基于GA-BP神经网络的灌木生物量估测模型

曹姗姗，孙 伟，刘鹏举，唐小明

(1 中国林业科学研究院 资源信息研究所，北京 100091；2 中国科学院 资源与环境信息系统国家重点实验室，北京 100101；3 新疆农业大学 计算机与信息工程学院，新疆 乌鲁木齐 830052)

基于GA-BP神经网络的灌木生物量估测模型

曹姗姗1，孙 伟2，3，刘鹏举1，唐小明1

(1 中国林业科学研究院 资源信息研究所，北京 100091；2 中国科学院 资源与环境信息系统国家重点实验室，北京 100101；3 新疆农业大学 计算机与信息工程学院，新疆 乌鲁木齐 830052)

【目的】 应用以遗传算法优化的BP(GA-BP)神经网络构建灌木生物量估测模型，以有效避免回归分析建模中自变量及模型形式选择的复杂问题。【方法】 以灌木林地的荆条为试验对象，应用遗传算法优化BP神经网络的结构、初始权值和阈值，通过BP神经网络训练构建荆条最优地上生物量估测模型，并与传统的应用回归分析方法构建的模型进行对比分析。【结果】 仿真结果表明，GA-BP神经网络模型和回归分析模型的模拟精度分别为77.65%和71.79%，估测精度分别为81.46%和75.64%，GA-BP神经网络模型的精度略高于回归分析模型。【结论】 应用GA-BP神经网络构建灌木生物量模型是可行的，能够实现灌木生物量的快速估测。

灌木生物量；BP神经网络；遗传算法；回归分析

灌木是森林生态系统的重要类型之一，由于其植株矮小、近地面分枝多、树冠距离地面近，因而具有很强的防风固沙和保持水土能力，在生态保护、恢复和重建中起着重要的作用。但由于冬季灌木地上部分多枯死，是引发重大森林火灾的因素之一，因此，灌木的数量影响着森林可燃物的垂直连续性及林火蔓延的强度和速度。综上可知，灌木生物量快速估测方法的研究，对于生态环境的保护与建设及森林火灾预测与扑救指挥能力的提升至关重要。

灌木生物量估测主要是基于影响灌木生物量的各测树因子的测量数据，利用数学模拟法建立生物量估测模型，而后只需输入因子的测量数据，即可实现生物量的快速估算，避免了大量繁重的野外工作，也有效降低了对生态系统的破坏程度[1-3]。灌木生物量估测模型的自变量常采用冠幅直径(C)、地径(D)和植株高度(H)及其组合形式，其中的早期研究主要采用多因子多自变量形式[4-5]，而近期研究结果表明，多因子的适当组合，如冠幅直径和植株高度的乘积(CH)[6-11]、地径与株高的乘积(DH)[12-14]、地径平方与株高的乘积(D2H)[5,12,14-17]等均能有效提高生物量估测模型的稳定性和估测精度，而且D2H是建立灌木生物量模型时最常用的复合因子；灌木生物量估测模型的形式与灌木形态联系较紧密[18]，目前较常采用的模型类型主要有线性模型、多项式模型、相对生长模型、指数模型和对数模型，多数研究表明，幂函数能较好地拟合灌木生物量与因子之间的相关性，稳定性好，简单易用，是灌木生物量估测模型最常用的形式之一[11,19]。上述研究主要是应用多元回归方法构建灌木生物量估测模型，但是，由于灌木从形态上可以分为主干较明显的乔木型灌木和没有明显主干、近地面分枝较多的丛生灌木，其形态的明显差异导致不同种类的灌木生物量估测模型的自变量和模型形式各异，故而基于回归方法构建灌木生物量模型势必存在自变量及模型形式选择的复杂问题。

