基于深度神经网络的杉木树高-胸径模型研建

doi:10.13466/j.cnki.lczyyj.2024.01.011

林草资源研究 ›› 2024›› Issue (1): 82-87.doi: 10.13466/j.cnki.lczyyj.2024.01.011

基于深度神经网络的杉木树高-胸径模型研建

王贵林¹^,²(), 谭伟¹^,²(), 陈波涛³

1.贵州大学林学院,贵阳 520025
2.贵州大学林业信息工程研究中心,贵阳 520025
3.贵州省林科院,贵阳 520025

收稿日期:2023-12-26 修回日期:2024-02-02 出版日期:2024-02-28 发布日期:2024-03-22
通讯作者: 谭伟,教授,主要研究方向:森林可持续经营、林业信息和3S。Email:wtan@gzu.edu.cn
作者简介:王贵林,硕士研究生,主要研究方向:森林可持续经营。Email:1320474920@qq.com
基金资助:
贵州省科技计划项目“杉木高世代多性状新品种选育研究”(黔科合支撑合[2018]2301号)

Height-diameter Model of Cunninghamia lanceolata Based on Deep Neural Network

WANG Guilin¹^,²(), TAN Wei¹^,²(), CHEN Botao³

1. College of Forestry,Guizhou University,Guiyang 550025,China
2. Forestry Information Engineering Research Center of Guizhou University,Guiyang 550025,China
3. Guizhou Academy of Forestry Science,Guiyang 550025,China

Received:2023-12-26 Revised:2024-02-02 Online:2024-02-28 Published:2024-03-22

摘要/Abstract

摘要：

利用深度神经网络(DNN)模型建立杉木的树高-胸径模型,寻求一种更加高效的杉木树高预测方法。以贵州省清镇市国有林场49块样地中杉木的胸径、树高数据为研究对象,分成不同比例的训练集和测试集,训练集占比分别为20%,30%,40%,50%,60%,70%,80%;对应的测试集占比分别为80%,70%,60%,50%,40%,30%,20%。利用DNN构建树高-胸径模型,并将其与11个传统基础模型进行比较,通过R²、RMSE和MAE对比选出预测效果最好的模型,并根据最优模型添加林木胸径与优势木平均胸径比(DDH),以提高模型的预测精度。利用DNN模型建立的树高-胸径模型在训练集占比为20%的情况下,加入DDH因子后其预测精度R²达到0.89。利用DNN构建杉木树高-胸径模型对杉木树高进行预测,在使用较小数据量的前提下加入DDH因子能够提高对杉木树高的预测效果。

关键词: 杉木, 深度神经网络, 林木胸径与优势木平均胸径比, 树高-胸径模型

Abstract:

By using the deep Neural Network (DNN) model to establish the tree height-diameter model of Cunninghamia lanceolata, we are seeking a more efficient method for predicting the tree height of Cunninghamia lanceolata.The diameter at breast height and tree height data of Cunninghamia lanceolata in 49 plots of state-owned forest farm in Qingzhen City,Guizhou Province were studied,and divided into different proportions of training set and test set data.This consists of training set data(20%,30%,40%,50%,60%,70%,80%,respectively)and test set data(80%,70%,60%,50%,40%,30%,20%,respectively).DNN was used to build a tree height-diameter model,and the model was compared with 11 traditional basic models.Select the model with the best predictive performance by comparing the results of R²,RMSE and MAE.Adding the ratio of diameter at breast height to average diameter at breast height(DDH)of dominant trees based on the optimal model to improve the prediction accuracy.When the training set proportion of the DNN model is 20%,the prediction accuracy of the tree height-diameter model can reach more than 0.89 after adding DDH factor.DNN was used to build a height-diameter model to predict the height of Cunninghamia lanceolata,and adding DDH factor could improve the prediction accuracy of Cunninghamia lanceolata height with a smaller dataset.

Key words: Cunninghamia lanceolata, DNN, DDH, height-diameter model

中图分类号:

S758

王贵林, 谭伟, 陈波涛. 基于深度神经网络的杉木树高-胸径模型研建[J]. 林草资源研究, 2024,(1): 82-87.

WANG Guilin, TAN Wei, CHEN Botao. Height-diameter Model of Cunninghamia lanceolata Based on Deep Neural Network[J]. Forest and Grassland Resources Research, 2024,(1): 82-87.

