| 依据机器学习算法的杉木干形模拟 |
| |
| 引用本文： | 梁瑞婷,周来,谢运鸿,丁志丹,孙玉军.依据机器学习算法的杉木干形模拟[J].东北林业大学学报,2021,49(10):21-26. |
| |
| 作者姓名： | 梁瑞婷 周来 谢运鸿 丁志丹 孙玉军 |
| |
| 作者单位： | 森林资源和环境管理国家林业和草原局重点开放性实验室(北京林业大学) ,北京,100083 |
| |
| 摘 要： | 利用福建省将乐国有林场46株杉木(Cunninghamia lanceolata)的793组干形数据,根据十折交叉验证,采用最近邻法(KNN)、随机森林(RF)和人工神经网络(ANN)3种机器学习算法对杉木干形进行模拟,并与传统削度模型(TM)进行比较分析.采用决定系数(R2)、均方根误差(ERMS)、平均误差(EM)和平均绝对误差(EMA)4个评价指标对模型的拟合结果和预测结果进行排序,并结合残差图和相对偏差图等进行分析.研究表明:(1)4个模型的决定系数均大于0.95,最近邻法、传统削度模型和人工神经网络的均方根误差小于1 cm,能较好地描述杉木树干形状.(2)人工神经网络对绝大部分树干的估计最精确,R2分别在0.98以上.其检验集的绝大部分残差都在-2～1 cm,训练集的相对偏差在-50％～50％.(3)其次是最近邻法模型,其训练集的残差范围在4个模型间最小,但泛化预测能力不如人工神经网络模型.(4)随机森林模型精度最低,且其预测集残差分布有随直径(di)增大而增大的趋势.传统削度模型模型表现居中.结果表明:人工神经网络模型与最近邻法模型的拟合精度与预测精度均高于传统削度模型模型,能更精确地模拟杉木干形,且机器学习算法可以不满足传统回归的统计学假设前提.利用机器学习预测林木干形是一种可靠的方法,在生产经营中值得考虑.
|
| 关 键 词： | 人工神经网络 最近邻法 随机森林 杉木干形 |
Simulating Cunninghamia lanceolata Stem Shape Using Machine Learning |
| |
| Liang Ruiting,Zhou Lai,Xie Yunhong,Ding Zhidan,Sun Yujun.Simulating Cunninghamia lanceolata Stem Shape Using Machine Learning[J].Journal of Northeast Forestry University,2021,49(10):21-26. |
| |
| Authors: | Liang Ruiting Zhou Lai Xie Yunhong Ding Zhidan Sun Yujun |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 万方数据 等数据库收录！ |
|
