基于BP神經網絡連栽桉樹人工林生長量預測1)

龍 滔 覃連歡 葉紹明

(廣西大學，南寧，530004)

林分生長量是衡量林分生產力的依據，是森林資源經營管理必須的基礎數據，而平均胸徑和樹高是林分的最基本結構要素，它們既是林分的數量指標又是林分的質量指標［1］，是林業科研中研究的基礎內容。林業上材積一般也是通過測定樹木的胸徑和樹高來推算的［2］，因此研究林分的胸徑和樹高生長規律意義重大。桉樹是桃金娘科植物的統稱，是世界的四大速生樹種之一，其速生豐產特性使得其被聯合國糧農組織確定為速生豐產用材林造林樹種［3］，在熱帶和亞熱帶地區得到迅速的發展［4］，桉樹已成為廣西地區最重要的工業用材造林樹種之一。研究林分的生長規律是桉樹人工林經營林分密度控制和地力維護的理論基礎，而林分的胸徑、樹高是其生長規律研究的重要研究對象。目前，桉樹人工林生長規律的研究多集中于根據研究目的建立對應的回歸方程，以此探究胸徑、樹高、蓄積、林分密度等之間的關系，而基于模型技術的桉樹人工林生長因子的生長預測卻少有研究。BP神經網絡是人工神經網絡中的一種，它由Runelhart等在1986提出，隨后在各行各業得到廣泛的應用。近年來林業領域亦開始逐步應用BP神經網絡研究林業問題，BP神經網絡的特點使得其在不了解復雜林分結構內部規律的情況下，可以構建復雜的非線性研究模型。目前BP神經網絡在國內林業領域多用于林分生長模型［5－8］的構建，然而有關速生桉樹的BP神經網絡模型構建的研究鮮有報道。本研究以3個連栽代次的尾巨桉(Eucalyptus urophylla×E.grandis)人工林林分為研究對象，對其林分平均胸徑與林齡、林分密度的BP人工神經網絡模型和平均樹高與林齡、林分密度的BP人工神經網絡模型進行了研究，探討利用BP人工神經網絡來實現對連栽桉樹人工林林分的胸徑總生長量和樹高總生長量的預測，為桉樹人工林經營管理提供基礎數據和決策參考。

1 研究地概況

研究地點位于廣西國有東門林場，地處北緯22°17'～22°30'，東經 107°14'～108°00'。試驗區以低丘為主，海拔為100～300 m，坡度為5°～10°，屬于北熱帶氣候帶，光熱充足，年日照時數為1634～1719 h，年均氣溫為21.75℃，年降雨量1200 mm，年蒸發量1192～1704 mm，相對濕度為74% ～83%。土壤為赤紅壤，土層厚度＞100 cm，質地為壤土或輕黏土，pH 值4.5～6.0，土壤肥力較低。

2 研究方法

2.1 試驗設計

試驗區由在同一坡面彼此相連的第1代、第2代、第3代種植桉樹的林地構成。除了種植桉樹的代次及連栽效應存在差異外，其他試驗條件基本相同。1998年對試驗區進行隨機區組設計，區組面積為40 m×40 m，不同代次林地重復3次。不同代次林地均采用尾巨桉無性系組培苗定植。在各代林地的不同區組中設置30 m×20 m的固定樣地，1998年4月造林后，分別于每年的12月份采用標準地調查方法進行林分生長調查，調查3個代次林分的保留密度、平均胸徑和平均樹高，作為建立桉樹人工林林分平均胸徑—林齡、林分密度和平均樹高—林齡、林分密度2類BP人工神經網絡模型的數據。

2.2 數據歸一化處理

在進行網絡訓練之前，為了加快網絡的收斂速度及提高訓練和預測的精度，有必要對輸入層的林分密度(N)進行歸一化處理。本研究選擇歸一化處理到［－1，1］，歸一化處理標準如下:=(2(xixmid)/(xmin－xmax)。式中:xmid表示數據的中間值，xmin和xmax分別表示數據的最大值和最小值，xi和分別表示歸一化處理前后的數據。

2.3 BP神經網絡設計

采用人工神經網絡中的BP算法，結合MATLAB2010b科學計算軟件來構建連栽桉樹人工林的生長量預測模型。以3個代次的連栽桉樹人工林的林分年齡(A)和林分密度(N)作為網絡的輸入，用其胸徑總生長量(D)和樹高總生長量(H)分別作為網絡的輸出，即:D=f(A，N);H=f(A，N)。桉樹的主伐年齡一般為7 a，因此用桉樹人工林第1～5年的數據作為訓練樣本，用第6、第7年的數據作為測試樣本，用于預測桉樹人工林林分隨年齡增長的胸徑和樹高的生長量變化情況。由于試驗設計了3個連栽代次，因此共建立2×3個BP神經網絡。經過大量的訓練和參考國內外文獻，所有模型的隱層節點數均選3個，神經元數目均設置為2個，學習速率設置為0.05，最大迭代次數設置為1000，目標精度為0.1，隱層神經元的傳遞函數選用tansig函數，輸出層傳遞函數選用purelin函數。學習函數選learngdm，訓練算法選用Levenberg—Marquardt法，性能函數用mse。在MATLAB2010b中，上述模型結構見圖1。

