《Forest Ecology and Management》:Prediction of total tree height in
Eucalyptus plantations in the Lower Amazon, Pará, using two artificial intelligence techniques
编辑推荐:
人工智能准确预测了桉树树高。随机森林(Random Forest)实现的预测误差低于7%。胸径(Diameter at breast height, DBH)和优势木高(dominant height, hd)是主要的预测变量。神经网络和随机森林(Random
人工智能准确预测了桉树树高。随机森林(Random Forest)实现的预测误差低于7%。胸径(Diameter at breast height, DBH)和优势木高(dominant height, hd)是主要的预测变量。神经网络和随机森林(Random Forest)支持了树高估算。模型可以提高森林清查作业的效率。
该研究发表于《Forest Ecology and Management》。巴西桉树人工林主要集中在东南部与南部,北部帕拉州约占11.1%,集中于Almeirim、Dom Eliseu及Paragominas等市。桉树人工林管理需掌握直径、树高与材积等生长动态,全树高(total tree height, ht)是估算材积产量与划分林分生产力等级的关键指标。传统树高测定依赖测高仪(hypsometer),在样地树木量大时耗时显著,且冠顶可视度受限易致非抽样误差;受成本制约常减少实测株数并借助测高模型(hypsometric models)推算,因此亟需高效准确的替代方法。除胸径(DBH)外,林分年龄(age, A)、优势木高(hd)等变量可提升估算精度,但非线性回归建模需谨慎处理变量引入。机器学习能捕捉变量间非线性关系,其中人工神经网络(Artificial Neural Network, ANN)模拟人类神经系统学习非线性模式,具备监督训练与泛化能力;随机森林(Random Forest, RF)基于Bootstrap聚合多棵决策树,回归中取均值输出,具计算高效、内部误差估计及变量重要性评估等优势。现有研究多在巴西南部与东南部,巴西北亚马逊土壤气候背景下应用ANN与RF估算桉树树高的研究仍稀缺,而该区种植扩张需适龄林分管理信息以保障生产力与经济回报,故研究人员开展此项评估两种算法在帕拉州下亚马逊地区萌蘖(coppice)管理桉树人工林中预测全树高的效率研究。
研究人员基于2020至2022年在帕拉州Almeirim与Vitória do Jari市建立的253个固定样地数据,测定3372株尾叶桉(Eucalyptus urophylla)×巨桉(Eucalyptus grandis)杂交无性系树木,年龄1.7至7.6年,株行距对应单株占地面积4.5至9 m2。采用R语言randomForest与neuralnet包,构建多层感知机(Multilayer Perceptron, MLP)前馈ANN与RF模型,输入变量包括DBH、hd、A三类定量变量及间距(spacing)、无性系(clone)、区域(area)三类分类变量,设置七种变量组合;ANN隐层神经元数按(nvar/2)+1设定,分类变量独热编码(one-hot encoding),数据归一化至0–1,采用弹性反向传播(resilient backpropagation)算法与logistic及双曲正切激活函数,训练上限2×10?次迭代;RF调参ntree(500–1000)、mtry(1–2)、nodesize,按样地与年龄组实测树高株数划分训练与验证集。性能以观测与预测值相关系数(r)、均方根误差(Root Mean Square Error, RMSE)及百分比RMSE(RMSE%)、百分比相对误差(relative error, RE%)评估;变量重要性分别用Garson算法(ANN,基于1000次网络权重均值)与%IncMSE(RF,基于袋外误差增加)计算。
3. Results
3.1. Performance and selection of ANN and RF models
研究人员通过七种变量组合筛选最优ANN与RF模型。ANN训练集r为0.96–0.99,验证集0.93–0.97,RMSE%均低于10%;其中ANN 2(4隐层神经元、logistic函数,变量DBH、hd、A、spacing)与ANN 1(双曲正切、变量DBH、hd、A、area、spacing)验证RMSE%分别为6.44%与6.58%,精度最高;不含hd的ANN 4、5、7误差增大至8.47%–9.20%。RF训练集r约0.99,验证集0.96,RMSE%低于7%;RF 3(ntree=500、mtry=2、nodesize=5,变量DBH、hd、A、clone)验证RMSE%为6.34%,RF 1为6.39%,表现最佳;不含hd的配置误差亦升高。ANN与RF预测值与观测值散点近45°线,相对误差呈近似正态分布且集中零附近。Garson算法显示ANN中DBH贡献0.50、hd 0.27、A 0.09,spacing 0.07、area 0.05、clone 0.02;RF的%IncMSE同样表明DBH最重要,次为hd与A,分类变量贡献较低但具互补作用。两者均能无偏高精度预测该地区桉树全树高。
4. Discussion
研究人员指出机器学习性能依赖参数配置:ANN结构、神经元数与激活函数差异致误差变动,Rocha等人(2021)在帕拉Paragominas的桉树测高模型亦有类似发现;Cunha Neto等人(2018)强调适宜ANN结构优于传统回归。RF中ntree增大会提升稳定性但增计算负担,Costa Filho等人(2019)在火炬松(Pinus taeda)中发现ntree与mtry直接影响估计质量;Dantas等人(2024)报道RF桉树高估测决定系数>0.85、相关>0.90、误差<10%。优势木高(hd)反映立地生产力,本研究证实其纳入对捕捉818.98 ha研究区变异至关重要;DBH、hd与A已足以解释树高变化,但加入spacing与clone因涵盖6种间距与9个无性系及萌蘖管理致林分异质性高,进一步降误;RF因子集建树降方差而对异质数据稳健。虽分类变量微幅提精度,综合考虑解释与经济因素,推荐以DBH、hd、A为核心变量。变量重要性分析与森林测计学原理一致,低相关变量增复杂度不提精度(Carari等人, 2025);Garson法与Bagging(%IncMSE)增强ANN与RF可解释性,跨方法比较可稳固变量相关性评估(Molnar, 2022)。本研究填补巴西北亚马逊下亚马逊地区萌蘖桉树人工林全树高AI预测的空白,明确DBH、hd、A为核心预测因子,分类变量仅互补增益,比较变量重要性提升模型透明性,可为森林清查规划与决策减省野外工时与成本并提供时效估算。
5. Conclusions
研究人员得出结论:人工神经网络(ANN)与随机森林(Random Forest)算法均能有效预测帕拉州下亚马逊地区萌蘖管理及单株占地4.5–9 m2常规间距下尾叶桉×巨桉杂交无性系人工林的全树高。在ANN与RF中纳入胸径(DBH)、优势木高(hd)与年龄(A)对获取满意精度的树高预测至关重要。通过Garson法(ANN)与均方误差增加百分比(%IncMSE, RF)进行的变量相对重要性分析表明,DBH与hd是预测全树高最具影响力的因子;年龄及分类变量spacing、clone、area贡献互补但显著性较低。
要不要我帮你把这篇解读里的关键专业术语和缩写整理成一个速查清单方便你后续查阅?