基于BP神经网络的油松林小气候的模型研究

江萍，刘勇，李国雷

（1北京林业大学省部共建森林培育与保护教育部重点实验室，北京100083；2石河子大学农学院林学系，石河子832000）

油松（PinustabulaeformisCarr．）是我国暖温带湿润半湿润气候区重要的造林树种，对山地植被恢复有着重要意义。而在上世纪中期营造的油松人工林密度偏大，林分结构简单，因此，目前我国培育森林的一项重要任务便是对中幼龄林进行抚育管理［1］。国内外众多学者对抚育间伐的试验证实，以密度调控为主的抚育措施对林木生长有益，对林分可持续经营也具有重要意义［2］。以往有关油松的研究多集中在抚育对林木生长规律和蓄积量的影响［3］；抚育后林分土壤和林下植物多样性之间的关系［4］；抚育对不同林龄油松凋落物分解的影响［5］以及油松人工林养分分配格局［6］等方面。但针对抚育后林分小气候的差异以及林分－林缘－农田小气候的模型预测研究尚无人涉及。

国外的林分小气候研究最早开始于防护林小气候研究［7］，近年来研究主要集中在树木遮荫对作物生长的影响［8］，不同林型［9］及林下及林隙小气候的差异比较研究［10］，也有不同间伐强度林分小气候效应研究［11］。我国森林小气候研究始于1960年对防护林的小气候进行观测研究［12］。20世纪末有用小气候梯度观测方法进行森林小气候研究［13］，然而多数研究集中在对现代化温室的小气候模型研究上［14］。

人 工 神 经 网 络 （Artificial neural network，ANN）是一门新兴的边缘学科，可以弥补传统统计方法的不足，解决一些用传统统计方法难以解决的问题［15］。在人工神经网络的应用研究中，误差反向传播神经网络（Back propagation neural network，BP）在林业领域的应用最多［16］。

本研究拟通过试验监测不同抚育密度林内的小气候数据，与林缘、农田的小气候进行比较研究并建立BP小气候预测模型，为油松人工林小气候监测和经营管理提供技术支持。

1 材料与方法

1．1 研究地概况

研究地点位于北京市延庆县刘斌堡乡营盘村附近中山。地理位置为40°16′N，115°40′E。该地区属燕山山脉系统，多为海拔800m以上的中山，其中佛爷顶地势最高，海拔为1252m。气候属暖温带大陆性季风气候。年平均气温6．7℃，全年≥0℃和≥10℃积温分别为3310．7℃·日和2939．7℃·日。无霜期仅144d。全年降水量519．6mm，蒸发量为1457．2mm。年平均日照2690．7h。土壤类型为含石砾较多的山地褐土，成土母岩以花岗岩为主。

该区灌木主要有鼠李属（Rhamnus）、榛属（Corylus）植物及荆条（Vitexnegundovar．heterophyllaRehd．）等，草本有大披针薹草（CarexlanceolataBoott．）、黄 精 属 （Polygonatum）及 菊 科（Compositae）的多种植物。由于人为干扰，该地区以蒙古栎为主的地带性植被已遭破坏，仅保留下蒙古栎萌生灌丛和草本群落。上世纪中期营造的人工林主要以油松、华北落叶松（Larixprincipis－rupprechtiiMayr．）、侧 柏 （Platycladusorientalis（Linn．）Franco．）、刺 槐 （RobiniapseudoacaciaLinn．）等为主。

试验林分是1978年用2年生油松苗造林形成，2002年经过抚育间伐。林分基本调查因子见表1。

1．2 方法

1．2．1 试验布设

试验于2010年7月对各观测点小气候进行监测。在4个密度的油松人工林内、林缘和农田设6个小气候监测样地，每个样地设3个重复观测样点，选取3d连续的晴天进行测定。在距离地面0．2、0．5、1．0、1．5和2．0m5个高度分别放置温湿度计观测记录气温和相对湿度，在各个高度进行光照强度的测定［17］。测定时间为7：00－18：00整点测量。照度计（SMART SENSOR AR823，香港）测光照时从测量点中心往东、西、南、北4个方向，每方向到相邻乔木之间取平均距离测定4个读数并在60s内完成光照强度记录，均值作为此高度光照强度。温、湿度计在测定前统一标定并校准，温度计误差±0．2℃。湿度计误差±2%。据上述测定，每个小气候监测样地形成540个小气候要素实测值。