圖1 桉樹人工林林分生長量的BP神經網絡模型

在MATLAB2010b中，訓練大致過程可用下列代碼實現:

3 結果與分析

3.1 模型訓練

模型分別用3代連栽桉樹人工林林分的前5 a胸徑、樹高調查數據作為網絡的訓練對象，然后再分別用3代連栽桉樹人工林林分的第6年和第7年的胸徑、樹高調查數據作為網絡的測試對象，進行模型推廣能力檢驗。在樣本數據較少的情況下，為了增強模型的推廣能力，抽取一組重復試驗值加入網絡進行訓練。訓練平臺選擇MATLAB2010b科學計算軟件，使用編程實現方式實現BP神經網絡的構建。BP人工神經網絡模型訓練結果見表1。

表1 3代連栽桉樹人工林林分胸徑、樹高BP網絡模型訓練結果

表1 (續)

模擬結果表明，6個模型平均胸徑的平均預測精度分別為99.09%、98.35%和 96.37%，平均樹高的網絡模型平均精度分別為96.22%、96.48%和96.6%。模擬結果合符速生桉樹人工林的生長規律，即胸徑和樹高開始迅速生長，隨著林齡增大，生長達到一定程度后進入緩慢生長期，直至林分達到數量成熟。6個訓練后的網絡權值和閾值見表2。

3.2 回歸分析

為了充分證明已構建的BP網絡模型的合理性和泛化能力，在MATLAB中對3代桉樹人工林的3個胸徑BP網絡模型(模型1、3、5)和3個樹高 BP網絡模型(模型2、4、6)進行回歸分析，用目標值和輸出值建立回歸方程。結果表明，6個BP神經網絡的回歸方程斜率均接近1，說明網絡的預測值和實際值高度擬合，因此可以確定這6個網絡是較為理想的?；貧w分析結果見圖2。

表2 3代連栽桉樹人工林林分胸徑、樹高BP網絡模型網絡權值、閾值表

圖2 3代連栽桉樹人工林林分胸徑、樹高BP網絡模型線性回歸圖

4 結束語

在相同立地條件和經營措施前提下，采用林分林齡和林分密度2個指標作為網絡的輸入，林分平均胸徑和樹高分別作為網絡的輸出，即2∶2∶1的網絡結構分別建立了3代連栽桉樹人工林林分的平均胸徑和樹高的生長量預測模型，林分平均胸徑的網絡模型平均預測精度分別為99.09%、98.35%和96.37%，平均樹高的網絡模型平均精度分別為96.22%、96.48% 和 96.6%。對模型進行回歸分析，證明了預測結果和目標值之間的線性關系顯著。以上結果表明，用人工神經網絡方法研究連栽桉樹人工林林分的平均胸徑和樹高與林分林齡和密度的關系，研究結果比較理想。利用此模型可預測在相同立地條件和經營措施前提下，不同造林密度桉樹人工林林分隨林齡增長整個生長階段的生長量變化情況，用來指導規劃合理的造林密度和確定桉樹人工林的數量成熟期，為森林經營和管理提供決策依據。

［1］劉素青，李際平.森林生態系統中林分胸徑和樹高的Granger因果關系研究［J］.林業科技，2007，32(1):8－10.

［2］曾慎松.巨尾桉人工林地徑與胸徑、樹高相關模型的研究［J］.福建林業科技，2007，34(1):40－42.

［3］葉紹明，張麗群.廣西沿海地區桉樹外商營林投資效益分析［J］.中南林業調查規劃，2002，21(1):49－51，64.

［4］謝直興，嚴代碧.桉樹人工林現狀及其可持續發展［J］.四川林業科技，2006，27(1):75－81.

［5］姚東和，呂勇.基于人工神經網絡的杉木競爭生長模型研究［J］.中南林學院學報，2001，21(1):17－20.

［6］史宇，余新曉，張佳音，等.北京山區油松人工林單木材積生長量BP 神經網絡模型［J］.東北林業大學學報，2010，38(2):20－22.

［7］黃家榮，孟憲宇，關毓秀.馬尾松人工林單木生長神經網絡模型研究［J］.山地農業生物學報，2004，23(5):386－391.

［8］馬翔宇，段文英，崔金剛.白樺人工林單木生長的人工神經網絡模型研究［J］.森林工程，2009，25(3):30－33，38.