哈尔滨典型林分地表凋落物含水率预测模型.pdf
《哈尔滨典型林分地表凋落物含水率预测模型.pdf》由会员分享,可在线阅读,更多相关《哈尔滨典型林分地表凋落物含水率预测模型.pdf(8页珍藏版)》请在咨信网上搜索。
1、第 39 卷 第 4 期2023 年 7 月森 林 工 程FOREST ENGINEERINGVol.39 No.4Jul.,2023doi:10.3969/j.issn.1006-8023.2023.04.013哈尔滨典型林分地表凋落物含水率预测模型张佳薇1,张颂1,彭博1,李明宝2,苏田1,支佶豪1(1.东北林业大学 机电工程学院,哈尔滨 150040;2.东北林业大学 材料科学与工程学院,哈尔滨 150040)摘 要:为构建高精度的森林地表凋落物含水率预测模型,以黑龙江省哈尔滨市 3 种典型林分白桦林(Betula platyphyl-la)、蒙古栎林(Quercus mongolica
2、)和兴安落叶松林(Larix gmelini)为研究对象,采用自制的便携式气象因子检测仪进行实时检测,通过随机森林(Random Forest,RF)、反向传播(Back Propagation,BP)和长短期记忆网络(Long Short Term Memory,LSTM)3 种代表性的机器学习方式对 3 种林分分别构建凋落物含水率预测模型。研究表明,不同的林分在不同的机器学习方式下构建的预测模型的预测精度均不同;在不同的机器学习构建的模型中 3 种林分的预测精度均为 LSTMBPRF;LSTM 在地表凋落物含水率预测模型的研究中效果最优。此研究结果说明 LSTM 在地表凋落物含水率的预测中
3、表现突出,对提高基于气象要素法预测地表凋落物含水率模型精度具有重要的理论意义和实践指导价值。关键词:地表凋落物;含水率;气象因子;预测模型;LSTM中图分类号:S762.2 文献标识码:A 文章编号:1006-8023(2023)04-0110-08Prediction Model of Surface Litter Moisture Content in Typical Forest in HarbinZHANG Jiawei1,ZHANG Song1,PENG Bo1,LI Mingbao2,SU Tian1,ZHI Jihao1(1.College of Mechanical and E
4、lectrical Engineering,Northeast Forestry University,Harbin 150040,China;2.College of Materials Science and Engineering,Northeast Forestry University,Harbin 150040,China)Abstract:In order to construct a high-precision prediction model of forest surface litter moisture content,this paper takes three t
5、ypical forests in Harbin City,Heilongjiang Province as the research object,and uses a self-made portable meteorological factor detec-tor for real-time detection.Three representative machine learning methods of RF(Random Forest),BP(Back Propagation),and LSTM(Long Short Term Memory)were used to constr
6、uct litter moisture content prediction models for the three stands.Results showed that,the prediction accuracy of the prediction model constructed by different forest stands under different machine learning methods was different.The prediction accuracy of the three stands in different machine learni
