基于机器学习算法的樟子松立木材积预测

doi:10.12302/j.issn.1000-2006.202104014

国家林草科技领军期刊
中国精品科技期刊
中国高校百佳科技期刊
江苏省新闻出版政府奖期刊奖
RCCSE林学权威期刊（A+）
CSCD核心期刊
Scopus数据库收录期刊
中文核心期刊
SCD核心期刊

作者加群：102861116

微信公众号：南京林业大学学报

高级检索

南京林业大学学报（自然科学版） ›› 2023, Vol. 47 ›› Issue (1): 31-37.doi: 10.12302/j.issn.1000-2006.202104014

所属专题：智慧林业之森林参数遥感估测

• 专题报道Ⅰ:智慧林业之森林参数遥感估测 • 上一篇下一篇

基于机器学习算法的樟子松立木材积预测

孙铭辰(), 姜立春()

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

收稿日期:2021-04-12 接受日期:2021-08-04 出版日期:2023-01-30 发布日期:2023-02-01
基金资助:
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)

Standing volume prediction of Pinus sylvestris var. mongolica based on machine learning algorithm

SUN Mingchen(), JIANG Lichun()

Key Laboratory of Sustainable Forest Ecosystem Management, Ministry of Education, School of Forestry, Northeast Forestry University, Harbin 150040, China

Received:2021-04-12 Accepted:2021-08-04 Online:2023-01-30 Published:2023-02-01

1. 基于机器学习算法的樟子松立木材积预测——补充材料.zip(23696KB)

摘要/Abstract

摘要： 【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。

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)

Abstract:

【Objective】 Using various, nonlinear machine learning algorithms, different volume models were constructed and compared to provide a theoretical basis for the accurate prediction of the volume of Pinus sylvestris var. mongolica.【Method】 A total of 184 felled Pinus sylvestris var. mongolica trees in the Tuqiang Forestry Bureau of the Greater Khingan Mountains were used to establish a nonlinear binary volume model (NLR). Three optimal machine learning algorithms were obtained using the K-fold cross test and OOB error test, including back propagation neural network (BP), ε-support vector regression (ε-SVR), and random forest (RF). An optimal volume model was obtained by comparing and analyzing the differences between the different models. 【Result】 The results showed that the machine learning algorithm was superior to the traditional binary volume model in the fitting and prediction of standing volume, and the specific order was RF > BP > ε-SVR > NLR. Compared with the traditional model, the R² of RF increased by 2.00%; the RMSE, RMSE% and MAE decreased by 22.95%, 22.93% and 36.34%, respectively; and the absolute value of MRB was lower than the real value, which proved the superiority of RF in volume prediction. 【Conclusion】 Machine learning algorithms can effectively improve the accuracy at which standing volume can be predicted, providing a new solution for the accurate investigation and management of forest resources.

Key words: Pinus sylvestris var. mongolica, binary volume model, BP neural network, ε-support vector regression(ε-SVR), random forest(RF)

中图分类号:

S791.253

孙铭辰,姜立春. 基于机器学习算法的樟子松立木材积预测[J]. 南京林业大学学报（自然科学版）, 2023, 47(1): 31-37.

SUN Mingchen, JIANG Lichun. Standing volume prediction of Pinus sylvestris var. mongolica based on machine learning algorithm[J].Journal of Nanjing Forestry University (Natural Science Edition), 2023, 47(1): 31-37.DOI: 10.12302/j.issn.1000-2006.202104014.

