论文部分内容阅读
摘要 以浙江省庆元县2007年森林资源二类调查数据为样本数据，选择树龄、海拔、坡度级、土层厚度、A层厚度、郁闭度6个指标作为自变量因子，利用基于BP神经网络的预测模型，分优势树种对森林资源蓄积量进行预测。试验结果表明，自变量因子与因变量（蓄积量）之间具有较好的相关性。今后研究中若能加入一些其他影响因子（如太阳辐射指数、地形湿度指数等），并结合高精度的遥感影像（如天地图），然后再对数据进行一定的预处理，则研究结果将完全可能用于辅助森林资源调查。
关键词 BP神经网络；森林资源；蓄积量
中图分类号 S758.51 文献标识码 A 文章编号 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
人工神经网络（ANN，Artificial Neural Network）具有很強的灵活性和适应性，可用于建立长期存在的非线性和复杂的动态生物生态系统（如森林生态系统）。Guan等[1]研究结果表明，基于人工神经网络的红松生长模型有较好的数据拟合性、预测优越性和灵活性。Avila等[2]证实了神经网络是一个很有潜力的预测技术。洪 伟等[3]认为人工神经网络模型优于Logistic模型，可应用于森林资源动态模拟。Jensen等[4]对针叶林的年龄进行了预测模拟，比较了传统统计方法和人工神经网络方法，得出人工神经网络的限制因素少，且可提高森林预测模拟效果。吴承祯等[5]研究结果表明，人工神经网络模型可适用于桤柏混交林密度变化规律描述，且优于传统模型，从而丰富和发展了森林稀疏规律理论。
21世纪以来，更多的学者尝试了将神经网络应用于森林资源领域的动态监测，经过与线性模型（LM）、通用叠加模型（GAM）、分类与回归树（CART）、多元适应性回归模型（MAR）、K近邻（KNN）、支持向量机回归（SVR）、随机森林（RF）等的比较，得出人工神经网络尤其是BP人工神经网络在模型的普适性、数据预处理的简易性、自变量参数调整的灵活性、预测结果的高精确性等方面都更具有优势[6-19]。
当前神经网络已较为广泛地应用于森林资源生物量、蓄积量、面积、胸径等的预测并取得了一定的效果，但多数是基于森林资源一类调查固定样地数据做的研究。但在实际生产中森林资源二类调查所涉及的样本量更大、调查成本更高，本文尝试选择浙江省庆元县作为研究区域，在收集其2007年森林资源二类调查数据的基础上，开发基于BP神经网络的预测模型，并以该区域部分乡镇的森林资源二类调查数据为样本数据进行建模，然后预测邻近乡镇的森林蓄积量，最后分析预测结果并提出能够辅助森林资源二类调查且成本更低的方法。
1 研究数据与方法
1.1 研究区域与研究数据
1.1.1 研究区域。本文选取浙江省庆元县作为研究区域，该研究区域位于浙江省西南部，东经118°50′～119°30′、北纬27°25′～27°51′，下辖3个街道、6个镇、13个乡，全县有林地16.27万hm2，木材蓄积量达739万m3，森林覆盖率达72%，毛竹山1.8万hm2，有毛竹2 794.2万株，是浙江省重点林区和毛竹产地。 1.1.2 研究数据。以该研究区2007年森林资源二类调查数据为研究数据，该期共调查小班20 083个、细班49 400个。去除蓄积量为0的细班后，留下细班共29 163个。按优势树种来划分这29 163个细班数据，大体包含5类优势树种：杉木（8 538个）、马尾松（2 268个）、硬阔类（3 158个）、黄山松（5 687个）、其他（9 512个）。其中最后一类（即“其他”）包含了毛竹、软阔类、部分果树及一些散生的柳杉等，因树种繁杂，不作为本试验的考虑范畴。
为方便试验处理，本文从数据库中选择乡镇编号小于112620的18个林业基层管理单位作为建模区域，而剩余的4个林业基层管理单位作为预测区域。
在小班和细班调查指标中，选择树龄、海拔、坡度级、土层厚度、A层厚度、郁闭度6个指标作为森林资源生长的影响因子，构成本研究的自变量指标集。在这6个指标中，海拔与坡度级影响了森林的水分和光照的分布，土层厚度和A层厚度直接影响了森林树木对水分和养分的吸收。
