免费文献传递   相关文献

Establishing Indices for Rapid Assessment of Forest Health Based on BP Neural Networks

基于BP神经网络确立森林健康快速评价指标


拟定森林健康快速评价(RAFH)指标,通过对训练样本的模式识别来构建一个BP神经网络,观察其能否收敛,并以测试样本为新的输入项进行模拟,采用误差百分比法、线性回归检验法和Nash-Sutcliffe效率法对模拟值与期望值的吻合程度进行检验,以此验证拟定指标的合理性。结果表明:在隐含层神经元n≥16时,网络能较好地收敛,说明该网络输入项——林分层次结构、病虫害程度和土壤厚度3个指标的训练样本值与目标输出项——森林健康精准评价(PAFH)结果的非线性相关程度高;模拟值与期望值的相对误差均值为-6.1409%,回归方程斜率为0.9683,截距为0.0490,Nash-Sutcliffe效率为0.9054,均表明二者之间吻合较好。因此,林分层次结构、病虫害程度和土壤厚度可以作为森林健康快速评价(RAFH)的指标。

The indices of rapid assessment of forest health (RAFH) were given and their rationalities were tested based on BP neural networks in terms of convergence effects of BP networks established according to pattern recognition of training data and the consistency tests between simulation outputs and expected outputs with three methods including percent error, linear regression and Nash-Sutcliffe efficiency. The results of convergence effects showed that the networks could converge properly with 16 or more neurons in hidden layer, which indicated that there was a significant, nonlinear correlation between the inputs derived from training data values of 3 indices consisting of stand structure, severity of pest and disease and soil thickness and the target outputs resulting from precision assessment of forest health (PAFH). The reults of consistency tests demonstrated with mean relative error (-6.140 9%), the Nash-Sutcliffe efficiency (0.905 4) as well as the slope (α=0.968 3) and the intercept (b=0.049 0) of the regression equation indicated high consistency between simulation outputs and excepted outputs. Therefore, stand structure, severity of pest and disease and soil thickness could be considered as indices of rapid assessment of forest health (RAFH).


全 文 :第 wv卷 第 tu期
u s s z年 tu 月
林 业 科 学
≥≤Œ∞‘׌„ ≥Œ∂ „∞ ≥Œ‘Œ≤„∞
∂²¯1wv o‘²1tu
⁄¨ ¦qou s s z
基于 …°神经网络确立森林健康快速评价指标 3
甘 敬t ou 朱建刚t 张国祯u 余新晓t
kt1 北京林业大学 北京 tsss{v ~ u1北京市园林绿化局 北京 tsssu|l
摘 要 } 拟定森林健康快速评价k• „ƒ‹l指标 o通过对训练样本的模式识别来构建一个 …°神经网络 o观察其能否
收敛 o并以测试样本为新的输入项进行模拟 o采用误差百分比法 !线性回归检验法和 ‘¤¶«2≥∏·¦¯¬©©¨ 效率法对模拟值
