基于BP神經(jīng)網(wǎng)絡的油松林小氣候的模型研究

江萍，劉勇，李國雷

（1北京林業(yè)大學省部共建森林培育與保護教育部重點實驗室，北京100083；2石河子大學農(nóng)學院林學系，石河子832000）

油松（PinustabulaeformisCarr．）是我國暖溫帶濕潤半濕潤氣候區(qū)重要的造林樹種，對山地植被恢復有著重要意義。而在上世紀中期營造的油松人工林密度偏大，林分結構簡單，因此，目前我國培育森林的一項重要任務便是對中幼齡林進行撫育管理［1］。國內(nèi)外眾多學者對撫育間伐的試驗證實，以密度調(diào)控為主的撫育措施對林木生長有益，對林分可持續(xù)經(jīng)營也具有重要意義［2］。以往有關油松的研究多集中在撫育對林木生長規(guī)律和蓄積量的影響［3］；撫育后林分土壤和林下植物多樣性之間的關系［4］；撫育對不同林齡油松凋落物分解的影響［5］以及油松人工林養(yǎng)分分配格局［6］等方面。但針對撫育后林分小氣候的差異以及林分－林緣－農(nóng)田小氣候的模型預測研究尚無人涉及。

國外的林分小氣候研究最早開始于防護林小氣候研究［7］，近年來研究主要集中在樹木遮蔭對作物生長的影響［8］，不同林型［9］及林下及林隙小氣候的差異比較研究［10］，也有不同間伐強度林分小氣候效應研究［11］。我國森林小氣候研究始于1960年對防護林的小氣候進行觀測研究［12］。20世紀末有用小氣候梯度觀測方法進行森林小氣候研究［13］，然而多數(shù)研究集中在對現(xiàn)代化溫室的小氣候模型研究上［14］。

人 工 神 經(jīng) 網(wǎng) 絡 （Artificial neural network，ANN）是一門新興的邊緣學科，可以彌補傳統(tǒng)統(tǒng)計方法的不足，解決一些用傳統(tǒng)統(tǒng)計方法難以解決的問題［15］。在人工神經(jīng)網(wǎng)絡的應用研究中，誤差反向傳播神經(jīng)網(wǎng)絡（Back propagation neural network，BP）在林業(yè)領域的應用最多［16］。

本研究擬通過試驗監(jiān)測不同撫育密度林內(nèi)的小氣候數(shù)據(jù)，與林緣、農(nóng)田的小氣候進行比較研究并建立BP小氣候預測模型，為油松人工林小氣候監(jiān)測和經(jīng)營管理提供技術支持。

1 材料與方法

1．1 研究地概況

研究地點位于北京市延慶縣劉斌堡鄉(xiāng)營盤村附近中山。地理位置為40°16′N，115°40′E。該地區(qū)屬燕山山脈系統(tǒng)，多為海拔800m以上的中山，其中佛爺頂?shù)貏葑罡?，海拔?252m。氣候?qū)倥瘻貛Т箨懶约撅L氣候。年平均氣溫6．7℃，全年≥0℃和≥10℃積溫分別為3310．7℃·日和2939．7℃·日。無霜期僅144d。全年降水量519．6mm，蒸發(fā)量為1457．2mm。年平均日照2690．7h。土壤類型為含石礫較多的山地褐土，成土母巖以花崗巖為主。

該區(qū)灌木主要有鼠李屬（Rhamnus）、榛屬（Corylus）植物及荊條（Vitexnegundovar．heterophyllaRehd．）等，草本有大披針薹草（CarexlanceolataBoott．）、黃 精 屬 （Polygonatum）及 菊 科（Compositae）的多種植物。由于人為干擾，該地區(qū)以蒙古櫟為主的地帶性植被已遭破壞，僅保留下蒙古櫟萌生灌叢和草本群落。上世紀中期營造的人工林主要以油松、華北落葉松（Larixprincipis－rupprechtiiMayr．）、側(cè) 柏 （Platycladusorientalis（Linn．）Franco．）、刺 槐 （RobiniapseudoacaciaLinn．）等為主。

試驗林分是1978年用2年生油松苗造林形成，2002年經(jīng)過撫育間伐。林分基本調(diào)查因子見表1。

1．2 方法

1．2．1 試驗布設

試驗于2010年7月對各觀測點小氣候進行監(jiān)測。在4個密度的油松人工林內(nèi)、林緣和農(nóng)田設6個小氣候監(jiān)測樣地，每個樣地設3個重復觀測樣點，選取3d連續(xù)的晴天進行測定。在距離地面0．2、0．5、1．0、1．5和2．0m5個高度分別放置溫濕度計觀測記錄氣溫和相對濕度，在各個高度進行光照強度的測定［17］。測定時間為7：00－18：00整點測量。照度計（SMART SENSOR AR823，香港）測光照時從測量點中心往東、西、南、北4個方向，每方向到相鄰喬木之間取平均距離測定4個讀數(shù)并在60s內(nèi)完成光照強度記錄，均值作為此高度光照強度。溫、濕度計在測定前統(tǒng)一標定并校準，溫度計誤差±0．2℃。濕度計誤差±2%。據(jù)上述測定，每個小氣候監(jiān)測樣地形成540個小氣候要素實測值。

