全 文 ：杉木种子涩籽地理流行模型的研究
何东进 洪 伟 吴承祯
k福建林学院资源与环境系 南平 vxvsstl
摘 要 } 杉木是我国南方最重要的速生丰产树种 o在人工林中具有十分重要的地位 o但是杉木种子涩籽率
高是影响杉木产量和发展的主要原因之一 o因此 o积极探讨杉木种子涩籽的预测与防治是杉木种子生产中亟
待解决的问题 ∀而不同的地域是造成杉木种子涩籽量差异的重要因子之一 o为了进一步探讨杉木种子涩籽
在地理上的流行规律 o本文试图运用一种新的方法 ) ) ) 人工神经网络方法对杉木种子涩籽与地理之间的关
系进行研究 o建立了杉木种子涩籽地理流行 …°网络模型 ∀结果表明 }所建立的 …°模型对模拟预测不同地域
杉木种子涩籽的涩籽率具有较高的精度 o平均模拟精度为 {{1ws h ∀这不仅为杉木种子园的合理布局提供理
论依据 o而且也为人工神经网络在林业科学研究中的应用开辟新的思路 ∀
关键词 } 杉木 o涩籽 o地理流行 o…°网络
收稿日期 }t||{2st2t| ∀
Α ΣΤΥ∆Ψ ΟΝ ΤΗΕ ΜΟ∆ΕΛ ΟΦ ΓΕΟΓΡΑΠΗΙΧ ΕΠΙ∆Ε ΜΙΧ
ΟΦ ΧΗΙΝΕΣΕ ΦΙΡ ΣΤΕΡΙΛΕ ΣΕΕ∆Σ
‹¨⁄²±ª­¬± ‹²±ª • ¬¨ • ∏ ≤«¨ ±ª½«¨ ±
( Φυϕιαν Χολλεγε οφ Φορεστρψ Νανπινγvxvsst)
Αβστραχτ : ≤«¬±¨ ¶¨ ©¬µ¬¶·«¨ °²¶·¬°³²µ·¤±·©¤¶·2ªµ²º¬±ª¤±§«¬ª«2¼¬¨ §¯·µ¨¨¶³¨¦¬¨¶¬±¶²∏·«¨µ± ≤«¬±¤o¬·
²¦¦∏³¬¨¶¤√ µ¨¼¶¬ª±¬©¬¦¤±·³²¶¬·¬²±¬± ≤«¬±¨ ¶¨ ³¯¤±·¤·¬²± °¤±¤ª¨ ° ±¨·q‹²º √¨ µ¨o·«¨ µ¤·¨ ²©¶·¨µ¬¯¨ ¶¨ §¨¶²©
≤«¬±¨ ¶¨ ©¬µ¬¶«¬ª«o©²µ ¬¨¤°³¯¨¬± ƒ∏­¬¤± °µ²√¬±¦¨ oº«¬¦«¶¨µ¬²∏¶¯¼ ¤©©¨ ¦·¶·«¨ ³µ²§∏¦·¬²±¤±§§¨ √¨¯²³° ±¨·
²© ≤«¬±¨ ¶¨ ©¬µq≥²¬·¬¶¤± ∏µª¨ ±·³µ²¥¯¨° ·²¶·∏§¼·«¨ ³µ¨§¬¦·¬²± ¤±§³µ¨√ ±¨·¬²± ²©¶·¨µ¬¯¨ ¶¨ §¨¶¬±·«¨ ³µ²2
§∏¦·¬²± ²© ≤«¬±¨ ¶¨ ©¬µ¶¨ §¨¶qƒ²µ·«¨ ¶¤®¨ ²©µ¨√ ¤¨¯¬±ª·«¨ ³¨¬§¨ °¬¦¯ ¤º ²©¶·¨µ¬¯¨ ¶¨ §¨¶o·«¬¶³¤³¨µ¶·∏§¬¨§
