留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于BP神经网络的马尾松人工林胸径-树高模型预测

卯光宪 谭伟 柴宗政 赵杨 杨深钧

卯光宪, 谭伟, 柴宗政, 赵杨, 杨深钧. 基于BP神经网络的马尾松人工林胸径-树高模型预测[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20190486
引用本文: 卯光宪, 谭伟, 柴宗政, 赵杨, 杨深钧. 基于BP神经网络的马尾松人工林胸径-树高模型预测[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20190486
MAO Guangxian, TAN Wei, CHAI Zongzheng, ZHAO Yang, YANG Shenjun. Diameter-height model for Pinus massoniana plantations based on BP neural network[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20190486
Citation: MAO Guangxian, TAN Wei, CHAI Zongzheng, ZHAO Yang, YANG Shenjun. Diameter-height model for Pinus massoniana plantations based on BP neural network[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20190486

本文已在中国知网网络首发,可在知网搜索、下载并阅读全文。

基于BP神经网络的马尾松人工林胸径-树高模型预测

doi: 10.11833/j.issn.2095-0756.20190486
基金项目: 贵州省林业厅资助项目(黔林资复〔2012〕331号);贵州省科技支撑计划项目(黔科合支撑〔2017〕2520-1号);贵州省科技计划项目(黔科合基础〔2019〕1076号);“十三五”国家重点研发项目(2017YFD0601201)
详细信息
    作者简介: 卯光宪,从事森林经理研究。E-mail:maoguangxian@163.com
    通信作者: 谭伟,教授,博士,从事森林可持续经营、林业信息与“3S”技术研究。E-mail:wtan@gzu.edu.cn
  • 中图分类号: S757.9

Diameter-height model for Pinus massoniana plantations based on BP neural network

  • 摘要:   目的  马尾松Pinus massoniana是中国南方主要用材树种,建立高效的马尾松人工林胸径-树高预测模型,可为马尾松人工林经营提供理论指导。  方法  以贵州省黔中地区马尾松人工林为研究对象,基于82块样地(25 m×25 m)的4 284株马尾松单木数据,选取6个常用的广义非线性模型进行拟合,从中筛选出拟合效果最好的模型。使用相同的数据确定最佳隐层节点数量后,经过反复训练建立基于BP神经网络的马尾松胸径-树高预测模型。  结果  在6个广义非线性模型中,拟合效果最佳为Korf模型(R2=0.650);马尾松适宜的隐藏层节点数为2,适宜的模型结构(输入层节点数∶隐藏层节点数∶输出层节点数)为1∶2∶1,模型预测精度达0.717。  结论  广义非线性模型能较好地拟合马尾松人工林胸径-树高关系,但与BP神经网络模型相比,BP神经网络不需要依赖经验模型,也不用模型筛选,而且BP神经网络模型具有较高的决定系数和较低的均方根误差,拟合精度优于广义非线性模型。图5表5参35
  • 图  1  马尾松模型拟合胸径-树高散点图

    空心表示训练数据,实心表示验证数据

    Figure  1.  Diameter-height scatter diagram for model fitting data for P. massoniana

    图  2  BP神经网络结构图

    Figure  2.  BP neural network structure

    图  3  神经元结构图

    Figure  3.  BP neural structure

    图  4  马尾松人工林6个非线性模型胸径-树高曲线

    Figure  4.  Six nonliner diamerter-height cureves for a P. massoniana plantation

    图  5  过拟合前后胸径-树高散点图

    Figure  5.  Diameter-height scatter diagram for over-fitting

    表  1  非线性胸径-树高候选模型

    Table  1.   Nonliner diameter-height growth models selected for use

    模型名称参数/个表达式参考文献
    Näslund2${H\left( D \right) = 1.3 + \dfrac{{{D^2}}}{{{{\left( {aD + b} \right)}^2}}}}$[17]
    Curtis2${H\left( D \right) = 1.3 + \dfrac{{aD}}{{{{\left( {1 + D} \right)}^b}}}}$[18]
    Logistic3${H\left( D \right) = 1.3 + \dfrac{a}{{1 + b{\rm{exp}}\left( { - cD} \right)}}}$[19]
    Weibull3${H\left( D \right) = 1.3 + a\left[ {1 - {\rm{exp}}\left( { - b{D^c}} \right)} \right]}$[20]
    Gomperz3${H\left( D \right) = 1.3 + a{\rm{exp}}\left[ { - b{\rm{exp}}\left( { - cD} \right)} \right]}$[21]
    Korf3${H\left( D \right) = 1.3 + a{\rm{exp}}\left( { - b{D^{ - c}}} \right)}$[22]
      说明:H表示树高;D表示胸径;abc为模型参数
    下载: 导出CSV

