種確定方法往往存在成本高、周期長或效率低等問題。研究以黃龍山林區白皮松古樹為研究對象，通過構建白皮松年齡—胸徑生長模型，旨在為合理確定古樹年齡提供參考。

2 材料與方法

2.1 研究區概況

材料來源于陜西省黃龍山林區(35°26′～35 °46′N, 110°08′～110 °30′E),屬暖溫帶季風型氣候，土壤類型主要有棕壤土、褐色森林土，調查區域內喬木層主要樹種為白皮松，群落內伴生喬木有油松(Pinustabuliformis)、栓皮櫟(Quercusvariabissis)。林下有稀疏的灌木，主要有陜西莢蒾(Viburnum)、繡線菊(Spiraea)、毛黃櫨(CotinuscoggygriaScop. Var. pubescens)、衛矛(Euonymus)等。有少量藤本，主要為南蛇藤(Cclaslrusarliculatus)。

2.2 數據采集方法

在黃龍山林區白皮松生長相對集中的區域，在不同立地條件下設置8塊20 m×30 m的白皮松標準地。在標準地內進行常規林分調查，依據每木檢尺、樹高測量結果，每塊標準地選取1～2株標準木，從得到的12株標準木中選擇4株做為解析木，其余8株實測胸徑，并用生長錐測定樹齡。

2.3 模型構建

采用神經網絡建模技術，構建D—A的生長模型，模型的數學表達式為A=purelin(logsig(D))。數學表達式中purelin為神經網絡的直線函數，logsig為神經網絡的曲線函數。

用未參加建模的標準木數據作為檢測樣本，來檢測所構建的模型，以驗證模型的適應能力。

3 結果與分析

3.1 模型擬合

以白皮松解析木胸徑D為輸入向量，以解析木年齡A為輸出變量，對所構建的D—A模型進行訓練。所構建的神經網絡模型，輸入層、輸出層均有一個神經元，中間層為隱層，隱層的神經元個數為X個。X≥2，且X為整數，X的確定通過逐漸增加隱層神經元數，再依據擬合精度、均方根誤差同時結合生長曲線圖來判斷，模型結構如表1，擬合曲線圖如圖1所示。

表1 模型結構

圖1 1∶3∶1模型結構D-A擬合曲線

由表1可知，1∶3∶1的模型結構擬合精度最高，均方根誤差相對較小。由圖1可知，隨著年齡增加，胸徑逐漸增大，當年齡達到一定數值之后，胸徑增長速度降低，這符合樹木的生長規律。由表1同時結合擬合曲線圖，認為1∶3∶1的神經網絡結構(mynet3)能較好地擬合黃龍山林區白皮松古樹胸徑D與年齡A間的關系。1∶3∶1的神經網絡模型結構(mynet3)，經訓練后，已經蘊含所有的權值和閾值矩陣，其對應的數學表達式如(1)～(4)式所示，解析木擬合結果如表2所示。

表2 解析木擬合結果

A=purelin(-0.83253D1+3.0925D2

-2.3992D3-0.96294)

(1)

D1=4.4305D-0.91583

(2)

D2=2.2985D-0.14466

(3)

D3=-11.4586D-13.598

(4)

3.2 模型檢測

為檢測所構建的1∶3∶1的神經網絡模型的適應能力，用未參加模型訓練的來自不同立地條件下的標準木數據做檢測樣本。以檢測木胸徑為輸入向量，代入mynet3神經網絡模型中，或將檢測木胸徑數值代入mynet3對應的數學表達式(1)～(4)式，能得到同樣的結果。檢測結果如表3所示。

表3 mynet3模型檢測結果

由表3可知，將來自黃龍山林區不同立地條件的白皮松檢測木胸徑代入經訓練后的mynet3模型，即可得到對應樹木年齡的擬合值，擬合精度可達0.9803，說明所構建的神經網絡模型具有較強的適應性和推廣能力。

4 結論

樹木的生長過程具有復雜性和非線性，而神經網絡具有較好的擬合非線性的功能[16]。本研究采用神經網絡建模技術，構建了黃龍山林區白皮松D-A的神經網絡模型，并采用不同立地條件下白皮松樹干解析資料為數據源，對所構建的D-A神經網絡模型進行訓練，模型的擬合精度為0.9916，訓練后的神經網絡模型蘊含權值和閾值矩陣。

用未參與模型訓練的標準木胸徑為檢測數據，代入經訓練后的神經網絡模型，即可得到對應的樹齡擬合值，擬合精度可達0.9803。

研究認為所構建的神經網絡模型不僅具有較好的擬合效果，而且具有較高的適應性，可以進行推廣使用。

在保證數據具有代表性的基礎上，與常用的文獻檢索法、生長錐測定法、碳同位素法、樹木年輪分析法等相比，采用構建模型測定林分年齡的方法，不僅效率高，而且成本低、精度高。