人工神经网络(ANN)是基于人脑功能的非线性映射结构，通过模仿生物神经网络的行为特征，采用自学习和自适应的方式对信息进行分布式并行处理[20]，有很好的非线性拟合能力，BP(Back Propagation)神经网络是目前应用最广泛的神经网络模型之一。神经网络作为一种新的方法应用于生物量估测研究，主要分为2类：一类是基于神经网络技术构建生物量遥感模型[21-26]，另一类是基于调查数据训练网络实现生物量估测[27-28]，二者均取得了良好的估测效果。由于神经网络可在事先不知道灌木形态结构、输入变量最优复合等信息的情况下实现多元回归分析，因而可以有效避免传统的多元回归分析模型在自变量和模型形式选择上的繁琐过程，同时无需考虑样本数据的类型和分布特征。但是，由于神经网络是通过单个初始值迭代求最优解，因此初始设置对训练结果的影响较大，每次训练的收敛值不一定是误差平面的全局最小值，从而导致其陷于局部极值而使网络的稳定性较差。而遗传算法(Genetic Algorithm，GA)是从代表问题可能潜在的解集的一个种群开始搜索，具有全局寻优能力，能够优化BP神经网络结构、初始权值和阈值，从而提高BP神经网络预测结果的精度和稳定性。

荆条(Verbenaceae)是北京山区生长数量最多、分布范围最广的灌木优势树种之一，以荆条为试验对象开展灌木生物量估测模型研究具有重要意义。因此，本研究采用遗传算法优化的BP(GA-BP)神经网络构建无需考虑输入因子组合形式及模型形式的高精度灌木生物量估测模型，并与传统回归分析模型对比分析，探索GA-BP神经网络用于灌木生物量估算的可行性，以期为灌木生物量的快速估测提供支持。

1 研究区概况和数据获取

1.1 研究区概况

研究区位于中国林业科学研究院华北林业实验中心，其前身为中国林业科学院九龙山实验林场，地处北京西门头沟城区，是九龙山生态系统的主体。地理位置为东经115°59′～116°06′，北纬39°54′～39°57′。属暖温带半湿润大陆性季风气候，年均气温11.7 ℃，平均相对湿度60%。森林总面积 1 741.91 hm2，有林地面积1 293.7 hm2，灌木林地385.41 hm2，森林覆盖率达74.3%以上。主要乔木树种有油松(Pinustabulaeformis)、侧柏(PlatycladusorientalisFranco)、落叶松(Larixgmelinii)、刺槐(Robiniapseucdoacacia)、柞树(Xylosmaracemosum)和山杨(Populusdavidiana)等。根据北京市“十五”森林资源二类调查数据，荆条是九龙山灌草群落中主要的建群种，是该区灌木林地及林下灌木中生长数量最多、分布范围最广的灌木。荆条属马鞭草科的落叶灌木，高1～5 m，小枝四棱，是九龙山区主干相对较明显的乔木型灌木树种的代表，与酸枣(Ziziphusjujubavar.spinosa)、蚂蚱腿子(MyripnoisdioicaBunge)、绣线菊(Spiraeasalicifolia)、胡枝子(LespedezabicolorTurcz.)、雀儿舌头(Leptopuschinensis)、黄背草(Themedajaponica)等植物混生，形成灌木草丛群落。

1.2 数据获取

荆条测量数据来自2013年北京市九龙山区华北林业实验中心灌木生物量野外调查。根据研究区优势树种为荆条的灌木林地的分布情况，综合考虑坡度、坡向、海拔、土壤类型、土壤厚度等因子，设置25 m×25 m的样地20个。在每个样地内均匀选取5个有代表性的区域，布设5 m×5 m的小样方5个。用手持GPS测量样方坐标信息，TruPulse360激光测距仪测量样方的坡度、坡向信息。将样方内的荆条全部砍倒，对地径大于1 cm的荆条逐株用皮尺测量株高、用直径测量卷尺测量地径、用弹簧秤称取灌木的主干及细枝的鲜质量并记录；对地径小于1 cm的荆条按株高分组后，分别称质量并记录每组荆条的主干和细枝的鲜质量、记录灌木株数。分别采集主干与细枝样品200 g左右带回实验室。