    表  2  模型评价指标

    Table  2.   Model performance criteria selected for this study

    评价指标表达式
    决定系数(R2)${{R^2} = 1 - \dfrac{{\mathop \sum \limits_{i = 1}^n {{({H_i} - \widehat {{H_i}})}^2}}}{{\mathop \sum \limits_{i = 1}^n {{({H_i} - \overline {{H_i}} )}^2}}}\dfrac{{n - 1}}{{n - p - 1}}}$
    相对平均绝对误差(RMA)${ {R_{\rm{MA} } } = \displaystyle{\mathop \sum \limits_{i = 1}^n \left| {\dfrac{ {\left( { {H_i} - \widehat { {H_i} } } \right)} }{ {\widehat { {H_i} } } }} \right|}\Big/{n} \times 100\% }$
    均方根误差(RMSE)${{R_{\rm{MSE}}} = \sqrt {\dfrac{{\mathop \sum \limits_{i = 1}^n {{({H_i} - \widehat {{H_i}})}^2}}}{{n - p}}}} $
    Akaike信息准则(AIC)${{A_{\rm{IC}}} = n \times {\rm{ln}} {R_{\rm{MSE}}} + 2p}$
      说明:Hi表示树高实测值;${\widehat {{H_i}}}$表示树高预测值;${\overline {{H_i}}} $表示     树高平均值;n表示样本量;p表示模型参数数量
    下载: 导出CSV

    表  3  建模数据和检测数据统计

    Table  3.   Summary statis for all sampled trees and trees used for model calibration and validation

    径阶/cm株数/株胸径/cm树高/m
    平均值标准差最大值最小值平均值标准差最大值最小值
    6 370 5.90.6 6.9 5.0 7.12.218.7 4.0
    8 345 7.90.6 8.9 7.0 8.42.519.6 4.2
    10 300 9.90.610.9 9.0 9.83.124.3 4.2
    12 29411.90.612.911.012.44.026.0 4.3
    14 29714.00.614.913.014.43.924.3 5.2
    16 27515.90.616.915.015.34.026.9 5.3
    18 28918.00.618.917.016.84.028.1 5.8
    20 25720.00.620.919.018.03.325.3 6.7
    22 31222.00.622.921.018.73.426.0 8.9
    24 31423.90.624.923.019.23.626.310.1
    26 28726.00.626.925.019.73.728.110.3
    28 22827.90.628.927.020.03.829.9 9.6
    30 20529.90.630.929.020.33.528.213.3
    32 18131.90.632.931.021.13.927.512.8
    34 13233.90.634.933.020.64.027.012.0
    36 9035.80.636.935.021.54.427.513.6
    38 4337.80.638.937.022.24.327.013.1
    40 3340.00.640.939.024.03.827.015.2
    42 3042.00.642.941.025.12.527.320.2
    44 1543.60.444.343.025.62.227.320.6
    46 445.90.546.545.524.93.227.520.4
    50 849.40.450.049.026.32.227.520.9
    60 160.460.460.427.827.827.8
    训练数据3 43019.59.350.0 5.015.96.029.9 4.1
    验证数据 85419.39.360.4 5.015.76.027.8 4.1
       说明:“−”表示空值
    下载: 导出CSV

    表  4  马尾松人工林6个候选模型的参数估计及性能评价

    Table  4.   Parmeter estimates and performance criteria of 6 nonlinear meight-diameter models for a a P. massoniana plantation

    模型abc训练样本验证样本
    R2RMA/%RMSEAICR2RMA/%RMSEAIC
    Näslund1.6140.1760.63525.0184.04423 176.400.62320.0893.6304 626.377
    Curtis27.159.5380.62623.8084.09423 282.510.62218.6453.6344 628.369
    Logistic37.185.8040.0640.56827.2104.40223 903.700.55121.6523.9634 777.537
    Weibull37.180.0310.9410.62924.6404.07923 252.320.61519.6003.6714 646.573
    Gomperz37.182.0160.0390.60325.7974.21823 538.000.58920.4933.7904 701.199
    Korf37.186.7960.6980.65023.5853.96323 003.990.64118.8773.5454 587.180
       说明:“−”表示空值
    下载: 导出CSV