与期望值的吻合程度进行检验 o以此验证拟定指标的合理性 ∀结果表明 }在隐含层神经元 ν ∴ty时 o网络能较好地
收敛 o说明该网络输入项 ) ) ) 林分层次结构 !病虫害程度和土壤厚度 v个指标的训练样本值与目标输出项 ) ) ) 森
林健康精准评价k°„ƒ‹l结果的非线性相关程度高 ~模拟值与期望值的相对误差均值为 p y1tws | h o回归方程斜率
为 s1|y{ v o截距为 s1sw| s o‘¤¶«2≥∏·¦¯¬©©¨ 效率为 s1|sx w o均表明二者之间吻合较好 ∀因此 o林分层次结构 !病虫害程
度和土壤厚度可以作为森林健康快速评价k• „ƒ‹l的指标 ∀
关键词 } 森林健康快速评价 ~指标 ~…°神经网络 ~合理性检验
中图分类号 }≥zx{1{ 文献标识码 }„ 文章编号 }tsst p zw{{kusszltu p ssst p sz
收稿日期 }ussz p ts p uu ∀
基金项目 }北京市科委重大项目k⁄szsysstssss|tl和国家/十一五0科技支撑计划项目kussy…„⁄sv„sustl资助 ∀
3 朱建刚为通讯作者 ∀
Εσταβλισηινγ Ινδιχεσφορ Ραπιδ Ασσεσσµεντ οφ Φορεστ Ηεαλτη
Βασεδ ον ΒΠ Νευραλ Νετωορκσ
Š¤±¬±ªtou «∏¬¤±ª¤±ªt «¤±ªŠ∏²½«¨ ±u ≠∏÷¬±¬¬¤²t
kt1 Βειϕινγ Φορεστρψ Υνιϖερσιτψ Βειϕινγ tsss{v ~ u1 Βειϕινγ Μυνιχιπαλ Βυρεαυ οφ Παρκσ ανδ Αφφορεστατιον Βειϕινγ tsssu|l
Αβστραχτ } ׫¨ ¬±§¬¦¨¶²©µ¤³¬§¤¶¶¨¶¶°¨ ±·²©©²µ¨¶·«¨ ¤¯·«k• „ƒ‹l º¨ µ¨ ª¬√¨ ± ¤±§·«¨¬µµ¤·¬²±¤¯¬·¬¨¶º¨ µ¨ ·¨¶·¨§¥¤¶¨§²± …°
±¨ ∏µ¤¯ ±¨·º²µ®¶¬±·¨µ°¶²©¦²±√¨ µª¨±¦¨ ©¨©¨¦·¶²©…° ±¨·º²µ®¶ ¶¨·¤¥¯¬¶«¨§¤¦¦²µ§¬±ª·²³¤·¨µ±µ¨¦²ª±¬·¬²±²©·µ¤¬±¬±ª§¤·¤¤±§·«¨
¦²±¶¬¶·¨±¦¼·¨¶·¶¥¨·º¨ ±¨ ¶¬°∏¯¤·¬²± ²∏·³∏·¶¤±§ ¬¨³¨¦·¨§²∏·³∏·¶º¬·«·«µ¨¨ °¨ ·«²§¶¬±¦¯∏§¬±ª³¨µ¦¨±·¨µµ²µo ¬¯±¨ ¤µµ¨ªµ¨¶¶¬²±
¤±§‘¤¶«2≥∏·¦¯¬©©¨ ©¨©¬¦¬¨±¦¼q׫¨ µ¨¶∏¯·¶²©¦²±√¨ µª¨ ±¦¨ ©¨©¨¦·¶¶«²º¨ §·«¤··«¨ ±¨·º²µ®¶¦²∏¯§¦²±√¨ µª¨ ³µ²³¨µ¯¼ º¬·«ty ²µ
°²µ¨ ±¨ ∏µ²±¶¬±«¬§§¨± ¤¯¼¨ µoº«¬¦«¬±§¬¦¤·¨§·«¤··«¨µ¨ º¤¶¤¶¬ª±¬©¬¦¤±·o±²±¯¬±¨ ¤µ¦²µµ¨ ¤¯·¬²± ¥¨·º¨ ±¨·«¨ ¬±³∏·¶§¨µ¬√¨ §©µ²°
·µ¤¬±¬±ª§¤·¤√¤¯∏¨¶²©v¬±§¬¦¨¶¦²±¶¬¶·¬±ª²©¶·¤±§¶·µ∏¦·∏µ¨ o¶¨√¨ µ¬·¼²©³¨¶·¤±§§¬¶¨¤¶¨ ¤±§¶²¬¯·«¬¦®±¨ ¶¶¤±§·«¨ ·¤µª¨·²∏·³∏·¶
µ¨¶∏¯·¬±ª©µ²° ³µ¨¦¬¶¬²±¤¶¶¨¶¶°¨ ±·²©©²µ¨¶·«¨ ¤¯·«k°„ƒ‹l q׫¨ µ¨∏¯·¶²©¦²±¶¬¶·¨±¦¼·¨¶·¶§¨ °²±¶·µ¤·¨§º¬·« °¨ ¤±µ¨ ¤¯·¬√¨ µ¨µ²µ
k p y1tws | h l o·«¨ ‘¤¶«2≥∏·¦¯¬©©¨ ©¨©¬¦¬¨±¦¼ks1|sx wl ¤¶º¨ ¯¯ ¤¶·«¨ ¶¯²³¨ kΑ€ s1|y{ vl ¤±§·«¨ ¬±·¨µ¦¨³·kβ € s1sw| sl ²©
·«¨ µ¨ªµ¨¶¶¬²± ¨´ ∏¤·¬²±¬±§¬¦¤·¨§«¬ª«¦²±¶¬¶·¨±¦¼ ¥¨·º¨ ±¨¶¬°∏¯¤·¬²± ²∏·³∏·¶¤±§ ¬¨¦¨³·¨§²∏·³∏·¶q׫¨µ¨©²µ¨ o¶·¤±§¶·µ∏¦·∏µ¨ o
¶¨√¨ µ¬·¼ ²©³¨¶·¤±§§¬¶¨¤¶¨ ¤±§¶²¬¯·«¬¦®±¨ ¶¶¦²∏¯§¥¨ ¦²±¶¬§¨µ¨§¤¶¬±§¬¦¨¶²©µ¤³¬§¤¶¶¨¶¶°¨ ±·²©©²µ¨¶·«¨ ¤¯·«k• „ƒ‹l q
Κεψ ωορδσ} µ¤³¬§¤¶¶¨¶¶°¨ ±·²©©²µ¨¶·«¨ ¤¯·«~¬±§¬¦¨¶~…° ±¨ ∏µ¤¯ ±¨·º²µ®¶~µ¤·¬²±¤¯¬·¼·¨¶·
/森林健康0是西方国家针对人工林林分结构单一 !病虫害抵抗力差 !水土保持功能薄弱等问题提出的理
