高级检索

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神经网络和支持向量机的杉木人工林收获模型研究

林卓 吴承祯 洪伟 洪滔

林卓, 吴承祯, 洪伟, 洪滔. 基于BP神经网络和支持向量机的杉木人工林收获模型研究[J]. 北京林业大学学报, 2015, 37(1): 42-54. doi: 10.13332/j.cnki.jbfu.2015.01.008
引用本文: 林卓, 吴承祯, 洪伟, 洪滔. 基于BP神经网络和支持向量机的杉木人工林收获模型研究[J]. 北京林业大学学报, 2015, 37(1): 42-54. doi: 10.13332/j.cnki.jbfu.2015.01.008
LIN Zhuo, WU Cheng-zhen, HONG Wei, HONG Tao. Yield model of Cunninghamia lanceolata plantation based on back propagation neural network and support vector machine.[J]. Journal of Beijing Forestry University, 2015, 37(1): 42-54. doi: 10.13332/j.cnki.jbfu.2015.01.008
Citation: LIN Zhuo, WU Cheng-zhen, HONG Wei, HONG Tao. Yield model of Cunninghamia lanceolata plantation based on back propagation neural network and support vector machine.[J]. Journal of Beijing Forestry University, 2015, 37(1): 42-54. doi: 10.13332/j.cnki.jbfu.2015.01.008

基于BP神经网络和支持向量机的杉木人工林收获模型研究

doi: 10.13332/j.cnki.jbfu.2015.01.008
基金项目: 

福建省科技重大专项(2012NZ0001)。

详细信息
    作者简介:

    第一作者:林卓,博士生。主要研究方向:森林经理学、森林可持续经营。Email:linchamp@163.com 地址:350002 福建省福州市仓山区上下店路15号福建农林大学林学院。
    责任作者: 吴承祯,教授,博士生导师。主要研究方向:森林经理学、森林生态学。Email:fjwcz@126.com 地址:同上。

    第一作者:林卓,博士生。主要研究方向:森林经理学、森林可持续经营。Email:linchamp@163.com 地址:350002 福建省福州市仓山区上下店路15号福建农林大学林学院。
    责任作者: 吴承祯,教授,博士生导师。主要研究方向:森林经理学、森林生态学。Email:fjwcz@126.com 地址:同上。

Yield model of Cunninghamia lanceolata plantation based on back propagation neural network and support vector machine.