将野外采集样品称质量后置于烘箱内，于85 ℃恒温连续烘干12 h后进行第1次称质量，然后每隔2 h称质量1次，直至2次称质量结果的相对误差≤1.0%时，记录干质量，通过含水量计算公式计算样品的含水率，根据野外测量的荆条鲜质量及样品含水率，通过公式(1)计算每株荆条的生物量。

含水率=(样品湿质量-样品干质量)/样品湿质量×100%。

单株荆条生物量=(1-含水率)×单株荆条鲜质量。

(1)

将记录数据汇总，剔除枯死木及由于外业记录出错等原因造成的明显偏离正常结果的异常数据。地径小于1 cm的荆条按地径1 cm计算，单株生物量由该组的总生物量与株数相除计算得到。样本数据的株高介于0.8～3.7 m、地径介于1.00～4.77 cm、单株荆条生物量为48～2 400 g。按地径分布情况，均匀选取288株用于荆条地上部分生物量估测模型的建立，20株用于模型估测精度的检验。

2 研究方法

2.1 数据预处理

由样本数据的分布范围可知，荆条数据的株高、地径及生物量间存在较大的数量级差别，为避免由于数据数量级差别较大而使网络因为权值过大进入饱和状态，从而导致网络预测误差较大，需要对原始样本数据进行归一化处理，将数据处理为区间[0，1]的数据。归一化方法主要有数据极差化法和平均数方差法两种，本研究采用数据极差化法(式(2))对样本数据进行归一化处理，即：

(2)

式中：xk代表样本记录值，xmin代表样本记录最小值，xmax代表样本记录最大值，k=1，2,…，n(n为样本总数)。

2.2 基于遗传算法改进的BP神经网络模型结构

BP神经网络是一种信息正向传播、误差反向传播的多层前馈神经网络，是由Rumelhart和McCelland为首的科学家小组提出来的[20]，由输入层、隐含层和输出层组成。BP神经网络采用均方误差作为默认的网络性能函数，信息从输入层经隐含层逐层处理，在输出层将输出结果与期望输出进行对比，如果输出结果与期望值间的误差大于预定值，则转入反向传播，根据预测误差调整网络权值和阈值，重新转入正向传播，如此重复，直至误差达到预定值，从而实现BP神经网络预测输出与期望输出的不断逼近。BP神经网络可以实现状态复杂、难以用数学方法准确建模的曲线拟合。但由于其存在寻优参数多、易陷于局部极值以及初始设置对训练结果影响大等不足，使BP神经网络具有收敛速度慢且预测结果不稳定的缺陷。

遗传算法是鲁棒性较强的优化算法，具有很强的全局搜索能力，能够在复杂多态的空间里按照选择的适应度函数通过选择、交叉和变异操作对个体进行筛选，找到最优适应度值对应的个体，优化BP神经网络结构、初始权值和阈值，提高神经网络预测结果的精度和稳定性。遗传算法优化BP神经网络算法流程见图1。

2.3 网络训练与仿真

本研究中用遗传算法优化灌木生物量估测的BP神经网络训练时，采用了层网络结构，输入向量为地径(D)和植株高度(H)2个元素，即输入层神经元个数为2；输出向量为荆条地上部分生物量，即输出层神经元个数为1；隐含层神经元数目根据1987年Hecht-Nielsen所指出的建议隐含层节点数目公式2N+1计算，结果为5。遗传算法的参数设定，典型的交叉概率Pc的取值为0.6～1.0，变异概率Pm取值为0.01～0.1[29]，设定初始种群N=10，进化代数为60，Pc=0.6，Pm=0.01，根据多次训练结果的稳定性及精确度寻找最优参数设置，最终确定初始种群N=10，最大进化代数为100，Pc=0.6，Pm=0.1，寻找最优个体初始化权值和阈值。对于本研究的中小规模BP神经网络，为实现快速收敛，误差修正的训练函数采用Levenberg-Marquardt BP训练函数(trainlm)，训练次数最大值为100，训练目标为0.001，输入层到隐含层的传递函数采用默认的S型正切函数(tansig)，隐含层到输出层的传递函数采用默认的纯线性函数(purelin)。选择归一化样本中的288个样本数据作为模型输入数据，其中70%为训练数据，15%为验证数据，15%为测试数据，按确定的参数进行网络训练，训练结果如图2所示，经计算，其模拟精度为77.65%。将已选取的20组模型检验数据输入训练好的GA-BP模型，得到生物量的预测值和实测值的对比情况如图3所示，从图3可以看出二者吻合度良好，模型的估测精度为81.46%。

