基于人工神经网络对栎树天然林地位指数模拟系统的研究

黄旭光, 周俊朝, 黄柏华, 黄家荣, 杨保国, 谢鹏芳

(1.河南农业大学林学院,河南 郑州 450000；2.中国林业科学研究院热带林业实验中心,广西 凭祥 532600)



基于人工神经网络对栎树天然林地位指数模拟系统的研究

黄旭光1,2, 周俊朝1, 黄柏华2, 黄家荣1, 杨保国2, 谢鹏芳1

(1.河南农业大学林学院,河南 郑州 450000；2.中国林业科学研究院热带林业实验中心,广西 凭祥 532600)

以驻马店薄山林场的天然栎树次生林为研究对象, 用人工神经网络建立地位指数模型。 用MATLAB语言编程, 开发出栎树天然林地位指数模拟系统。以10块栎树标准地的调查数据为训练样本, 对所建模型进行分析、训练。结果表明, 最佳网络结构为1∶3∶1, 其拟合精度为98.36%；系统模拟完全符合森林资源调查及预测的精度要求, 是一个结构简单、界面直观、操作方便的地位指数模拟系统。

薄山林场；栎树；人工神经网络；地位指数模拟系统

影响林分生长量和收获量的因素中, 除了林分年龄、密度及相关经营措施外, 林地的立地质量也是影响林分生长的一个重要因素。一般来说, 在林业上评定林地立地质量最常用的方法就是树高法, 其常用的参考指标为地位指数,即在某一立地上特定标准年龄(基准年龄)时林分优势木的树高平均值[1]。通常来讲, 树种不同其基准年龄不同, 如贵州马尾松为20 a[2]；太行山栎树天然次生林为30 a[3]。地位指数模型研究方面, 国内很多林业工作者通过不同方法对不同树种进行了研究。徐罗等[4]对云冷杉针阔混交林进行研究, 根据其胸径-林龄曲线构建了3种不同地位指数导向曲线。高光芹等[5]通过人工神经网络技术对马尾松进行研究, 构建其多形地位指数曲线式和计算式模型, 较传统技术构建的多形地位指数模型更能真实模拟各地位级的多形曲线。 胡欣欣等[6]以优势高和地位指数的估测误差最小为目标函数, 采用粒子群优化算法求解地位指数曲线模型的参数, 使模型总体误差更小, 拟合效果更加理想, 为森林经营中生长模型的相关研究提供了新思路。陈绍玲[7]利用马尾松优势木树干解析材料, 选择合适的生长方程构建多形地位指数曲线模型, 便于推广应用。马天晓[8]基于人工神经网络建模技术, 以登封少林寺林区和薄山林场大岭林区为对象, 系统地对森林立地的分类和评价做了深入研究。陈晨等[9]通过对驻马店薄山林场马尾松人工林的研究, 分别利用RICHARDS方程和BP神经网络技术建立了马尾松人工林的地位指数模型。严仁发[10], 林杰等[11], 梁标等[12]分别根据不同地区马尾松人工林的资料为研究对象, 得出了不同的地位指数导向曲线模型。本研究以BP神经网络技术构建栎树天然林地位指数模型, 在MATLAB的GUI界面开发其动态模拟系统, 使林场的森林资源经营管理更加科学化和信息化。

1 材料与方法

1.1 试验地概况

薄山林场于1954年设立, 地处驻马店确山县城南20 km处, 坐标为东经113°56′, 北纬32°39′, 地处秦岭淮河南北分界线上, 伏牛山与桐柏山交汇处, 由大岭、土门、芦庄、园庙、黄山坡、肖沟6个营林区及吴沟茶场组成, 总面积6 017 hm2, 森林覆盖率82.11%。林场地处南北气候过渡带, 年均气温15.1 ℃, 年均降雨量786 mm, 无霜期220 d左右；林场地形多系桐柏山余脉的丘陵地, 山势平缓, 高差较小, 海拔150～250 m, 坡度15～30°。植被属于亚热带与暖温带过渡性植被类型, 主要树种为栎类、马尾松、刺槐、杨树等, 稀有树种是湿地松、火炬松和毛竹。