·«¨ µ¨ ¤¯·¬²±¶«¬³¶¥¨·º¨¨ ± ≤«¬±¨ ¶¨ ©¬µ¶·¨µ¬¯¨ ¶¨ §¨¶¤±§ª¨ ²ªµ¤³«¬¦ ³¨¬§¨ °¬¦¥¼ ¤±¨ º ° ·¨«²§p ¤µ·¬©¬¦¬¤¯ ±¨ ∏2
µ¤¯ ±¨ ·º²µ®q
„µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨ ·º²µ®¬¶¤ª²²§° ·¨«²§¬± «¤±§¯¬±ª·«¨ ²√ µ¨¤¯¯±²±¯¬±¨ ¤µ°¤³³¬±ª³µ²¥¯¨°¶¥¨·º¨¨ ±
¬±³∏·√¤µ¬¤¥¯ ¶¨¤±§²∏·³∏·²±¨ ¶oº«¬¦««¤¶¤ º¬§¨ ¤³³¯¬¦¤·¬²±¬± °¤±¼ µ¨¶¨¤µ¦«©¬¨ §¯¶¶∏¦«¤¶¶¼¶·¨° ¶¬°∏2
¤¯·¬±ªo¤∏·²°¤·¬²± ¦²±·µ²¯ ¬¯±ªo³¤µ¤¯¯¨ §§¤·¤³µ²¦¨¶¶¬±ª¤±§¶² ²±qŒ±·«¬¶³¤³¨µo·«¨ ¤∏·«²µ¶¶¨¯¨ ¦·¨§…°
¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨ ·º²µ®·² §¨ ¤¯ º¬·«·«¨ µ¨ ¤¯·¬²±¶«¬³¶¥¨·º¨¨ ± ≤«¬±¨ ¶¨ ©¬µ¶·¨µ¬¯¨ ¶¨ §¨¶¤±§ª¨ ²ªµ¤³«¬¦ ³¨¬2
§¨ °¬¦o º«¨ µ¨ ·«¨ ¬±³∏·√¤µ¬¤¥¯ ¶¨¤µ¨ ²¯±ª¬·∏§¨ ¤±§ ¤¯·¬·∏§¨ o·«¨ ²∏·³∏·√¤µ¬¤¥¯¨¬¶µ¤·¨ ²©¶·¨µ¬¯¨ ¶¨ §¨¶²©
≤«¬±¨ ¶¨ ©¬µo·«¨ ±∏°¥¨µ²©±¨ ∏µ²±¶²©«¬§¨¯¨ √¨¯k Μl¬¶ Μ€ u Λ n t ¤¦¦²µ§¬±ª·²§²¦∏° ±¨·k Λ¬¶·«¨ ±∏°¥¨µ
²©©¤¦·²µ¶²©¬±³∏·2¯ √¨¨¯l o¤±§·«¨ ±¨ ·º²µ®¤¦·¬√¬·¼©∏±¦·¬²±¬¶≥¬ª°¬²§©∏±¦·¬²±¤¶©²¯ ²¯º¶} Φ( ξ) € t/ (t n
ε p ξl q ˜¶¬±ª·«¨ ¥∏¬¯·…° ±¨ ·º²µ®o·«¨ ¶¤°³¯ ¶¨ º µ¨¨ ·µ¤¬±¨ §∏±·¬¯ Εϕ( Ωtλµ , Ωuµ ν) € Ε
Ν
ν € t
( Ονϕ p Ψνϕ)u €
°¬±oº«¨ µ¨ Ονϕ¤±§ Ψνϕ¤µ¨ ²∏·³∏·√¤¯∏¨¶²© ±¨ ·º²µ®¤±§µ¨¤¯ √¤¯∏¨¶²©µ¤·¨ ²© ≤«¬±¨ ¶¨ ©¬µ¶·¨µ¬¯¨ ¶¨ §¨¶µ¨2
