基于BP神经网络的长白落叶松人工林林分平均高预测

• 作者: 兰莹 李玉堂 沈剑波 雷相东
• 来源期刊: 南京林业大学学报（自然科学版）
• 学科: 农学
• 关键词: 长白落叶松人工林 BP神经网络 贝叶斯正则化算法 L-M算法 立地因子 林木竞争因子
• 年，卷（期）: 2018,（2）
• 所属期刊栏目: 研究论文
• 页码范围: 147-154
• 页数: 8页
• 分类号: S758
• 语种: 中文
• DOI: 10.3969/j.issn.1000-2006.201706012

摘要

[目的]研究BP神经网络模型在树高预测中的应用,分析比较不同森林调查因子及不同神经网络训练算法对平均树高预测的影响,为树高预测提供新的方法.[方法]以吉林省长白落叶松人工林为对象,基于168块固定样地的314个观测数据,运用BP神经网络建模技术建立了林分平均树高生长模型.输入因子首先加入年龄,然后依次加入立地因子及林木竞争因子,分析立地因子及林木竞争因子对树高的影响.基于Matlab R2016b中的Sigmoid函数和线性函数为神经元的传递函数,分别采用贝叶斯正则化算法和Levenberg-Marquatdt算法(简称L-M算法)对网络进行训练,对比分析了贝叶斯正则化算法和L-M算法作为训练函数的差异.[结果]与L-M训练算法相比,贝叶斯正则化训练算法具有更好的泛化能力.模型中依次加入年龄、立地因子、林木竞争因子后,树高的拟合精度呈现出相同的上升趋势.采用贝叶斯正则化训练算法,当年龄作为输入因子时,决定系数R2为0.5210,均方根误差(RMSE)为2.0917,平均绝对误差(MAE)为1.6276.加入立地因子后,决定系数R2提高至0.5736,提高了10.10％,均方根误差(RMSE)为1.9736,降低了5.65％,平均绝对误差(MAE)为1.5797,降低了2.94％;在此基础上,加入林木竞争因子后,决定系数R2为0.8455,增长了47.40％,均方根误差(RMSE)为1.1879,下降了39.81％,平均绝对误差(MAE)为0.9685,下降了38.69％.[结论]利用贝叶斯正则化BP神经网络可以准确地预测长白落叶松人工林的平均高.立地因子及林木竞争因子能够较好地提升林木生长预测的精度,且林木竞争因子对树高的影响明显大于立地因子.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	雷相东	中国林业科学研究院资源信息研究所	107	2973	30.0	51.0
2	李玉堂		13	56	5.0	7.0
3	沈剑波	中国林业科学研究院资源信息研究所	8	90	4.0	8.0
4	兰莹		1	17	1.0	1.0