    表  5  不同隐层节点数的10次拟合统计量平均值

    Table  5.   Average statistics of fitting with different hidden layers for 10 times

    节点数决定系数R2均方根误差RMSE
    训练
    数据
    验证
    数据
    测试
    数据
    训练
    数据
    验证
    数据
    测试
    数据
    20.7120.7170.7173.5463.6553.513
    30.7130.7130.7093.5353.6433.554
    40.7140.7140.6953.5273.5643.554
    50.7150.7140.6953.3463.5123.645
    60.7220.7200.7033.3353.4123.616
    70.7240.7210.7103.3103.3453.598
    80.7260.7260.7083.2823.3123.612
    90.7260.7260.7053.2563.2453.721
    100.7280.7280.7093.2383.2313.645
    110.7290.7290.7013.2343.2033.742
    下载: 导出CSV
  • [1] MEHTÄTALO L, de MIGUEL S, GREGOIRE T G. Modeling height-diameter curves for prediction [J]. Can J For Res, 2015, 45(7): 826 − 837. doi:  10.1139/cjfr-2015-0054
    [2] 李春明, 李利学. 基于非线性混合模型的栓皮栎树高与胸径关系研究[J]. 北京林业大学学报, 2009, 31(4): 7 − 12. doi:  10.3321/j.issn:1000-1522.2009.04.002

    LI Chunming, LI Lixue. Height-diameter relationship for Quercus variabilis Blume plantations based on nonlinear mixed model [J]. J Beijing For Univ, 2009, 31(4): 7 − 12. doi:  10.3321/j.issn:1000-1522.2009.04.002
    [3] 张连金, 孙长忠, 辛学兵, 等. 北京九龙山不同林分树高与胸径相关生长关系分析[J]. 中南林业科技大学学报, 2014, 34(12): 66 − 70. doi:  10.3969/j.issn.1673-923X.2014.12.013

    ZHANG Lianjin, SUN Changzhong, XIN Xuebing, et al. Allometric relationship between height and diameter at breast height of different stand in Beijing Jiulong Mountain [J]. J Cent South Univ For Technol, 2014, 34(12): 66 − 70. doi:  10.3969/j.issn.1673-923X.2014.12.013
    [4] CHAI Zongzheng, TAN Wei, LI Yuanyuan, et al. Generalized nonlinear height-diameter models for a Cryptomeria fortunei plantation in the Pingba region of Guizhou Province, China [J]. Web Ecol, 2018, 18(1): 29 − 35. doi:  10.5194/we-18-29-2018
    [5] 童洁, 石玉立. 加格达奇3种森林类型树高-胸径的曲线拟合[J]. 东北林业大学学报, 2017, 45(2): 6 − 11, 21. doi:  10.3969/j.issn.1000-5382.2017.02.002

    DONG Jie, SHI Yuli. Tree height-diameter model in Jiagedaqi [J]. J Northeast For Univ, 2017, 45(2): 6 − 11, 21. doi:  10.3969/j.issn.1000-5382.2017.02.002
    [6] 王冬至, 张冬燕, 张志东, 等. 基于非线性混合模型的针阔混交林树高与胸径关系[J]. 林业科学, 2016, 52(1): 30 − 36.

    WANG Dongzhi, ZHANG Dongyan, ZHANG Zhidong, et al. Height-diameter relationship for conifer mixed forest based on nonlinear mixed-effects model [J]. Sci Silv Sin, 2016, 52(1): 30 − 36.
    [7] 卢军, 张会儒, 雷相东, 等. 长白山云冷杉针阔混交林幼树树高-胸径模型[J]. 北京林业大学学报, 2015, 37(11): 10 − 25.

    LU Jun, ZHANG Huiru, LEI Xiangdong, et al. Height-diameter models for saplings in a spruce-fir mixed forest in Changbai Mountains [J]. J Beijing For Univ, 2015, 37(11): 10 − 25.
    [8] 刘鑫, 王海燕, 雷相东, 等. 基于BP神经网络的天然云冷杉针阔混交林标准树高-胸径模型[J]. 林业科学研究, 2017, 30(3): 368 − 375.