1.2 数据来源和整理

本研究林分生长模型的数据来源于驻马店薄山林场, 调查、搜集林场历年来不同立地条件、不同年龄的栎树标准地70余块。调查的主要数据有：树龄、林分平均胸径、平均高、优势木树高、每公顷株数，部分标准地调查数据见表1。对各标准地数据进行整理,选取其中3/4的数据作为样本进行模型构建, 剩余1/4数据作为检验样本, 对构建的模型进行检验分析。在构建模型前, 对数据进行归一化处理, 能提高神经网络泛化能力, 使数据样本在训练迅速收敛, 模型训练能够较快达到平稳状态[13]。

表1 部分标准地数据表Table 1 Part of sample date table

1.3 模型的构建和训练

以年龄作为模型的输入矩阵, 以栎树的优势木平均树高HT组成的矩阵作为输出矩阵, 构建栎树的地位指数模型(图1)。

图1 模型结构Fig.1 The model structure

结构图左边的黑框为输入层节点,右边的方框为输出层节点,2者之间的是隐含层。隐含层神经元个数是不确定的, 根据具体样本训练的结果比较确定。IW{1, 1}为隐含层到输入层的权值矩阵;LW{2, 1}为隐含层到输出层的权值矩阵,b{1}、b{2}分别为隐含层到输入层、输出层的阈值矩阵。隐含层神经元中的“S”形符号表示神经元的传递函数,1是MATLAB中的Logsig函数；输出层神经元中的“/”代表其传递函数为线性函数,1是MATLAB中的Purelin函数。输出层神经元用线性函数作为传递函数,就是要保证输出值可以是任意值。模型的函数表达式为：

(1)

(2)

模型建立后, 对所建模型进行反复训练和比较, 根据模型的性能选取最佳模型进行地位指数模拟系统构建。

1.4 系统构建

MATLAB提供了一个可视化图像界面的开发环境GUIDE(Graphical User Interface Development Environment), 其功能和VB 等软件接近。MATLAB在这个界面可以给用户提供一个应用程序, 进行数据, 方法的演示。

1.4.1 系统界面构建 通过MATLAB的GUI界面编辑器增加控件, 构建系统界面及图像界面(图2)。

图2 地位指数模拟系统界面Fig.2 The interface of site index simulation system

1.4.2 系统程序编写 系统界面构建完成后, 打开与之对应生成的M文件, 在M文件里对系统进行程序代码编写。点击地位指数模拟系统的“图形”菜单, 在菜单编辑器的右侧点击Callback, 确定回调函数在M文件中的位置, 在其框架语言后面编写代码：

Function Untitled_11_Callback(hObject, eventdata, handles)；% 系统语言

SIFigure；% 画出地位指数曲线

打开地位指数模拟系统界面, 鼠标右键“运行”按钮的回调函数, 找到其回调函数在M文件中的位置, 在其后面编写代码：

CurrentPath = pwd; FilePath = [CurrentPath, 'SInet.mat']; load(FilePath);

A = Str2num(get(handles.edit1, 'string')); % A--林分年龄

HT = Str2num(get(handles.edit4, 'string')); % HT--优势木平均高

SI=18.7744*HT/sim(SInet, A); SI--地位指数,

Set(handles.edit3, 'string', num2str(si));

2 结果与分析

2.1 模型训练结果

在MATLAB系统中，对所建模型反复进行训练和比较, 其结果为：当隐含层神经元个数S为3, 即模型结构为1∶3∶1, 训练次数为1 000时, 模型最佳。此时, 模型的均方差指标MSE为0.083 794 5, 总体拟合精度为98.36%。将最佳模型命名为HTnet, 即栎树平均优势木高生长模型。将其权值和阈值分别代入(1)、(2)中, 得到HTnet的数学模型：

HT=Purelin(-4.032 5h1+156.625 1h2-68.937 7h3-64.492 9)

(3)

h1=Logsig(-0.249 3A-22.598 5)

(4)

h2=Logsig(0.062 1A+1.677 4)

(5)

h3=Logsig(0.486 1A+1.727 7)

(6)

式 (3) ～ (6) 的网络模型仿真表达式为：

HT=sim(HTnet, A)

(7)

式中：Sim为MATLAB的仿真表达函数；HTnet为训练好的网络模型, 它定义和存储了包括权值和阈值矩阵在内的所有模型参数。在MATLAB环境中, 将HTnet调入工作空间,通过公式 (7) 代入已知的林分年龄, 就可以计算相应的林分平均优势木高。

