基于机器学习的落叶松树皮厚度预测

• 全文链接
• 请求原文

作   者：

张孟库;  姜立春; 

作者机构：

东北林业大学林学院森林生态系统可持续经营教育部重点实验室; 

关键词：

支持向量回归;  随机森林;  神经网络;  决策树;  树皮厚度; 

期刊名称：

北京林业大学学报

i s s n：

1000-1522

年卷期：

2022 年 44 卷 006 期

页   码：

54-62

摘   要：

[目的]研究多个机器学习算法在树皮厚度预测中的应用,对比分析不同单木因子对树皮厚度预测的影响,为树皮厚度预测提供新的方法.[方法]以大兴安岭天然林落叶松为研究对象,基于树皮厚度数据,构建4个机器学习算法(神经网络ANN、支持向量回归SVR、决策树CART、随机森林RF),并将其在预测树皮厚度方面的性能与6个传统树皮厚度模型比较.采用决定系数(R2)、均方根误差(RMSE)、平均绝对误差(MAE)和赤池信息准则(AIC)来评价不同模型和算法.[结果](1)在6个基础模型中Model5预测效果较好.基础模型与机器学习模型比较中,除CART4模型,其他机器学习模型拟合精度均好于传统模型Model5;(2)机器学习模型中ANN4和SVR3拟合和预测精度相似,RF4拟合效果最好.(3)RF4的输入变量为胸径(DBH)、树高(H)、相对树高(Hr).基于训练样本,与Model5相比,随机森林的R2从0.6752提高到0.7234,RMSE从0.5755降低到0.5310.随机森林检验结果与Model5相比R2从0.6669调高到0.7105,RMSE从0.6169降低到0.5446.[结论]相对于基础树皮厚度模型,机器学习算法中的随机森林,支持向量回归和人工神经网络都能提高树皮厚度的预测精度,其中随机森林的预测效果最好,适合该区域落叶松树皮厚度的预测.