念kŽ²¯¥ ετ αλqot||w ~朱建华等 oussv ~王彦辉等 ousszl ∀自该理念提出后 o在理论和实践方面均取得了长足发
展 ∀森林健康评价作为森林健康研究的重要环节 o是森林健康经营管理的基础 ∀目前国内外已有不少森林
健康评价的研究成果k’. ¤∏ª«¯¬±ot||y ~ƒ µ¨µ¨·¬ot||z ~肖风劲等 oussv ~陈高等 ousswl o由于评价指标过于繁
多 o评价技术复杂 o多由研究人员完成 o一般林业工作人员难以掌握 o这些成果并不适用于森林经营管理实
践 ∀因此 o急需一套能够在现地得到健康等级的森林健康快速评价kµ¤³¬§¤¶¶¨¶¶°¨ ±·²©©²µ¨¶·«¨ ¤¯·«o简称
• „ƒ‹l指标 ∀
人工神经网络k¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨ ·º²µ®¶o简称 „‘‘¶l是 us世纪 ws ) xs年代产生 !{s年代发展起来的模拟
人脑生物过程的人工智能技术 ∀它是由大量的 !简单的神经元广泛互连形成的复杂的非线性系统k胡守仁 o
t||vl ∀它不需要任何先验公式 o就能从已有数据中自动地归纳规则 o获得这些数据的内在规律 o具有自学习
性 !自组织性 !自适应性和很强的非线性映射能力 o特别适合于因果关系复杂的非确定性推理 !判断 !识别和
分类等问题k闵惜琳等 ousstl ∀ …°网络是一种多层前向型神经网络 o其权值的调整采用反向传播k¥¤¦®
³µ²³¤ª¤·¬²±l学习算法 o体现了神经网络理论中最为精华的部分k„±§¨µ¶²±ot||x ~飞思科技产品研发中心 o
ussxl ∀因此 o在拟定 • „ƒ‹指标后 o通过对训练样本的模式识别来构建一个 …°神经网络 o观察其能否收敛 o
并以测试样本为新的输入项进行模拟 o将模拟值与森林健康精准评价k³µ¨¦¬¶¬²±¤¶¶¨¶¶°¨ ±·²©©²µ¨¶·«¨ ¤¯·«o简称
°„ƒ‹l结果k期望值l进行误差分析比较 o是一条从客观上检验拟定指标是否合理 !可行的最佳途径 ∀本文拟
定了 • „ƒ‹指标 o并基于 …°神经网络检验了指标的合理性 o旨在为森林可持续经营实践提供理论依据 ∀
t 试验地概况
试验地设在北京市中美合作/八达岭森林健康试验示范项目0区 ) ) ) 北京延庆县东南部的八达岭林场
kttxβxzχ ) ttyβsvχ ∞owsβt{χ ) wsβuuχ ‘l o总面积 u |ws «°u o海拔 wss ∗ t uxs °∀年均气温 ts1{ ε o年降水量
wxw °°∀土壤以典型褐土 !碳酸盐褐土及淋溶褐土为主 ∀该林场从 us世纪 xs年代起实施封山育林与人工
造林 o目前已形成较好的恢复生态系统 o森林覆盖率达 ys1z h ∀项目区林分类型主要有黑桦k Βετυλα
δαϖυριχαl !色木kΑχερ µονοl !核桃楸kϑυγλανσ µανδσηυριχαl !暴马丁香kΣψρινγα ρετιχυλαταl等天然次生林以及油松
kΠινυσ ταβυλαεφορµισl !华北落叶松 k Λαριξ πρινχιπισ2ρυππρεχητιιl !侧柏 k Πλατψχλαδυσ οριενταλισl !刺槐 k Ροβιννια
πσευδοσχαχιαl !小叶杨 k Ποπυλυσ σιµονιιl等人工林 ∀山地阳坡有大面积的山杏 k Πρυνυσ αρµενιαχαl !山桃
kΑµψγδαλυσ δαϖιδιαναl !黄栌k Χοτινυσχογγψγριαl !胡枝子kΛεσπεδεζα βιχολορl等灌丛 ∀
u 研究方法
211 指标拟定及试验设计
森林健康快速评价k• „ƒ‹l突出的特点是指标简易可测 !方法易于掌握 !结果获取迅速 o其首要问题是评
价指标的确立 ∀ • „ƒ‹的指标确立需要应对以下几个问题 }
tl• „ƒ‹指标无法从森林健康精准评价k°„ƒ‹l指标体系中筛选得到 由于 • „ƒ‹和 °„ƒ‹是 u套不同
的研究模式 o因此 • „ƒ‹的指标确立有别于 °„ƒ‹ o如果从 °„ƒ‹指标体系中筛选 • „ƒ‹指标 o将会由于指标
信息缺失k如生产力指标虽然重要 o但因不符合快速评价的简易性原则而被剔除l而造成可信度大大降低 ∀
ul• „ƒ‹指标无法从/ • „ƒ‹指标体系0中筛选得到 由于 • „ƒ‹简易原则的限制 o其指标选取具有很大
的主观性 o由此造成 • „ƒ‹指标之间的统计规律破坏 o所建立的 • „ƒ‹ 指标框架不能称之为/体系0 o通过统
计方法进行的指标筛选将失去意义 ∀
vl主观拟定的 • „ƒ‹指标需要进行客观检验 运用主观拟定的 • „ƒ‹ 指标进行评价 o所得的结果能否
与 °„ƒ‹评价结果基本一致k• „ƒ‹结果肯定会与 °„ƒ‹产生误差 o但 • „ƒ‹要求误差在较小的范围内即为