坡度级，原调查记录中记为急、陡、险、缓、平和NULL，根据林地的坡度级划分：0～5°为平坡，6～15°为缓坡，16～25°为斜坡，26～35°为陡坡，36～40°为急陡坡，41～45°为急坡，46°以上为险坡，若无坡度则记为NULL。为方便处理，将原字符数据进行量化（表1）。土层厚度和A层厚度分别记录为厚、中、薄、NULL，将其量化为1、0.7、0.4、0。
1.2 研究方法
BP算法（Back propagation Algorithm）研究小组Rumel-hart等人在1986年首先独立地给出清晰描述，使该算法受到广泛关注，由于该算法具有很强的非线性映射、容错和泛化能力，成为人工神经网络中应用最广的模型，并产生了众多的变化形式。其网络拓扑结构如图1所示。从图1中可见，这是一个3层的BP神经网络，其中X为BP神经网络的输入值，y为隐含层的输出值，O为输出层输出值，V为输入层到隐含层之间的向量，Vj有m个分量，W为隐含层到输出层之间的权值向量（图1）。
标准BP算法采用最速梯度下降法修正权值，训练过程是从某一起点沿误差函数的斜面逐渐达到最小点使之误差趋向于零，但对于复杂的网络在训练过程中可能会陷入某个局部最小点而无法跳出。标准BP网络学习算法存在与输入样本的顺序有关、收敛速度缓慢、易陷入局部极小等缺陷。
LM算法则结合了梯度下降法和牛顿法的优点，其每次迭代不再沿着单一的负梯度方向，而是允许误差沿着恶化的方向进行搜索，同时通过在最速梯度下降法和高斯-牛顿法之间自适应调整优化网络权值，使网络能够有效收敛，大大提高了网络收敛速度和泛化能力。对于中等规模的网络，其收敛速度是所有传统BP及其改进算法中最快的。作者选择基于LM算法优化的BP神经网络（即LM-BP神经网络）用于本研究。
2 结果与分析
本文基于LM-BP神经网络模型对建模区细班分优势树种杉木、马尾松、黄山松和硬阔类进行建模，其性能参数如表2所示，从中可知，平均估测值与平均实测值非常接近，相关系数平方（R2）均在0.599 0及以上，说明自变量因子集与因变量（蓄积量）之间的相关性较高。
预测结果（表3、图2）略亚于建模结果，但R2也均在0.458 4及以上，仍然体现出了自变量因子集与因变量之间的较好相关性。建模结果及预测结果均表明马尾松为优势树种的细班性能参数劣于其他优势树种，说明较少的建模样本量对于建模及预测结果都会产生一定的负面影响。
3 结论
本文选择了研究区域森林资源二类调查数据中的树龄、海拔、坡度级、土层厚度、A层厚度、郁闭度6个指标作为自变量因子，对森林资源蓄积量进行预测。从本文试验看，预测结果虽然不能达到生产要求，但有一定的参考价值。而且后期若能加入一些其他影响因子（如太阳辐射指数、地形湿度指数等），并结合高精度的遥感影像（如天地图），然后再对数据进行一定的预处理（如进一步求解影响因子的隶属度、归一化等），则研究结果将完全可能用于辅助森林资源调查。
4 参考文献
[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，吴承祯，何东进.基于人工神经网络的森林资源管理模型研究[J].自然资源学报，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] 吴承祯，洪伟，何东进.桤柏混交林密度变化规律的人工神经网络模型研究[J].西北植物学报，1999，19（1）：144-150. [6] 叢沛桐，祖元刚，王瑞兰，等.GIS与ANN整合技术在森林资源蓄积量预测中的应用[J].地理科学，2004，24（5）：591-596.
[7] 朱瑜馨，张锦宗，赵军.基于人工神经网络的森林资源预测模型研究[J].干旱区资源与环境，2005，19（1）：101-104.
[8] 邓立斌，李际平.基于人工神经网络的杉木可变密度蓄积量收获预估模型[J].西北林学院学报，2002，17（4）：87-89.
