首页 | 学术研究∶森林、草原 |
基于人工神经网络的森林资源管理模型研究* |
(福建林学院资源与环境系 南平 353001)
森林资源管理一直是林业科学管理的最重要的组成部分,几乎直接或间接地影响到林业及其相关行业的各个方面。林业的持续经营与发展必须实现可持续的森林资源管理。为此,广大林业科技工作者就此进行了广泛的森林资源管理的模型研究[1],以服务于森林资源的科学管理和持续经营。但大多数采用 Logistic 模型模拟森林资源动态,而森林资源动态变化过程实质上是一个非线性映射过程,因此,本文首次提出应用人工神经网络建立输入量(林龄)与输出量(单位面积蓄积量)之间的非线性映射关系,这将为森林资源管理提供一种新的模拟分析方法。 1 人工神经网络理论 人工神经网络 (ANN) 是由大量简单元件(神经元、模拟电子元件、光学元件 图 1 反向传播 (BP) 神经网络结构 它是通过改变各连接点单元连接权值来实现映射的。BP 模型的特点是信号由输入层单向传递到输出层,同一层神经元之间互不传递信息,每个神经元与邻层所有神经元相连,连接权重值用 Wij 表示。各神经元的作用函数为 Sigmoid 函数,设输入层有 P 个节点,输出层有 q 个节点,K-1 层的任意节点用 i 表示,K 层的任意点用 j 表示,K+1 层的任意节点用 l 表示。Wij 为 K-1 层的第 i 个神经元与 K 层的第 j 个神经元相连接的权值。K-1 层的节点 i 输出为 O(k-1)i,K 层节点 j 的输入为: K 层节点 j 的输出为: Okj=f(NETkj)(2) 设训练样本对为 (X,Ye),X 为 P 维向量,加到输入层;Ye 为 q 维向量,对应于期望的输出;网络的实际输出 Y 也是 q 维向量。网络在接受样本对的训练过程中,采用 BP 算法,将输出值与实际期望值进行比较,并视其误差的方向与大小,反向调整各层节点的权值,使网络的输出值逐步逼近实际期望值,反复学习,直至达到理想的误差精度为止[4、5]。 2 森林资源管理 BP 模型的建立 2.1 材料的收集 根据 1992 年森林资源二类调查复查资料(福建),以闽北地区森林资源为研究对象,采用分层抽样技术,分优势树种进行抽样统计,结果以杉木(人工林)、马尾松(天然林)、阔叶树(天然林)占绝对优势。故以这 3 个优势种群为例,研究森林资源管理的人工神经网络 BP 模型模拟。以龄级为单位,对抽样小班进行蓄积量统计,结果列于表 1 中的 Y1。 表 1 3个优势种群资料分布模拟结果
2.2 人工神经网络模型的建立 用 BP 网络模型对森林资源分布格局进行模拟,根据 BP 网络模型的映射原理,对样本集合 X 和输出 Y,可以假设其存在一映射 F, Yi=F(Xi) i=1,2,…,n 为了寻求 F 的最佳映射值,BP 网络模型将样本集合的输入、输出转化为非线性优化,通过对简单非线性函数的复合,建立一个高度的非线性映射关系,实现 F 值的最优逼近。对于森林资源管理的数学模拟,林龄为输入节点,记为 X;单位面积蓄积量为输出节点,记为 Y,隐层节点数取为 5,得出三层前馈反向传播神经网络模型,如图 2 所示。 图 2 森林资源管理神经网络模型 以表 1 中 Y1 为学习样本,在学习过程中,取冲量为 0.95 学习效率为 0.65,网络中,权系数 Wij 的初值取 (0,0.3) 之间的随机数。作为网络输入、输出变量,以 Xi/(Xmax+Xmin) 和 Yi/(Ymax+Ymin) 作归一化处理。网络输出以 来考核网络的学习状况,并不断迭代使 H 趋于最小。学习 120805~166465 次后趋于收敛,BP 模型列于表 2。用学习过的网络,按照式 (1)、(2),计算网络输出结果列于表 1 中 Y2 列,从仿真结果看,吻合程度是令人满意的。 表 2 3个优势种群资源管理的 BP 模型
3 BP模型与 Logistic 模型的比较 用建立的 BP 网络模型计算学习样本得到的对应的理论值,计算出相关指数和剩余离差平方和(表 3)并与文献 2 用 Logistic 模型拟合得到的相关指数和剩余离差平方和比较。BP 网络模型的拟合精度均比 Logistic 模型的大,而剩余离差平方和均比 Logistic 模型的小,BP 模型的模拟精度高于 Logistic 曲线。而且在建立 Logistic 模型时,环境容纳量 K 值的确定带有主观性,需要对参数进行优化方能达到满意的值[6、7]。而 BP 模型自身具有学习训练功能,可以建立各种非线性映射,使用方便,并且精度可以人为控制,当然网络自学习过程是由误差反向传播算法进行迭代,其学习效率较低。 表 3 BP模型与 Logistic 模型仿真结果比较
4 讨论 本文介绍了人工神经网络理论,并建立了森林资源管理的神经网络模型,BP 模型经学习训练后,可以达到理想的收敛效果,且比 Logistic 函数仿真精度更高,结果是令人满意的,为森林资源管理模拟仿真提供一种新的分析方法。 人工神经网络是一个高度的非线性映射,它可以模拟人脑的若干基本特征,但其反向调整权值收敛速度慢,而且冲量及学习率值的确定十分重要。 参考文献
第一作者简介 洪伟,男,1947 年 11 月生,福建林学院院长、教授。主要研究方向为林业系统工程、数量生态。曾获省、部级科技进步二、三等奖 9 项。出版专著《计量林学研究》、《林业试验设计技术与方法》等 3 部,在《林业科学》、《植物生态学报》、《应用生态学报》、《土壤侵蚀与水土保持学报》等刊物上发表学术论文 90 多篇。
|
| 关闭窗口 |