南京林业大学学报(自然科学版)

作者：孙铭辰,姜立春

单位：东北林业大学林学院,森林生态系统可持续经营教育部重点实验室, 黑龙江 哈尔滨 150040

关键词：樟子松,二元材积模型,BP神经网络,ε-支持向量回归(ε-SVR),随机森林(RF)

基金：国家自然科学基金项目(31570624),黑龙江省应用技术研究与开发计划(GA19C006),黑龙江省头雁创新团队计划,国家林业和草原科学数据中心黑龙江子平台(2005DKA32200-OH)

【目的】 通过非线性和多种机器学习算法构建并对比不同的立木材积模型,为樟子松(Pinus sylvestris var. mongolica)立木材积的精准预测提供理论依据。【方法】 以大兴安岭图强林业局184株樟子松伐倒木数据为基础,建立非线性二元材积模型(NLR),并通过十折交叉检验和袋外数据(OOB)误差检验的方法得到3种最优机器学习算法,包括:反向神经网络(BP)、ε-支持向量回归(ε-SVR)和随机森林(RF)。对比分析不同模型间的差异,得到最优立木材积模型。【结果】 机器学习算法在立木材积的拟合和预测中均优于传统二元材积模型,具体拟合结果排序为RF>BP>ε-SVR> NLR。其中RF的决定系数(R2)比传统模型的提高了2.00%,均方根误差(RMSE)、相对均方根误差(RMSE%)、平均绝对误差(MAE)分别降低了22.90%、22.93%、36.34%,且与真实值相比平均相对误差(MRB)的绝对值更低,证明了RF在立木材积预测中的优越性。【结论】 机器学习算法作为一种新兴的建模方法可以有效地提高立木材积的预测精度,为森林资源的精准调查和经营管理提供新的解决方案。

来源：2023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2023年第1期