图/表 6

表1

图1

表2

表3

图2

图3

参考文献 23

[1]	郭卫红, 郑庆荣, 胡砚秋, 等. 山西五台山主要针叶树种树高-胸径曲线模型研究[J]. 湖南林业科技, 2022, 49(6):72-77.
[2]	王景弟, 杨蕊, 田育新. 枫香和杉木树高-胸径模型的拟合与评价[J]. 湖南林业科技, 2021, 48(4):64-67.
[3]	刘金义. 辽东山区人工红松枝下高模型的研建[J]. 林业科技通讯, 2022(8):95-98.
[4]	李晓晶. 杂种落叶松树高-胸径模型的研究[J]. 林业科技情报, 2020, 52(4):28-30.
[5]	郭嘉, 孙帅超, 田相林, 等. 引入优势木树高建立的秦岭林区松栎林树高-胸径模型[J]. 东北林业大学学报, 2019, 47(11):66-72.
[6]	Cheng Deng, Zhang Yiyi, Lu Jiangyan, et al. Thinning effects on the tree height-diameter allometry of Masson Pine(Pinus massoniana Lamb.)[J]. Multidisciplinary Digital Publishing Institute, 2019, 10(12):1129.
[7]	Mensah S, Pienaar O L, Kunneke A. Height-Diameter allometry in South Africa's indigenous high forests:Assessing generic models performance and function forms[J]. For.Ecol.Manag. 2018, 410:1-11.
[8]	Khamyong N, Wangpakapattanawong P, Chairuangsri S, et al. Tree species composition and height-diameter allometry of three forest types in Northern Thailand[J]. CMU J.Nat. Sci.2018, 17(4):289-306.
[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.
[10]	卯光宪, 谭伟, 柴宗政, 等. 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, 2020, 37(4):752-760.
[11]	Chen Xinxin, Jiang Kang, Zhu Yunshi, et al. Individual tree crown segmentation directly from UAV-Borne LiDAR data using the point net of deep learning[J]. Forests 2021, 12(2):131. doi: 10.3390/f12020131
[12]	Ercanli I. Innovative DNN artificial intelligence applications for predicting relationships between individual tree height and diameter at breast height[J]. Forest Ecosystems, 2020, 7(1):7-12. doi: 10.1186/s40663-020-0216-9
[13]	Maler S, Miglietta F, Gobakken T, et al. Prediction of stem diameter and biomass at individual tree crown level with advanced machine learning techniques[J]. iForest-Biogeosciences and Forestry, 2019(3).
[14]	Loubota P G J, Bocko Y E, Mavoungou A Y, et al. Height-diameter allometry in African monodominant forest close to mixed forest[J]. Journal of Tropical Ecology, 2021(2):37.
[15]	梁瑞婷, 孙玉军, 李芸. 深度学习和传统方法模拟杉木树高-胸径模型比较[J]. 林业科学研究, 2021, 34(6):65-72.
[16]	Dantas D, Calegario N, Fausto W A J, et al. Multilevel nonlinear mixed-effects model and machine learning for predicting the volume of eucalyptus spp.trees[J]. Cerne, 2020, 26(1),48-57. doi: 10.1590/01047760202026012668
[17]	Aguilar F J, Nemmaoui A, Aguilar M A, et al. Building tree allometry relationships based on TLS point clouds and machine learning regression[J]. Applied Sciences, 2021, 11(21):10139. doi: 10.3390/app112110139
[18]	Casas G G, Gonzales D G E, Villanueva J R B, et al. Configuration of the deep neural network hyperparameters for the hypsometric modeling of the Guazuma crinita Mart in the Peruvian Amazon[J]. Forests 2022, 13(5):697. doi: 10.3390/f13050697
[19]	Wang Jiamin, Chen Xinxin, Cao Lin, et al. Individual rubber tree segmentation based on ground-based LiDAR data and faster R-CNN of deep learning[J]. Forests, 2019, 10(9):793. doi: 10.3390/f10090793
[20]	贺梦莹. 长白落叶松-水曲柳混交林冠幅与冠长预测模型的研究[D]. 哈尔滨: 东北林业大学, 2020.
[21]	曹晓梅, 苗铮, 郝元朔, 等. 基于树种分类的帽儿山阔叶混交林树高-胸径模型[J/OL]. 应用生态学报:1-17(2024-01-12)[2024-02-02].http://doi.org/10.13287/j.1001-9332.202402.016.
[22]	Ercanli I. Artificial intelligence with DNN algorithms to model relationships between total tree height and diameter at breast height[J]. Forest Systems, 2020, 29(2):103.
[23]	Corte A, Souza D V, Rex F E, et al. Forest inventory with high-density UAV-Lidar:Machine learning approaches for predicting individual tree attributes[J]. Computers and Electronics in Agriculture, 2020, 179:105815. doi: 10.1016/j.compag.2020.105815

变量	训练集(n=3 795)
变量	平均值	最小值	最大值	标准差	变异系数
胸径/cm	17.68	5.1	49.4	6.91	0.39
树高/m	12.81	2.7	22.2	3.38	0.26