合理l o需要进行客观验证 ∀
基于此 o本研究采用专家会议调查法于 ussz年 z月进行了 • „ƒ‹ 指标调查 ∀根据对来自北京林业大
学 !中国林业科学研究院 !北京市园林绿化局 !中国科学院植物研究所 !八达岭林场 !西山林场等单位近 vs位
专家的咨询结果 o最终拟定林分层次结构 !土壤厚度和病虫害程度作为森林健康快速评价k• „ƒ‹l的 v个指
标 ∀依据层次分析法k¤±¤¯¼·¬¦«¬¨µ¤µ¦«¼ ³µ²¦¨¶¶o简称 „‹°lk≥¤·¼ot||sl的建模原理 o建立 • „ƒ‹递阶层次结构
模型k图 tl ∀
林分层次结构完备 !合理是森林生态系统完整性的重要体现 ∀赵惠勋等kusssl将林分层次结构分为 x
层 }主林层 !演替层 !更新层 !灌木层 !活地被物层 ∀笔者认为一个完整 !健康的森林生态系统应该全部包括这
x个层次 o单层或缺少其中几层都应视为林分不够健康 ∀森林生态系统稳定性的一个重要特点是能够抵抗
外界干扰 o具有抗干扰力 !耐害力和自我恢复力 o而某一林分的病虫害程度能够指示这种能力 o无病虫害或病
虫害程度较低反映出林分稳定性较好 ∀土壤厚度能直接反映土壤的发育程度 o与土壤肥力密切相关 o是野外
土壤肥力鉴别的重要指标k王绍强等 ousstl ∀土层较厚说明其能够提供给林分正向演替较为有利的环境 o林
分持续健康发展的潜力较大 ∀以上 v个指标均简易可测 o可在现地迅速获得 ∀
以拟定的 • „ƒ‹ v个指标值为网络输入项 o以 °„ƒ‹的健康等级值为目标输出项 o基于 …°神经网络进行
指标合理性检验 ∀如果网络能够收敛 o并有很好的模拟输出 o说明指标合理 !可行 o否之则反 ∀
u 林 业 科 学 wv卷
目标层
’¥­¨¦·¬√¨ ¤¯¼¨ µ
准则层
≤µ¬·¨µ¬¤ ¤¯¼¨ µ
指标层
Œ±§¨¬ ¤¯¼¨ µ
森林健康快速评价
• ¤³¬§¤¶¶¨¶¶° ±¨·²©©²µ¨¶·«¨ ¤¯·«k• „ƒ‹l
稳定性 ≥·¤¥¬¯¬·¼
病虫害程度
≥ √¨ µ¨¬·¼ ²©³¨ ¶·¤±§§¬¶¨¤¶¨
完整性 Œ±·¨ªµ¬·¼
林分层次结构
≥·¤±§¶·µ∏¦·∏µ¨
可持续性 ≥∏¶·¤¬±¤¥¬¯¬·¼
土壤厚度
≥²¬¯·«¬¦®±¨ ¶¶
图 t 森林健康快速评价递阶层次结构模型
ƒ¬ªqt ‹¬¨µ¤µ¦«¼ °²§¨¯²©µ¤³¬§¤¶¶¨¶¶° ±¨·²©©²µ¨¶·«¨ ¤¯·«
212 外业调查及数据分析方法
/八达岭森林健康试验示范项目0实施中 o将八达岭林场范围划分为 tut个小班 o在各小班内根据地形以
半径 x1yw或 z1|{ °布设圆形样地 o面积为 tss或 uss °u ∀ussw年 y ) |月 !ussx年 z ) {月以及 ussy年 z月
分 v次调查了地形因子 !立地类型 !植物因子 !土壤因子 !动物因子 !经营情况及森林更新情况等内容 ∀林分
层次结构调查采用赵惠勋等kusssl提出的 x层划分法 o分别记录主林层 !演替层 !更新层 !灌木层及活地被物
层的完备情况k具备某层则该层记为 t o否则为 sl o然后将某小班样地所具有的层次数量累加 o定为该小班林
分层次结构分值 ~病虫害程度调查依据受害株枝枯率大小k黄少彬等 ousss ~刘有莲等 oussvl o分无受害 !轻度
受害 !中度受害和重度受害 w级 o对样地内每株病虫害状况进行记录 ~土壤厚度调查在样地内挖剖面记录
„ n …层厚度 o当有 …≤过渡层时 o记录 „ n …n …≤Πu的厚度 ∀
林分层次结构 !土壤厚度直接采用外业调查结果 o为了准确验证拟定指标的合理性k本文重在研究指标
本身 o而非评价过程l o病虫害程度通过调查数据计算隶属等级相对位置间接得到 o其过程为 }首先根据每木
病虫害等级按数量比例统计得到某样地的病虫害隶属度向量 Β € kβt oβu oβv o, oβιl oβι 为隶属于各等级的
株数数量比例 o本文视为隶属于各等级的隶属度kι € t ou ov owl ~然后依据胡守忠等kt||xl !熊德国等kussvl提
出的模糊综合评价隶属度加权平均原则推求该样地病虫害程度隶属等级的相对位置 Ψ}
Ψ € k Ε
µ
ι € t
βκι ≅ ιlΠΕ
µ
ι € t
βκι ∀ ktl
式中 }ι为各等级的秩 ~µ 为等级数 ~κ为待定系数k取 t或 ul o目的是控制较大的 βι 所起的作用 ∀
对于目标输出项的精准评价结果 o采用谷建才kussyl通过健康距离法计算得到的 tut个森林经营小班
的健康距离值 ∀经与实际情况对比 o本文认为此评价结果可信度较高 o可作为理论真值 ∀
将 tut组数据分为训练样本和测试样本 o将前 tst组数据作为训练样本来构建网络 o以后面 us组数据
作为测试样本来检验目标输出与模拟输出的误差 ∀
213 神经网络模型构建关键步骤
