基于聚類(lèi)和時(shí)序分析的林分生長(zhǎng)模型研究.pdf

1、我國(guó)森林資源管理尤其是森林資源調(diào)查和監(jiān)測(cè)工作起步較早，具有豐富的森林資源監(jiān)測(cè)數(shù)據(jù)，積累了大量的管理信息和管理資料。隨之而來(lái)的是森林資源信息管理系統(tǒng)的建立，大量信息被儲(chǔ)存并提供查詢，激增的數(shù)據(jù)背后隱藏著許多重要的信息，簡(jiǎn)單的查詢和統(tǒng)計(jì)已經(jīng)無(wú)法滿足林業(yè)的需求，需要出現(xiàn)一種挖掘數(shù)據(jù)背后隱藏的知識(shí)的手段。數(shù)據(jù)挖掘是從大量的、不完全的、有噪聲的、模糊的、隨機(jī)的數(shù)據(jù)中，提取隱含在其中的、人們事先不知道的但又是潛在的有用信息和知識(shí)的過(guò)程。數(shù)據(jù)挖掘是一

2、個(gè)新興的邊緣學(xué)科，它匯集了來(lái)自機(jī)器學(xué)習(xí)、模式識(shí)別、數(shù)據(jù)庫(kù)、數(shù)據(jù)倉(cāng)庫(kù)、統(tǒng)計(jì)學(xué)、人工智能以及管理信息系統(tǒng)等各學(xué)科的成果。 聚類(lèi)分析是數(shù)據(jù)挖掘中的一個(gè)重要研究領(lǐng)域，是一種數(shù)據(jù)劃分或分組處理的重要手段和方法。早期的聚類(lèi)算法是計(jì)算模型中各點(diǎn)的距離，需要多遍掃描數(shù)據(jù)，才能識(shí)別分組?？缮炜s期望最大化算法（Sealable Expectation Maximization，簡(jiǎn)稱SEM算法）與之不同，它根據(jù)群體的密度來(lái)創(chuàng)建聚類(lèi)，最多只需掃描一次源

3、數(shù)據(jù)，并且在計(jì)算過(guò)程的任何一點(diǎn)都可以提供合理的結(jié)果。它最大的好處是只需有限量的內(nèi)存。在算法處理記錄時(shí)，它會(huì)創(chuàng)建一些聚類(lèi)，并隨著處理數(shù)據(jù)的增多調(diào)整這些聚類(lèi)的中心，從而找到一組最能描述相似事例的特征。整個(gè)過(guò)程執(zhí)行的速度快，而且不會(huì)耗費(fèi)所有可用的內(nèi)存，避免機(jī)器癱瘓。 時(shí)間序列也是數(shù)據(jù)挖掘中的一個(gè)重要研究領(lǐng)域，是指同一種現(xiàn)象在不同時(shí)間上的相繼觀察值排列而成的一組數(shù)字序列。時(shí)間序列預(yù)測(cè)方法則是通過(guò)時(shí)間序列的歷史數(shù)據(jù)揭示現(xiàn)象隨時(shí)間變化的規(guī)律

4、，將這種規(guī)律延伸到未來(lái)，從而對(duì)該現(xiàn)象的未來(lái)做出預(yù)測(cè)。傳統(tǒng)的時(shí)間序列分析方法在林業(yè)中的應(yīng)用，主要是確定性的時(shí)間序列分析方法，包括指數(shù)平滑法、移動(dòng)平均法、時(shí)間序列的分解等等。Box和Jenkins提出了以隨機(jī)理論為基礎(chǔ)的時(shí)間序列分析方法，使時(shí)間序列分析理論上升到了一個(gè)新的高度，預(yù)測(cè)的精度大大提高。時(shí)間序列分析的基本模型有：ARMA模型和ARIMA模型。 林分生長(zhǎng)模型是一種間接估測(cè)方法。它根據(jù)對(duì)不同樹(shù)種在不同生長(zhǎng)環(huán)境條件下的不同發(fā)育階

5、段的生長(zhǎng)情況調(diào)查，用一定的數(shù)學(xué)方法處理，以圖、表、公式或計(jì)算機(jī)程序等形式間接預(yù)估林分的生長(zhǎng)與收獲。林分生長(zhǎng)模型用來(lái)預(yù)測(cè)林分自然狀態(tài)下的生長(zhǎng)，也用來(lái)預(yù)測(cè)經(jīng)營(yíng)措施對(duì)林木生長(zhǎng)影響，為制定優(yōu)化經(jīng)營(yíng)方案以及定向培育奠定基礎(chǔ)。它的應(yīng)用為森林經(jīng)營(yíng)基礎(chǔ)理論的新發(fā)展以及現(xiàn)代森林經(jīng)營(yíng)技術(shù)的利用提供必要條件和基本手段。傳統(tǒng)方法將生長(zhǎng)模型劃分為全林分模型、徑階分布模型和單木模型，這些模型又大多是基于單形曲線的，其易造成研究區(qū)內(nèi)不同林分生長(zhǎng)速率是相同的，且傳統(tǒng)方