二八比例(训练集占比为20%、测试集占比80%)
方法	Power模型 (M1)	Michaelis-Menten 模型(M2)	Curtis模型 (M3)	深度神经网络模型(DNN)
方法	Power模型 (M1)	Michaelis-Menten 模型(M2)	Curtis模型 (M3)	Relu	Adam	L2	Dropout
决定系数R²	0.634	0.661	0.63	0.661	0.669	0.671^*	0.661
平均绝对误差MAE	1.716	1.634	1.726	1.622	1.606	1.599^*	1.63
均方根误差RMSE	2.137	2.053	2.149	2.053	2.029	2.024^*	2.052
三七比例(训练集占比为30%、测试集占比70%)
方法	Power模型 (M1)	Michaelis-Menten 模型(M2)	Curtis模型 (M3)	深度神经网络模型(DNN)
方法	Power模型 (M1)	Michaelis-Menten 模型(M2)	Curtis模型 (M3)	Relu	Adam	L2	Dropout
决定系数R²	0.638	0.659	0.634	0.584	0.584	0.583	0.587
平均绝对误差MAE	1.766	1.688	1.774	1.716	1.715	1.716	1.711
均方根误差RMSE	2.191	2.107	2.201	2.116	2.117	2.120	2.110
四六比例(训练集占比为40%、测试集占比60%)
方法	Power模型 (M1)	Michaelis-Menten 模型(M2)	Curtis模型 (M3)	深度神经网络模型(DNN)
方法	Power模型 (M1)	Michaelis-Menten 模型(M2)	Curtis模型 (M3)	Relu	Adam	L2	Dropout
决定系数R²	0.634	0.662^*	0.631	0.654	0.656	0.657	0.654
平均绝对误差MAE	1.646	1.571^*	1.654	1.568	1.563	1.562	1.573
均方根误差RMSE	2.055	1.971^*	2.065	1.976	1.971	1.968	1.976

基于深度神经网络的杉木树高-胸径模型研建

Height-diameter Model of Cunninghamia lanceolata Based on Deep Neural Network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 23

相关文章 15

编辑推荐

Metrics

本文评价

[1]	杜志, 陈振雄, 李锐, 罗崇彬, 杨国锦, 曾伟生. 引入林分优势高和气候因子的杉木和桉树树高-胸径模型研建[J]. 林业资源管理, 2023, 0(4): 36-42.
[2]	闫保银, 姜文龙, 范俊俊, 项铮, 黄俊. 基于LiDAR技术的杉木人工林碳储量估算研究[J]. 林业资源管理, 2023, 0(3): 134-139.
[3]	蓝肖, 郝海坤, 黄开勇, 陈琴, 戴俊, 程琳, 陈仕昌. 杉木人工林生物量分布特征及其碳计量参数[J]. 林业资源管理, 2023, 0(2): 50-56.
[4]	黄孝发, 张伟, 岑巨延, 吴国欣, 黄淑莹. 广西杉木立木材积模型优化筛选研究[J]. 林业资源管理, 2022, 0(6): 61-67.
[5]	晏姝, 邓厚银, 胡德活, 王润辉, 韦如萍, 郑会全, 邹奕华, 陈夏薇. 粤北生态公益林区杉木纯林与混交林的综合质量评价研究[J]. 林业资源管理, 2022, 0(5): 69-75.
[6]	焦洁洁, 李领寰, 汪建民, 孙杰杰, 吴初平, 姚良锦, 王志高, 袁位高. 午潮山杉阔混交林种子雨与土壤种子库特征研究[J]. 林业资源管理, 2022, 0(4): 28-35.
[7]	罗蜜, 黄昌谋, 韩华, 黄敏球, 宁剑, 潘波, 曹继钊. 袋控缓释肥对桉树和杉木人工林生长及土壤理化性质的影响[J]. 林业资源管理, 2021, 0(5): 104-111.
[8]	贺鹏, 陈振雄, 刘宪钊. 湖南省马尾松和杉木林分断面积生长模型构建[J]. 林业资源管理, 2021, 0(5): 56-61.
[9]	吴旭平, 吕勇, 张雄清, 易烜, 朱光玉. 基于立地因子的杉木人工林断面积生长混合效应模型研究[J]. 林业资源管理, 2021, 0(2): 75-82.
[10]	李志明. 基于分层的19a生半天然杉阔混交林特征分析[J]. 林业资源管理, 2020, 0(6): 123-127.
[11]	许冰冰, 边更战, 易烜, 朱光玉, 齐战涛, 吕勇. 湖南杉木人工林单木干形特征及影响因子研究[J]. 林业资源管理, 2020, 0(5): 82-88.
[12]	曾伟生. 总体与林分水平的树高-胸径模型对蓄积量估计的影响分析[J]. 林业资源管理, 2019, 0(6): 38-41.
[13]	王奕茹, 李际平, 曹小玉, 李琪媛. 杉木-闽楠混交林林分结构与生产力功能耦合关系研究[J]. 林业资源管理, 2019, 0(2): 54-59.
[14]	孙宇, 李际平, 曹小玉, 徐占勇. 不同龄组杉木生态公益林土壤肥力综合评价[J]. 林业资源管理, 2019, 0(1): 57-62.
[15]	周全, 王瑞辉, 钟呈, 周阳超, 符伟男. 抚育间伐对不同龄林杉木人工林土壤理化性质和固土保水的影响研究[J]. 林业资源管理, 2018, 0(4): 47-54.