1．2．2 数据处理

1．2．2．1 数据统计分析

测定数据在计算前按仪器编号进行校准，一般统计通过SPSS 18．0软件完成。

1．2．2．2 BP神经网络模型构建

为了与模型的环境梯度保持一致，将气温、相对湿度、光照强度3个小气候要素量化为1个集合小气候环境梯度（Congregated microclimate－gradient，CMG）［18］。在进行小气候环境梯度量化时，各个指标进行归一化处理，以消除量纲的影响［19］，同时满足BP神经网络对数据的要求［20］，模型公式（1）。应用数理统计方法，分析林内的CMG量化值与林缘、农田CMG量化值的相关性，结果见表2。

基于各小气候要素的相关性分析，分别以林缘（或农田）的气温、相对湿度、光照强度作为BP神经网络模型的输入，并选用单隐层的BP网络结构进行气温、相对湿度、光照强度的模拟［21］。模型结构分为3层：第1层为输入层，3个神经元分别是林缘（或农田）的气温、相对湿度、光照强度；第2层为隐含层，神经元为9个；第3层为输出层，3个神经元分别是各个密度林内的气温、相对湿度、光照强度。

神经网络模型的建模利用Matlab7．12．0软件编写程序并调用newff函数来初始化网络，train网络训练函数，输出层采用sim函数并实现建模过程。所训练的网络模型参数设定为：最小训练速率为0．01，最大迭代次数为9000次，目标误差为0．00001。模型的训练样本和检验样本数据量比值为4∶1。在训练过程中，当满足目标精度要求或者达到最大迭代次数时，自动停止训练并输出模拟结果。

1．2．2．3 多元线性回归模型构建

回归分析的主要目的是预测［22］。本研究借助多元线性回归方程模型（Multiple linear regression equations，MLR），由多个自变量（气温、相对湿度、光照强度）的最优组合共同来预测集合小气候环境梯度CMG。模型公式：

1．2．2．4 模型模拟精度检验

模型模拟精度检验用回归估计标准误差RMSE。

其中：OBSi为野外观测数据；SIMi为模型模拟数据；n为观测样本数量。

2 结果与分析

2．1 林缘对林内、农田对林内的BP神经网络模型

2．1．1 BP神经网络模型模拟结果

由表3可知：各小气候要素的BP神经网络模拟值与实测值间均达到极显著水平的线性相关，可证实BP神经网络模型的预测可靠性。林缘－林内的模型整体上较农田－林内的模型预测有更紧密的相关性。

两种模型对各密度林内小气候的预测相关性由高到低的顺序均为Ⅱ＞Ⅰ＞Ⅳ＞Ⅲ。即林缘－中高密度的林分Ⅱ有最高的预测相关性，林缘－中低密度林分Ⅲ预测相关性最低；农田－中高密度的林分Ⅱ也有最高的预测相关性，而农田－中低密度林分Ⅲ预测相关性最低。

2．1．2 BP神经网络模型模拟精度

根据RSME的计算结果，林缘－林内、林缘－农田小气候各要素的BP模型预测精度见表4。林缘－林内的模型整体上较农田－林内的模型预测有较高的精度。

在林缘－林内的模型预测中，对温度、相对湿度和光照强度的预测精度规律不一致。而在农田－林内的模型预测中，整体上即农田－中高密度的林分Ⅰ、Ⅱ仍有最高的预测精度，农田－中低密度林分Ⅲ光照强度预测精度最低，这与预测相关性规律一致。