[9] 王立海，邢艳秋.基于人工神经网络的天然林生物量遥感估测[J].应用生态学报，2008，19（2）：261-266.
[10] 王任华，霍宏涛，游先祥.人工神经网络在遥感图像森林植被分类中的应用[J].北京林业大学学报，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.
关键词 BP神经网络；森林资源；蓄积量
中图分类号 S758.51 文献标识码 A 文章编号 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
人工神经网络（ANN，Artificial Neural Network）具有很強的灵活性和适应性，可用于建立长期存在的非线性和复杂的动态生物生态系统（如森林生态系统）。Guan等[1]研究结果表明，基于人工神经网络的红松生长模型有较好的数据拟合性、预测优越性和灵活性。Avila等[2]证实了神经网络是一个很有潜力的预测技术。洪 伟等[3]认为人工神经网络模型优于Logistic模型，可应用于森林资源动态模拟。Jensen等[4]对针叶林的年龄进行了预测模拟，比较了传统统计方法和人工神经网络方法，得出人工神经网络的限制因素少，且可提高森林预测模拟效果。吴承祯等[5]研究结果表明，人工神经网络模型可适用于桤柏混交林密度变化规律描述，且优于传统模型，从而丰富和发展了森林稀疏规律理论。
21世纪以来，更多的学者尝试了将神经网络应用于森林资源领域的动态监测，经过与线性模型（LM）、通用叠加模型（GAM）、分类与回归树（CART）、多元适应性回归模型（MAR）、K近邻（KNN）、支持向量机回归（SVR）、随机森林（RF）等的比较，得出人工神经网络尤其是BP人工神经网络在模型的普适性、数据预处理的简易性、自变量参数调整的灵活性、预测结果的高精确性等方面都更具有优势[6-19]。
当前神经网络已较为广泛地应用于森林资源生物量、蓄积量、面积、胸径等的预测并取得了一定的效果，但多数是基于森林资源一类调查固定样地数据做的研究。但在实际生产中森林资源二类调查所涉及的样本量更大、调查成本更高，本文尝试选择浙江省庆元县作为研究区域，在收集其2007年森林资源二类调查数据的基础上，开发基于BP神经网络的预测模型，并以该区域部分乡镇的森林资源二类调查数据为样本数据进行建模，然后预测邻近乡镇的森林蓄积量，最后分析预测结果并提出能够辅助森林资源二类调查且成本更低的方法。
1 研究数据与方法
1.1 研究区域与研究数据
1.1.1 研究区域。本文选取浙江省庆元县作为研究区域，该研究区域位于浙江省西南部，东经118°50′～119°30′、北纬27°25′～27°51′，下辖3个街道、6个镇、13个乡，全县有林地16.27万hm2，木材蓄积量达739万m3，森林覆盖率达72%，毛竹山1.8万hm2，有毛竹2 794.2万株，是浙江省重点林区和毛竹产地。 1.1.2 研究数据。以该研究区2007年森林资源二类调查数据为研究数据，该期共调查小班20 083个、细班49 400个。去除蓄积量为0的细班后，留下细班共29 163个。按优势树种来划分这29 163个细班数据，大体包含5类优势树种：杉木（8 538个）、马尾松（2 268个）、硬阔类（3 158个）、黄山松（5 687个）、其他（9 512个）。其中最后一类（即“其他”）包含了毛竹、软阔类、部分果树及一些散生的柳杉等，因树种繁杂，不作为本试验的考虑范畴。
为方便试验处理，本文从数据库中选择乡镇编号小于112620的18个林业基层管理单位作为建模区域，而剩余的4个林业基层管理单位作为预测区域。
在小班和细班调查指标中，选择树龄、海拔、坡度级、土层厚度、A层厚度、郁闭度6个指标作为森林资源生长的影响因子，构成本研究的自变量指标集。在这6个指标中，海拔与坡度级影响了森林的水分和光照的分布，土层厚度和A层厚度直接影响了森林树木对水分和养分的吸收。