6、法建模，常常只注重因變量和其它各因子的表面關(guān)系，因此易出現(xiàn)因子問(wèn)的“相互預(yù)報(bào)”，方程組間的“循環(huán)估計(jì)”等問(wèn)題，精度不是很高。一個(gè)好的生長(zhǎng)模型應(yīng)盡可能少的基于假設(shè)，不應(yīng)有過(guò)多的自變量，在模型中應(yīng)只包含一個(gè)因變量（預(yù)測(cè)值），一個(gè)自變量（年齡），以避免出現(xiàn)因子間相互預(yù)測(cè)的問(wèn)題。所以本文采用多形曲線法構(gòu)建多形生長(zhǎng)模型。 在多形曲線法構(gòu)建生長(zhǎng)模型過(guò)程中，樣本的分類(lèi)很重要。由于林分所處地理位置不同，隨著年齡增長(zhǎng)林分生長(zhǎng)趨勢(shì)發(fā)生很大變化，因此

7、本文利用了SEM聚類(lèi)對(duì)地理因子分類(lèi)，并用時(shí)間序列算法構(gòu)建樹(shù)高生長(zhǎng)導(dǎo)向曲線。實(shí)驗(yàn)證明利用地理因子分類(lèi)比直接用樹(shù)高和年齡因子分類(lèi)構(gòu)建樹(shù)高生長(zhǎng)導(dǎo)向曲線實(shí)用性更好，且多形導(dǎo)向曲線法的構(gòu)建立有助于林分生長(zhǎng)模型走向更精細(xì)，更準(zhǔn)確。 林分多形生長(zhǎng)模型可以解決林分生長(zhǎng)模型形式多樣的問(wèn)題，用一個(gè)模型描述同一生物不同生境下的生長(zhǎng)曲線。多形林分生長(zhǎng)模型構(gòu)建中只選擇年齡單因子做自變量，按照每個(gè)林分立地質(zhì)量不同，每個(gè)林分都有一條生長(zhǎng)曲線。研究表明多形生長(zhǎng)

8、模型能夠更精確描述樣本數(shù)據(jù)能有效減小系統(tǒng)誤差。從研究結(jié)果可以設(shè)想用一個(gè)多形生長(zhǎng)模型來(lái)擬合一個(gè)省甚至更大范圍的某一樹(shù)種的生長(zhǎng)，此生長(zhǎng)模型可用于這一樹(shù)種的生長(zhǎng)預(yù)估及計(jì)算機(jī)仿真。 隨著Internet技術(shù)的快速發(fā)展，面向Web的信息系統(tǒng)表現(xiàn)出巨大優(yōu)勢(shì)。目前很多林業(yè)部門(mén)和企業(yè)正在建立或積極籌備集成多功能、面向Internet的森林資源信息管理系統(tǒng)。森林資源信息管理系統(tǒng)是我國(guó)林業(yè)信息化建設(shè)的基礎(chǔ)部分，基于struts2、spring、hi

9、bernate開(kāi)發(fā)的信息系統(tǒng)具有開(kāi)發(fā)維護(hù)簡(jiǎn)單、可擴(kuò)展性強(qiáng)（基于JAVA語(yǔ)言，可擴(kuò)展到無(wú)線應(yīng)用，方便林業(yè)調(diào)查記錄）、部署方便的特點(diǎn)，可避免盲目開(kāi)發(fā)，降低開(kāi)發(fā)維護(hù)成本，具有一定的研究?jī)r(jià)值。 本文的創(chuàng)新點(diǎn)主要表現(xiàn)在：將數(shù)據(jù)挖掘的方法引入林業(yè)應(yīng)用，從而為林業(yè)的經(jīng)營(yíng)決策提供一條新的思路；建立多形林分生長(zhǎng)模型時(shí)，只含一個(gè)因變量和一個(gè)自變量，從而避免因子間相互預(yù)測(cè)的問(wèn)題；在聚類(lèi)時(shí)，使用SEM算法，執(zhí)行速度更快，效果更優(yōu)；聚類(lèi)完成后，采用的是時(shí)