图/表 8

表1

表2

图1

表3

图2

表4

图3

表5

参考文献 29

[1]	MAO P, QIN L J, HAO M Y, et al. An improved approach to estimate above-ground volume and biomass of desert shrub communities based on UAV RGB images[J]. Ecol Indic, 2021, 125: 107494. DOI:10.1016/j.ecolind.2021.107494. doi: 10.1016/j.ecolind.2021.107494
[2]	MUUKKONEN P. Generalized allometric volume and biomass equations for some tree species in Europe[J]. Eur J Forest Res, 2007, 126(2): 157-166. DOI:10.1007/s10342-007-0168-4. doi: 10.1007/s10342-007-0168-4
[3]	廖祖辉. 福建桉树人工林材积表和蓄积量表编制的研究[J]. 福建林业科技, 2005, 32(2):17-20.
	LIAO Z H. Studies of the volume table and stocking table compilations of Eucalyptus plantations[J]. J Fujian For Sci Technol, 2005, 32(2): 17-20. DOI:10.13428/j.cnki.fjlk.2005.02.005. doi: 10.13428/j.cnki.fjlk.2005.02.005
[4]	吕勇, 刘辉, 王才喜. 杉木林分蓄积量不同测定方法的比较[J]. 中南林学院学报, 2001, 21(4): 50-53.
	LV Y, LÜ H, WANG C X. Comparison of the different measurement methods of stand volume[J]. J Central South For Univ, 2001, 21(4): 50-53. DOI:10.3969/j.issn.1673-923X.2001.04.006. doi: 10.3969/j.issn.1673-923X.2001.04.006
[5]	WIANT H V JR, WOOD G B, WILLIAMS M. Comparison of three modern methods for estmating volume of sample trees using one or two diameter measurements[J]. For Ecol Manag, 1996, 83(1/2): 13-16. DOI:10.1016/0378-1127(96)03708-5. doi: 10.1016/0378-1127(96)03708-5
[6]	OZCELIK R, WIANT H, BROOKS J. Accuracy using xylometry of log volume estimates for two tree species in Turkey[J]. Scan J Forest Res, 2008, 23(3): 272-277. DOI: 10.1080/02827580801995323. doi: 10.1080/02827580801995323
[7]	曾伟生. 杉木相容性立木材积表系列模型研建[J]. 林业科学研究, 2014, 27(1): 6-10.
	ZENG W S. Establishment of compatible tree volume equation systems of Chinese fir[J]. For Res, 2014, 27(1): 6-10. DOI:10.13275/j.cnki.lykxyj.2014.01.002. doi: 10.13275/j.cnki.lykxyj.2014.01.002
[8]	许晴, 李晓莎, 许中旗, 等. 塞罕坝地区樟子松立木材积表研究[J]. 林业资源管理, 2017(1): 57-62.
	XU Q, LI X S, XU Z Q, et al. Study on the volume table of scotch pine in Saihanba aera[J]. For Resour Manag, 2017(1): 57-62. DOI:10.13466/j.cnki.lyzygl.2017.01.011. doi: 10.13466/j.cnki.lyzygl.2017.01.011
[9]	雷相东. 机器学习算法在森林生长收获预估中的应用[J]. 北京林业大学学报, 2019, 41(12): 23-36.
	LEI X D. Applications of machine learning algorithms in forest growth and yield prediction[J]. J Beijing For Univ, 2019, 41(12): 23-36. DOI:10.12171/j.1000-1522.20190356. doi: 10.12171/j.1000-1522.20190356
[10]	CUTLER D R, EDWARDS T C J, BEARD K H, et al. Random forests for classification in ecology[J]. Ecology, 2007, 88(11): 2783-2792. DOI:10.1890/07-0539.1. doi: 10.1890/07-0539.1 pmid: 18051647
[11]	GUAN B T, GERTNER G. Modeling red pine tree survival with an artificial neural network[J]. For Sci, 1991, 37(5): 1429-1440. DOI:10.1093/forestscience/37.5.1429. doi: 10.1093/forestscience/37.5.1429
[12]	MARIA J D. Artificial neural networks as an alternative tool in pine bark volume estimation[J]. Comput Electron Agric, 2005, 48(3): 235-244. DOI:10.1016/j.compag.2005.04.002. doi: 10.1016/j.compag.2005.04.002
[13]	MARIA J D, ÖZÇELIK R, YAVUZ H. Tree-bark volume prediction via machine learning: a case study based on black alder’s tree-bark production[J]. Comput Electron Agric, 2018, 151: 431-440. DOI:10.1016/j.compag.2018.06.039. doi: 10.1016/j.compag.2018.06.039
[14]	COLIN J G, JONGHO I. Forest biomass estimation from airborne LiDAR data using machine learning approaches[J]. Remote Sens Environ, 2012, 125: 80-91. DOI: 10.1016/j.rse.2012.07.006. doi: 10.1016/j.rse.2012.07.006