坡度级，原调查记录中记为急、陡、险、缓、平和NULL，根据林地的坡度级划分：0～5°为平坡，6～15°为缓坡，16～25°为斜坡，26～35°为陡坡，36～40°为急陡坡，41～45°为急坡，46°以上为险坡，若无坡度则记为NULL。为方便处理，将原字符数据进行量化（表1）。土层厚度和A层厚度分别记录为厚、中、薄、NULL，将其量化为1、0.7、0.4、0。
1.2 研究方法
BP算法（Back propagation Algorithm）研究小组Rumel-hart等人在1986年首先独立地给出清晰描述，使该算法受到广泛关注，由于该算法具有很强的非线性映射、容错和泛化能力，成为人工神经网络中应用最广的模型，并产生了众多的变化形式。其网络拓扑结构如图1所示。从图1中可见，这是一个3层的BP神经网络，其中X为BP神经网络的输入值，y为隐含层的输出值，O为输出层输出值，V为输入层到隐含层之间的向量，Vj有m个分量，W为隐含层到输出层之间的权值向量（图1）。
标准BP算法采用最速梯度下降法修正权值，训练过程是从某一起点沿误差函数的斜面逐渐达到最小点使之误差趋向于零，但对于复杂的网络在训练过程中可能会陷入某个局部最小点而无法跳出。标准BP网络学习算法存在与输入样本的顺序有关、收敛速度缓慢、易陷入局部极小等缺陷。
LM算法则结合了梯度下降法和牛顿法的优点，其每次迭代不再沿着单一的负梯度方向，而是允许误差沿着恶化的方向进行搜索，同时通过在最速梯度下降法和高斯-牛顿法之间自适应调整优化网络权值，使网络能够有效收敛，大大提高了网络收敛速度和泛化能力。对于中等规模的网络，其收敛速度是所有传统BP及其改进算法中最快的。作者选择基于LM算法优化的BP神经网络（即LM-BP神经网络）用于本研究。
2 结果与分析
本文基于LM-BP神经网络模型对建模区细班分优势树种杉木、马尾松、黄山松和硬阔类进行建模，其性能参数如表2所示，从中可知，平均估测值与平均实测值非常接近，相关系数平方（R2）均在0.599 0及以上，说明自变量因子集与因变量（蓄积量）之间的相关性较高。
预测结果（表3、图2）略亚于建模结果，但R2也均在0.458 4及以上，仍然体现出了自变量因子集与因变量之间的较好相关性。建模结果及预测结果均表明马尾松为优势树种的细班性能参数劣于其他优势树种，说明较少的建模样本量对于建模及预测结果都会产生一定的负面影响。
3 结论
本文选择了研究区域森林资源二类调查数据中的树龄、海拔、坡度级、土层厚度、A层厚度、郁闭度6个指标作为自变量因子，对森林资源蓄积量进行预测。从本文试验看，预测结果虽然不能达到生产要求，但有一定的参考价值。而且后期若能加入一些其他影响因子（如太阳辐射指数、地形湿度指数等），并结合高精度的遥感影像（如天地图），然后再对数据进行一定的预处理（如进一步求解影响因子的隶属度、归一化等），则研究结果将完全可能用于辅助森林资源调查。
4 参考文献
[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，吴承祯，何东进.基于人工神经网络的森林资源管理模型研究[J].自然资源学报，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] 吴承祯，洪伟，何东进.桤柏混交林密度变化规律的人工神经网络模型研究[J].西北植物学报，1999，19（1）：144-150. [6] 叢沛桐，祖元刚，王瑞兰，等.GIS与ANN整合技术在森林资源蓄积量预测中的应用[J].地理科学，2004，24（5）：591-596.
[7] 朱瑜馨，张锦宗，赵军.基于人工神经网络的森林资源预测模型研究[J].干旱区资源与环境，2005，19（1）：101-104.
[8] 邓立斌，李际平.基于人工神经网络的杉木可变密度蓄积量收获预估模型[J].西北林学院学报，2002，17（4）：87-89.
[9] 王立海，邢艳秋.基于人工神经网络的天然林生物量遥感估测[J].应用生态学报，2008，19（2）：261-266.
[10] 王任华，霍宏涛，游先祥.人工神经网络在遥感图像森林植被分类中的应用[J].北京林业大学学报，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.