tl建立网络 采用 ±¨ º©©函数来确定网络层数 !每层中的神经元数和传递函数 o其语法为 ±¨ ·€ ±¨ º©©
k°• o≈≥t o≥u o, o≥¬  o¾×ƒt o׃u o, o׃¬À o…׃ o…ƒ o°ƒl o其中 °• 是一个由每个输入向量的最大最小值构成的
• ≅ u矩阵 ~≥¬是第¬层网络的神经元个数 ~׃¬是第¬层网络的传递函数 o缺省为·¤±¶¬ªo可使用的传递函数有
·¤±¶¬ª!¯²ª¶¬ª或 ³∏µ¨ ¬¯±~…׃是训练函数 o可在如下函数中选择 }·µ¤¬±¯ ° !·µ¤¬±¥©ª!·µ¤¬±µ³!·µ¤¬±ª§等 ~…ƒ是学习函
数 o°ƒ性能函数 o取默认值即可 ∀ ±¨ º©©在确定网络结构后会自动调用¬±¬·函数用缺省参数来初始化网络中
各个权重和偏置量 o产生一个可训练的前馈网络 o即该函数的返回值 ±¨ ·∀
ul训练网络 网络建立起来后 o需要选择合适的训练函数对其训练 ∀标准的 …°网络是根据 •¬§µ²º2‹²©©
规则 o采用梯度下降算法 o在非线性多层网络中 o反向传播计算梯度 ∀但标准 …°网络自身存在限制与不足 o
如需要较长的训练时间 !会收敛于局部极小值等 o其算法需要改进 ∀苏高利等kussvl就 …°网络改进算法的
训练速度和内存消耗情况作了比较 o结果表明 o¨√¨ ±¥¨µª2¤µ´∏¤µ§·算法具有相对最好的收敛速度 ∀
¨√¨ ±¥¨µª2¤µ´∏¤µ§·优化方法的训练函数为·µ¤¬±¯ ° o其训练参数有 }训练次数 ³¨²¦«¶!训练步长¶«²º !误差函数
指标 ª²¤¯ !训练时间·¬°¨ !最小梯度 °¬±2ªµ¤§!减少内存系数 °¨ °2µ¨§∏¦以及 Λ的初始值 !增加系数 !减小系数
和最大值 ∀网络训练的语法为≈±¨ ·o·µo≠ o∞o°©o„©  €·µ¤¬±k±¨ ·o° o× o°¬o„¬o∂ ∂ o×∂l o其中等式右半部分为输入
v 第 tu期 甘 敬等 }基于 …°神经网络确立森林健康快速评价指标
项 o±¨ ·为建立的网络 ~°为网络输入项 ~×为目标输出项 ~°¬为初始输入延迟 o默认为 s ~„¬为初始层次延迟 o
默认为 s ~∂ ∂ 为网络结构确定向量 o默认为空 ~×∂ 为网络结构测试向量 o默认为空 ∀等式左半部分为返回
值 o±¨ ·为训练后的网络 ~·µ为训练记录 ~≠ 为输出信号 ~∞为网络误差 ~°©为最终输入延迟 ~„©为最终层延迟 ∀
vl模拟输出 网络训练好以后 o还需要用测试样本对其测试 o以检查网络的泛化能力和仿真能力 o其语
法为≈≠ o°©o„©o∞o³¨µ©  € ¶¬°k±¨ ·o° o°¬o„¬o×l o其中等式右半部分为输入项 o各项定义如前所述 ∀等式左半部
分为返回值 o≠ 为模拟输出 o³¨µ©为网络性能 ∀
214 模拟结果精度检验方法
分别采用误差百分比法 !线性回归检验法和 ‘¤¶«2≥∏·¦¯¬©©¨ 效率法k牛志明等 ousstl检验模拟值与期望值
的吻合程度 ∀
tl误差百分比法 采用计算式
Ε € ≈kς¶ p ς¨ lΠς¨   ≅ tss h ∀ kul
式中 }Ε为网络模拟误差百分比 oς¨ 为期望值 oς¶为模拟值 ∀若 Ε为正值 o说明网络模拟值偏大 ~若 Ε为负
值 o说明网络模拟值偏小 ~若 Ε为 s o则说明网络模拟值与期望值正好吻合 ∀
ul线性回归检验法 将期望值作为被解释变量 o将模拟值作为解释变量 o建立一元线性回归方程 }Ψ€
¤Ξ n ¥o对回归方程进行统计检验 o包括回归方程的拟合优度检验 !回归方程的显著性检验 !回归系数的显著
性检验 ∀如果模拟值与期望值线性关系显著 !回归方程合理 o则观察斜率 α和截距 β }α越接近 t oβ值越接
近 s o表示模拟值与期望值之间吻合度越高 ∀
vl‘¤¶«2≥∏·¦¯¬©©¨ 效率法 采用计算式
Ε € t p ≈ ρ k ς¨ p ς¶lu Π≈ Ε k ς¨ p hς¨ lu  ∀ kvl
式中 }Ε为网络模拟效率 ohς¨ 为期望均值 ∀网络模拟效率与线性回归方程拟合优度检验的统计量 Ρu o即判
定系数较为相似 o只是残差值的求算方式不同 ∀ Ε值越接近 t o网络模拟效率越高 o模拟值与期望值的吻合
度越高 ∀
v 结果与分析
311 ΒΠ神经网络收敛效果
…°网络建立及训练程序如下 }
° € ¬¯¶µ¨¤§kχ×µ° q¬¯¶χl ~h读取训练样本输入项
× € ¬¯¶µ¨¤§kχ×µ× q¬¯¶χl ~h读取训练样本目标输出项
° € ° qχ ~h转置
× € × qχ ~h转置
≈°‘o°¬±³o°¤¬³oבo°¬±·o°¤¬·  € ³µ¨°±°¬k° o×l ~h归一化处理
°• € °¬±°¤¬k°‘l ~h求取最大最小数构造矩阵
±¨ ·€ ±¨ º©©k°• o≈± t  o¾χ·¤±¶¬ªχ χ³∏µ¨ ¬¯±χÀ oχ·µ¤¬±¯ °χl ~h …°网络建立