2.2 模型性能分析

2.2.1 模型仿真效果分析 由式 (7)可知, 所建模型的仿真函数表达式一般记作：

HT=Sim(HTnet, A)

(8)

将输入样本矩阵A代入可以得出模型模拟的输出矩阵, 即模拟的平均优势木树高。用MATLAB的制图函数Plot(x, y)做出该模型的仿真过程(图3中理论值)。其走势符合林分平均优势木树高随年龄的增加而变大的生长过程，表明所建模型符合林木生长规律。

2.2.2 模型拟合精度分析 拟合精度即准确度,准确度计算公式为：

在MATLAB中, 精度计算公式为：

Pc=1-Sum(abs(HTnet-errors)/Sum(HT)

(9)

式中：HTnet-errors为网络模型的训练误差, 在训练过程中自动生成。用该式计算最佳模型的拟合精度为98.36%。在训练和比较的诸模型中，该精度不是最高的，但其对应的模型最符合林木生长规律。

2.2.3 模型检验精度分析 将余下检验数据组织为输入矩阵输出矩阵, 将输入矩阵代入神经网络模型仿真式 (7) 中, 计算出理论值。由误差拟合公式(9)计算拟合精度, 其检验拟合精度为98.16%。在MATLAB中用绘图函数Plot(x, y)可以在二维空间里绘制平均优势高的理论值和实际值的对照图, 这样可以更加直观地展示检验模型的精度效果。林分平均优势高随年龄变化的预测理论值和实际值的分布效果(图3), 模型的检验精度分析满足要求。通过仿真效果分析、拟合精度和检验精度分析, 所建的模型是符合要求的。

图3 林分平均优势木高随年龄变化的预测值与实际值分布Fig.3 The distribution fitting value with actual value for stand average high dominant tree with age

2.3 地位指数计算

由地位指数的概念可知, 它是在标准年龄A0时的平均优势高。根据林分平均优势高生长的神经网络仿真模型 (7) 式, 地位指数SI的模型表达式为：

SI=Sim(HTnet, A0)

(10)

将式 (8) 和 (10) 比较可以得到地位指数曲线式为：

HT=Sim(HTnet, A)*SI/sim(HTnet, A0)

(11)

地位指数的计算式为：

SI=HT*Sim(HTnet, A0)/Sim(HTnet, A)

(12)

栎树天然林的标准年龄为30 a,代入式 (12) 可以得到栎树天然林地位指数计算式：

SI=18.7744HT/Sim(HTnet, A)

(13)

地位指数曲线式为：

HT=0.0533SI*Sim(HTnet, A)

(14)

通过式 (13) 计算年龄A和优势木平均高HT对应的地位指数SI；通过式 (14) 计算年龄A和地位指数SI所对应的优势木平均高HT，并可绘制不同地位级的优势木平均高生长过程曲线(地位指数曲线)。

2.4 系统运行结果

打开MATLAB软件, 选择保存好的系统文件, 打开进入GUI界面, 点击主菜单“栎树天然林地位指数模拟系统”出现2个下拉菜单, 选择地位指数模拟系统的“系统”菜单, 单击打开, 弹出1个地位指数模拟系统的弹窗, 在林分年龄和优势木平均高的窗口里分别输入 “10”和“8.5”, 点击“运行”按钮, 在输出界面的地位指数窗口出现模拟的地位指数“17.750 7”(图4左部)；单击地位指数模拟系统菜单下的“图形”菜单, 则出现地位指数曲线图(图4右部)。

3 结论与讨论

以驻马店薄山林场的栎树天然林标准地调查数据为研究对象, 用BP神经网络建模技术对地位指数模型进行了系统研究。研究结果表明, 人工神经网络建模技术对森林地位指数的模拟是可行的, 并且能解决一些常规方法不能解决的问题。

(1)由于地位指数与林分优势木平均高之间的存在非线性关系, 用各种数学模拟方法得到的相关模型总存在着差异, 难以完全正确反映2者之间的关系。ANN能对任意非线性映射进行任意逼近, 在非线性系统建模方面具有明显的优势[14]。本研究通过人工神经网络建模技术构建的地位指数模型精确度高, 模拟效果较好, 适宜推广应用。

