基于机器学习的落叶松树皮厚度预测

编号 zgly0001743630

文献类型 期刊论文

文献题名 基于机器学习的落叶松树皮厚度预测

作者 张孟库  姜立春 

作者单位 东北林业大学林学院 

母体文献 北京林业大学学报 

年卷期 2022,44(6)

页码 54-62

年份 2022 

分类号 S791.22 

关键词 树皮厚度  支持向量回归  神经网络  随机森林  决策树 

文摘内容 【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(R^(2))、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(H_(r))。基于训练样本,与Model5相比,随机森林的R^(2)从0.675 2提高到0.723 4,RMSE从0.575 5降低到0.531 0。随机森林检验结果与Model5相比R^(2)从0.666 9调高到0.710 5,RMSE从0.616 9降低到0.544 6。【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。