首页|基于机器学习的落叶松树皮厚度预测

基于机器学习的落叶松树皮厚度预测

扫码查看
原文链接
  • 万方数据
  • 维普
[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.
Prediction of bark thickness for Larix gmelinii based on machine learning

张孟库、姜立春

展开 >

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,黑龙江 哈尔滨 150040

树皮厚度 支持向量回归 神经网络 随机森林 决策树

国家自然科学基金黑龙江省应用技术研究与开发计划国家林业和草原科学数据中心黑龙江子平台项目

31570624GA19C0062005DKA32200-OH

2022

10.12171/j.1000-1522.20210097

北京林业大学学报
北京林业大学

北京林业大学学报

CSTPCDCSCD北大核心
影响因子：1.237
ISSN：1000-1522
年,卷(期)：2022.44(6)
  • 6
  • 8