¶³¨¦·¬√¨¯¼o Ν¬¶·«¨ ±∏°¥¨µ²©·µ¤¬±¨ §¶¤°³¯ ¶¨o¤±§ Εϕ¬¶¶∏° ²©¶´∏¤µ¨ §¨ √¬¤·¬²± ²© …° ±¨ ·º²µ®qŒ© Εϕ
§¬§±. ·¦²±√ µ¨ª¨ o·«¨ º ¬¨ª«·¶¤±§·«µ¨¶«²¯§¶²©…° ±¨ ·º²µ® º µ¨¨ ¤§­∏¶·¨§¤¶©²¯ ²¯º¶} ∃Ωιϕ( ν n t) € ΒΚϕΞι
n Α∃Ωιϕ( ν) ¤±§ ∃Γϕ( ν n t) € p ΒΚϕ n Α∃Γϕ( ν) q ׫¨ µ¨¶∏¯·¶¶«²º §¨·«¤··«¨ ¤¦¦∏µ¤¦¼ ²© …° °²§¨¯¬±
第 vx卷 第 y期t | | |年 tt 月
林 业 科 学
≥≤Œ∞‘׌„ ≥Œ∂ „∞ ≥Œ‘Œ≤ „∞
∂ ²¯1vx o ‘²1y
‘²√ qot | | |
¶¬°∏¯¤·¬±ª·«¨ ³¨¬§¨ °¬¦µ¤·¨ ²© ≤«¬±¨ ¶¨ ©¬µ¶·¨µ¬¯¨ ¶¨ §¨¶¬± §¬©©¨ µ¨±·¦²∏±·µ¬¨¶¬¶«¬ª«o º«¬¦«¬¶{{ qws h q
׫¨ µ¨©²µ¦¨ o·«¬¶³¤³¨µ±²·²±¯ ¼ ³µ²√¬§¨ §¤¥¤¶¬¶©²µ¨ ¶·¤¥¯¬¶«¬±ª≤«¬±¨ ¶¨ ©¬µ¶¨ §¨¶²µ¦«¤µ§µ¤·¬²±¤¯ ¼¯ o¥∏·¤¯2
¶²²³¨ ±¨ §∏³¤ ±¨ º ·µ¤¬± ²©·«²∏ª«·¬±·«¨ ¤³³¯¬¦¤·¬²± ²©¤µ·¬©¬¦¬¤¯ ±¨ ∏µ¤¯ ±¨ ·º²µ®·²©²µ¨¶·µ¼ µ¨¶¨¤µ¦«q
Κεψ ωορδσ: ≤«¬±¨ ¶¨ ©¬µo≥·¨µ¬¯¨ ¶¨ §¨o Š ²¨ªµ¤³«¬¦ ³¨¬§¨ °¬¦o…° ±¨ ·º²µ®
杉木k Χυννινγηαµια λανχεολαταk¤°¥ql ‹²²®ql是我国特有树种 o生长快 !产量高 !材性好 !用途
广 o是南方重要的用材树种 o栽培区遍及南方 ty个省k区l o每年造林面积大约 tvvss«°u o在我国南方
林业生产中占十分重要的地位 ∀但是 o杉木种子十分短缺 o主要是因为杉木种子涩籽量很高 o约占 vs h
∗ ys h o涩籽的大量存在 o严重影响了杉木种子播种品质 o是种子发芽率低的根本原因 o也是杉木种子
园产量难以满足生产需要的重要因素 ∀因此 o研究涩籽的预测和防治方法 o既是研究杉木种子的理论
工作 o又是杉木种子生产中急需解决的问题 ∀国内学者对杉木涩籽的流行成因作过研究k洪伟等 o
t||v ~俞新妥 ot|ys ~何福基 ot|{x ~杜宏彬 ot|{s ~林思祖等 ot||s¤l o但多是研究引起杉木涩籽的气象 !