±¨ ·q·µ¤¬±°¤µ¤° q¶«²º € xs ~h设置训练步长
±¨ ·q·µ¤¬±°¤µ¤° q¨³²¦«¶ € x sss ~h设置最大训练次数
±¨ ·q·µ¤¬±°¤µ¤° qª²¤¯ € s1sst ~h设置目标误差
±¨ ·q·µ¤¬±°¤µ¤° q¯µ € s1st ~h设置学习速率
≈±¨ ·o·µo≠‘o∞  €·µ¤¬±k±¨ ·o°‘oבl h训练网络
上述 ±¨ º©©函数中隐含层神经元的个数 ν需要凭经验确定或在训练过程中不断试验得出 o目前尚没有
统一的标准 ∀因此本文对 ν取不同值进行了训练试验 o收敛效果见表 t ∀
由表 t可知 o对于本研究而言 o在 ν ∴ty时 o网络能较好地收敛 o说明该网络输入项的 v个指标与目标输
出项的非线性相关程度极高 ∀表 t训练结果表明 o在其他条件不变时 o…°网络隐含层神经元的数目越多 o训
练误差越小 o训练时间越短 o这与张圣楠等kussxl的试验结论一致 ∀但本研究发现 o随着隐含层数目增多 o内
存消耗增大 ∀
w 林 业 科 学 wv卷
表 1 不同隐含层神经元数目下的 ΒΠ网络收敛效果
Ταβ . 1 Χονϖεργενχε εφφεχτσ οφ ΒΠ νετωορκσ χονσιστινγ οφ διφφερεντ νυµ βερ οφ νευρονσιν ηιδδεν λαψερ
隐含层神经元数目
‘∏°¥¨µ²©±¨ ∏µ²±¶¬± «¬§§¨± ¤¯¼¨ µ
训练次数
×µ¤¬±¬±ª·¬° ¶¨
表现误差
°¨ µ©²µ°¤±¦¨ µ¨µ²µ
目标误差
Š²¤¯ µ¨µ²µ
收敛情况
≥·¤·¨ ²©¦²±√ µ¨ª¨ ±¦¨
ts x sss s1ssw t|s t{ s1sst 未收敛 ‘²·¦²±√¨ µª¨ ±·
tx x sss s1sst {ss |y s1sst 未收敛 ‘²·¦²±√¨ µª¨ ±·
ty yuu s1sss ||| xy s1sst 收敛 ≤²±√ µ¨ª¨ ±·
tz t{v s1sss ||| vx s1sst 收敛 ≤²±√ µ¨ª¨ ±·
t{ {w s1sss |{v |{ s1sst 收敛 ≤²±√ µ¨ª¨ ±·
us v{ s1sss |yu yu s1sst 收敛 ≤²±√ µ¨ª¨ ±·
ux ws s1sss |{u yz s1sst 收敛 ≤²±√ µ¨ª¨ ±·
vs wv s1sss ||| ss s1sst 收敛 ≤²±√ µ¨ª¨ ±·
ws tu s1sss ||| tw s1sst 收敛 ≤²±√ µ¨ª¨ ±·
xs ts s1sss |{s {| s1sst 收敛 ≤²±√ µ¨ª¨ ±·
tss z s1sss v|s xw s1sst 收敛 ≤²±√ µ¨ª¨ ±·
uss u s1sss wzu t{ s1sst 收敛 ≤²±√ µ¨ª¨ ±·
vss u s1sss wux vx s1sst 收敛 ≤²±√ µ¨ª¨ ±·
表 t中 o当 ν € tss时 o…°网络经过 z次训练达到收敛 o训练误差较小k对应于某一神经元数目条件下的
…°网络训练误差并不是固定不变的 o每次训练均会产生微小波动l o训练时间短 ∀在 ν  tss取值时 o训练误
差变化不大而内存消耗增大 o因此 o本文确定隐含层神经元数目 ν 为 tss ∀当 ν取 ty和 tss时 o对应的 …°
网络收敛曲线见图 u ∀
图 u 隐含层神经元数目分别为 ty !tss时的网络收敛曲线
ƒ¬ªqu ≤²±√ µ¨ª¨ ±¦¨ ¦∏µ√ ¶¨²© ±¨ ·º²µ®¶¦²±¶¬¶·¬±ª²©ty ¤±§tss ±¨ ∏µ²±¶¬± «¬§§¨± ¤¯¼¨ µµ¨¶³¨¦·¬√¨ ¼¯
为模拟仿真输出结果 o编写程序如下 }
°t € ¬¯¶µ¨¤§kχ× °¨ q¬¯¶χl ~h读取测试样本输入项
°t € °t1χ ~h转置
≈°‘t  € ·µ¤°±°¬k°t o°¬±³o°¤¬³l ~h归一化处理
≈≠‘t  € ¶¬°k±¨ ·o°‘tl ~h仿真模拟
≈≠t  € ³²¶·°±°¬k≠‘t o°¬±·o°¤¬·l ~h将模拟值还原为原量纲
模拟输出结果见表 u ∀
312 模拟结果精度检验
网络模拟值与期望值的误差百分比如表 u所示 ∀除了 tsx !tsy和 ttz号测试样本的模拟值与期望输出
有较大误差外 o其余测试样本的模拟值与期望输出均吻合较好 o能够满足 • „ƒ‹的需要 ∀
计算相对误差均值 !‘¤¶«2≥∏·¦¯¬©©¨ 效率 o并对模拟值与期望值作线性回归检验 o结果如表 v所示 ∀
x 第 tu期 甘 敬等 }基于 …°神经网络确立森林健康快速评价指标
表 2 网络模拟值误差百分比分析
