基于BP神经网络连栽桉树人工林生长量预测1)

龙 滔 覃连欢 叶绍明

(广西大学，南宁，530004)

林分生长量是衡量林分生产力的依据，是森林资源经营管理必须的基础数据，而平均胸径和树高是林分的最基本结构要素，它们既是林分的数量指标又是林分的质量指标［1］，是林业科研中研究的基础内容。林业上材积一般也是通过测定树木的胸径和树高来推算的［2］，因此研究林分的胸径和树高生长规律意义重大。桉树是桃金娘科植物的统称，是世界的四大速生树种之一，其速生丰产特性使得其被联合国粮农组织确定为速生丰产用材林造林树种［3］，在热带和亚热带地区得到迅速的发展［4］，桉树已成为广西地区最重要的工业用材造林树种之一。研究林分的生长规律是桉树人工林经营林分密度控制和地力维护的理论基础，而林分的胸径、树高是其生长规律研究的重要研究对象。目前，桉树人工林生长规律的研究多集中于根据研究目的建立对应的回归方程，以此探究胸径、树高、蓄积、林分密度等之间的关系，而基于模型技术的桉树人工林生长因子的生长预测却少有研究。BP神经网络是人工神经网络中的一种，它由Runelhart等在1986提出，随后在各行各业得到广泛的应用。近年来林业领域亦开始逐步应用BP神经网络研究林业问题，BP神经网络的特点使得其在不了解复杂林分结构内部规律的情况下，可以构建复杂的非线性研究模型。目前BP神经网络在国内林业领域多用于林分生长模型［5－8］的构建，然而有关速生桉树的BP神经网络模型构建的研究鲜有报道。本研究以3个连栽代次的尾巨桉(Eucalyptus urophylla×E.grandis)人工林林分为研究对象，对其林分平均胸径与林龄、林分密度的BP人工神经网络模型和平均树高与林龄、林分密度的BP人工神经网络模型进行了研究，探讨利用BP人工神经网络来实现对连栽桉树人工林林分的胸径总生长量和树高总生长量的预测，为桉树人工林经营管理提供基础数据和决策参考。

1 研究地概况

研究地点位于广西国有东门林场，地处北纬22°17'～22°30'，东经 107°14'～108°00'。试验区以低丘为主，海拔为100～300 m，坡度为5°～10°，属于北热带气候带，光热充足，年日照时数为1634～1719 h，年均气温为21.75℃，年降雨量1200 mm，年蒸发量1192～1704 mm，相对湿度为74% ～83%。土壤为赤红壤，土层厚度＞100 cm，质地为壤土或轻黏土，pH 值4.5～6.0，土壤肥力较低。

2 研究方法

2.1 试验设计

试验区由在同一坡面彼此相连的第1代、第2代、第3代种植桉树的林地构成。除了种植桉树的代次及连栽效应存在差异外，其他试验条件基本相同。1998年对试验区进行随机区组设计，区组面积为40 m×40 m，不同代次林地重复3次。不同代次林地均采用尾巨桉无性系组培苗定植。在各代林地的不同区组中设置30 m×20 m的固定样地，1998年4月造林后，分别于每年的12月份采用标准地调查方法进行林分生长调查，调查3个代次林分的保留密度、平均胸径和平均树高，作为建立桉树人工林林分平均胸径—林龄、林分密度和平均树高—林龄、林分密度2类BP人工神经网络模型的数据。

2.2 数据归一化处理

在进行网络训练之前，为了加快网络的收敛速度及提高训练和预测的精度，有必要对输入层的林分密度(N)进行归一化处理。本研究选择归一化处理到［－1，1］，归一化处理标准如下:=(2(xixmid)/(xmin－xmax)。式中:xmid表示数据的中间值，xmin和xmax分别表示数据的最大值和最小值，xi和分别表示归一化处理前后的数据。

2.3 BP神经网络设计

采用人工神经网络中的BP算法，结合MATLAB2010b科学计算软件来构建连栽桉树人工林的生长量预测模型。以3个代次的连栽桉树人工林的林分年龄(A)和林分密度(N)作为网络的输入，用其胸径总生长量(D)和树高总生长量(H)分别作为网络的输出，即:D=f(A，N);H=f(A，N)。桉树的主伐年龄一般为7 a，因此用桉树人工林第1～5年的数据作为训练样本，用第6、第7年的数据作为测试样本，用于预测桉树人工林林分随年龄增长的胸径和树高的生长量变化情况。由于试验设计了3个连栽代次，因此共建立2×3个BP神经网络。经过大量的训练和参考国内外文献，所有模型的隐层节点数均选3个，神经元数目均设置为2个，学习速率设置为0.05，最大迭代次数设置为1000，目标精度为0.1，隐层神经元的传递函数选用tansig函数，输出层传递函数选用purelin函数。学习函数选learngdm，训练算法选用Levenberg—Marquardt法，性能函数用mse。在MATLAB2010b中，上述模型结构见图1。