2．2 林缘对林内、农田对林内的多元线性回归模型

2．2．1 多元线性回归模型模拟结果

由表5可知：各小气候要素的多元线性回归模拟结果与实测值间均达到极显著水平的线性相关，也一定程度证实模型的预测可靠性。同BP模型，林缘－林内的模型整体上较农田－林内的模型预测有紧密的相关性。

在林缘－林内的模型预测中，预测相关性由高到低的顺序为Ⅳ＞Ⅲ＞Ⅰ＞Ⅱ，与BP模型预测相关性完全相反；即林缘－低密度的林分Ⅳ有最高的预测相关性。而在农田－林内的模型预测中，预测相关性由高到低的顺序为Ⅱ＞Ⅰ＞Ⅳ＞Ⅲ，这与BP模型相关性一致。即农田－中高密度的林分Ⅱ仍有最高的预测相关性。

2．2．2 多元线性回归模型模拟精度

根据RSME的计算结果，林缘－林内、林缘－农田小气候各要素的多元线性回归模型预测精度见表6。林缘－林内的模型整体上较农田－林内的模型预测有较高的精度。在林缘－林内的模型预测中，对各小气候指标的预测精度无明显规律；而在农田－林内的模型预测中，对气温和光照强度的预测精度规律性一致，即Ⅰ＞Ⅳ＞Ⅲ＞Ⅱ；相对湿度则表现为Ⅳ＞Ⅱ＞Ⅰ＞Ⅲ。

2．3 2种模型比较

由表4和表6可知：基于BP人工神经网络模型的预测精度要显著高于MLR模型的预测精度，BP模型相关性与预测精度也表现出基本一致的规律性，这点也明显优于MLR模型。这主要是因为人工神经网络在非线性建模方面具有明显的优势，它不依赖现存的数学函数，能对任意非线性映射进行任意逼近。而由森林生长理论可知，非线性、复杂性是森林生态系统的本质特征。这样对森林生态系统的建模就应该更依赖于非线性的BP神经网络模型，其也较多元回归线性预测模型可信度要高。

3 结论与讨论

本研究主要在林木的生长季监测林内、林缘和农田的小气候变化，据监测数据探索并建立了基于BP神经网络结构的不同密度林分的气温、相对湿度和辐射强度的系列小气候预测模型。本研究的结果表明，应用BP神经网络模型预测精度高于常规的统计回归模型，其相关性与预测精度也表现出基本一致的规律性。在理论层面，多元线性回归模型要求变量满足正态性、独立性等前提假设要求，BP神经网络模型具有自组织、自学习、非线性动态处理等特征，无正态性、独立性等前提假设要求，就本研究而言，林分小气候亦具有非线性和不确定性，故利用BP神经网络对林分小气候预测可以达到多元线性回归模型模拟无法达到的精度。有学者根据改进遗传算法（IGA）寻优的特点，对BP神经网络的参数进行快速优化，进而提出IGA－BP神经网络［23］，但IGA－BP神经网络在林业上的应用还有待于进一步研究。

分要素来看，无论是基于BP人工神经网络模型还是多元线性回归模型，林缘－林内小气候的模拟精度普遍高于农田－林内小气候的预测精度，这主要是由于局部微小气候、地形差异较小的缘故，而农田主要因为植被类型的明显不同导致预测林内小气候各指标的精度偏低。但BP人工神经网络模型的训练数据只能是采集于特定环境、特定时间，不具有普遍代表性，这与对温室小气候预测的研究结论一致［14］。因此模型只限于解决某一特定时间、特定环境的小气候问题，其在其它地区或对其它树种的广泛适用性还有待于进一步研究。

本研究建立的基于BP神经网络结构的不同密度林分的气温、相对湿度和辐射强度的系列小气候预测模型，可以利用外界短期天气预报的气象数据来预测难以到达林分内部的气温、相对湿度和辐射强度。曾有学者提出对林地影响最大的气候因子主要发生在地上1．5m至地下0．4m的立体空间，并进一步指出展开对这一层次的光、温、水、热诸因子的监测研究的重要意义［24］。本研究正是在这一方面进行了积极的探索，为森林资源环境评价和生态效益的定量评估提供科学依据，同时可为森林资源生产和经营管理提供参考。