图1 遗传算法优化BP神经网络的算法流程
Fig.1 Algorithm flowchart of the genetic algorithm optimized by BP neural network

图2 BP神经网络训练结果
Fig.2 Training results of the genetic algorithm optimized by BP neural network

图3 荆条地上部分生物量估测值与实测值的比较
Fig.3 Comparison of the estimated and measured values of vitex aboveground biomass

3 模型检验

以荆条地径平方与株高乘积(D2H)为自变量，基于回归分析建立荆条地上生物量估测模型，并与基于GA-BP神经网络模型的荆条地上生物量模型进行模拟精度和估测精度的对比，验证基于GA-BP神经网络构建灌木生物量估测模型的可行性。

依据野外测量数据，本研究用于灌木生物量估测模型构建的测量因子为株高H和地径D。选取以往研究中在模型精度及稳定性方面均体现出一定优势的地径平方与株高乘积(D2H)为模型自变量，分别选用线性模型(公式(3))、二次曲线模型(公式(4))、三次曲线模型(公式(5))、幂函数模型(公式(6))、指数曲线模型(公式(7))和对数曲线模型(公式(8))共6个常用公式进行生物量方程拟合：

Y=b0+b1X；

(3)

Y=b0+b1X+b2X2；

(4)

Y=b0+b1X+b2X2+b3X3；

(5)

Y=b0Xb1；

(6)

Y=b0eb1X；

(7)

Y=b0+b1lnX。

(8)

式中：Y为生物量，X为自变量，b0为回归常数，b1、b2、b3为回归系数。

应用SPSS 20.0软件对数据进行回归分析，采用判定系数(R2)、F统计量和均方根误差RMSE 3个检验值对模型进行评价。R2用于判定回归模型的拟合程度，说明用自变量解释因变量变异的程度，取值范围为[0,1]；F值用于表征R2的明显程度；RMSE为用拟合值与原始值之间的偏差评价模型的回归效果。因此R2接近1、F值大、RMSE值小的模型为最优模型。

(9)

(10)

(11)

由表1的回归分析结果可知，幂函数的判定系数最高，R2=0.866，并且其F值最大，均方根误差RMSE最小，因此选择幂函数构建荆条最优地上生物量估测模型。

Y=47.925(D2H)0.878。

(12)

经计算，其模拟精度为71.79%，将用于模型验证的20组数据代入式(12)，计算得到模型的预测精度为75.64%。

表1 6个估测荆条生物量的株高、地径双因子模型的参数估计及拟合效果比较Table 1 Parameter estimation and fitting results comparison of the 6 height and diameter two-factor models of vitex biomass estimation

注：Y.生物量；H.株高；D.植株地径。

Note:Y.Biomas；H.Shrubheight；D.Shrubdiameter.

将基于GA-BP神经网络与基于回归分析的荆条地上生物量模型的模拟精度、预测精度进行对比，显示基于GA-BP神经网络构建的荆条地上生物量模型的模拟精度为77.65%，估测精度为81.46%；基于回归分析构建的荆条地上生物量模型的模拟精度为71.79%，估测精度为75.64%；前者的模拟精度和估测精度均略高于后者。

4 结论与展望

本研究应用GA-BP神经网络构建的灌木生物量估测模型的模拟精度及估测精度均略高于传统的回归分析模型，表明应用该方法构建灌木生物量估测模型是可行的。在基于回归分析构建灌木生物量模型时，由于灌木的形态多种多样，导致模型自变量形式和模型形式的选取都较为复杂繁琐；而基于GA-BP神经网络的灌木生物量估测无需考虑模型自变量的复合和模型形式的选取等问题，也无需考虑样本数据的类型和分布特征，只需输入野外采集的测树学因子，并对网络进行训练即可构建灌木生物量估测模型，实现灌木生物量的快速估测，因此构建过程较为简便。