7、ng models was LSTM BP RF.LSTM had the best effect in the study of surface litter moisture content prediction model.The results of this study indicated that LSTM was outstanding in the prediction of surface litter moisture content,which had important theoretical significance and practical guiding val
8、ue for improving the accuracy of surface litter moisture content model based on meteorological element method.Keywords:Surface litter;moisture content;meteorological factors;prediction model;LSTM收稿日期:2022-10-26 基金项目:国家自然科学基金项目(ZD2021E001);国家重点研发计划(2021YFD220060404)第一作者简介:张佳薇,博士,教授,博士生导师。研究方向为林业物联网和智
9、能检测。E-mail:zjw 通信作者:李明宝,博士,教授,博士生导师。研究方向为林业物联网。E-mail:lmbnefu 引文格式:张佳薇,张颂,彭博,等.哈尔滨典型林分地表凋落物含水率预测模型J.森林工程,2023,39(4):110-117.ZHANG J W,ZHANG S,PENG B,et al.Prediction model of surface litter moisture content in typical forest in HarbinJ.Forest Engineering,2023,39(4):110-117.0 引言森林火灾会导致林分密度减小,破坏森林结构,降
10、低森林的利用价值,是生态环境的重要影响因子1,因此林火预测对森林火灾预防具有重要意义。森林地表凋落物是森林植被在其生长发育过程中新陈代谢的产物,易于分辨和获取,是林火发生的物质基础和首要条件。森林地表凋落物含水率(Surface litter moisture content)直接影响地表凋落物燃烧的难易程度,导致林火的发生和蔓延2。几乎所有的火灾模型都将地表凋落物含水率作为输入变量以量化火灾危险性,因此地表凋落物含水率是预测森林火灾的关键评价指标3,当森林地表凋落物含水率低于临界值时容易发生火灾4。森林地表凋落物含水率变化范围波动较大且对气象因子的响应最为敏感5且特定区域凋落物含水率预测较为
11、准确6。近年来,国内学者不断研究气象要素模型并对预测模型进行改进。2011 年叶更新等7将测站获取的观测资料和统计学方法相结合,对长白山区林下凋落物含水率的变化特征进行分析,发现含水率与林内湿度呈正相关,与林内温度呈负相关,但温度的相关度不如湿度明显;第 4 期张佳薇,等:哈尔滨典型林分地表凋落物含水率预测模型李海洋等8研究发现凋落物含水率预测模型缺少外推性,结合前期气象因子模型预测效果较好;宋雨等9和胡海清等10分别用气象要素回归法验证了不同林分对凋落物含水率有一定的影响-;伍威等11以江西省南昌市茶园山林场的典型林分为研究对象,地表凋落物含水率动态变化主要受相对湿度、空气温度和风速影响。国
12、外学者同样在地表凋落物含水率预测研究领域不断探究并提供重要思路。Ataka 等12观测到物种、落叶的位置等空间异质性对凋落物含水率有影响;Castelli 等13用气象站获取的温度、相对湿度和风速等信息用遗传规划构建森林火灾预测模型,效果良好;Bilgili 等14模拟卡拉布里亚松(Pinus brutia Ten.)地表凋落物含水率与天气条件中温度、相对湿度和风速的关系,进行了相关和回归分析并建立预测模型;Cawson等15提出凋落物含水率和火灾天气具有相关性,温度、相对湿度和干旱程度对凋落物含水率有很大影响;Elhag 等16提出在不同地区,应该使用更多具有代表性的物种来监测其含水率变化建
13、立预测模型,进一步优化森林火灾管理。通过对地表凋落物含水率国内外现状的研究分析,气象要素法在森林地表凋落物含水率预测模型研究中应用广泛,目前基于气象要素的森林地表凋落物含水率预测模型研究存在以下3 点问题有待解决。1)森林地表凋落物含水率的研究多局限于研究区域的某种林分,不具有普适性,应选用更多具有代表性的林分进行研究。2)森林地表凋落物所处区域的气象因子数据信息多来源于当地气象站,气象站无法避免采样点不同导致的气象环境差异。3)森林地表凋落物含水率预测模型多采用传统的气象要素回归法,目前少有机器学习与气象因子相结合用于地表凋落物含水率预测。因此,本研究基于以上 3 点问题进行探讨,选取哈尔滨