［1］曹云，杨劼，宋炳煜，等．人工抚育措施对油松林生长及结构特征的影响［J］．应用生态学报，2005，16（3）：397－402．

［2］ Harri Mäkinen and Antti Isomäki．Thinning intensity and growth of norway spruce stands in Finland［J］．Forestry，2004，77（4）：349－364．

［3］刘平，马履一，贾黎明，等．北京低山油松人工林径阶结构及林下植物多样性特征［J］．北京林业大学学报，2011，33（3）：57－63．

［4］李国雷，刘勇，于海群，等．油松（Pinustabulaeformis）人工林林下植被发育对油松生长节律的响应［J］．生态学报，2009，29（3）：1264－1275．

［5］吕瑞恒．抚育间伐对针叶人工林凋落物分解的影响［D］．北京：北京林业大学，2010．

［6］张希彪，上官周平．黄土丘陵区油松人工林与天然林养分分布和生物循环比较［J］．生态学报，2006，26（2）：373－382．

［7］Bodrov V．The Influence of Shelterbelts Over the Microclimate of Adjacent Territories［J］．Journal of Forestry，1936，34（7）：696－697．

［8］郭金强，王肖娟，彭擎宇，等．膜下滴灌加工番茄田间小气候的特征［J］．石河子大学学报：自然科学版，2009，27（3）：295－297．

［9］Porte A，Huard F，Dreyfus P．Microclimate beneath pine plantation，semi－mature pine plantation and mixed broadleaved－pine forest［J］．Agricultural and Forest Meteorology，2004，126（1－2）：175－182．

［10］Renaud V，Rebetez M．Comparison between open－site and below－canopy climatic conditions in Switzerland during the exceptionally hot summer of 2003［J］．Agricultural and Forest Meteorology，2009，149（5）：873－880．

［11］Guan B T，Weng S H，Kuo S R，et al．Analyzing the effects of stand thinning on microclimates with semiparametric smoothing splines［J］．Canadian Journal of Forest Research，2006，36：1641－1648．

［12］江爱良．论中国热带亚热带气候带的划分［J］．地理学报，1960，26（2）：104－109．

［13］常杰，潘晓东，葛滢，等．青冈常绿阔叶林内的小气候特征［J］．生态学报，1999，19（1）：68－75．

［14］金志凤，符国槐，黄海静，等．基于BP神经网络的杨梅大棚内气温预测模型研究［J］．中国农业气象，2011，32（3）：362－367．

［15］朱凯，王正林．精通 Matlab神经网络［M］．北京：电子工业出版社，2010．

［16］黄家荣，任谊群，高光芹．森林生长的人工神经网络建模［M］．北京：中国农业出版社．2006．

［17］林业部科技司．森林生态系统定位研究方法［M］．北京：中国科技出版社，1994．

［18］胡隐月，孟庆繁，王庆贵．集合环境梯度对森林生物多样性的影响［J］．东北林业大学学报，1996，24（4）：74－79．

［19］刘思峰，党耀国，方志耕，等．系统评估、预测、决策与优化研究论丛：灰色系统理论及其应用［M］．北京：科学出版社，2010．

［20］屈年巍，马本学，王维新，等．基于机器视觉和人工神经网络的库尔勒香梨颜色分级［J］．石河子大学学报：自然科学版，2010，28（4）：514－518．

［21］Ferreira M I，Faria E A，Ruano A E．Neural network models in greenhouse air temperature prediction［J］．Neurocomputing，2002，43：51－75．

［22］贾乃光，张青，李永慈．数理统计［M］．北京：中国林业出版社，2006：176－189．

［23］赵永满，梅卫江，王春林．基于IGA－BP神经网络滚动轴承故障的诊断［J］．石河子大学学报：自然科学版，2010，28（3）：379－382．

［24］庞学勇，包维楷，张咏梅．青藏高原东部暗针叶林采伐迹地土壤环境变化——21世纪青年学者论坛［J］．世界科技研究与发展，2005，27（1）：62－67．