基于机器学习的落叶松树皮厚度预测

  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（H_r）。基于训练样本，与Model5相比，随机森林的R2从0.675 2提高到0.723 4，RMSE从0.575 5降低到0.531 0。随机森林检验结果与Model5相比R2从0.666 9调高到0.710 5，RMSE从0.616 9降低到0.544 6。  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。