基于有限训练样本的多点深度学习神经网络在河口及沿海水域风暴潮短期预测中的应用

首页今日动态人才市场新技术专栏中国科学人云展台
BioHot
云讲堂直播会展中心特价专栏技术快讯免费试用

生物通官微
陪你抓住生命科技
跳动的脉搏

生物通首页 > 今日动态 > 正文

【字体：大中小】 时间：2025年07月25日 来源：International Journal of Digital Earth 3.7

编辑推荐：

　　这篇研究通过极端梯度提升（XGBoost）模型结合自动采集的采伐机数据，创新性地预测挪威云杉（Picea abies）根部腐烂（Heterobasidion spp.）的发生，解决了传统方法依赖能源木材（energy wood）指示的局限性。研究在全国范围和特定承包商层面验证了模型的敏感性（83–87%）和特异性（95–99%），为林业精准管理（precision forestry）提供了低成本、高效的解决方案。

ABSTRACT

根部腐烂（Heterobasidion spp.）导致挪威云杉（Picea abies）木材质量下降，给森林所有者造成重大经济损失。传统方法依赖能源木材作为腐烂指示，但漏检率高。本研究通过采伐机自动采集的数据，结合极端梯度提升（XGBoost）模型，开发了两种预测方法：XGB-only（全数据建模）和combined（先通过二元分类筛选数据再建模）。结果显示，模型敏感性达83–87%，特异性达95–99%，优于无人机（UAV）图像分析，但略逊于手持相机检测（99%敏感性）。

Introduction

挪威林业因根部腐烂年均损失达2.22€/m³。腐烂木材仅适合制成纸浆材（pulpwood）或能源材（energy wood），且感染树木生长受限。现有防控措施（如化学处理或更换树种）成本高昂，需精确定位腐烂树桩。采伐机数据（StanforD标准）包含树木直径（DBH）、材积等丰富信息，为低成本检测提供了可能。

Materials and methods

数据采集：7名承包商在2020–2022年记录挪威云杉的腐烂情况，通过区分健康与腐烂纸浆材/截材（cutoffs），并将所有能源材视为腐烂。数据分为开发集（80%）和验证集（20%）。
模型构建：

XGB-only：直接使用全数据建模。
Combined：先通过二元分类剔除纯腐烂/健康树木组（如“saw”组为健康，“energy”组为腐烂），再对剩余数据建模。
超参数调优包括学习率（eta 0.01–0.99）、最小损失缩减（gamma 2–20）等，采用五折交叉验证。

Results

模型性能：验证集敏感性83–87%，特异性95–99%。Combined分类通过剔除46.7%腐烂树木（能源材指示）显著提升检测率。
变量重要性：首段和二段原木的材积、直径等是关键变量，潜在可锯材（sawlog）状态排名11–24位。
地域差异：全国模型对承包商C效果更优（敏感性提升15.6%），但对承包商E表现不稳定，可能与样本量不足有关。

Discussion

技术对比：采伐机数据分类优于无人机图像（敏感性82.1%），但逊于手持相机（99%）。
局限性：模型特异性与敏感性差异（8.5–15.6%）提示可能存在过拟合，需调整参数如max_depth（当前4–20）。
应用前景：需结合立地年龄、土壤类型等变量进一步提升精度。当前结果虽未达理想水平（敏感性>90%），但为无传感器依赖的检测提供了可行方案。

Conclusions

建议同时开发全国和承包商特异性模型，择优选用。未来需扩大数据收集范围，整合多源信息（如地理位置、历史管理数据），以实现更精准的根部腐烂预测。

热点排行

新闻专题

联系信箱：

粤ICP备09063491号