10.13275/j.cnki.lykxyj.2021.06.008
深度学习和传统方法模拟杉木树高-胸径模型比较
[目的]基于深度学习算法,建立多隐藏层的杉木树高-胸径神经网络模型,探索一种更高效低偏的树高模型研建方法,提高杉木树高的预测精度.[方法]利用福建省将乐国有林场34块杉木样地的2898组树高-胸径调查数据,基于传统回归建立10个广义树高-胸径模型,筛选出精度最高的模型作为对照.同时基于H2O平台的深度学习算法,建立70个不同结构的树高-胸径DLA模型,通过分析比较,确定最适宜预测杉木树高的模型结构,与传统最优模型进行比较.[结果]建立的树高-胸径DLA模型均能较好地描述杉木的树高-胸径间关系,R2都在0.84以上,大于最优传统模型,RMSE和MAE小于传统模型.精度最高的DLA模型结构包含6个隐藏层,每层各340个神经元.[结论]本研究基于深度学习建立的杉木树高-胸径DLA模型,其拟合精度与预测精度略高于传统的广义树高-胸径模型,尤其在预测较高的林木时,更为明显,能够用于研究区杉木树高的预测.
深度学习;树高-胸径模型;非线性回归;杉木
34
S758.5(森林经营学、森林计测学、森林经理学)
国家自然科学基金;林业科技推广项目
2022-01-20(万方平台首次上网日期,不代表论文的发表时间)
共8页
65-72