病虫害等生态因素 o对不同地域与杉木涩籽之间的关系研究较少 o林思祖等曾利用二次多项式建立杉
木种子涩籽在地理上流行的数学模式k林思祖等 ot||s¥l o但这种用人为预先选定的数学关系来研究涩
籽在地理上的流行规律 o必然存在着人为干扰因素影响和难于全面揭示其内在机理等缺陷 o因为杉木
涩籽与地理之间是一种十分复杂的非线性关系 o必须用能自动处理全局性非线性关系的方法进行研
究 ∀人工神经网络正是一种以非线性为特征 o建立输入量与输出量之间全局性非线性映射关系的分析
方法 o目前在许多领域得到广泛应用 o因此 o本文试图用 …°人工神经网络方法来研究杉木种子涩籽地
理流行的内在规律 o同时也为人工神经网络在林业上的应用进行积极的尝试 ∀
t 材料来源
t|{y年底至 t|{z年初于福建省 ux个杉木种子产地k县 !市l收集 t|{y年产的杉木 ux个种批 o每
个种批取量 uxs ∗ xssªo并随机解剖观察 xss粒种子 o计算涩籽率 o有关数据见表 t ∀
表 1 杉木种子产地的涩籽率
Ταβ .1 Τηε ρατε οφ στεριλεσεεδ ιν Χηινεσε φιρ γροωινγ αρεαιν Φυϕιαν Προϖινχε k h l
地 点
≥¬·¨
北 纬
¤·¬·∏§¨
k‘βl
东 经
²±ª¬·∏§¨
k∞βl
涩籽率
• ¤·¨ ²©¶·¨µ¬¯¨
¶¨ §¨
地 点
≥¬·¨
北 纬
¤·¬·∏§¨
k‘βl
东 经
²±ª¬·∏§¨
k∞βl
涩籽率
• ¤·¨ ²©¶·¨µ¬¯¨
¶¨ §¨
平和 °¬±ª«¨ uw qvz ttz qvs wu q| 古田 Š∏·¬¤± uy qx{ tt{ qzw wu q{
南靖 ‘¤±­¬±ª uw qxt ttz qvy vv qw 南平 ‘¤±³¬±ª uy qyx tt{ qtz wt qu
华安 ‹∏¤¤± ux qss ttz qxu wu q{ 将乐 ¬¤±ª¯¨ uy qzw ttz qwy wx qu
安溪 „±¬¬ ux qsy tt{ qt{ wv qz 顺昌 ≥«∏±¦«¤±ª uy q{s ttz q{s w{ qu
龙岩 ²±ª¼¤± ux qtt ttz qsv ws q{ 建宁 ¬¤±±¬±ª uy q{w tty q{w ww qu
连城 ¬¤±¦«¨ ±ª ux qy{ tty qzx ww qu 霞浦 ÷¬¤³∏ uy q{| tt| q|| xs q{
长汀 ≤«¤±ª·¬±ª ux q{w tty qvy vz qu 太宁 פ¬±¬±ª uy q|s ttz qtz w| qu
永泰 ≠²±ª·¤¬ ux q{z tt{ q|v yw qx 屏南 °¬±ª±¤± uy q|t tt{ q|{ w{ qy
闽候 ¬±«²∏ uy qtx tt| qtw xy qw 柘荣 «¨ µ²±ª uz quv tt| q{| xw qs
尤溪 ≠²∏¬¬ uy qtz tt{ qtt ww q| 建阳 ¬¤±¼¤±ª uz qvw tt{ quu wu qu
三明 ≥¤±°¬±ª uy quw ttz qys wt qw 建瓯 ¬¤±²∏ uz qsw tt{ qvu vu qu
明溪 ¬±ª¬¬ uy qvy ttz qt| ww q{ 寿宁 ≥«²∏±¬±ª uz qwy tt| qxt vx qy
沙县 ≥«¤¬¬¤± uy qws ttz qz{ wt qu
u …°算法
人工神经网络k„‘‘l是 {s年代中期迅速兴起的一门非线性科学 o它的机理在某种程度上模拟人
脑功能的若干基本特征 o如大规模并行处理 !分布式存储 !自适应过程等 ∀目前这一方法在信号处理 !