14、的 3 种代表性林分(白桦林(Betula platyphyl-la)、蒙古栎林(Quercus mongolica)和兴安落叶松林(Larix gmelini),使用便携式气象因子检测仪,对凋落物含水率研究中常见的 4 种气象因子(环境温度、相对湿度、风速和压强)进行实时检测,并对应含水率测量值,构建地表凋落物含水率预测模型,比较 3 种机器学习方法(随机森林(Random Forest,RF)、反向传播(Back Propagation,BP)和长短期记忆网络(Long Short Term Memory,LSTM)在地表凋落物含水率预测中预测精度。1 材料与方法1.1 实验区域概况哈尔滨
15、(1254213010 E、44044640 N)地处中国东北北部地区,黑龙江省南部,土地面积5.31 万 km2,林地资源丰富。哈尔滨属于温带大陆性季风气候,由于纬度较高导致气温总体偏低,四季分明,冬季漫长寒冷,夏季短暂凉爽。春、秋季气温升降变化快,属于过渡季节,时间较短。全年平均降水量 569.1 mm,降水主要集中在 69 月。1011 月降水明显减少、气候干燥,是哈尔滨森林火灾易发期。本研究的实验区域选为中国黑龙江省哈尔滨市东北林业大学实验林场(126379 1263737 E,45431454331 N),林场中包含哈尔滨地区常见树种的实验林,林分主要包括白桦林(Betula pla
16、typhylla)、蒙古栎林(Quercus mongoli-ca)和兴安落叶松林(Larix gmelini)等,林下凋落物主要为林分枯叶。因此,本研究选用白桦、蒙古栎和落叶松 3 种林分的地表凋落物为研究对象。本研究选取了上述 3 种林分中的凋落物作为本次实验的研究样本。实验区域的基本信息见表 1,蒙古栎林、白桦林、兴安落叶松林均为人工林,郁闭度相同,蒙古栎的林分密度要远高于白桦和兴安落叶松。在 2021 年 10 月 1 日10 月 31 日对 3 种林分进行为期 1 个月的森林地表凋落物采集实验。表 1 实验区域的基本信息Tab.1 Basic information of the s
17、tudy area林分Species林分类型Type of species林分郁闭度Canopy closure of species林分密度/(株hm-1)Density of species平均树高/mAverage tree height平均胸径/cmMean diameter at breast height最大胸径/cmMaximum diameter at breast height活立木蓄积量/m3Standing wood volume蒙古栎林Quercus mongolica人工林0.82 53114141865.6白桦林Betula platyphylla人工林0.8986
18、19162653.81兴安落叶松林Larix gmelini人工林0.886422182458.86111森 林 工 程第 39 卷1.2 研究方法1.2.1 便携式气象检测仪本研究选取近地表的环境温度、相对湿度、风速和压强 4 种有代表性的气象因子进行现场检测,代替了气象站数据收集,实现小气候数据的实时采集。本研究自制了一款基于 STM32F103ZET6 单片机的便携式气象检测仪,选用温湿度传感器 HTU21检测环境中的温度和湿度,HUT21 响应速度快且抗干扰能力强,温度测量范围为-40125,湿度测量范围为 0%100%RH;选用三杯式风速传感器JXBS-3001 检测环境中的风速,其
19、风杯选用碳纤维材料,强度高启动快,测量范围为 030 m/s,测量精度为1%,启动风速为 0.20.4 m/s;选用气压传感器 BMP180 检测环境中的大气压,BMP180 是测量压力最常用的传感器,压力范围为 3001 100 hPa,分辨率高达 0.03 hPa;选用显示模块 TFTLCD 进行数据的实时显示。便携式气象检测仪示意图如图 1 所示。考虑到实验区域低温潮湿且无电源,本研究中的便携式检测仪采用塑料外壳包裹以及太阳能加热板进行供电。温度温度风速压强HTU21JXBS-3001BMP180STM32F103单片机TFTLCD显示图 1 便携式气象检测仪示意图Fig.1 Schem
