基于机器学习的吉林天然针阔混交林生长建模

摘要

森林生长模型能够预测林木生长变化，为森林经营决策提依据。传统统计模型在应用时常常需满足一定的假设前提，如独立、正态分布和等方差，且存在非线性回归参数难以收敛等问题。森林数据很难满足这些要求。非参数、数据驱动的机器学习方法的快速发展，为森林生长建模提供了一个新的途径，并成为生长收获模型发展的一种趋势。但缺乏系统性的应用研究，尤其是天然混交林的研究很少。本文以吉林省天然针阔混交林为对象，着重回答以下几个科学问题:不同机器学习模型对天然针阔混交林生长预测的表现如何？与传统生长模型相比有哪些差异？影响天然针阔混交休林分生长的主要因素有哪些？如何模拟天然针阔混交林的生长？基于吉林省连续五次(1994-2014)国家森林资源连续清査610块针阔混交林固定样地数据、ClimateAP软件提取的气候因子数据以及SoilGHds系统获取的土壤属性数据，采用7种常用的机器学习算法，包括随机森林(Random forest,RF)、增强回归树(Boosted regression tree,BRT)、多元自适应回归样条(Multivariate adaptive regression splines,MARS)、Cubist、神经网络(Artificial neural networks,ANN)、最近邻(k-nearest neighbors,k-NN)和支持向量机(Support ector machine,SVM),构建了全林分和组成树种的5年间隔期期末平均高、平均胸径、蓄积、断面积、生物量、株数密度、枯死和进界模型;比较了传统统计模型与机器学习模型在预测林分平均高、断面积、株数密度、枯死以及进界上的表现;模拟了落叶松-阔叶混交林、红松-阔叶混交林以及云冷杉-阔叶混交林二种生长类型样地的长期生长。主要结果如下:　　(1)利用7种机器学习算法系统地构建了天然针阔混交林全林分和各组成树种5年间隔期期末平均高、平均胸径、蓄积、断面积、生物量、株数密度、枯死和进界模型。模型输入变量包括期初林分因子、结构、立地与上壤、间伐和气候等，对各模型进行了调参分析。10折交叉验证结果表明:除枯死和进界外，7类机器学习模型的预估结果均较好。其中平均高、平均胸径、蓄积、断面积、生物量以及株数密度模型决定系数R2cv介于0.4808-0.9789,相对均方根误差rRMSRcv介于0.0228-0.9036。枯死和进界模型R2cv介于0.0018-0-4934,rRMSEcv大于1。总体而言，k-NN模型的预佔效果明显不如RF等其它6类模型，而其它6类模型间的预估精度差异较小。当模型自变量逐渐增加时，RF等6类模型的预估精度逐渐升高，而模型的预估精度呈下降的趋势。全林分模型和组成树种模型得到的林分因子估计值有一定差异，与组成树种模型相比，全林分模型的林分断面积、蓄积、生物量和株数密度预测的平均相对误差(RE)降低了17.57％-31.37％。　　(2)基于RF和BRT模型分析了输入变量对天然针阔混交林全林分5年间隔期期末平均高、平均胸径、蓄积、生物量、株数密度、枯死以及进界影响的相对贡献率以及偏依赖关系。结果表明，期初林分因子对5年间隔期期末平均高等8类林分指标的相对贡献率最大(相对贡献率介于45.20％-86.51％)，其它依次为林分平均年龄、立地与土壤、林分结构、间伐以及气候等因子(相对贡献率在0.44％-16.46％之间）。RF和BRT产生的因变量对自变量的偏依赖关系具有合理的林学意义。　　(3)选用了RF(用户使用方便，超参数调优过程简单，对输入数据预处理耍求少）这一预估精度好的集成学习模型作为基础模型，模拟/落叶松-阔叶混交林、红松-阔叶混交林以及云冷杉-阔叶混交林三种森林类型的样地在2014-2099年间全林分和组成树种各类指标的生长变化情况。结果表明，模型能描述混交林不同树种的生长过程和差异，3种森林类型的自然生长均表现出阔叶树种增加的趋势，揭示了混交林的生长规律。　　(4)系统比较了传统非线性回归模型与机器学习模型在预测平均高、断面积、株数密度、枯死以及进界上的模型表现，表明二者对平均高、断面积和株数密度的预估精度比较高，而对枯死和进界的预估效果均欠佳，但机器学习模型在预估平均高、断面积和株数密度的模型表现略优于传统统计模型(R2cv升高3.44％-32.57％,rRMSEcv下降4.89％-67.34％)。总体来说，机器学习模型具有与传统统计模型相当的泛化能力和统计可靠性。　　(5)利用机器学习模型建模时，参数调优过程十分必要，超参数配置不同，训练出模型的性能会有显著的差别。　　总之，机器学习模型在林分生长预测方面有较人的潜力，具有良好的预估能力，可用于天然混交林的生长预估和模拟。

目录

声明

摘要

第一章绪论

1．1．1研究背景

1．1．2研究目的和意义

1．1．3项目来源与经费支持

1．2机器学习算法及其在森林生长与收获中应用现状

1．2．1机器学习算法

1．2．2机器学习算法在森林生长与收获预估中的应用研究现状

1．3存在的问题与发展趋势

1．3．1数据

1．3．2机器学习算法

1．4研究内容

1．4．1构建基于机器学习算法的全林分和各组成树种生长模型

1．4．2传统统计模型与机器学习模型预测林分生长的比较

1．4．3针阔混交林林分生长模拟

1．5技术路线

第二章研究材料与方法

2．2数据来源

2．3研究方法

2．3．1模型输入输出

2．3．2建模策略

2．3．3机器学习算法

2．3．4输入变量筛选

2．3．5模型评价

2．3．6传统统计模型与机器学习模型预测林分生长的比较

2．3．7模拟全林分和组成树种生长变化

第三章基于机器学习算法的全林分生长模型

3．1林分平均高模型

3．1．1模型调参

3．1．2模型结果比较

3．2平均胸径模型

3．3林分断面积模型

3．4林分蓄积模型

3．5林分生物量模型

3．6株数密度模型

3．7林分枯死模型

3．8林分进界模型

3．9本章小结

第四章基于机器学习算法的组成树种生长模型

4．1组成树种平均高模型

4．2组成树种平均胸径模型

4．3组成树种断面积模型

4．4组成树种蓄积模型

4．5组成树种生物量模型

4．6组成树种株数密度模型

4．7组成树种枯死模型

4．8组成树种进界模型

4．9组成树种与全林分模型预估结果的比较

4．10本章小结

第五章传统统计模型与机器学习模型预测混交林林分生长的比较

5．1平均高模型

5．1．1传统统计模型

5．1．2机器学习模型

5．1．3模型对比

5．2断面积模型

5．2．1传统统计模型

5．2．2机器学习模型

5．2．3模型对比

5．3株数密度模型

5．3．1传统统计模型

5．3．2机器学习模型

5．3．3模型对比

5．4枯死模型

5．4．1传统零膨胀统计模型

5．4．2机器学习模型

5．4．3模型对比

5．5进界模型

5．5．1传统统计零膨胀模型

5．5．2机器学习模型

5．5．3模型对比

5．6本章小结

第六章基于机器学习算法的针阔混交林生长模拟

6．1森林类型划分

6．2落叶松-阔叶混交林

6．3红松-阔叶混交林

6．4云冷杉-阔叶混交林

6．5本章小结

第七章结论与讨论

7．1主要结论

7．2讨论

7．2．1机器学习模型调参和变量选择

7．2．2不同机器学习模型表现

7．3展望

7．4主要创新点

参考文献

附录

在读期间的学术研究

致谢