基于级联循环网络的林木生长参数预测

【目的】树木的生长参数在林木性状评估、森林碳汇计量和优化森林经营策略等方面具有重要的意义。从激光雷达数据中精准提取林木生长参数并对树木未来生长参数进行预测,以期为林业数字化发展提供技术支持。【方法】本研究提出了一种基于人工智能的林木生长参数提取与预测方法,该方法以南京林业大学中的樱花、银杏、鹅掌楸、水杉4个树种为实验对象。首先,采用机载激光雷达获取4个树种样地的点云数据,并通过单株分割算法提取单棵树木点云。其次,基于圆拟合及高斯滤波的方法自动的从2016、2018、2020年的单棵树点云中提取胸径、树高、冠宽等生长参数,并辅以样地调查数据(2015、2017、2019、2021、2022年),构建不同树种的单棵树生长参数时间序列作为深度学习网络的训练样本集。最后,构造由两层门控循环单元(GRU)的林木生长参数预测深度学习网络,并引入注意力模块以弥补传统循环神经网络捕获长期依赖关系的不足。该网络以2015-2021年单株树木生长参数时间序列作为输入,依托训练数据及随机梯度下降算法使网络参数逼近真实树木生长情况,并用以预测2022年单棵树木的生长参数。【结果】深度学习网络在树高预测上表现最好,决定系数R^(2)均不低于0.83,均方根误差(E_(RMS))均小于0.50 m,在4种树中银杏树的预测结果最优(R^(2)=0.95,E_(RMS)=0.31 m)。在胸径、冠宽等参数的预测上,深度预测网络仍有着良好的表现,R^(2)均不低于0.81,胸径E_(RMS)小于2.50 cm,冠宽E_(RMS)小于0.32 m。在与线性回归和LSTM网络等林木参数预测方法的比较中,本模型预测效果良好(R^(2)≥0.86),误差较小。【结论】级联循环神经网络可有效地预测未来树木的生长情况,提高林木生长参数的预测精度,同时GRU和注意力机制的引入在林木参数的时序预测中有一定的鲁棒性,为森林的智能管理与可视化分析提供了新的思路。