[目的]胸径生长率模型是研究林分生长变化、森林生长收获预估以及生物量和碳储量动态变化等的基础支撑,对于森林资源管理具有重要意义.探索利用多层感知机神经网络技术建立上海市单木胸径生长率模型,为上海市森林资源年度监测数据更新提供技术支撑.[方法]利用第六次至第九次全国森林资源连续清查上海市1999、2004、2009、2014年4期固定样地调查数据,对复位样木按照两倍标准差法进行胸径生长异常值剔除,再按照树种和前期胸径分组进行数据合并,分组计算样木胸径生长量的算术平均值,然后按复利式计算出相应的生长率,进而分别建立水杉、樟树、女贞、木兰、杨树5个树种的传统非线性回归和人工神经网络多层感知机的单木胸径生长率模型.使用确定系数(R2)和估计值剩余标准差(SEE)进行模型评价,使用确定系数(R2)、估计值剩余标准差(SEE)、平均预估误差(MPE)和平均百分标准误差(MPSE)进行预估评价.[结果]5个树种单木胸径生长率建模时,非线性回归模型的确定系数(R2)达到0.854、0.790、0.691、0.641和0.608,多层感知机模型确定系数(R2)达到0.903、0.863、0.802、0.684和0.650,后者确定系数(R2)较非线性回归模型分别提高0.049、0.073、0.111、0.043和0.042,多层感知机模型的估计值剩余标准差(SEE)较非线性回归模型均有所下降,5个树种分别下降0.13、0.26、0.32、0.12和0.10;预估后期胸径时,非线性回归模型确定系数(R2)达到0.880、0.832、0.526、0.860和0.799,多层感知机模型确定系数(R2)达到0.883、0.839、0.561、0.862和0.803,后者确定系数(R2)较非线性回归模型分别提高0.003、0.007、0.035、0.002和0.004,2种模型的平均预估误差MPE均在2％以内,平均百分标准误差(MPSE)均在20％以内,多层感知机模型的估计值剩余标准差(SEE)、平均预估误差(MPE)和平均百分标准误差(MPSE)较非线性回归模型均有所下降,5个树种估计值剩余标准差(SEE)分别下降0.02、0.05、0.07、0.01和0.04,平均预估误差(MPE)分别下降0.01、0.01、0.05、0.01和0.02,平均百分标准误差(MPSE)分别下降0.26、0.09、0.56、0.47和0.33.[结论]多层感知机可以避免模型选型和违背传统统计假设处理.与非线性回归模型相比,多层感知机胸径生长率模型的建模精度和预估精度略有提高,为上海市森林资源年度监测数据更新提供参考.

单木模型;胸径生长率;非线性回归模型;多层感知机模型

肖舜祯;刘强;徐志扬;刘龙龙;朱海伦

国家林业和草原局华东调查规划院,浙江 杭州 310019

江西农业大学学报

[1]肖舜祯;刘强;徐志扬;刘龙龙;朱海伦-.基于MLP的上海市主要树种单木胸径生长率模型)[J].江西农业大学学报,2022(05):1169-1176

MPSE

MLP,主要树种,单木胸径生长,胸径生长率,生长率模型,林分生长,生长变化,生物量,碳储量,森林资源管理,神经网络技术,立上,年度监测,监测数据更新,第六次,第九次,森林资源连续清查,固定样地,样地调查,复位,两倍,标准差法,异常值剔除,数据合并,胸径生长量,算术平均值,复利,水杉,樟树,女贞,木兰,杨树,人工神经网络,估计值,SEE,模型评价,MPE,标准误差,估评,非线性回归模型,多层感知机模型,模型确定,别下,违背,统统,统计假设,建模精度,单木模型

0.190612