典型文献
基于机器学习的落叶松树皮厚度预测
文献摘要：
[目的]研究多个机器学习算法在树皮厚度预测中的应用,对比分析不同单木因子对树皮厚度预测的影响,为树皮厚度预测提供新的方法.[方法]以大兴安岭天然林落叶松为研究对象,基于树皮厚度数据,构建4个机器学习算法(神经网络ANN、支持向量回归SVR、决策树CART、随机森林RF),并将其在预测树皮厚度方面的性能与6个传统树皮厚度模型比较.采用决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)和赤池信息准则(AIC)来评价不同模型和算法.[结果](1)在6个基础模型中Model5预测效果较好.基础模型与机器学习模型比较中,除CART4模型,其他机器学习模型拟合精度均好于传统模型Model5;(2)机器学习模型中ANN4和SVR3拟合和预测精度相似,RF4拟合效果最好.(3)RF4的输入变量为胸径(DBH)、树高(H)、相对树高(Hr).基于训练样本,与Model5相比,随机森林的R2从0.6752提高到0.7234,RMSE从0.5755降低到0.5310.随机森林检验结果与Model5相比R2从0.6669调高到0.7105,RMSE从0.6169降低到0.5446.[结论]相对于基础树皮厚度模型,机器学习算法中的随机森林,支持向量回归和人工神经网络都能提高树皮厚度的预测精度,其中随机森林的预测效果最好,适合该区域落叶松树皮厚度的预测.
文献关键词：
树皮厚度;支持向量回归;神经网络;随机森林;决策树
中图分类号：
作者姓名：
张孟库;姜立春
作者机构：
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
文献出处：
引用格式：
[1]张孟库;姜立春-.基于机器学习的落叶松树皮厚度预测)[J].北京林业大学学报,2022(06):54-62
A类：
Model5,CART4,ANN4,SVR3,RF4
B类：
基于机器学习,落叶松,松树,树皮厚度,厚度预测,机器学习算法,单木因子,大兴安岭,天然林,支持向量回归,决策树,厚度模,模型比较,决定系数,RMSE,平均绝对误差,MAE,赤池信息准则,AIC,和算,基础模型,机器学习模型,模型拟合,拟合精度,传统模型,拟合效果,胸径,DBH,树高,Hr,训练样本,调高,人工神经网络,高树,合该
AB值：
0.215518
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
