基于树干半径和径向生长速率的树木年龄估计机器学习模型

《Smart Agricultural Technology》：A machine learning model for estimating tree age based on trunk radius and radial growth rate

　　

由于不同树种和环境之间的径向生长存在显著差异，准确的树木年龄估计仍具挑战性。本研究通过将近似相对径向生长速率（RGR）纳入机器学习和集成模型，开发了一种广义多树种树木年龄估计框架。研究人员在距地面1.3 m的采样高度处采集了四种树种共186个树干圆盘。从最外层年轮向髓心依次分组年轮，以推导树干半径（R）、采样高度处的年龄、平均年轮宽度（AAW）和RGR。以R和RGR为输入变量，训练了反向传播神经网络（BPNN）、随机森林（RF）、极端梯度提升（XGBoost）和支持向量回归（SVR）四种机器学习模型，并采用加权集成策略整合其预测。集成模型取得了0.865的R²、85.5%的预测精度、4.318年的均方根误差（RMSE）和3.058年的平均绝对误差（MAE）。与使用R和树种（TreeSpecies）的模型相比，加入RGR使R²从0.589提升至0.865，并将RMSE从7.345年降至4.318年。这些结果表明，RGR部分降低了对显式树种信息的依赖。所提框架展示了用于多树种树木年龄估计的潜力，并为开发广义大规模树木年龄估计模型提供了基础。

树木年龄是森林调查的基础参数，直接关系到生长模型可靠性、森林经营规划、木材性质、碳汇、林内小气候和生物多样性。然而，由于树种和环境间径向生长的显著差异，准确估算树龄仍是挑战。传统方法中，生长锥取芯费时费力且造成机械损伤，年轮界限不清时无法使用；微钻阻力法受噪声干扰，峰谷难以与晚材一一对应；数学模型虽成本低且非破坏性，但依赖固定方程，当径向生长速率差异大时精度不足。机器学习虽能刻画复杂非线性关系，但单一模型存在泛化能力有限、鲁棒性不足等问题。因此，本研究旨在验证集成学习能否提升树龄估算精度，并探索加入径向生长动态变量（尤其是近似相对径向生长速率RGR，即平均年轮宽度与树干半径之比）能否建立不依赖树种标签的多树种通用模型。该研究发表于《Smart Agricultural Technology》。

研究人员在中国三个气候区（寒温带黑龙江新林林业局、暖温带北京密云水库林区、亚热带湖北五道峡国家级自然保护区）采集了四个树种（兴安落叶松Larix gmelinii、油松Pinus tabuliformis、侧柏Platycladus orientalis、日本落叶松Larix kaempferi）共186株树干圆盘，采样高度为地面以上1.3 m。利用Lintab 6.0年轮测量系统获取四个方向的年轮宽度，按从外向内、累计径向长度约2 cm的方式将年轮分组，计算每段的树干半径R、平均年轮宽度AAW及RGR。数据按树木个体划分训练集（三分之二）和测试集（三分之一），以避免信息泄漏。

主要技术方法如下：样本来源为上述三个气候区的四个树种共186个圆盘；采用Lintab 6.0年轮测量系统读取年轮宽度；将完整年轮按径向距离约2 cm从外向内顺序分段，计算R、年龄、AAW和RGR；构建反向传播神经网络（BPNN）、随机森林（RF）、极端梯度提升（XGBoost）和支持向量回归（SVR）四种基模型，通过网格搜索和10折交叉验证优化超参数；以预测精度加权集成各模型输出；基于连接权重、分裂准则和排列重要性评估输入变量重要性；并与线性、对数、指数、幂函数和多项式等传统数学模型对比。

研究结果如下：

4.1 数据处理结果：186个圆盘共产生3165个区段级样本，其中训练集2144个、测试集1021个。随树龄增加，AAW和RGR总体下降，R持续上升；四个树种趋势相似但幅度不同，表明径向生长特征蕴含可跨树种迁移的共同发育信息。

4.2 输入变量重要性结果与比较：在仅以R和TreeSpecies为输入时，TreeSpecies的重要性较高；加入全部候选变量后，RGR的重要性在所有机器学习模型中均最高，TreeSpecies重要性显著下降，AAW因与R和RGR存在数学关系而贡献较低，故最终仅保留R和RGR作为核心输入。

4.3 树种特异性树木年龄估计比较结果：传统数学模型中多项式模型总体最优（加权平均R²=0.606，RMSE=7.500年），但最佳方程形式因树种而异；集成学习模型总体优于传统模型，加权平均R²=0.633，P=0.656，RMSE=7.437年，MAE=5.175年，尤其对日本落叶松和兴安落叶松优势明显，说明数据驱动方法能更好适应异质和非线性