20、atic diagram of portable meteorological detector1.2.2 样本采集在采集凋落物的过程中,根据 3 种林分的地理位置、受光强度、日照时长以及降雨量等因素各选取 1 个有代表性的采集点进行采集,图 2 为便携式检测仪采集示意图。在每个采样点挖取 20 cm20 cm 的正方形样方,采集对应林分的完整凋落物立即装入密封采集袋中做好标记带回实验室称重,同时用便携式气象检测仪获取实时气象数据并记录。其中 1 组气象数据和凋落物含水率对应为 1 个样本数据。凋落物含水率受气象因子影响变化显著,因此实验以 2 h 为步长进行。在 2021 年 10 月的 3
21、1 d 内,研究人员每 2 h 分别对 3 种林分进行一次样本数据采集,检测的气象数据和对应的凋落物含水率每天采集 12 次。在样本采集期间哈尔滨无明显降雨,平均降雨量仅为 0.4 mm,且参考往年气象数据哈尔滨秋季防火期 1011 月降雨较少,故本实验未考虑降雨情况。图 2 便携式检测仪采集示意图Fig.2 Schematic diagram of the collection of the portable detector1.2.3 含水率计算本研究采用测定含水率的标准方法烘干测量法对采集到的凋落物进行含水率计算。烘干箱选用 101-2 型电热鼓风干燥箱。研究人员将采集到的凋落物样本带回
22、到实验室立即放在恒温干燥箱内 105 C 进行烘干并用电子秤称重17,防止样品受潮,影响实验结果。地表凋落物含水率计算公式如式(1)所示。M=M0-MeMc 100%。(1)式中:M 为凋落物含水率值,%;M0为凋落物湿质量,g;Me为凋落物干质量,g。1.2.4 数据筛选与分类研究人员将检测的气象数据和测得的凋落物含水率导入 EXCEL 表格中,使用 SAS(STATISTI-CAL ANALYSIS SYSTEM)统计软件对数据进行筛选。样本 50%作为训练样本集,50%作为预测样本集和验证样本集。样本数据筛选与分类的流程图如图 3 所示。本研究中首先通过 SAS 软件筛选剔除了含水率高于
23、 50%的样本数据,样本训练集中的气象因子和含水率对预测模型进行训练,在训练好的预测模型中输入预测气象因子,得到预测的含水率与真实测量得到的验证含水率进行对比,从而验证预测模型的预测性能。本研究中,总样本量为1 116 个样本,一组气象数据和凋落物含水率对应为一个样本数据,训练集为 558 个样本,用于通过多次迭代找到最优权重和阈值。预测集为 558 个预测气象因子数据,用于评估模型估计的效果。验证集分别为 558 个预测集检测对应的验证含水率以及211第 4 期张佳薇,等:哈尔滨典型林分地表凋落物含水率预测模型558 个预测集对应的预测含水率,验证集用于判断在多次迭代过程中误差是否继续减小,
24、防止过度拟合。样本含水率训练气象因子SAS 筛选训练含水率预测气象因子预测模型验证含水率预测含水率验证集训练集图 3 样本数据筛选与分类流程图Fig.3 Flowchart of sample data screening and classification1.3 理论研究机器学习 ML(Machine Learning)是人工智能的一个重要分支,是利用计算机作为工具模拟人类的学习方式,将现有内容进行知识结构划分来有效提高学习效率。机器学习根据已有的数据,确定算法模型,并用于预测未知的数据,在军事领域和民用领域应用广泛。常用的机器学习算法有随机森林(Random Forest,RF)、BP(
25、Back Propagation)神经网络、循环神经网络(Recurrent Neural Network,RNN)和长短期记忆神经网络(Long Short Term Memory,LSTM)等。1.3.1 RF 随机森林RF 是一种高度灵活、使用较为广泛的机器学习算法。随机森林是通过集成学习的思想将多棵树集成的一种算法,将许多棵决策树整合成森林,并合起来用来预测最终结果。其基本单元是决策树,本质属于集成学习(Ensemble Learning)方法。随机森林具有样本的随机性,从训练集中随机抽取一定数量的样本,作为每棵决策树的根节点样本;具有属性的随机性,在建立每棵决策树时,随机抽取一定数量
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 哈尔滨 典型 林分 地表 凋落 含水率 预测 模型
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。