(2)以薄山林场的栎树天然林标准地的资料为训练样本, 以年龄为输入变量, 以优势木平均高为输出变量, 创建网络结构为1∶3∶1的优势木高人工神经网络模型, 模型的均方差指标MSE为0.083 794 5, 其拟合精度为98.36%, 检验精度为98.16%。

图4 地位指数模拟系统运行界面和地位指数曲线Fig.4 The operation interface of site index simulation system and site index curve

(3)利用MATLAB的图形用户界面构建栎树天然林地位指数模拟系统, 系统不需要复杂计算和操作便能够模拟地位指数的动态变化情况, 而且系统界面简单、明了, 更加方便实现人机交互, 从而使天然林经营管理更加快捷、简单、准确。

[1] 孟宪宇. 测树学[M]. 北京：中国林业出版社, 2006.

[2] 黄家荣, 任宜群, 高光芹.森林生长的人工神经网络建模[M].北京：中国农业出版社, 2006.

[3] 马增旺, 毕 君, 刘德章. 太行山天然次生林主要树种地位指数表的编制[J].山西林业科技, 1995(3) : 13-16.

[4] 徐 罗, 亢新刚, 刘 洋,等.长白山天然云冷杉针阔混交林地位指数导向曲线的模拟[J].东北林业大学学报, 2014(4):32-37.

[5] 高光芹, 郭 芳, 黄家荣,等.用人工神经网络构建多形地位指数模型[J].西部林业科学, 2014 (4):101-105.

[6] 胡欣欣, 王李进.应用粒子群算法优化地位指数曲线模型参数研究[J].南京信息工程大学学报, 2011, 3(4):360-364.

[7] 陈绍玲.马尾松人工林多形地位指数曲线模型的建模方法[J].中南林业科技大学学报, 2008, 28(2):125-128.

[8] 马天晓.基于人工神经网络的森林立地分类与评价[D]. 郑州：河南农业大学, 2006.

[9] 陈 晨, 刘光武, 康文涛, 等.马尾松人工林地位指BP模型研究[J].西北林学院学报, 2009, 24(2):128-130.

[10]严仁发. 贵州马尾松(人工林)地位指数表初步编制[J]. 贵州农学院丛刊, 1989(12):115-121.

[11]林 杰, 陈平留, 倪传彪, 等. 马尾松人工林地位指数表编制的研究[J]. 福建林学院学报.1981, 1(1):39-48.

[12]梁 标, 谭励健. 广东大岭山林场马尾松人工林立地指数表编制探讨[J]. 中国林业调查规划, 1983 (1):1-30.

[13]闻 新, 周 露, 李 翔, 等. Matlab神经网络仿真与应用[M]. 北京：科学出版社, 2003.

[14]黄家荣. 马尾松人工林生长的人工神经网络模型研究[D]. 北京：北京林业大学, 2005.

(责任编辑：梁保松)

Study of oak growth dynamic simulation system based on artificial neural network

HUANG Xuguang1,2, ZHOU Junchao1, HUANG Baihua2, HUANG Jiarong1, YANG Baoguo2, XIE Pengfang1

(1.College of Forestry, Henan Agricultural University, Zhengzhou 450000, China；2.Experimental Center of Tropical Forestry, Chinese Academy of Forestry, Pingxiang 532600, China)

The site index model was established based on artificial neural network, taking the natural secondary forest oak tree in Boshan forest farm of Zhumadian as research object. By using MATLAB programming language and based on the established site index model, an automatic query interface was developed, and a natural oak forest site index simulation system was developed. Using the survey data from 10 oak standard plots as training samples, the established model was analyzed and trained. The results show that the optimal network structure is 1∶3∶1, and the overall fitting accuracy is 98.36%. The simulation system is fully in compliance with the accuracy requirements of forest resource survey and prediction, with simple structure and intuitive interface, and is easy to operate.

Boshan forest farm； oak tree； artificial neural network； site index simulation system

2015-01-10

河南省科技攻关项目(0624050007)

黄旭光 (1987-)，男，河南舞钢人，硕士，从事森林经理方面的研究。

黄家荣 (1957-)，男，贵州水城人，教授，博士。

1000-2340(2015)02-0190-05

S757

A