南京林业大学学报(自然科学版)

作者：周钰祺,孙玉军,谢运鸿,梁瑞婷,颜雯

单位：<sup class=\mag-xml-aff-label-sup added-by-sys\>1</sup> 北京林业大学森林资源和环境管理国家林业和草原局重点开放性实验室, 北京 100083,<sup class=\mag-xml-aff-label-sup added-by-sys\>2</sup> 青海省黄南州麦秀林场, 青海 泽库 811399

关键词：冠幅模型,杉木,深度学习,深度神经网络(DNN),SHAP可解释性分析

基金：国家自然科学基金项目(31870620),林业科学技术推广项目([2019]06)

【目的】 以福建省将乐国有林场为研究区,构建福建将乐地区杉木人工林深度学习冠幅模型,分析树木大小、林分结构、林分竞争对杉木冠幅预测的贡献。【方法】利用深度神经网络(deep neural network,DNN)构建6个NDD模型,并利用SHAP(shapley additive explanations)解释器解释各变量在模型中的特征重要性。构建一个广义冠幅模型,并与输入相同相关系数优选变量的DNN模型进行比较,验证DNN模型的可靠性。【结果】构建的DNN模型均无过拟合,十折交叉验证的均方根误差(RMSE)和平均误差(MAE)均稳定。由所有13个变量构成的DNN模型(DNN5)的决定系数(R2)达到0.60,表现最佳,但输入6个变量的DNN模型(DNN3和DNN4)的R2分别为0.58和0.57,更符合实际应用要求,DNN模型在处理多变量数据时具有良好的鲁棒性。经过相关系数优选变量构成的DNN6模型的R2(0.54)高于同等变量构成的广义冠幅模型的R2(0.46)。胸径的SHAP贡献值最大,此外林分结构中的林分断面积、林分密度指数以及林分竞争中麦金托什直径均匀度等级和基尼系数在特征排序中占据了重要的位置,引入这两类变量能较大幅度地提高冠幅模型的准确度。【结论】构建的DNN模型能够较好地预测研究区杉木冠幅,深度学习在杉木冠幅预测方面有很大的潜力。

来源：2026年第1期

《南京林业大学学报(自然科学版)》期刊编辑部

查看南京林业大学学报(自然科学版)杂志2026年第1期