模式识别 !自动控制 !最优化等方面得到广泛的应用k¬³³°¤±±ot|{z ~尹红风等 ot||s ~戴诗亮等 o
t||yl o其中应用最广泛的人工神经网络模型是前馈反向传播模型 o即 …°模型 ∀
|x y期 何东进等 }杉木种子涩籽地理流行模型的研究
…°k…¤¦® °µ²³¤ª¤·¬²±l算法是一种误差反向传播的自动学习过程 ∀ …°网络包含输入层 !隐含层和
输出层 o网络作用函数取为 ≥¬ª°²¬§函数 o即
Φ( ξ) = t/ (t + ε− ξ) (t)
…°算法简述如下 }
选择一个 v层网络 ,输入信息记作 Ιλ(λ€ t p Λ) ,输出记作 Ον( ν € t) ,中间隐含层有 Μ个神经
元 ,其信息分配形式如下 :
δ µ = Ε
Λ
λ= t
Ωtλµ Ιλ + Ηµ γ ν = Ε
Μ
µ = t
Ωuµ νΧµ + Ων ( µ = t − Μ) (u)
Χµ = Φ( δ µ ) Ον = Φ( γν) (v)
其中 , Λ表示输入层因子数 ; λ表示输入层第 λ个因子 ; Μ表示隐含层神经元个数(即隐含层节点数) ,
µ 表示隐含层第 µ 个神经元 ; ν表示输出层因子数 ,在本文中 ν € t ; Ωtλµ与 Ωuµ ν分别是输入层到隐含
层 !隐含层到输出层之间的权系数 ;Ηµ 与 Ων 分别是输入层与隐含层的触发阈值 ; δ µ 和 Χµ 分别是隐含
层的单元输入和输出 ; γ ν 和 Ον 分别是输出层的单元输入和输出 ∀
由于网络输出的值域为(s ,t) ,因此需对实际的杉木涩籽率作归一化处理 ,并根据网络输出 Ονϕ和
归一化后的杉木涩籽率实际值 Ψνϕ之间的误差 ,按误差反向传播算法进行反学习以确定网络的权系数 ∀
在反学习过程中 ,当(w)式满足时中止网络学习 ,输出结果 ∀
Εϕ( Ωtλµ , Ωuµ ν) = Ε
Ν
ν = t
( Ονϕ − Ψνϕ)u = °¬± (w)
其中 , Ν为训练的样本数 ; Ον 和 Ψν分别表示杉木涩籽率的网络输出值和归一化后的涩籽率实际值 ;
Εϕ表示 …°网络的离差平方和 ; ϕ表示网络输出变量的维数 ,本文 ϕ€ t ∀当(w)式不满足时 ,反向调整
连接权值 Ωtλµ与 Ωuµ ν(统记为 Ωιϕ)和阈值 Ηµ 与 Ων(统计为 Γϕ) ,其修正量第 ν n t次迭代算式为 :
∃Ωιϕ( ν + t) = ΒΚϕΞι + Α∃Ωιϕ( ν) (x)
∃Γϕ( ν + t) = − ΒΚϕ + Α∃Γϕ( ν) (y)
其中 , Κϕ当 ϕ为输出层节点时 , Κϕ € Οϕ(t p Οϕ) ( Ψϕ p Οϕ) ;当 ϕ为隐含层节点时 , Κϕ € Ξϕ(t p Ξϕ)
Ε
Μ
µ € t
Κµ Ωϕµ( ν n t) , µ 取 ϕ节点所在之上一层的所有节点 ; Ξϕ是节点 ϕ的输入 ; Β是学习率 ,s  Β t ; Α
是冲量因子 ,s  Α t ∀
v 结果与分析
311 网络参数与输入 !输出变量的确定
v1t1t 输入量与输出量的确定 …°网络具备将样本的输入 !输出转化为非线性优化 o通过对简单非
线性函数的复合 o实现 Φ的最佳逼近的功能 ∀本文主要探讨不同地域与杉木种子涩籽之间的关系 o因
此 o输入量选为北纬 !东经 ~输出量选为杉木种子涩籽率 ∀
v1t1u 隐含层节点数的确定 隐含层节点数的确定关系到网络的运算时间和收敛速度等问题 ∀本文
隐含层的节点数依文献k望月义产等 ot||ul中原则 o取为 Μ€ u Λ n t € x( Λ为输入层的因子数l ∀
v1t1v 初始权值和阈值的确定 网络初始状态的连接权值和阈值皆取大于 s小于 s1v的随机数 ∀
v1t1w 学习率和冲量因子的确定 本文学习率 Β取为 s1{x ,冲量因子 Α取为 s1vx ∀
312 模拟结果
选择一个 v层网络 o利用表 t中的 ux组数据作为学习信息进行训练 o网络输出以
Ε = Ε
Ν
ν = t