Ταβ . 2 Περχεντ ερρορ αναλψσισ οφ σιµ υλατιον ουτπυτσ οφ νετωορκ
测试样本号
≥ µ¨¬¤¯ ±∏°¥¨µ²©
·¨¶·¬±ª§¤·¤
网络输入 ‘¨·º²µ®¬±³∏·¶
林分层次结构
≥·¤±§¶·µ∏¦·∏µ¨
病虫害程度
≥¨ √ µ¨¬·¼ ²©³¨¶·¤±§§¬¶¨¤¶¨
土壤厚度
≥²¬¯·«¬¦®±¨ ¶¶
期望输出k健康距离l
∞¬³¨¦·¨§²∏·³∏·¶
k‹ ¤¨¯·«§¬¶·¤±¦¨l
模拟输出
≥¬°∏¯¤·¬²± ²∏·³∏·¶
误差百分比
°¨ µ¦¨±·¨µµ²µΠh
tsu v u1vs us s1{u s1zzu z p x1zy{ v
tsv w t1{s ys s1w{ s1wvx v p |1vtu x
tsw w u1vs ys s1zt s1zv{ v v1|{x |
tsx v t1|s ts s1z| s1xyy | p u{1uws x
tsy v v1xs us s1{u s1yzx w p tz1yvw t
tsz v t1|s us s1yz s1yyy z p s1w|u x
ts{ w u1vs us s1yz s1yzs x s1szw y
ts| v u1ws vs s1zx s1zyt w t1xus s
tts w t1xs {s s1vz s1vzu x s1yzx z
ttt v u1ws us s1zx s1zzz t v1ytv v
ttu x t1us {s s1vv s1vut | p u1wxw x
ttv u v1zs us s1|s s1{|| u p s1s{{ |
ttw x t1ss {s s1t{ s1tzw y p v1sss s
ttx x t1us {s s1vv s1vut | p u1wxw x
tty w t1zs xs s1xu s1xuy { t1vsz z
ttz w t1ss {s s1ux s1tw{ s p ws1{ss s
tt{ x t1ts ys s1ux s1uvt x p z1wss s
tt| w t1ts vx s1xu s1wyx { p ts1wuv t
tus w u1vs us s1yz s1yzs x s1szw y
tut v u1|s vs s1{u s1zzs { p y1sss s
表 3 模拟结果精度检验
Ταβ . 3 Πρεχισιον τεστσ οφ σιµ υλατιον ουτπυτσ
相对误差均值
 ¤¨± µ¨ ¤¯·¬√¨ µ¨µ²µΠh
线性回归检验 ¬±¨ ¤µµ¨ªµ¨¶¶¬²± ·¨¶·
回归方程 • ª¨µ¨¶¶¬²± ¨´ ∏¤·¬²± Ρu Πk Φ·¨¶·l Πk Τ ·¨¶·l
‘¤¶«2≥∏·¦¯¬©©¨ 效率
‘¤¶«2≥∏·¦¯¬©©¨ ©¨©¬¦¬¨±¦¼
p y1tws | ψ€ s1|y{ vξ n s1sw| s s1|uy { s1sss s qsss s1|sx w
由表 v可知 o拟合优度检验统计量 Ρu o即判定系数为 s1|uy { o表明期望值被模型解释的部分较多 o不能
被解释的部分较少 ∀由于回归方程 Φ检验统计量对应的概率 Π值及回归系数 Τ检验统计量对应的概率 Π
值均近似为 s o如果显著性水平 Α为 s1sx oΠ值小于其显著性水平 o因此认为期望值与模拟输出之间的线性
关系显著 o回归方程合理 ∀回归方程斜率为 s1|y{ v o接近于 t o且截距为 s1sw| s o接近于 s o说明模拟值与期
望值高度吻合 ∀ ‘¤¶«2≥∏·¦¯¬©©¨ 效率为 s1|sx w o同样表明模拟值与期望值之间吻合度较高 ∀
w 结论与讨论
运用主观拟定的森林健康快速评价k• „ƒ‹l指标进行评价 o所得的结果能否与精准评价k°„ƒ‹l评价结
果基本一致 o需要进行验证 ∀研究发现在隐含层神经元 ν ∴ty时 o网络能较好地收敛 o说明该网络输入项
) ) ) 林分层次结构 !病虫害程度和土壤厚度 v个指标的训练样本值与目标输出项 ) ) ) 森林健康精准评价
k°„ƒ‹l结果的非线性相关程度高 ∀以 v个指标的测试样本值为新的网络输入项进行模拟 o采用误差百分比
法 !线性回归检验法和 ‘¤¶«2≥∏·¦¯¬©©¨ 效率法对模拟结果进行精度检验 o得到模拟值与期望值的相对误差均值
为 p y1tws | h o回归方程斜率为 s1|y{ v o截距为 s1sw| s o‘¤¶«2≥∏·¦¯¬©©¨ 效率为 s1|sx w o均表明二者之间吻合
较好 ∀因此 o林分层次结构 !病虫害程度和土壤厚度可以作为森林健康快速评价k• „ƒ‹l的指标 ∀
本文意在确立森林健康快速评价k• „ƒ‹l指标 o这是 • „ƒ‹面临的首要问题 o而评价指标的标准 !权重以
及评价方法的确定不是本文的重点 ∀基于 …°神经网络的 • „ƒ‹指标合理性检验过程有别于 • „ƒ‹过程 o检