[15]	MARIA J D, MILIOS E. Modelling total volume of dominant pine trees in reforestations via multivariate analysis and artificial neural network models[J]. Biosyst Eng, 2010, 105(3): 306-315. DOI: 10.1016/j.biosystemseng.2009.11.010. doi: 10.1016/j.biosystemseng.2009.11.010
[16]	ÖZCELIK R, MARIA J D, BROOKS J R, et al. Estimating tree bole volume using artificial neural network models for four species in Turkey[J]. J Environ Manag, 2010, 91(3): 742-753. DOI: 10.1016/j.jenvman.2009.10.002. doi: 10.1016/j.jenvman.2009.10.002
[17]	WU J W, YAO W, CHOI S, et al. A comparative study of predicting DBH and stem volume of individual trees in a temperate forest using airborne waveform LiDAR[J]. IEEE Geosci Remote Sens Lett, 2015, 12(11): 2267-2271. DOI:10.1109/LGRS.2015.2466464. doi: 10.1109/LGRS.2015.2466464
[18]	MUSHAR S H, AHMAD S S, KASMIN F, et al. Machine learning approach for estimating tree volume[J]. J Phys: Conf Ser, 2020, 1502(1): 012039. DOI:10.1088/1742-6596/1502/1/012039. doi: 10.1088/1742-6596/1502/1/012039
[19]	BHERING L L, CRUZ C D, DE AZEVEDO P L, et al. Application of neural networks to predict volume in eucalyptus[J]. Crop Breed Appl Biotechnol, 2015, 15(3): 125-131. DOI:10.1590/1984-70332015v15n3a23. doi: 10.1590/1984-70332015v15n3a23
[20]	靳晓东, 姜立春. 基于树干不同形率的樟子松立木材积方程研建[J]. 北京林业大学学报, 2020, 42(3):78-86.
	JIN X D, JIANG L C. Equation construction on standing tree volume of Pinus sylvestris var. mongolica based on different form quotients of trunk[J]. J Beijing For Univ, 2020, 42(3):78-86. DOI:10.12171/j.1000-1522.20190047. doi: 10.12171/j.1000-1522.20190047
[21]	张明铁. 单株立木材积测定方法的研究[J]. 林业资源管理, 2004(1):24-26.
	ZHANG M T. Study on volume measurement of single trees[J]. For Resour Manag, 2004(1): 24-26. DOI:10.13466/j.cnki.lyzygl.2004.01.005. doi: 10.13466/j.cnki.lyzygl.2004.01.005
[22]	RUMELHART D E, HINTON G E, WILLIAMS R J. Learning internal representations by error propagation[J]. Read Cognit Sci, 1988, 323(6088):399-421. DOI:10.1016/B978-1-4832-1446-7.50035-2. doi: 10.1016/B978-1-4832-1446-7.50035-2
[23]	王轶夫, 孙玉军, 郭孝玉. 基于BP神经网络的马尾松立木生物量模型研究[J]. 北京林业大学学报, 2013, 35(2): 17-21.
	WANG Y F, SUN Y J, GUO X Y. Single-tree biomass modeling of Pinus massoniana based on BP neural network[J]. J Beijing For Univ, 2013, 35(2): 17-21. DOI: 10.13332/j.1000-1522.2013.02.018. doi: 10.13332/j.1000-1522.2013.02.018
[24]	徐晓明. SVM参数寻优及其在分类中的应用[D]. 大连: 大连海事大学, 2014.
	XU X M. SVM parameter optimization and its application in the classification[D]. Dalian: Dalian Maritime University, 2014.
[25]	曹正凤. 随机森林算法优化研究[D]. 北京: 首都经济贸易大学, 2014.
	CAO Z F. Study on optimization of random forests algorithm[D]. Beijing: Capital University of Economics and Business, 2014.
[26]	BREIMAN L. Bagging predictors[J]. Mach Learn, 1996, 24(2): 123-140. DOI:10.1007/bf00058655. doi: 10.1007/bf00058655
[27]	DING S, CHANG X H, WU Q H. A study on approximation performances of improved BP neural networks based on LM algorithms[J]. Appl Mech Mater, 2013, 411/412/413/414: 1935-1938. DOI:10.4028/www.scientific.net/amm.411-414.1935. doi: 10.4028/www.scientific.net/amm.411-414.1935
[28]	杜军岗, 魏汝祥, 刘宝平. 基于PSO优化LS-SVM的小样本非线性协整检验与建模研究[J]. 系统工程理论与实践, 2014, 34(9): 2322-2331. doi: 10.12011/1000-6788(2014)9-2322
	DU J G, WEI R X, LIU B P. Nonlinear cointegration test and error correction modeling based on LS-SVM optimized by PSO in small sample[J]. Syst Eng-theory Pract, 2014, 34(9): 2322-2331. DOI: CNKI:SUN:XTLL.0.2014-09-015. doi: CNKI:SUN:XTLL.0.2014-09-015.
[29]	HAJAR A S, AZIZAH A N, HASZLINNA M N. Adoption of machine learning techniques in software effort estimation: an overview[J]. IOP Conf Ser: Mater Sci Eng, 2019, 551(1): 012074. DOI:10.1088/1757-899x/551/1/012074.