(ον − ψν)u = °¬±
来考核网络的学习情况 o直到使 Ε达到最小 ∀当学习了 ussuss次时 oΕ € s qvxvyvuuw达到最小 o于是
中断网络学习 o输出 ux组学习信息的网络输出值 o结果列于表 u中 o训练结束后的连接权值和阈值 o列
于表 v中 ∀
sy 林 业 科 学 vx卷
表 2 ΒΠ模型模拟预测杉木涩籽率误差表
Ταβ .2 Τηε σιµ υλατιϖε ερρορ οφ τηε στεριλεσεεδ ρατε οφ Χηινεσε φιρ ιν ΒΠ µοδελ
地 点
≥¬·¨
实测值
• ¤¨¯ √¤¯∏¨
模拟值
≥¬°∏¯¤·¬√¨√¤¯∏¨
绝对误差
„¥¶²¯∏·¨ µ¨µ²µ
相对误差
• ¨¯¤·¬√¨ µ¨µ²µk h l
精度
„¦¦∏µ¤¦¼k h l
平和 °¬±ª«¨ wu q| xs qs{ z qt{ ty qzw {v quy
南靖 ‘¤±­¬±ª vv qw v| q|{ y qx{ t| qzs {s qvs
华安 ‹∏¤¤± wu q{ w| qxu y qzu tx qzs {w qvs
安溪 „±¬¬ wv qz xs q{w z qtw ty qvw {v qyy
龙岩 ²±ª¼¤± ws q{ w{ qvv z qxv t{ qwy {t qxw
连城 ¬¤±¦«¨ ±ª ww qu wy q|v u qzv y qt{ |v q{u
长汀 ≤«¤±ª·¬±ª vz qu wx q|{ { qz{ uv qys zy qws
永泰 ≠²±ª·¤¬ yw qx xt qtv tv qvz us qzv z| quz
闽候 ¬±«²∏ xy qw xt qtu x qu{ | qvy |s qyw
尤溪 ≠²∏¬¬ ww q| w{ q{{ v q|{ { q{y |t qtw
三明 ≥¤±°¬±ª wt qw wz qzw y qvw tx qvt {w qy|
明溪 ¬±ª¬¬ ww q{ wy qz{ t q|{ w qwu |x qx{
沙县 ≥«¤¬¬¤± wt qu wz q{x y qyx ty qtw {v q{y
古田 Š∏·¬¤± wu q{ w| qxv y qzv tx qzu {w qu{
南平 ‘¤±³¬±ª wt qu w{ qux z qsx tz qtt {u q{|
将乐 ¬¤±ª¯¨ wx qu wy qzw t qxw v qwt |y qx|
顺昌 ≥«∏±¦«¤±ª w{ qu wz qvs s q|s t q{z |{ qtv
建宁 ¬¤±±¬±ª ww qu wx qwz t quz u q{z |z qtv
霞浦 ÷¬¤³∏ xs q{ xt qzx s q|x t q{z |{ qtv
太宁 פ¬±¬±ª w| qu wx q|{ v quu y qxw |v qwy
屏南 °¬±ª±¤± w{ qy w| qxt s q|t t q{z |{ qtv
柘荣 «¨ µ²±ª xw qs xs q|w v qsy x qyz |w qvv
建阳 ¬¤±¼¤±ª wu qu wz qvt x qtt tu qtt {z q{|
建瓯 ¬¤±²∏ vu qu vz q|x x qzx tz q{y {u qtw
寿宁 ≥«²∏±¬±ª vx qy v| qzv w qtv tt qys {{ qws
平均
„√ µ¨¤ª¨ tt1ysty {{1v|{w
表 3 训练结束后的权值和阈值
Ταβ .3 Τηετραινεδ ωειγητ ανδ τηρεσηολδ
项 目
Œ·¨°
Ωιϕ或 ΓϕΩιϕορ Γϕ
隐含层阈值
‹¬§¨ 2¯ √¨¨¯ ·«µ¨¶«²¯§ p x q|utx s qxxs{ x qvw{x y q|yww w qu|wt
输入层与隐含层连接权值
• ¬¨ª«·¥¨·º¨¨ ±¬±³∏·2¯ √¨¨¯ ¤±§«¬§¨ 2¯ √¨¨¯
s qt|z{
s qtu|s