  • 摘要: 以闽西北杉木人工林为研究对象,选取涵盖中龄林、近熟林、成熟林3个龄组的700个小班作为样地进行调查,以林龄、地位指数、林分密度、平均胸径作为输入变量,单位蓄积量为输出变量,运用BP神经网络和支持向量机2种机器学习方法建立林分收获模型,并采用遗传算法对模型参数进行优化。随机将样本数据分成350个训练样本和350个验证样本,对不同模型的拟合精度、预测精度进行对比分析,其中参数优化后的BP神经网络和支持向量机模型训练样本精度分别达到0.935 37和0.936 33,预测结果精度分别为0.921 30和0.926 97,训练样本和验证样本的总体拟合平均相对误差值均低于7%。分析结果表明,2种模型拟合精度高、预测性能好,为杉木人工林林分收获模拟和预测奠定了基础。为比较2种方法预测结果的差异性,将350个验证样本样地平均分为7组,分别用优化后的2种模型计算各组的预测精度,对预测精度与训练精度的差值进行t检验,结果表明,2种建模方法的预测结果不存在显著性差异,但模型精度的提高对森林资源的精确监测和森林生长动态预测具有重要的理论价值。同时,研究发现支持向量机模型的拟合精度和泛化能力均优于BP神经网络,该方法为收获模型研究提供了新思路。
  • [1] HONG W, WU C Z, HE D J. A study on the model of forest resources management based on the artificial neural network[J].Journal of Natural Resources, 1998,13(1): 69- 72.
    [2] 洪伟, 吴承祯, 何东进. 基于人工神经网络的森林资源管理模型研究[J]. 自然资源学报, 1998, 13(1): 69- 72.
    [3] HUANG J R, GAO G Q, MENG X Y. Forecasting stand diameter distribution based on artificial neural network.[J].Journal of Beijing Forestry University,2010,32(3):21- 26.
    [4] DIAMANTOPOULOU M J, MILIOS E. Modelling total volume of dominant pine trees in reforestations via multivariate analysis and artificial neural network models[J]. Biosystems Engineering, 2010, 105(3): 306- 315.
    [5] 黄家荣, 高光芹, 孟宪宇, 等. 基于人工神经网络的林分直径分布预测[J]. 北京林业大学学报, 2010,32(3): 21- 26.
    [6] LI L S. Research on growth and profit model of Taxus chinensis var. mairei plantation [D]. Beijing: Beijing Forestry University, 2011.
    [7] XU B Q, ZHANG Q L, MI H Z, et al. Growth model of Pinus tabulaeformis plantation based on BP neural network [J]. Journal of Northeast Forestry University, 2012, 39(12):33- 35.
    [8] 李良松. 南方红豆杉人工林生长与收益模型研究 [D]. 北京:北京林业大学, 2011.
    [9] 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, 2012, 39(12): 33- 35.
    [10] YANG X, ZHANG Q L. Based on artificial neural network modeling of the Larix principis rupprechtii Mayr plantation at daqing mountain in Inner Mongolia[J]. Journal of Inner Mongolia Agricultural University: Natural Science Edition, 2012,33(5- 6):76- 79.
    [11] CHE S H. Growth modeling for Chinese fir plantation based on artificial neural network [D]. Beijing: Chinese Academy of Forestry, 2012.
    [12] 杨潇, 张秋良. 基于BP人工神经网络的大青山自然保护区华北落叶松人工林全林分生长模型研究[J]. 内蒙古农业大学学报:自然科学版, 2012, 33(5- 6):76- 79.
    [13] CHEN W P. Analysis of the influence of young Chinese fir's different plantation tending modes on the amount of growth [J]. Straits Science, 2008 (8): 26- 27.
    [14] 车少辉. 基于神经网络方法的杉木人工林林分生长模拟研究[D]. 北京:中国林业科学研究院, 2012.
    [15] 陈文平. 杉木人工林不同幼林抚育模式对生长量影响的分析[J]. 海峡科学, 2008(8): 26- 27.
    [16] HU X X. Analysis of landscape pattern of Longqishan national nature reserve and its ecology evaluation [D]. Fuzhou: Fujian Agriculture and Forestry University, 2009.
    [17] AVERY T E, BURKHAR H E. Forest Measurements[M]. 4th ed. New York: McGraw-Hill Book Company, 1994.
    [18] YUE C R. Forest biomass estimation in Shangri-La County based on remote sensing [D]. Beijing: Beijing Forestry University, 2011.
    [19] LIN H, HONG T, CHEN H, et al.Multi-species design in planting industrial forests by genetic algorithm[J]. Scientia Silvae Sinicae, 2010,46(5):92- 101.
    [20] DAVIS L S, JOHNSON K N. Forest Management[M]. New York: McGraw-Hill Book Company, 1987.
    [21] REINEKE L H. Perfecting a stand-density index for even-aged forests[J]. Journal of Agriculture Research, 1933,46: 627- 638.
    [22] DANIEL T W, HELMS J A, BAKER F S. Principles of silviculture[M]. New York: McGraw-Hill Book Company, 1979.
    [23] GULLU M, YILMAZE I·, YILMAZE M, et al. An alternative method for estimating densification point velocity based on back propagation artificial neural networks[J]. Studia Geophysica et Geodaetica, 2011, 55(1): 73- 86.