样本 sample	统计量 statistics	胸径/cm DBH	树高/m tree height	材积/m³ volume
训练样本 train sample	最大值max	50.70	25.70	2.38
	最小值min	6.30	5.80	0.01
	平均值average	27.95	18.28	0.71
	标准差SD	12.12	4.33	0.60
测试样本 test sample	最大值max	50.50	25.60	2.37
	最小值min	7.60	6.30	0.02
	平均值average	28.87	18.85	0.75
	标准差SD	12.16	4.26	0.61

类型 type	算法 algorithm	R²	RMSE	RMSE%	MAE
梯度下降算法 gradient descent algorithms	GDX	0.933 3	0.139 8	19.703 1	0.108 1
	GDA	0.920 4	0.159 5	23.140 5	0.120 8
	RP	0.954 0	0.116 8	16.255 9	0.086 1
共轭梯度算法 conjugate gradient algorithms	CGB	0.954 8	0.110 5	16.128 4	0.076 8
	CGF	0.958 0	0.116 1	16.575 5	0.083 5
	CGP	0.950 2	0.126 6	18.055 4	0.089 0
	SCG	0.947 7	0.119 1	16.918 8	0.090 8
拟牛顿及其他优化算法 quasi Newton and other optimization algorithms	BFG	0.946 6	0.116 6	16.525 3	0.087 5
	OSS	0.932 7	0.132 3	19.482 9	0.098 3
	LM	0.960 8	0.096 0	13.319 9	0.065 3

核函数 kernel function	C	核参数 gamma	R²	RMSE	RMSE%	MAE
线性核函数 line	0.117 0	1.697 4	0.874 9	0.212 6	30.120 5	0.132 0
多项式函数 polynomial	0.122 7	9.854 5	0.954 9	0.127 7	18.083 9	0.079 2
径向基核函数 RBF	12.861 1	3.100 1	0.972 1	0.100 3	14.206 7	0.054 1

模型 model	数据集 dataset	R²	RMSE	RMSE%	MAE	MRB
NLR	训练train	0.963 0	0.115 6	16.380 8	0.076 8	-5.699 5
	测试test	0.953 1	0.130 7	17.503 5	0.091 9	-4.900 3
BP	训练train	0.976 0	0.093 1	13.191 5	0.056 1	-2.090 4
	测试test	0.962 8	0.116 4	15.584 4	0.075 1	-1.636 3
ε-SVR	训练train	0.972 2	0.100 3	14.206 7	0.054 1	-2.594 5
	测试test	0.960 4	0.120 1	16.077 6	0.075 3	1.283 5
RF	训练train	0.996 0	0.037 8	5.358 5	0.021 9	-1.550 8
	测试test	0.972 2	0.100 7	13.489 4	0.058 5	0.169 0