    LIU Xin, WANG Haiyan, LEI Xiangdong, et al. Generalized height-diameter model for natural mixed spruce-fir coniferous and broadleaf forests based on BP neural network [J]. For Res, 2017, 30(3): 368 − 375.
    [9] 董云飞, 孙玉军, 王轶夫, 等. 基于BP神经网络的杉木标准树高曲线[J]. 东北林业大学学报, 2014, 42(7): 154 − 156, 165. doi:  10.3969/j.issn.1000-5382.2014.07.036

    DONG Yunfei, SUN Yujun, WANG Yifu, et al. Generalized height-diameter model for Chinese fir based on BP neural network [J]. J Northeast For Univ, 2014, 42(7): 154 − 156, 165. doi:  10.3969/j.issn.1000-5382.2014.07.036
    [10] 沈剑波, 雷相东, 李玉堂, 等. 基于BP神经网络的长白落叶松人工林林分平均高预测[J]. 南京林业大学学报(自然科学版), 2018, 42(2): 147 − 154.

    SHEN Jianbo, LEI Xiangdong, LI Yutang, et al. Prediction mean height for Larix olgensis plantation based on Bayesian-regularization BP neural network [J]. J Nanjing For Univ Nat Sci Ed, 2018, 42(2): 147 − 154.
    [11] 徐步强, 张秋良, 弥宏卓, 等. 基于BP神经网络的油松人工林生长模型[J]. 东北林业大学学报, 2011, 39(12): 33 − 35. doi:  10.3969/j.issn.1000-5382.2011.12.010

    XU Buqiang, ZHANG Qinliang, MI Hongzhuo, et al. Growth model of Pinus tabulaeformis plantation based on BP neural network [J]. J Northeast For Univ, 2011, 39(12): 33 − 35. doi:  10.3969/j.issn.1000-5382.2011.12.010
    [12] 金星姬, 贾炜玮, 李凤日. 基于BP人工神经网络的兴安落叶松天然林全林分生长模型的研究[J]. 植物研究, 2008, 28(3): 370 − 374, 384. doi:  10.7525/j.issn.1673-5102.2008.03.025

    JIN Xingji, JIA Weiwei, LI Fengri. Whole stand growth model for natural Dahurian larch forests based on BP ANN [J]. Bull Bot Res, 2008, 28(3): 370 − 374, 384. doi:  10.7525/j.issn.1673-5102.2008.03.025
    [13] 刘建忠, 余娜. 贵州省马尾松林地质量空间评价与低效林防控措施研究[J]. 湖北农业科学, 2016, 55(20): 5202 − 5206.

    LIU Jianzhong, YU Na. Quality spatial evaluation of Pinus massoniana and control measures of low-efficiency forest in Guizhou Province [J]. Hubei Agric Sci, 2016, 55(20): 5202 − 5206.
    [14] 何婧, 韦小丽, 徐海. 贵州省马尾松林分树种多样性分析[J]. 西部林业科学, 2016, 45(3): 26 − 29, 37.

    HE Jing, WEI Xiaoli, XU Hai. Tree species diversity of Pinus massoniana forest in Guizhou Province [J]. J West China For Sci, 2016, 45(3): 26 − 29, 37.
    [15] 王科, 谭伟, 戚玉娇. 近自然经营间伐对黔中马尾松天然次生纯林生长的初期效应[J]. 浙江农林大学学报, 2019, 36(5): 886 − 893.

    WANG Ke, TAN Wei, QI Yujiao. Initial effects of close-to-nature thinning on a natural secondary Pinus massoniana pure forest in central Guizhou [J]. J Zhejiang A&F Univ, 2019, 36(5): 886 − 893.
    [16] 浦瑞良, 宫鹏, YANG R. 应用神经网络和多元回归技术预测森林产量[J]. 应用生态学报, 1999, 10(2): 129 − 134. doi:  10.3321/j.issn:1001-9332.1999.02.001