    [24] KOTB M T, HADDARA M, KOTB Y T. Back-propagation artificial neural network for ERP adoption cost estimation[J]. Enterprise Information Systems, 2011,220: 180- 187.
    [25] CORTES C, VAPNIK V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273- 297.
    [26] BURGES C J C. A tutorial on support vector machines for pattern recognition[J]. Data Mining and Knowledge Discovery, 1998, 2(2): 121- 167.
    [27] 胡欣欣. 龙栖山国家级自然保护区森林景观格局分析及其生态评价[D]. 福州:福建农林大学, 2009.
    [28] 岳彩荣. 香格里拉县森林生物量遥感估测研究[D]. 北京:北京林业大学, 2011.
    [29] 林晗, 洪滔, 陈辉, 等. 应用遗传算法的工业原料林多树种造林设计[J]. 林业科学, 2010, 46(5): 92- 101.
    [30] SEDIGHHI M, AFSHARI D. Creep feed grinding optimization by an integrated GA-NN system[J]. Journal of Intelligent Manufacturing, 2010, 21(6): 657- 663.
    [31] FUNAHASHI K I. On the approximate realization of continuous mappings by neural networks[J]. Neural Networks, 1989, 2(3): 183- 192.
  • [1] 雷相东.  机器学习算法在森林生长收获预估中的应用 . 北京林业大学学报, 2019, 41(12): 23-36. doi: 10.12171/j.1000-1522.20190356
    [2] 姜俊, 刘宪钊, 贾宏炎, 明安刚, 陈贝贝, 陆元昌.  杉木人工林近自然化改造对林下植被多样性和土壤理化性质的影响 . 北京林业大学学报, 2019, 41(5): 170-177. doi: 10.13332/j.1000-1522.20190022
    [3] 耿丹, 夏朝宗, 张国斌, 刘晓东, 康峰峰.  杉木人工林灌木层生物量模型构建 . 北京林业大学学报, 2018, 40(3): 34-41. doi: 10.13332/j.1000-1522.20170257
    [4] 陈珠琳, 王雪峰.  檀香咖啡豹蠹蛾虫害的树干区域分类研究 . 北京林业大学学报, 2018, 40(1): 74-82. doi: 10.13332/j.1000-1522.20170306
    [5] 张春华, 和菊, 孙永玉, 李昆.  基于MaxEnt模型的紫椿适生区预测 . 北京林业大学学报, 2017, 39(8): 33-41. doi: 10.13332/j.1000-1522.20170002
    [6] 王冬至, 张冬燕, 张志东, 黄选瑞.  塞罕坝华北落叶松人工林断面积预测模型 . 北京林业大学学报, 2017, 39(7): 10-17. doi: 10.13332/j.1000-1522.20170072
    [7] 刘延惠, 丁访军, 崔迎春, 谢涛, 马亨发, 赵文君.  林地抚育对黔中地区杉木人工幼林生态系统碳储量的影响 . 北京林业大学学报, 2017, 39(1): 27-33. doi: 10.13332/j.1000-1522.20160021
    [8] 张文一, 景天忠, 严善春.  基于机器学习的落叶松毛虫发生面积预测模型 . 北京林业大学学报, 2017, 39(1): 85-93. doi: 10.13332/j.1000-1522.20160205
    [9] 董晨, 吴保国, 张瀚.  基于冠幅的杉木人工林胸径和树高参数化预估模型 . 北京林业大学学报, 2016, 38(3): 55-63. doi: 10.13332/j.1000-1522.20150129
    [10] 张淑琴, 费本华, 余雁, 邢新婷, 王汉坤.  杉木木材纵向弹性模量二元预测模型的构建 . 北京林业大学学报, 2012, 34(1): 123-126.
    [11] 吴永铃, 王兵, 戴伟, 王丹, 安晓娟.  林土壤酶活性与土壤性质的通径分析 . 北京林业大学学报, 2012, 34(2): 78-83.
    [12] 倪成才, 王庆丰.  火炬松人工林胸高断面积差分模型的拟合与筛选 . 北京林业大学学报, 2011, 33(3): 1-7.
    [13] 李春明.  随机截距效应在模拟杉木人工林单木胸径生长量中的应用 . 北京林业大学学报, 2011, 33(4): 7-12.
    [14] 王丹, 王兵, 戴伟, 李萍.  杉木人工林土壤有机质相关变量的敏感性分析 . 北京林业大学学报, 2011, 33(1): 78-83.
    [15] 王丹, 戴伟, 王兵, 李萍, 邓宗付, 赵超.  杉木人工林不同发育阶段土壤性质变化的研究 . 北京林业大学学报, 2010, 32(3): 59-63.
    [16] 黄家荣, 高光芹, 孟宪宇, 关毓秀.  基于人工神经网络的林分直径分布预测 . 北京林业大学学报, 2010, 32(3): 21-26.
    [17] 倪成才, 刘春梅, 丁俊峰, 潘晓茹.  差分生长模型预测误差的分析 . 北京林业大学学报, 2009, 31(4): 1-6.
    [18] 樊后保, 刘文飞, 杨跃霖, 张子文, 曹汉洋, 徐雷, .  杉木人工林凋落物分解对氮沉降增加的响应 . 北京林业大学学报, 2008, 30(2): 8-13.
    [19] 李文彬, 张俊梅, 撒潮, 王德明, 高凯.  人工林UHF频段电波传播场强预测模型 . 北京林业大学学报, 2007, 29(4): 15-18.
    [20] 冯夏莲, 温俊宝, 李雪峰, 赵燕东, 王玉涛, 张灿, 匡文慧, 谭炳香, 刘常富, 吴斌, 齐春辉, 徐文铎, 李雪萍, 段爱国, 李贤军, 邹大林, 常德龙, 郑凌凌, 程占红, 王云琦, 
    ZHAOGuang-jie, 鲁绍伟, 刘金福, 李吉跃, 张求慧, 王玉杰, 李吉跃, 洪伟, 韩烈保, 何友均, 韩士杰, 赵广杰, 余新晓, 翟洪波, 何承忠, LUOWen-sheng, 何兴元, 张建国, 温俊宝, 朱天辉, 张路平, 吴庆利, 吴斌, 李增元, 宋湛谦, 张树文, 何正权, 白陈祥, 林秦文, 张志毅, 陈尔学, ]魏晓霞, 姜伟, 匡秋明, 陈发菊, 李俊清, ]陈玮, 刘凤芹, FurunoTakeshi, 郭忠玲, 童书振, 张养贞, 骆有庆, 梁小红, 骆有庆, 何静, 黄文豪, 许志春, 安新民, 张璧光, 曾会明, 梁宏伟, 李颖, 胡伟华, 崔国发, 许志春, 郑兴波, 张军, RENQian, 张振明, 赵桂玲, 庞勇, 宋国正, 侯伟, 杨凯, 赵广亮, 李福海, PaulWolfgang, 郑杰, 雷渊才, 刘君, 李凤兰, 曹川健, 姚永刚, 李考学, 田桂芳, 张有慧, 张全来, 董建生, 李永波, 赫万成, 李长明, 张世玺.  林分断面积累积分布的研究 . 北京林业大学学报, 2006, 28(3): 86-94.
  • 加载中
计量
  • 文章访问数:  572
  • HTML全文浏览量:  60
  • PDF下载量:  9
  • 被引次数: 0
出版历程
  • 收稿日期:  2014-03-24
  • 刊出日期:  2015-01-30

