基于卷积神经网络的尾巨桉混交林胸径-树高模型

作     者：任一平 杨梅 任世奇 朱慧 韦振道 伍琪 

作者机构：广西大学林学院 广西壮族自治区林业科学研究院南宁桉树森林生态系统广西野外科学观测研究站 

出 版 物：《热带亚热带植物学报》 (Journal of Tropical and Subtropical Botany)

年 卷 期：2024年

学科分类：0907[农学-林学] 08[工学] 0829[工学-林业工程] 09[农学] 

基　　金：广西科技基地和人才专项(桂科AD20325008) 中央财政林业科技推广示范项目(2021TG18) 广西林业科技推广示范项目(2021TG15)资助 

主　　题：森林培育 尾巨桉 混交林 树高 卷积神经网络 

摘      要：运用卷积神经网络（CNN）对尾巨桉（Eucalyptus urophylla×E. grandis）中大径材混交林的树高进行预测，为森林资源监测和评价提供理论依据。该研究以南宁桉树野外站24块尾巨桉大径材套种米老排（Mytilaria laosensis）、红锥（Castanopsis hystrix）、灰木莲（Manglietia glauca）、火力楠（Michelia macclure）形成的混交林为研究对象，结合林分优势高分树种（组），运用样本信息与卷积神经网络先验信息统计推断，经过训练得到各树种（组）适宜模型结构。使用基本一致的建模数据求解传统的树高方程，未参与建模样地作为验证集对比分析基于非线性模型或非线性混合效应6种经典模型和3种基于激活函数的CNN模型方法进行验证。结果表明，N?slund、Curtis、Logistic、Weibull、Gomperz、Korf传统模型和L-M模型（模型一）均方根误差（RMSE）为2.5～5.6；ReLU激活函数卷积神经网络模型（模型二）的RMSE=2.304 2，R2=0.814 9；Logistic激活函数卷积神经网络模型（模型三）的R2=0.958 8。CNN的激活函数模型无需依赖经验模型筛选，与传统经验模型相比，基于Logistic方程的树高-胸径卷积神经网络模型决定系数高且均方根误差低，拟合精度普遍更高，能更好地拟合不同树种的生长规律，提高预测的准确性和稳定性，优化林业的生态和经济效益。