基于神經(jīng)網(wǎng)絡(luò)方法的杉木人工林林分生長模擬研究.pdf

1、目前，利用生長模型描述復(fù)雜的林分生長規(guī)律是一個重要方向。傳統(tǒng)的理論生長模型適應(yīng)性較強(qiáng)，但通過模型參數(shù)與林分因子間的相互關(guān)系，引入新的輔助變量易造成系統(tǒng)偏差。常用的參數(shù)估計(jì)方法-最小二乘法要求數(shù)據(jù)滿足正態(tài)、獨(dú)立、等方差等，但生態(tài)數(shù)據(jù)中自變量之間多數(shù)存在多重共線性、或者存在離異值和噪音，很難滿足這些要求。人工神經(jīng)網(wǎng)絡(luò)（ANN）模型無需考慮模型的具體形式，對試驗(yàn)數(shù)據(jù)沒有特殊要求，擅長解決非線性擬合問題。常用的BP模型缺乏生態(tài)學(xué)的解釋，而且存在

2、如何確定網(wǎng)絡(luò)結(jié)構(gòu)的問題、過學(xué)習(xí)與欠學(xué)習(xí)問題、局部極小點(diǎn)問題等。
　　本文以江西大崗山年株林場15塊密度試驗(yàn)林28年的復(fù)測數(shù)據(jù)為依據(jù)，采用ANN技術(shù)以林齡、密度、立地指數(shù)3種預(yù)測因子構(gòu)建林分優(yōu)勢高、平均胸徑、斷面積生長模型。通過不同條件下林分生長的模擬，預(yù)測各因子對林分生長的影響，為杉木人工林科學(xué)經(jīng)營提供理論依據(jù)。主要結(jié)論如下：
　?。?）以自稀疏理論為基礎(chǔ)的Nilson密度指標(biāo)（SD）較林分密度指數(shù)（SDI）和Curtis相

3、對密度（RD）更適合作為單指標(biāo)來度量杉木人工林的密度。但自稀疏理論的復(fù)雜性導(dǎo)致單指標(biāo)評價所有狀態(tài)林分密度的單一性，神經(jīng)網(wǎng)絡(luò)模型不考慮自變量間相關(guān)性，因此該研究創(chuàng)造性的采用林分株密度和斷面積平均胸徑2指標(biāo)實(shí)際值作為林分密度指標(biāo)。
　?。?）該研究對隱含在 BP模型中的杉木人工林分?jǐn)嗝娣e生長規(guī)律進(jìn)行分析，解決了ANN模型重模擬輕生態(tài)學(xué)解釋的問題。主要闡述了林分預(yù)測因子之間的相互關(guān)系及其對斷面積生長的相對重要性。在神經(jīng)網(wǎng)絡(luò)解釋圖中，通過

4、輸入神經(jīng)元輸出連接線的總寬度大致看出平均胸徑和株密度對斷面積的生長比較重要，立地指數(shù)和林齡的作用次之。敏感性分析結(jié)果表明，總體上5種模擬林分?jǐn)嗝娣e隨林齡略微增加，不同立地和狀態(tài)的林分最終穩(wěn)定值不同；斷面積隨林分株密度的增加有3種表現(xiàn)形態(tài)，前期都呈現(xiàn)“S”型增長，后期出現(xiàn)趨向平穩(wěn)、下降和上升的現(xiàn)象；平均胸徑對斷面積的影響大致為“S”型增長；立地指數(shù)對斷面積的影響非常小，斷面積響應(yīng)曲線幾乎與橫坐標(biāo)相平行。Garson算法將林齡、立地指數(shù)、株

5、密度、平均胸徑的相對重要性進(jìn)行了量化，得到的貢獻(xiàn)率依次為：株密度（31.81％）>平均胸徑（30.95%）>林齡（30.53%）>立地指數(shù)（6.7%）。
　?。?）杉木林分?jǐn)嗝娣e生長支持向量機(jī)（SVM）模型將傳統(tǒng) BP經(jīng)驗(yàn)風(fēng)險最小化準(zhǔn)則拓展為結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則，通過核函數(shù)的內(nèi)積及拉格朗日對偶轉(zhuǎn)換解決了BP模型反復(fù)試湊確定網(wǎng)絡(luò)結(jié)構(gòu)、容易陷入局部最優(yōu)解等問題，訓(xùn)練和測試數(shù)據(jù)應(yīng)用N重交叉驗(yàn)證法有效提高了模擬和預(yù)測精度。杉木人工林分?jǐn)嗝娣e

6、 SVM模型的性能參數(shù)為R2=0.993,MSE=4.6338, SSE=1112.1，對應(yīng)的BP模型參數(shù)為0.991,4.7144,1131.5。殘差分析的結(jié)果也證明SVM模型具有比較優(yōu)勢。該方法在林業(yè)領(lǐng)域未見報(bào)道，有推廣應(yīng)用價值。
　　（4）非線性時間序列BP預(yù)測模型的研究證明滯后一步法構(gòu)建的杉木林分?jǐn)嗝娣e自回歸模型最佳，決定系數(shù)（R2）在0.85附近，模型精度并不隨滯后步數(shù)的增加而提高。多元回歸時間序列可以改進(jìn)模型的性能（R