基于BP神经网络和支持向量机的杉木人工林收获模型研究

doi: 10.13332/j.cnki.jbfu.2015.01.008
    基金项目:

    福建省科技重大专项(2012NZ0001)。

    作者简介:

    第一作者:林卓,博士生。主要研究方向:森林经理学、森林可持续经营。Email:linchamp@163.com 地址:350002 福建省福州市仓山区上下店路15号福建农林大学林学院。
    责任作者: 吴承祯,教授,博士生导师。主要研究方向:森林经理学、森林生态学。Email:fjwcz@126.com 地址:同上。

    第一作者:林卓,博士生。主要研究方向:森林经理学、森林可持续经营。Email:linchamp@163.com 地址:350002 福建省福州市仓山区上下店路15号福建农林大学林学院。
    责任作者: 吴承祯,教授,博士生导师。主要研究方向:森林经理学、森林生态学。Email:fjwcz@126.com 地址:同上。

摘要: 以闽西北杉木人工林为研究对象,选取涵盖中龄林、近熟林、成熟林3个龄组的700个小班作为样地进行调查,以林龄、地位指数、林分密度、平均胸径作为输入变量,单位蓄积量为输出变量,运用BP神经网络和支持向量机2种机器学习方法建立林分收获模型,并采用遗传算法对模型参数进行优化。随机将样本数据分成350个训练样本和350个验证样本,对不同模型的拟合精度、预测精度进行对比分析,其中参数优化后的BP神经网络和支持向量机模型训练样本精度分别达到0.935 37和0.936 33,预测结果精度分别为0.921 30和0.926 97,训练样本和验证样本的总体拟合平均相对误差值均低于7%。分析结果表明,2种模型拟合精度高、预测性能好,为杉木人工林林分收获模拟和预测奠定了基础。为比较2种方法预测结果的差异性,将350个验证样本样地平均分为7组,分别用优化后的2种模型计算各组的预测精度,对预测精度与训练精度的差值进行t检验,结果表明,2种建模方法的预测结果不存在显著性差异,但模型精度的提高对森林资源的精确监测和森林生长动态预测具有重要的理论价值。同时,研究发现支持向量机模型的拟合精度和泛化能力均优于BP神经网络,该方法为收获模型研究提供了新思路。

English Abstract

林卓, 吴承祯, 洪伟, 洪滔. 基于BP神经网络和支持向量机的杉木人工林收获模型研究[J]. 北京林业大学学报, 2015, 37(1): 42-54. doi: 10.13332/j.cnki.jbfu.2015.01.008
引用本文: 林卓, 吴承祯, 洪伟, 洪滔. 基于BP神经网络和支持向量机的杉木人工林收获模型研究[J]. 北京林业大学学报, 2015, 37(1): 42-54. doi: 10.13332/j.cnki.jbfu.2015.01.008
LIN Zhuo, WU Cheng-zhen, HONG Wei, HONG Tao. Yield model of Cunninghamia lanceolata plantation based on back propagation neural network and support vector machine.[J]. Journal of Beijing Forestry University, 2015, 37(1): 42-54. doi: 10.13332/j.cnki.jbfu.2015.01.008
Citation: LIN Zhuo, WU Cheng-zhen, HONG Wei, HONG Tao. Yield model of Cunninghamia lanceolata plantation based on back propagation neural network and support vector machine.[J]. Journal of Beijing Forestry University, 2015, 37(1): 42-54. doi: 10.13332/j.cnki.jbfu.2015.01.008
参考文献 (31)

目录

    /

    返回文章
    返回