s qwtuw
p s qwz|x
s qwusw
p s qys|z
s qv|{y
p s qvuts
s qxyzt
s qz|s{
输出层与隐含层连接权值
• ¬¨ª«·¥¨·º¨¨ ± ²∏·³∏·2¯ √¨¨¯ ¤±§«¬§¨ 2¯ √¨¨¯ s qwxxz u q||{{ v q{ut{ u qwz|t p v qytxt
输出层阈值
’∏·³∏·2¯ √¨¨¯ ·«µ¨¶«²¯§ p { qx|{x
表 u的结果可以看出 o用人工神经网络所建立的 …°模型对 ux组数据的模拟结果 o平均相对误差
为 tt1ys h o平均模拟精度为 {{1ws h o说明用人工神经网络方法研究杉木涩籽与地域之间的关系 o其
效果是较为理想的 o而且利用训练结束后的模拟模型 o即可对各杉木产地的涩籽情况进行预测预报 o只
要输入该地的经度和纬度 o就可以由模型预测出该地涩籽率 o这为拟定减少杉木涩籽量的对策和杉木
种子园的合理布局提供有力的依据 ∀
w 讨 论
涩籽是种子不稔性的一种形式 o涩籽量在杉木种子园布局中具有十分重要的意义 o涩籽量的高低
ty y期 何东进等 }杉木种子涩籽地理流行模型的研究
直接影响种子的品质和种子发芽率 ∀而地域不同是造成杉木涩籽量差异的重要因子之一 o因此 o掌握
杉木种子涩籽在地理上的流行规律 o具有十分重要的理论意义和实际意义 ∀要了解涩籽在地理上的流
行规律 o关键在于建立杉木涩籽与地理之间的理想模型 o本项研究为开展这一方面的工作开辟了一条
新的思路 ∀
人工神经网络是一种以非线性为特征 o建立输入量与输出量之间全局性非线性映射关系的分析方
法 ∀它具有较强的自学习和联想记忆能力 o特别适合于处理非线性的映射问题 o但是 o人工神经网络在
林业科学研究中的应用则鲜有报道 o作者曾用该方法研究杉木壮苗定向培育规律 o取得较好的效果k何
东进等 ot||zl o本项研究结果也进一步说明了人工神经网络技术研究杉木涩籽的地理流行规律具有可
行性和优良性 ∀
人工神经网络虽然有较强的联想能力 o但是 o网络中参数选择好坏将严重影响模型的模拟精度和
预测效果 o而如何选择合理的参数 o迄今为止尚无完善的理论和方法 o另外 o若个别训练样本差异较大 o
也会影响网络的收敛速度和模拟效果 o这是人工神经网络目前尚存在的不足之处 o因此 o有待于对该技
术进行更深入 !广泛的研究 ∀
参 考 文 献
杜宏彬 q杉木种子品质及涩籽的初步研究 q亚林科技 ot|{s okwl }wu ∗ w{
何福基 q杉木种子涩籽成因的初步研究 q种子 ot|{x okyl }w ∗ y
何东进等 q人工神经网络用于杉木壮苗定向培育规律的研究 q浙江林学院学报 ot||z owkwl }vv| ∗ vwv
洪 伟等 q计量林学研究 q成都 }电子科技大学出版社 ot||v otyv ∗ tyy
林思祖等 q数量化理论 Œ在杉木涩籽研究中的应用 q林业科技通讯 ot|{| okvl }vts ∗ vtw
林思祖等 q杉木不稔种子流行数量化预测模型 q福建林学院学报 ot||s¤otwktl }zu ∗ z{
林思祖等 q杉木种子涩籽地理流行趋势的研究 q植物生态学与地植物学学报 ot||s¥otwktl }ws ∗ wx
望月义产等 q日本机械协会论文集k„编l qt||u oxz }t|uu ∗ t|u|
尹红风等 q人工神经元网络信息处理原理 q模式识别与人工智能 ot||s ovktl }t ∗ tv
俞新妥 q杉木种子瘪籽形成观察初报 q福建林学院学报 ot|ys oktl }t ∗ z
戴诗亮等 q人工神经网络用于人体振动响应的分析 q清华大学学报k自然科学版l ot||y ovyk{l }{z ∗ |u
¬³³°¤±±o • ° q„±¬±·µ²§∏¦·¬²±·²¦²°³∏·¬±ª º¬·« ±¨ ∏µ¤¯ ±¨ ·¶qŒ∞∞∞ „¶¶³ ¤ª¤½¬±¨ oqt|{z ow ∗ uu
uy 林 业 科 学 vx卷