BP神经网络在拟合状态复杂、难以用数学方法准确建模的曲线时具有明显的优势，遗传算法能够提高BP神经网络预测模型的精度和稳定性，因此，理论上以GA-BP神经网络构建灌木生物量模型是优于传统回归模型的。但是，由于本研究的训练样本不够多，GA-BP神经网络模型与回归模型在模拟精度和估测精度方面均未体现出较强的优势，因此后续研究可增加样本数量，以提高模型的精度及稳定性。

[1]WhittakerRH.Estimationofnetprimaryproductionofforestandshrubcommunities[J].Ecology,1961,42:177.

[2]WhittakerRH.NetproductionrelationsofshrubsandforbsintheGreatSmokyMountains[J].Ecology,1962,43:357.

[3]CatchpoleWR,WheelerCJ.Estimatingplantbiomass:Areviewoftechniques[J].AustralianJournalofEcology,1992,17:121.

[4] 姜凤岐,卢凤勇.小叶锦鸡儿灌丛地上生物量的预测模式 [J].生态学报,1982(2):103-110.

JiangFQ,LuFY.Themodelofestimatingabove-groundbiomassofCaragana microphyllabrush[J].ActaEcologicaSinica,1982(2):103-110.(inChinese)

[5] 张海清,刘琪璟,陆佩玲,等.千烟洲试验站几种常见灌木生物量估测 [J].林业调查规划,2005(5):43-49.

ZhangHQ,LiuQJ,LuPL,etal.BiomassestimationofseveralcommonshrubsinQianyanzhouexperimentalstation[J].ForestInventoryandPlanning,2005(5):43-49.(inChinese)

[6]HarnissJH,MurrayRB.Reducingbiasindryleafweightestimatesofbigsagebrush[J].JournalofRangeManagement,1976,29(3):430.

[7]RittenhouseLR,SnevaFA.Atechniqueforestimatingbigsagebrushproduction[J].JournalofRangeManagement,1977,30(6):68.

[8]BryantFC,KothmannMM.Variabilityinpredictingediblebrowsefromcrownvolume[J].JournalofRangeManagement,1979,32(2):144.

[9] 王庆锁.油蒿、中间锦鸡儿生物量估测模式 [J].中国草地,1994(1):49-51.

WangQS.QuantitativemodelsofestimatingbiomassofArtemisia ordosicaandCaragana intermedia [J].GrasslandofChina,1994(1):49-51.(inChinese)

[10] 王 蕾,张 宏,哈 斯,等.基于冠幅直径和植株高度的灌木地上生物量估测方法研究 [J].北京师范大学学报:自然科学版,2004(5):700-704.

WangL,ZhangH,HaS,etal.Astudyontheestimatingmethodofshrubupperbiomassbasedonthecrowndiameterandplantheight[J].JournalofBeijingNormalUniversity:NaturalScience,2004(5):700-704.(inChinese)

[11] 郑海富.林下灌木生物量方程的验证和生物量分布格局研究 [D].哈尔滨:东北林业大学,2010.

ZhengHF.Thestudyonvalidationofunderstoryshrub’sbiomassequationsandbiomassdistributionpatternsforunderstoryshrubs[D].Harbin:NortheastForestryUniversity,2010.(inChinese)

[12] 赵 蓓.大岗山林区几种灌木生物量及其价值研究 [D].北京:北京林业大学,2012.

ZhaoB.BiomassandvalueofseveralshrubspeciesinDagangMountain[D].Beijing:BeijingForestryUniversity,2012.(inChinese)

[13] 何列艳,亢新刚,范小莉,等.长白山区林下主要灌木生物量估算与分析 [J].南京林业大学学报:自然科学版,2011(5):45-50.