    PU Ruiliang, GONG Peng, YANG R. Forest yield prediction with an artificial neural network and multiple regression [J]. Chin J Appl Ecol, 1999, 10(2): 129 − 134. doi:  10.3321/j.issn:1001-9332.1999.02.001
    [17] PESCHEL W. Mathematical methods for growth studies of trees and forest stands and the results of their application [J]. Tharandter Forstl Jahrb, 1938, 89: 169 − 247.
    [18] CURTIS R O. Height-diameter and height-diameter age equations for second-growth Douglas fir [J]. For Sci, 1967, 13(4): 365 − 375.
    [19] PEARL R, REED L J. On the rate of growth of the population of the United States since 1790 and its mathematical representation [J]. Proc Nati Acad Sci, 1920, 6(6): 275 − 288. doi:  10.1073/pnas.6.6.275
    [20] WEIBULL W. A statistical distribution function of wide applicability [J]. J Appl Mech, 1951, 18(3): 293 − 297.
    [21] GOMPERZ B. On the nature of the function expressive of the law of human mortality, and on a new mode of determining the value of life contingencies [J]. Phil Trans Roy Soc London, 1832, 115: 513 − 585.
    [22] LUNDQVIST B. On the height growth in cultivated stands of pine and spruce in Northern Sweden [J]. Medd Fran Statens Skogsforskningsinst, 1957, 47(2): 1 − 64.
    [23] 张立明. 人工神经网络的模型及其应用[M]. 上海: 复旦大学出版社, 1993: 43 − 46.
    [24] 罗恒春, 张超, 魏安超, 等. 云南松林分平均胸径生长模型及模型参数环境解释[J]. 浙江农林大学学报, 2018, 35(6): 1079 − 1087. doi:  10.11833/j.issn.2095-0756.2018.06.011

    LUO Hengchun, ZHANG Chao, WEI Anchao, et al. Average DBH growth model of a stand with environmental parameters for Pinus yunnanensis in central Yunnan, China [J]. J Zhejiang A&F Univ, 2018, 35(6): 1079 − 1087. doi:  10.11833/j.issn.2095-0756.2018.06.011
    [25] HUANG S S, TITUS S J, WIENS D P. Comparison of nonlinear height-diameter functions for major Alberta tree species [J]. Can J For Res, 1992, 22(9): 1297 − 1304. doi:  10.1139/x92-172
    [26] GUPTA A, SRIVASTAVA R, JABEEN N, et al. Height estimation model for Eucalyptus tereticornis grown under semiarid conditions of India [J]. Indian J Agrofor, 2008, 10(2): 34 − 39.
    [27] KALBI S, FALLAH A, BETTINGER P, et al. Mixed-effects modeling for tree height prediction models of Oriental beech in the Hyrcanian forests [J]. J For Res, 2018, 29(5): 1195 − 1204. doi:  10.1007/s11676-017-0551-z
    [28] SHARMA R P, VACEK Z, VACEK S, et al. Modelling individual tree height-diameter relationships for multi-layered and multi-species forestsin central Europe [J]. Trees, 2019, 33(1): 103 − 119. doi:  10.1007/s00468-018-1762-4
    [29] 黄旭光, 周俊朝, 黄柏华, 等. 基于人工神经网络对栎树天然林地位指数模拟系统的研究[J]. 河南农业大学学报, 2015, 49(2): 190 − 194.

    HUANG Xuguang, ZHOU Junchao, HUANG Bohua, et al. Study of oak growth dynamic simulation system based on artificial neural network [J]. J Henan Agric Univ, 2015, 49(2): 190 − 194.
    [30] 徐志扬. 基于BP神经网络的马尾松树高曲线模型[J]. 林业调查规划, 2015, 40(2): 6 − 8, 73. doi:  10.3969/j.issn.1671-3168.2015.02.002

    XU Zhiyang. Height-diameter model for Pinus massoniana based on BP neural network [J]. For Inventory Plann, 2015, 40(2): 6 − 8, 73. doi:  10.3969/j.issn.1671-3168.2015.02.002
    [31] 杜志, 甘世书. 基于BP神经网络的杉木和马尾松树高曲线模型研究[J]. 中南林业调查规划, 2017, 36(4): 36 − 39.

    DU Zhi, GAN Shishu. Height-diameter models for Cunninghamia lanceolata and Pinus massoniana based on BP neural network [J]. Cent South For Inventory Plann, 2017, 36(4): 36 − 39.
    [32] 王轶夫, 孙玉军, 郭孝玉. 基于BP神经网络的马尾松立木生物量模型研究[J]. 北京林业大学学报, 2013, 35(2): 17 − 21.