模型 model	数据集 dataset	z值 z value	P	结论 conclusion
NLR	训练train	0.033 3	0.973 5	不存在明显差异
	测试test	0.147 8	0.882 5	不存在明显差异
BP	训练train	0.031 3	0.975 1	不存在明显差异
	测试test	-0.027 3	0.978 2	不存在明显差异
ε-SVR	训练train	-0.222 7	0.823 8	不存在明显差异
	测试test	-0.120 1	0.904 4	不存在明显差异
RF	训练train	0.021 7	0.982 7	不存在明显差异
	测试test	0.085 1	0.932 2	不存在明显差异

基于机器学习算法的樟子松立木材积预测

Standing volume prediction of Pinus sylvestris var. mongolica based on machine learning algorithm

RichHTML

PDF

详细数据

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 29

相关文章 15

编辑推荐

Metrics

本文评价

作者

读者

审稿

[1]	徐海顺, 钱宸, 秦雪. 基于BP神经网络的城市蓝绿开放空间社会介质属性评价[J]. 南京林业大学学报（自然科学版）, 2024, 48(6): 193-200.
[2]	赵金满, 韩馨悦, 程瑞明, 张志东. 塞罕坝自然保护区华北落叶松和樟子松人工林健康评价[J]. 南京林业大学学报（自然科学版）, 2024, 48(3): 199-206.
[3]	刘雅楠, 刘洋, 兰再平, 铁牛, 张梦弢, 王成德, 罗奇辉, 张晨. 不同灌溉方式对樟子松生长、光合特性及土壤水分运移的影响[J]. 南京林业大学学报（自然科学版）, 2022, 46(4): 135-143.
[4]	王甜, 王雪峰, 刘嘉政. 基于RFE_RF算法的幼龄沉香叶片含水率预估模型[J]. 南京林业大学学报（自然科学版）, 2022, 46(4): 177-184.
[5]	范佳辉, 张亚丽, 李明诗. 基于空间光谱信息协同的城市不透水层提取方法比较研究[J]. 南京林业大学学报（自然科学版）, 2021, 45(1): 212-218.
[6]	宋来萍, 刘礴霏, 王玉华, 高敬泽. 呼伦贝尔沙地不同树龄樟子松对气候的响应[J]. 南京林业大学学报（自然科学版）, 2020, 44(2): 159-164.
[7]	刘文丽, 包怡红. 松针精油的协同抑菌效应及机制[J]. 南京林业大学学报（自然科学版）, 2020, 44(2): 98-104.
[8]	杜学惠,孟春,刘美爽. 基于单个特征分类准确率的特征选择方法研究[J]. 南京林业大学学报（自然科学版）, 2019, 43(04): 109-116.
[9]	沈剑波,雷相东,李玉堂,兰莹. 基于BP神经网络的长白落叶松人工林林分平均高预测[J]. 南京林业大学学报（自然科学版）, 2018, 42(02): 147-154.
[10]	何盛,徐军,吴再兴,包永洁,于辉,陈玉和. 毛竹与樟子松木材孔隙结构的比较[J]. 南京林业大学学报（自然科学版）, 2017, 41(02): 157-162.
[11]	徐静,孙洪志,郭滨德. 帽儿山地区樟子松优良种源的选择[J]. 南京林业大学学报（自然科学版）, 2017, 41(01): 61-68.
[12]	赵洪刚,刘彦龙,孙耀星,乐磊,吴俊华. 激光切割工艺参数对切割樟子松切缝效率的影响[J]. 南京林业大学学报（自然科学版）, 2016, 40(06): 203-206.
[13]	徐朝阳,李健昱,翟胜丞,徐德良. 樟子松木材横纹压缩时黏弹性与能量吸收特性研究[J]. 南京林业大学学报（自然科学版）, 2016, 40(02): 127-131.
[14]	何盛,林兰英,傅峰,曹平祥. 指接材端压有限元的模拟分析[J]. 南京林业大学学报（自然科学版）, 2014, 38(02): 16-20.
[15]	佟达,张燕,宋魁彦. 人工林胡桃楸幼龄期与成熟期界定方法的比较[J]. 南京林业大学学报（自然科学版）, 2013, 37(03): 103-109.