验过程重在对评价指标本身的研究 o而非评价过程的研究 ∀因此 o在样本数据获取时 o为了准确验证拟定指
标的合理性 o本文对森林病虫害程度的数据处理采取了模糊综合评价中推求目标隶属等级相对位置的方法 ∀
在森林健康经营管理实践中 o• „ƒ‹过程应避免这种繁琐的数学计算 o突出简易性 o因此可采用受害立木株
数比例来确定病虫害程度 o而林分层次结构和土壤厚度采用本文方法即可 ∀
y 林 业 科 学 wv卷
本文确立的森林健康快速评价k• „ƒ‹l指标属于/无限制可比型0k即可认为任何林分类型之间具有可比
性l o而非/限制可比型0k如生物量 !叶面积指数等指标只能够在同种林分类型内部进行比较 o而不能在不同
林分类型之间作比较l o因此具有较为广泛的适用性 ∀另外本文确立的 • „ƒ‹指标只能用于森林经营小班尺
度的评价 o在尺度扩大时 o如景观层次的森林健康快速评价 o需要根据实际情况进行调整或替换 ∀
参 考 文 献
陈 高 o代力民 o姬兰柱 o等 qussw1 森林生态系统健康评估 Œ}模式 !计算方法和指标体系 q应用生态学报 otxktsl }tzwv p tzw|
飞思科技产品研发中心 qussx1 神经网络理论与  „׏„…z实现 q北京 }电子工业出版社
谷建才 qussy1 华北土石山区典型区域主要类型森林健康分析与评价 q北京林业大学博士学位论文
胡守仁 qt||v1神经网络导论 q长沙 }国防科技大学出版社
胡守忠 o顾建勤 qt||x1 模糊综合评价法及应用 q中国纺织大学学报 outktl }zw p {s
黄少彬 o孙丹萍 o朱承美 qusss1 园林植物病虫害防治 q北京 }中国林业出版社
刘有莲 o黄寿昌 qussv1 橘光绿天牛危害九里香绿化球调查及防治 q中国森林病虫 ouukul }ty p t{
闵惜琳 o刘国华 qusst1 用  „׏„…神经网络工具箱开发 …°网络应用 q计算机应用 outk{l }tyv p tyw
牛志明 o解明曙 o孙 阁 o等 qusst1 „‘≥• ∞• usss在小流域土壤侵蚀过程模拟中的应用研究 q水土保持学报 otxkvl }xy p ys
苏高利 o邓芳萍 qussv1 论基于  „׏„…语言的 …°神经网络的改进算法 q科技通报 ot|kul }tvs p tvx
王绍强 o朱松丽 o周成虎 qusst1 中国土壤土层厚度的空间变异性特征 q地理研究 ouskul }tyt p ty|
王彦辉 o肖文发 o张星耀 qussz1 森林健康监测与评价的国内外现状和发展趋势 q林业科学 owvkzl }z{ p {x
肖风劲 o欧阳华 o傅伯杰 o等 qussv1 森林生态系统健康评价指标及其在中国的应用 q地理学报 ox{kyl }{sv p {s|
熊德国 o鲜学福 qussv1 模糊综合评价方法的改进 q重庆大学学报 ouykyl }|v p |x
张圣楠 o郭文义 o肖力墉 qussx1 基于  „׏„…的 …°网络的设计与训练 q内蒙古科技与经济 otz }|x p |{
赵惠勋 o周晓峰 o王义弘 o等 qusss1 森林质量评价标准与评价指标 q东北林业大学学报 ou{ kxl }x{ p yt
朱建华 o张再福 o吴建勤 qussv1 桉树白蚁综合防治技术 q中国森林病虫 ouuktl }ts p tu
„±§¨µ¶²±  „ qt||x1 „±¬±·µ²§∏¦·¬²±·² ‘¨∏µ¤¯ ‘¨·º²µ®¶q²±§²±} Œ× °µ¨¶¶ox p |
ƒ µ¨µ¨·¬ qt||z1 ƒ²µ¨¶·«¨ ¤¯·«¤¶¶¨¶¶°¨ ±·¤±§°²±¬·²µ¬±ª¬¶¶∏¨¶©²µ¦²±¶¬§¨µ¤·¬²±q∞±√¬µ²±° ±¨·¤¯ ²±¬·²µ¬±ª¤±§ „¶¶¨¶¶° ±¨·ow{ktl }wx p zu
’. ¤∏ª«¯¬± qt||y1 ƒ²µ¨¶·¨ ¦²¶¼¶·¨° «¨ ¤¯·«¤¶¶¨¶¶° ±¨·¬¶¶∏¨¶}§¨©¬±¬·¬²±o °¨ ¤¶∏µ¨° ±¨·o¤±§°¤±¤ª¨ ° ±¨·¬°³¯¬¦¤·¬²±¶q∞¦²¶¼¶·¨° ‹ ¤¨¯·«ouktl }t| p v|
≥¤·¼ × qt||s1 ‹²º·² °¤®¨ ¤ §¨¦¬¶¬²±}·«¨ ¤±¤¯¼·¬¦«¬¨µ¤µ¦«¼ ³µ²¦¨¶¶q∞∏µ²³¨¤± ²∏µ±¤¯ ²© ’³¨µ¤·¬²±¤¯ • ¶¨¨¤µ¦«ow{ktl }| p uy
Ž²¯¥× ∞o• ¤ª±¨ µ • o≤²√¬±ª·²± • • qt||w1 ≤²±¦¨³·¶²©©²µ¨¶·«¨ ¤¯·«∏·¬¯¬·¤µ¬¤± ¤±§ ¦¨²¶¼¶·¨° ³¨µ¶³¨¦·¬√¨ ¶q²∏µ±¤¯ ²©ƒ²µ¨¶·okyl }ts p tx
k责任编辑 于静娴l
z 第 tu期 甘 敬等 }基于 …°神经网络确立森林健康快速评价指标