    WANG Yifu, SUN Yujun, GUO Xiaoyu. Single-tree biomass modeling of Pinus massoniana based on BP neural network [J]. J Beijing For Univ, 2013, 35(2): 17 − 21.
    [33] AHMADI K, ALAVI S J, TABARI M, et al. Non-linear height-diameter models for oriental beech (Fagus orientalis Lipsky) in the Hyrcanian forests, Iran [J]. Biotechnol Agron Soc Environ, 2013, 17(3): 431 − 40.
    [34] 苏崇宇, 汪毓铎. 基于改进的自适应遗传算法优化BP神经网络[J]. 工业控制计算机, 2019, 32(1): 67 − 69. doi:  10.3969/j.issn.1001-182X.2019.01.027

    SU Chongyu, WANG Yuduo. BP neural network optimized by improved adaptive genetic algorithm computer engineering and applications [J]. Ind Control Comput, 2019, 32(1): 67 − 69. doi:  10.3969/j.issn.1001-182X.2019.01.027
    [35] 李松, 刘力军, 翟曼. 改进粒子群算法优化BP神经网络的短时交通流预测[J]. 系统工程理论与实践, 2012, 32(9): 2045 − 2049. doi:  10.3969/j.issn.1000-6788.2012.09.024

    LI Song, LIU Lijun, ZHAI Man. Prediction for short-term traffic flow based on modified PSO optimized BP neural net work [J]. Syst Eng-Theory Pract, 2012, 32(9): 2045 − 2049. doi:  10.3969/j.issn.1000-6788.2012.09.024
  • [1] 吴立周, 王晓慧, 王志辉, 方馨, 朱婷瑜, 丁丽霞.  基于随机森林法的农作物高光谱遥感识别 . 浙江农林大学学报, 2020, 37(1): 136-142. doi: 10.11833/j.issn.2095-0756.2020.01.018
    [2] 刘光武, 陈晨, 王柯力.  基于神经网络的马尾松人工林密度指数模型 . 浙江农林大学学报, 2020, 37(1): 100-104. doi: 10.11833/j.issn.2095-0756.2020.01.013
    [3] 贾鹏刚, 夏凯, 董晨, 冯海林, 杨垠晖.  基于无人机影像的银杏单木胸径预估方法 . 浙江农林大学学报, 2019, 36(4): 757-763. doi: 10.11833/j.issn.2095-0756.2019.04.016
    [4] 王怀警, 谭炳香, 房秀凤, 李世明, 李太兴.  C5.0决策树Hyperion影像森林类型精细分类方法 . 浙江农林大学学报, 2018, 35(4): 724-734. doi: 10.11833/j.issn.2095-0756.2018.04.018
    [5] 雷泽勇, 韩艳刚, 赵国军, 周晏平, 张岩松, 于德良.  辽宁章古台樟子松生长过程分析 . 浙江农林大学学报, 2018, 35(2): 324-330. doi: 10.11833/j.issn.2095-0756.2018.02.017
    [6] 刘建成, 吴保国, 陈栋.  基于网络爬虫的森林经营知识采集系统研建 . 浙江农林大学学报, 2017, 34(4): 743-750. doi: 10.11833/j.issn.2095-0756.2017.04.022
    [7] 马中青, 张齐生.  温度对马尾松热解产物产率和特性的影响 . 浙江农林大学学报, 2016, 33(1): 109-115. doi: 10.11833/j.issn.2095-0756.2016.01.015
    [8] 商珍珍, 周国模, 杜华强.  毛竹林地上生物量与胸径的分形关系 . 浙江农林大学学报, 2013, 30(3): 319-324. doi: 10.11833/j.issn.2095-0756.2013.03.002
    [9] 刘青华, 周志春, 张开明, 兰永兆, 吴吉富, 聂国勤.  施用磷肥对马尾松种源生长和木材基本密度的影响 . 浙江农林大学学报, 2012, 29(2): 185-191. doi: 10.11833/j.issn.2095-0756.2012.02.006
    [10] 魏晓慧, 孙玉军, 马炜.  基于Richards方程的杉木树高生长模型 . 浙江农林大学学报, 2012, 29(5): 661-666. doi: 10.11833/j.issn.2095-0756.2012.05.004
    [11] 孙孟军, 徐军.  基于县级森林经营的高保护价值森林区划 . 浙江农林大学学报, 2011, 28(6): 878-883. doi: 10.11833/j.issn.2095-0756.2011.06.007
    [12] 李永进, 丁贵杰.  不同家系马尾松插穗内源生根抑制物的分离、纯化及鉴定 . 浙江农林大学学报, 2010, 27(4): 507-512. doi: 10.11833/j.issn.2095-0756.2010.04.005
    [13] 黄初冬, 邵芸, 李静, 柳晶辉, 陈洁琼.  基于回归决策树和ASTER卫星影像的城市森林研究 . 浙江农林大学学报, 2008, 25(2): 240-244.
    [14] 何佩云, 丁贵杰.  猴樟、鹅掌楸对马尾松苗木生理活性的他感效应 . 浙江农林大学学报, 2008, 25(5): 604-608.
    [15] 施拥军, 徐小军, 杜华强, 周国模, 金伟, 周宇峰.  基于BP神经网络的竹林遥感监测研究 . 浙江农林大学学报, 2008, 25(4): 417-421.
    [16] 温佐吾.  不同密度2 代连栽马尾松人工林生产力水平比较 . 浙江农林大学学报, 2004, 21(1): 22-27.
    [17] 郑仁华, 陈国金, 傅忠华, 俞白楠, 杨宗武, 傅玉狮, 潘琼蓉.  马尾松优树子代遗传评价及选择 . 浙江农林大学学报, 2001, 18(2): 144-149.
    [18] 谢哲根, 刘安兴, 陈学堂, 陈安统, 许祖福.  相对树高曲线研究 . 浙江农林大学学报, 1998, 15(1): 69-75.
    [19] 丁贵杰.  马尾松人工林标准树高曲线模型的研究* . 浙江农林大学学报, 1997, 14(3): 225-230.
    [20] 傅秋华, 陆媛媛.  马尾松容器育苗试验 . 浙江农林大学学报, 1993, 10(2): 244-246.
  • 加载中
  • 链接本文:

    http://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20190486

    http://zlxb.zafu.edu.cn/article/zjnldxxb/2020/4/1

计量
  • 文章访问数:  464
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-08-21
  • 修回日期:  2020-01-16

基于BP神经网络的马尾松人工林胸径-树高模型预测

doi: 10.11833/j.issn.2095-0756.20190486
    基金项目:  贵州省林业厅资助项目(黔林资复〔2012〕331号);贵州省科技支撑计划项目(黔科合支撑〔2017〕2520-1号);贵州省科技计划项目(黔科合基础〔2019〕1076号);“十三五”国家重点研发项目(2017YFD0601201)
    作者简介:

    卯光宪,从事森林经理研究。E-mail:maoguangxian@163.com

    通信作者: 谭伟,教授,博士,从事森林可持续经营、林业信息与“3S”技术研究。E-mail:wtan@gzu.edu.cn
  • 中图分类号: S757.9

摘要:   目的  马尾松Pinus massoniana是中国南方主要用材树种,建立高效的马尾松人工林胸径-树高预测模型,可为马尾松人工林经营提供理论指导。  方法  以贵州省黔中地区马尾松人工林为研究对象,基于82块样地(25 m×25 m)的4 284株马尾松单木数据,选取6个常用的广义非线性模型进行拟合,从中筛选出拟合效果最好的模型。使用相同的数据确定最佳隐层节点数量后,经过反复训练建立基于BP神经网络的马尾松胸径-树高预测模型。  结果  在6个广义非线性模型中,拟合效果最佳为Korf模型(R2=0.650);马尾松适宜的隐藏层节点数为2,适宜的模型结构(输入层节点数∶隐藏层节点数∶输出层节点数)为1∶2∶1,模型预测精度达0.717。  结论  广义非线性模型能较好地拟合马尾松人工林胸径-树高关系,但与BP神经网络模型相比,BP神经网络不需要依赖经验模型,也不用模型筛选,而且BP神经网络模型具有较高的决定系数和较低的均方根误差,拟合精度优于广义非线性模型。图5表5参35

English Abstract

卯光宪, 谭伟, 柴宗政, 赵杨, 杨深钧. 基于BP神经网络的马尾松人工林胸径-树高模型预测[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20190486
引用本文: 卯光宪, 谭伟, 柴宗政, 赵杨, 杨深钧. 基于BP神经网络的马尾松人工林胸径-树高模型预测[J]. 浙江农林大学学报. doi: 10.11833/j.issn.2095-0756.20190486
MAO Guangxian, TAN Wei, CHAI Zongzheng, ZHAO Yang, YANG Shenjun. Diameter-height model for Pinus massoniana plantations based on BP neural network[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20190486
Citation: MAO Guangxian, TAN Wei, CHAI Zongzheng, ZHAO Yang, YANG Shenjun. Diameter-height model for Pinus massoniana plantations based on BP neural network[J]. Journal of Zhejiang A&F University. doi: 10.11833/j.issn.2095-0756.20190486

返回顶部

目录

    /

    返回文章
    返回