森林健康预警PSR模型

卞西陈，陈丽华，武巧英，王 鹏，王萍花

（北京林业大学水土保持学院，北京 100083）

森林健康预警的实质就是根据森林资源可持续发展的要求、森林健康的发展趋势和预警科学的基本理论和方法，结合森林生态系统的特点，制定一系列森林健康的预警指标，并在历史数据的定性分析和定量评价的基础上，结合系统综合评价理论、预警理论和专家经验，确定预警指标的合理警限，通过对森林健康的现状和未来的测度，及时发布森林系统向不健康方向发展的警情，为决策者提供及时、准确的反馈调控信息。

PSR模型即“压力－状态－响应”（Pressure-State-Response，PSR）框架，1979年由加拿大学者Rapport和Friend提出。20世纪90年代，在经济合作与发展组织（OECD）和 联合国环境规划署（UNEP）共同推动下，PSR模型成为研究环境问题的基本框架[1-3]。随着PSR模型理论的不断发展，其应用领域也越来越广泛，如：生态安全评价、土地质量评价、土地可持续利用评价、生态系统健康评价等。但该理论在森林生态系统健康预警中的应用较少，为此我们提出了基于PSR模型的预警流程图（图1）。

图1 PSR模型的预警流程图

由图1可以看出：PSR模型是一个循环的运行过程。当自然因素和人为因素成为压力施加到森林系统上，将对森林健康状态产生影响，即外界压力引起了森林健康状态的变化；这种森林健康状态信息被管理部门接收到后，管理部门将采取相应的响应措施对施加于森林系统的外界压力因素进行管理，从而改善人类活动等压力因素；改善后的压力因素将再次作用于森林系统，使其状态再次发生变化，管理部门再次进行响应。

1 项目区概况与基本研究方法

1.1 项目区概况

北沟林场隶属于河北省孟滦国营林场管理局，位于围场县中南部，分布在半截塔镇和下伙房乡境内，地处七老图岭山西侧，地势东北高，西南低；海拔800～1 600 m，色树梁东光顶是全场最高峰，海拔1 600 m；滦河支流——伊玛吐河由北向南从林区穿过，流入隆化境内。林场总经营面积约5 733 hm2，林地面积5 000 hm2，活立木蓄积284 000 m3，森林覆盖率88%。森林以天然次生林和人工林为主，主要树种有白桦、油松、华北落叶松、山杨、柞树、五角枫、云杉、日本落叶松等。林区内生物资源十分丰富，高等维管植物有600多种，野生脊椎动物有20余种，鸟类有80余种。

1.2 研究方法

在林场森林中选出32 700 m2的典型样地，其中包括天然次生林和人工林。根据林地的不同类型把样地分为88个小班。其中天然次生林共25个小班，每个小班的面积为20×20 m2，人工林共63个小班，其中62个小班大小为10×10 m2，另1小班与天然林紧挨，林分结构有别于天然林和人工林，大小为15×20 m2。每块样地里面又设置5×5 m2的中等样方和1×1 m2的小样方，分别调查灌木和草本植物，调查指标包括胸径、树高、枝下高、优势度、干形质量、冠幅、土壤厚度、土壤入渗率、病虫害状况及森林火险等。

2 RS-粗糙集理论确定预警指标

2.1 RS-粗糙集理论基本原理

20世纪80年代初，波兰数学家Z.Pawlak针对G.Frege的边界线区域思想首次提出了粗糙集（Rough sets，RS）概念。粗糙集理论是一种处理含糊和不精确性问题的新型数学工具，其基本思想是在保持分类能力不变的前提下通过知识约简，导出概念的分类规则。其特点是：不需要提供求解问题时所需处理的数据集合之外的任何先验知识，仅对实测数据本身进行分类处理即可发掘隐含知识，揭示潜在的数据内部规律；可处理不完备的数据信息；能在保留关键数据信息的前提下对数据进行化简并求出知识的最小表达；能评估数据间的依赖关系，从经验数据中获得易于验证的分类规则，有利于智能控制[4-9]。近年来，粗糙集理论逐渐被引用到综合评价中，成为综合评价中确定权重，进行评价的一种有效的方法。

利用Rosetta软件对各指标的数据进行处理，根据各指标在总指标中的权重确定出本次研究中用的指标。其中，压力指标包括病虫害程度和森林火险等级；状态指标包括群落层次结构、林分郁闭度、近自然度、土壤侵蚀程度、生物多样性和土壤厚度；响应指标包括人工育林比例、专业技术人员比例。各指标占总指标的权重见表1。

2.2 森林生态系统健康警度的划分

表1 森林生态系统健康预警指标权重

警限的划分关系到预报警度的准确性，以及误警和漏警的预防。本文依据生态学基本原理以及国内外有关森林健康研究和实践的结果，对森林健康预警指标的各单项指标进行等级划分，将各预警指标分为无警、轻警、中警、重警和巨警5个警度[10-12]，见表2。

表2 森林生态系统健康警度的划分

3 粗糙集结合概率神经网络算法（RS- PNN）[12-18]

3.1 基本原理

Specht于1988年提出了概率神经网络（Probabilistic Netural Networks,简称PNN），它构成一个Bayes分类器，实现多分类的Bayes判别，它把输入的样本模式，经网络变换为输出的分类决策。与BP网络、RBF网络等传统的前馈神经网络相比，具有网络学习过程简单、网络的容错性好、模式分类能力强、网络的扩充性能好等特点。但在运算过程中，该网络无法分辨所给数据的冗余性和重要性，将所有数据不加区别进行运算。当样本属性过多时，其运算量随着变量的增加呈指数级增加，从而增加了运算的难度和时间，严重限制了支持向量机的应用。