HeLY，KangXG，FanXL，etal.EstimationandanalysisofunderstoryshrubbiomassinChangbaiMountains[J].JournalofNanjingForestryUniversity:NaturalScienceEdition,2011(5):45-50.(inChinese)

[14] 曾珍英,刘琪璟,曾慧卿.江西千烟洲几种灌木生物量模型的研究 [J].福建林业科技,2005(4):68-72.

ZengZY,LiuQJ,ZengHQ.StudyofbiomassmodelsofsomekindsofshrubsinQianyanzhou,JiangxiProvince[J].JournalofFujianForestryScienceandTechnology,2005(4):68-72.(inChinese)

[15] 李凤山,张辅亭.用统计法测定杏灌丛产量的研究 [J].中国草原,1987(2):12-15.

LiFS,ZhangFT.Theresearchofthestatisticalmethodfortheoutputofthemountainapricotbushofdeterminations[J].ChineseJournalofGrassland,1987(2):12-15.(inChinese)

[16] 黄劲松,邸雪颖.帽儿山地区6种灌木地上生物量估算模型 [J].东北林业大学学报,2011(5):54-57.

HuangJS，DiXY.EstimationmodelforbiomassoftypicalshrubsinMaoershanArea，Heilongjiang[J].JournalofNortheastForestryUniversity,2011(5):54-57.(inChinese)

[17] 杨 昆,管东生.森林林下植被生物量收获的样方选择和模型 [J].生态学报,2007(2):705-714.

YangK,GuanDS.Selectionofgainingquadratforharvestingtheundergrowthvegetationanditsbiomassestimationmodelinginforest[J].ActaEcologicaSinica,2007(2):705-714.(inChinese)

[18] 曾慧卿,刘琪璟,马泽清,等.千烟洲灌木生物量模型研究 [J].浙江林业科技,2006(1):13-17.

ZengHQ,LiuQJ,MaZQ,etal.ModelresearchonshrubbiomassinQianyanzhou[J].JournalofZhejiangForestryScienceandTechnology,2006(1):13-17.(inChinese)

[19]NorthupBK,ZiterSF,AieherS,etal.Above-groundbiomassandcarbonandnitrogencontentofwoodyspeciesinasubtropicalthomscrubparkland[J].JournalofAridEnvironments,2005,62(1):23-43.

[20] 朱 凯,王正林. 精通MATLAB神经网络 [M].北京:电子工业出版社,2010:20-35.

ZhuK,WangZL.MasteringMATLABneuralnetwork[M].Beijing:PublishingHouseofElectronicsIndustry,2010:20-35.(inChinese)

[21] 国庆喜,张 锋.基于遥感信息估测森林的生物量 [J].东北林业大学学报,2003(2):13-16.

GuoQX,ZhangF.Estimationofforestbiomassbasedonremotesensing[J].JournalofNortheastForestryUniversity,2003(2):13-16.(inChinese)

[22] 王立海,邢艳秋.基于人工神经网络的天然林生物量遥感估测 [J].应用生态学报,2008(2):261-266.

WangLH,XingYQ.Remotesensingestimationofnaturalforestbiomassbasedonanartificialneuralnetwork[J].ChineseJournalofAppliedEcology,2008(2):261-266.(inChinese)

[23] 邢艳秋.基于RS和GIS东北天然林区域森林生物量及碳贮量估测研究 [D].哈尔滨:东北林业大学,2005.

XingYQ.RegionalforestbiomassandcarbonstorageestimationstudyfornortheastnaturalforestbasedonRSandGIS[D].Harbin:NortheastForestryUniversity,2005.(inChinese)

[24] 王淑君,管东生.神经网络模型森林生物量遥感估测方法的研究 [J].生态环境,2007(1):108-111.

WangSJ,GuanDS.Remotesensingmethodofforestbiomassestimationbyartificialneuralnetworkmodels[J].EcologyandEnvironment,2007(1):108-111.(inChinese)

[25] 袁 野,李 虎,刘玉峰.基于改进型BP神经网络的西天山云杉林生物量估算 [J].福建师范大学学报:自然科学版,2011(2):124-132.