图1 桉树人工林林分生长量的BP神经网络模型

在MATLAB2010b中，训练大致过程可用下列代码实现:

3 结果与分析

3.1 模型训练

模型分别用3代连栽桉树人工林林分的前5 a胸径、树高调查数据作为网络的训练对象，然后再分别用3代连栽桉树人工林林分的第6年和第7年的胸径、树高调查数据作为网络的测试对象，进行模型推广能力检验。在样本数据较少的情况下，为了增强模型的推广能力，抽取一组重复试验值加入网络进行训练。训练平台选择MATLAB2010b科学计算软件，使用编程实现方式实现BP神经网络的构建。BP人工神经网络模型训练结果见表1。

表1 3代连栽桉树人工林林分胸径、树高BP网络模型训练结果

表1 (续)

模拟结果表明，6个模型平均胸径的平均预测精度分别为99.09%、98.35%和 96.37%，平均树高的网络模型平均精度分别为96.22%、96.48%和96.6%。模拟结果合符速生桉树人工林的生长规律，即胸径和树高开始迅速生长，随着林龄增大，生长达到一定程度后进入缓慢生长期，直至林分达到数量成熟。6个训练后的网络权值和阈值见表2。

3.2 回归分析

为了充分证明已构建的BP网络模型的合理性和泛化能力，在MATLAB中对3代桉树人工林的3个胸径BP网络模型(模型1、3、5)和3个树高 BP网络模型(模型2、4、6)进行回归分析，用目标值和输出值建立回归方程。结果表明，6个BP神经网络的回归方程斜率均接近1，说明网络的预测值和实际值高度拟合，因此可以确定这6个网络是较为理想的。回归分析结果见图2。

表2 3代连栽桉树人工林林分胸径、树高BP网络模型网络权值、阈值表

图2 3代连栽桉树人工林林分胸径、树高BP网络模型线性回归图

4 结束语

在相同立地条件和经营措施前提下，采用林分林龄和林分密度2个指标作为网络的输入，林分平均胸径和树高分别作为网络的输出，即2∶2∶1的网络结构分别建立了3代连栽桉树人工林林分的平均胸径和树高的生长量预测模型，林分平均胸径的网络模型平均预测精度分别为99.09%、98.35%和96.37%，平均树高的网络模型平均精度分别为96.22%、96.48% 和 96.6%。对模型进行回归分析，证明了预测结果和目标值之间的线性关系显著。以上结果表明，用人工神经网络方法研究连栽桉树人工林林分的平均胸径和树高与林分林龄和密度的关系，研究结果比较理想。利用此模型可预测在相同立地条件和经营措施前提下，不同造林密度桉树人工林林分随林龄增长整个生长阶段的生长量变化情况，用来指导规划合理的造林密度和确定桉树人工林的数量成熟期，为森林经营和管理提供决策依据。

［1］刘素青，李际平.森林生态系统中林分胸径和树高的Granger因果关系研究［J］.林业科技，2007，32(1):8－10.

［2］曾慎松.巨尾桉人工林地径与胸径、树高相关模型的研究［J］.福建林业科技，2007，34(1):40－42.

［3］叶绍明，张丽群.广西沿海地区桉树外商营林投资效益分析［J］.中南林业调查规划，2002，21(1):49－51，64.

［4］谢直兴，严代碧.桉树人工林现状及其可持续发展［J］.四川林业科技，2006，27(1):75－81.

［5］姚东和，吕勇.基于人工神经网络的杉木竞争生长模型研究［J］.中南林学院学报，2001，21(1):17－20.

［6］史宇，余新晓，张佳音，等.北京山区油松人工林单木材积生长量BP 神经网络模型［J］.东北林业大学学报，2010，38(2):20－22.

［7］黄家荣，孟宪宇，关毓秀.马尾松人工林单木生长神经网络模型研究［J］.山地农业生物学报，2004，23(5):386－391.

［8］马翔宇，段文英，崔金刚.白桦人工林单木生长的人工神经网络模型研究［J］.森林工程，2009，25(3):30－33，38.