降低PNN输入样本的复杂程度是解决上述问题的一个方向。为了降低PNN输入样本的复杂程度，减少PNN中运算的维数，提高运算效率，可以选择在运算前进行数据约简，压缩数据的空间，从而降低分类中的维数，以提高PNN的运算效率。粗糙集理论依据数据的依赖性，对数据进行约简，在保留重要信息的前提下消除冗余的数据，简化数据之间的关系，优化评价结构。因此，将粗糙集理论引入到PNN的运算过程之中，充分发挥其属性约简的能力，以降低PNN计算的维数。

3.2 算法描述

基于算法的原理，首先要进行粗糙集的属性约简的计算，然后再进行PNN的分类以及预测计算，具体的计算步骤如下。（1）样本预处理：进行初步数据处理，保留具有属性值的样本，发现样本数据中的特征；（2）属性约简：利用粗糙集理论的属性约简能力，对样本集进行进一步处理，得到最简属性样本集；（3）挑选合适的训练函数和参数值，建立概率神经网络；（4）利用PNN进行分类预测计算：计算模型见式（1）。

式中：Fi为第i号小班森林健康基值得分；Pij为第i号小班第j个指标森林健康等级得分；Rj为第j个指标的权重；i为小班号；j为森林健康预警基值指标。

4 预警结果

以小班为单位，应用Matlab7.0软件中的PNN神经网络工具箱[4-8]对北沟林场的森林生态系统进行健康预警，预警统计结果见表3。

表3 北沟林场森林生态系统健康预警结果

由表3可以看出，在88个小班中，27个处于绿色警戒，占地面积10 200 m2；49个处于蓝色警戒，占地面积5 100 m2；9个处于黄色警戒，占地面积900 m2；3个处于橙色警戒，占地面积300 m2；0个处于红色警戒，占地面积0。各预警等级占样地总面积的百分比分别为：61.82%、30.91%、5.45%、1.82%、0。

在森林生态系统88个典型小班中，处于绿色和蓝色警戒范围内森林小班为76个，面积为15 300 m2，占样地总面积的92.73%。由此得出，林场的森林生态系统整体处于绿色和蓝色警戒内，整体生长状况良好，但需对林场采取必要的健康经营[12-18]方法，具体措施如确定合理的林分密度、加强林分的抚育管理、制定合理的森林管理制度、预防森林火灾和病虫害的发生等，以确保森林的可持续利用。

5 小结

本文首次将粗糙集理论作为预警计算模型应用于森林健康预警中，为预警指标的约简和指标权重的计算提供了新的思路。将粗糙集理论与PNN神经网络相结合，有效克服了PNN神经网络构造复杂、训练时间长的缺点，并进一步扩展了粗糙集理论的应用范围。基于PSR模型,构建了森林生态系统健康预警体系，并对河北省北沟林场进行了实例研究，结果表明，该模型能够反映森林健康预警结果,具有一定的科学性、可操作性和灵敏性。

[1] 高均凯.森林健康基本理论及评价方法研究[D].北京：北京林业大学，2007.18-21.

[2] 黄小磊.粗糙集属性约简及在电力系统中的若干应用[D].浙江：浙江大学，2008.

[3] 马 立.北京山地森林健康综合评价体系的构建与应用[D].北京:北京林业大学，2007.24-32.

[4] 谭 旭，唐云岚，等.杂合数据的粗糙集属性约简方法[J].国防科技大学学报，2008，30（6）：83-88.

[5] 吴延熊.区域森林资源预警系统的研究[D].北京：北京林业大学，1998.

[6] 余 亮，边馥苓.粗糙神经网络在森林火灾预警中的应用[J].武汉大学学报（信息科学版），2006，31（8）：720-723.

[7]张建设.基于粗糙集的多属性决策问题[D].重庆：重庆大学，2006.

[8] 王 兵，郭 浩，王 燕，等.森林生态系统健康评估研究进展[J].中国水土保持科学，2007，5（3）：114-120.

[9] Paul A Mistretta.Managing for forest health.Journal of Forestry,2002,100（7）:24-27.

[10]Hubert H,Dieter M,Martin W.Estimating tree mortality of Norway spruce stands with neural networks[J].Advances in Environmental Research,2001,5（4）:405-414.

[11]陆元昌.森林健康状态监测技术体系综述[J].世界林业研究，2003，16（1）：20-25.

[12]肖风劲，欧阳华，傅伯杰，等.森林生态系统健康评价指标及其在中国的应用[J].地理学报，2003，58（6）：803-809.

[13]周早弘.油料林森林健康评价指标体系的研究[J].湖南农业科学，2009，（2）：114-117.

[14]蒋万杰，杜连海，吴记贵，等.北京松山国家级自然保护区森林健康经营研究[J].安徽农业科学，2010，（2）：982-984，1042.

[15] Shalabh P.Bharadwaj,Siva Subramaian,Sudhakar Manda,Taniya Ray,Prabir Mukherjee,I.V.Ramanuja Rao.Bamboo livelihood development planning,monitoring and analysis through GISand remote sensing[J].Journal of Bamboo and Rattan,2003,2,（4）.

[16]USDA Forest Service.Healthy Forests Report[R].（2005-12-02）[20060719].USDA Forest Service.

[17] O’Laughlin J,Cook P S.Inventory-based forest health indicators:Implications for national forest management[J].Journal of forestry,2003,101（2）:11-17.

[18] O’Laughlin J,Cook P S.Inventory-based forest health indicators:Implications for national forest management[J].Journal of forestry,2003,101（2）：11-17.