黄龙山林区白皮松古树年龄模型构建

刘光武，张新权，陈 晨

(河南林业职业学院，河南 洛阳 471002)

1 引言

白皮松(Pinusbungeana)是东亚唯一的三针松，也是我国特有的乡土树种[1，2]。白皮松具有重要的经济价值，其材质坚硬细致，耐腐蚀性强，可以用于建筑和制作精致的木质家具，同时因其具有较强的抗寒、抗旱、寿命长、干形优美等特点，是重要的城市绿化及山区造林树种[3～5]。但受各种因素影响，野生白皮松存在生长条件差、“岛屿”状分布、林相不完整等问题，目前仅在陕西、山西、河南、湖北、湖南、甘肃、四川等地分布[6，7]。黄龙山林区是黄土高原野生动植物资源最丰富的地区，也是野生白皮松分布相对集中的区域[8，9]。

古树年龄确定是古树名木普查中的一个难点，确定树木年龄的方法常用文献检索法[10]、生长锥测定法[11]、碳同位素法[12]、树木年轮分析法[13～15]等。文献检索法比较适合名木的年龄确定，具有一定局限性。其它几种确定方法往往存在成本高、周期长或效率低等问题。研究以黄龙山林区白皮松古树为研究对象，通过构建白皮松年龄—胸径生长模型，旨在为合理确定古树年龄提供参考。

2 材料与方法

2.1 研究区概况

材料来源于陕西省黄龙山林区(35°26′～35 °46′N, 110°08′～110 °30′E),属暖温带季风型气候，土壤类型主要有棕壤土、褐色森林土，调查区域内乔木层主要树种为白皮松，群落内伴生乔木有油松(Pinustabuliformis)、栓皮栎(Quercusvariabissis)。林下有稀疏的灌木，主要有陕西荚蒾(Viburnum)、绣线菊(Spiraea)、毛黄栌(CotinuscoggygriaScop. Var. pubescens)、卫矛(Euonymus)等。有少量藤本，主要为南蛇藤(Cclaslrusarliculatus)。

2.2 数据采集方法

在黄龙山林区白皮松生长相对集中的区域，在不同立地条件下设置8块20 m×30 m的白皮松标准地。在标准地内进行常规林分调查，依据每木检尺、树高测量结果，每块标准地选取1～2株标准木，从得到的12株标准木中选择4株做为解析木，其余8株实测胸径，并用生长锥测定树龄。

2.3 模型构建

采用神经网络建模技术，构建D—A的生长模型，模型的数学表达式为A=purelin(logsig(D))。数学表达式中purelin为神经网络的直线函数，logsig为神经网络的曲线函数。

用未参加建模的标准木数据作为检测样本，来检测所构建的模型，以验证模型的适应能力。

3 结果与分析

3.1 模型拟合

以白皮松解析木胸径D为输入向量，以解析木年龄A为输出变量，对所构建的D—A模型进行训练。所构建的神经网络模型，输入层、输出层均有一个神经元，中间层为隐层，隐层的神经元个数为X个。X≥2，且X为整数，X的确定通过逐渐增加隐层神经元数，再依据拟合精度、均方根误差同时结合生长曲线图来判断，模型结构如表1，拟合曲线图如图1所示。

表1 模型结构

图1 1∶3∶1模型结构D-A拟合曲线

由表1可知，1∶3∶1的模型结构拟合精度最高，均方根误差相对较小。由图1可知，随着年龄增加，胸径逐渐增大，当年龄达到一定数值之后，胸径增长速度降低，这符合树木的生长规律。由表1同时结合拟合曲线图，认为1∶3∶1的神经网络结构(mynet3)能较好地拟合黄龙山林区白皮松古树胸径D与年龄A间的关系。1∶3∶1的神经网络模型结构(mynet3)，经训练后，已经蕴含所有的权值和阈值矩阵，其对应的数学表达式如(1)～(4)式所示，解析木拟合结果如表2所示。

表2 解析木拟合结果

A=purelin(-0.83253D1+3.0925D2

-2.3992D3-0.96294)

(1)

D1=4.4305D-0.91583

(2)

D2=2.2985D-0.14466

(3)

D3=-11.4586D-13.598

(4)

3.2 模型检测

为检测所构建的1∶3∶1的神经网络模型的适应能力，用未参加模型训练的来自不同立地条件下的标准木数据做检测样本。以检测木胸径为输入向量，代入mynet3神经网络模型中，或将检测木胸径数值代入mynet3对应的数学表达式(1)～(4)式，能得到同样的结果。检测结果如表3所示。

表3 mynet3模型检测结果

由表3可知，将来自黄龙山林区不同立地条件的白皮松检测木胸径代入经训练后的mynet3模型，即可得到对应树木年龄的拟合值，拟合精度可达0.9803，说明所构建的神经网络模型具有较强的适应性和推广能力。

4 结论

树木的生长过程具有复杂性和非线性，而神经网络具有较好的拟合非线性的功能[16]。本研究采用神经网络建模技术，构建了黄龙山林区白皮松D-A的神经网络模型，并采用不同立地条件下白皮松树干解析资料为数据源，对所构建的D-A神经网络模型进行训练，模型的拟合精度为0.9916，训练后的神经网络模型蕴含权值和阈值矩阵。

用未参与模型训练的标准木胸径为检测数据，代入经训练后的神经网络模型，即可得到对应的树龄拟合值，拟合精度可达0.9803。

研究认为所构建的神经网络模型不仅具有较好的拟合效果，而且具有较高的适应性，可以进行推广使用。

在保证数据具有代表性的基础上，与常用的文献检索法、生长锥测定法、碳同位素法、树木年轮分析法等相比，采用构建模型测定林分年龄的方法，不仅效率高，而且成本低、精度高。