YuanY,LiH,LiuYF.Picea schrenkianaforestbiomassestimateinthewestTianshanMountainbasedonimprovedBPneuralnetwork[J].JournalofFujianNormalUniversity:NaturalScienceEdition,2011(2):124-132.(inChinese)

[26] 李丹丹,冯仲科,汪笑安,等.BP神经网络反演森林生物量模型研究 [J].林业调查规划,2013(1):5-8.

LiDD,FengZK,WangXA,etal.ModelofBPneuralnetworkinversingforestbiomass[J].ForestInventoryandPlanning,2013(1):5-8.(inChinese)

[27]Ter-MikaelianMT,KorzukhinMD.Biomassequationsforsixty-fiveNorthAmericantreespecies[J].ForestEcologyandManagement,1997,97(1):1-24.

[28] 王轶夫,孙玉军,郭孝玉.基于BP神经网络的马尾松立木生物量模型研究 [J].北京林业大学学报,2013(2):17-21.

WangYF,SunYJ,GuoXY.Single-treebiomassmodelingofPinus massonianabasedonBPneuralnetwork[J].JournalofBeijingForestryUniversity,2013(2):17-21.(inChinese)

[29] 王小平，曹立明.遗传算法:理论、应用与软件实现 [M].西安:西安交通大学出版社,2002:106-118.

WangXP,CaoLM.Geneticalgorithm:Theory,applicationandsoftwareimplementation[M].Xi’an:Xi’anJiaotongUniversityPress,2002:106-118.(inChinese)

GA-BP neural network based on estimation model of shrub biomass

CAO Shan-shan1,SUN Wei2,3,LIU Peng-ju1,TANG Xiao-ming1

(1ResearchInstituteofForestResourcesInformationTechniques,ChineseAcademyofForestry,Beijing100091,China; 2StateKeyLaboratoryofResourcesandEnvironmentalInformationSystem,InstituteofGeographicSciencesandNaturalResourcesResearch,ChineseAcademyofSciences,Beijing100101,China;3CollegeofComputerandInformationEngineering,XinjiangAgriculturalUniversity,Urumqi,Xinjiang830052,China)

【Objective】 An estimation model of shrub biomass based on the Genetic Algorithm optimized Back Propagation (GA-BP) neural network was built to effectively avoid the complex problems existing in the selection of independent variables and model forms in regression modeling.【Method】 The dominant shrub vitex in shrub land was taken as a case study.The structure,initial weights and thresholds of BP neural network were optimized by genetic algorithm,and then the best vitex aboveground biomass estimation model based on the GA-BP neural network (GA-BP-VABEM) was constructed by training the optimized BP neural network.The GA-BP-VABEM was then compared with the RA-VABEM (Vitex Aboveground Biomass Estimation Model based on the method of Regression Analysis).【Result】 The simulation accuracies of GA-BP-VABEM and RA-VABEM were 77.65% and 71.79% and their prediction accuracies were 81.46% and 75.64%,respectively.Thus,the accuracy of GA-BP-VABEM was slightly higher than that of RA-VABEM.【Conclusion】 It is feasible to establish the estimation model of shrub biomass by utilizing GA-BP neural network and the built model has the ability to achieve the rapid estimation of shrub biomass.

shrub biomass;BP neural network;genetic algorithm;regression analysis

时间:2015-11-11 16:16

10.13207/j.cnki.jnwafu.2015.12.010

2014-04-03

国家“863”高技术研究发展计划项目(2012AA102001)

曹姗姗(1984-)，女，黑龙江哈尔滨人，博士，主要从事林火监测预警技术研究。E-mail：cao4503104@163.com

孙 伟(1978-)，男，山东海阳人，讲师，博士，主要从事时空数据模拟与智能分析研究。 E-mail:maplesunw@gmail.com

S718.55+6

A

1671-9387(2015)12-0058-07

网络出版地址:http://www.cnki.net/kcms/detail/61.1390.S.20151111.1616.020.html