1．2．2 數(shù)據(jù)處理

1．2．2．1 數(shù)據(jù)統(tǒng)計分析

測定數(shù)據(jù)在計算前按儀器編號進行校準，一般統(tǒng)計通過SPSS 18．0軟件完成。

1．2．2．2 BP神經(jīng)網(wǎng)絡模型構建

為了與模型的環(huán)境梯度保持一致，將氣溫、相對濕度、光照強度3個小氣候要素量化為1個集合小氣候環(huán)境梯度（Congregated microclimate－gradient，CMG）［18］。在進行小氣候環(huán)境梯度量化時，各個指標進行歸一化處理，以消除量綱的影響［19］，同時滿足BP神經(jīng)網(wǎng)絡對數(shù)據(jù)的要求［20］，模型公式（1）。應用數(shù)理統(tǒng)計方法，分析林內(nèi)的CMG量化值與林緣、農(nóng)田CMG量化值的相關性，結果見表2。

基于各小氣候要素的相關性分析，分別以林緣（或農(nóng)田）的氣溫、相對濕度、光照強度作為BP神經(jīng)網(wǎng)絡模型的輸入，并選用單隱層的BP網(wǎng)絡結構進行氣溫、相對濕度、光照強度的模擬［21］。模型結構分為3層：第1層為輸入層，3個神經(jīng)元分別是林緣（或農(nóng)田）的氣溫、相對濕度、光照強度；第2層為隱含層，神經(jīng)元為9個；第3層為輸出層，3個神經(jīng)元分別是各個密度林內(nèi)的氣溫、相對濕度、光照強度。

神經(jīng)網(wǎng)絡模型的建模利用Matlab7．12．0軟件編寫程序并調(diào)用newff函數(shù)來初始化網(wǎng)絡，train網(wǎng)絡訓練函數(shù)，輸出層采用sim函數(shù)并實現(xiàn)建模過程。所訓練的網(wǎng)絡模型參數(shù)設定為：最小訓練速率為0．01，最大迭代次數(shù)為9000次，目標誤差為0．00001。模型的訓練樣本和檢驗樣本數(shù)據(jù)量比值為4∶1。在訓練過程中，當滿足目標精度要求或者達到最大迭代次數(shù)時，自動停止訓練并輸出模擬結果。

1．2．2．3 多元線性回歸模型構建

回歸分析的主要目的是預測［22］。本研究借助多元線性回歸方程模型（Multiple linear regression equations，MLR），由多個自變量（氣溫、相對濕度、光照強度）的最優(yōu)組合共同來預測集合小氣候環(huán)境梯度CMG。模型公式：

1．2．2．4 模型模擬精度檢驗

模型模擬精度檢驗用回歸估計標準誤差RMSE。

其中：OBSi為野外觀測數(shù)據(jù)；SIMi為模型模擬數(shù)據(jù)；n為觀測樣本數(shù)量。

2 結果與分析

2．1 林緣對林內(nèi)、農(nóng)田對林內(nèi)的BP神經(jīng)網(wǎng)絡模型

2．1．1 BP神經(jīng)網(wǎng)絡模型模擬結果

由表3可知：各小氣候要素的BP神經(jīng)網(wǎng)絡模擬值與實測值間均達到極顯著水平的線性相關，可證實BP神經(jīng)網(wǎng)絡模型的預測可靠性。林緣－林內(nèi)的模型整體上較農(nóng)田－林內(nèi)的模型預測有更緊密的相關性。

兩種模型對各密度林內(nèi)小氣候的預測相關性由高到低的順序均為Ⅱ＞Ⅰ＞Ⅳ＞Ⅲ。即林緣－中高密度的林分Ⅱ有最高的預測相關性，林緣－中低密度林分Ⅲ預測相關性最低；農(nóng)田－中高密度的林分Ⅱ也有最高的預測相關性，而農(nóng)田－中低密度林分Ⅲ預測相關性最低。

2．1．2 BP神經(jīng)網(wǎng)絡模型模擬精度

根據(jù)RSME的計算結果，林緣－林內(nèi)、林緣－農(nóng)田小氣候各要素的BP模型預測精度見表4。林緣－林內(nèi)的模型整體上較農(nóng)田－林內(nèi)的模型預測有較高的精度。

在林緣－林內(nèi)的模型預測中，對溫度、相對濕度和光照強度的預測精度規(guī)律不一致。而在農(nóng)田－林內(nèi)的模型預測中，整體上即農(nóng)田－中高密度的林分Ⅰ、Ⅱ仍有最高的預測精度，農(nóng)田－中低密度林分Ⅲ光照強度預測精度最低，這與預測相關性規(guī)律一致。

2．2 林緣對林內(nèi)、農(nóng)田對林內(nèi)的多元線性回歸模型

2．2．1 多元線性回歸模型模擬結果

由表5可知：各小氣候要素的多元線性回歸模擬結果與實測值間均達到極顯著水平的線性相關，也一定程度證實模型的預測可靠性。同BP模型，林緣－林內(nèi)的模型整體上較農(nóng)田－林內(nèi)的模型預測有緊密的相關性。

在林緣－林內(nèi)的模型預測中，預測相關性由高到低的順序為Ⅳ＞Ⅲ＞Ⅰ＞Ⅱ，與BP模型預測相關性完全相反；即林緣－低密度的林分Ⅳ有最高的預測相關性。而在農(nóng)田－林內(nèi)的模型預測中，預測相關性由高到低的順序為Ⅱ＞Ⅰ＞Ⅳ＞Ⅲ，這與BP模型相關性一致。即農(nóng)田－中高密度的林分Ⅱ仍有最高的預測相關性。

2．2．2 多元線性回歸模型模擬精度

根據(jù)RSME的計算結果，林緣－林內(nèi)、林緣－農(nóng)田小氣候各要素的多元線性回歸模型預測精度見表6。林緣－林內(nèi)的模型整體上較農(nóng)田－林內(nèi)的模型預測有較高的精度。在林緣－林內(nèi)的模型預測中，對各小氣候指標的預測精度無明顯規(guī)律；而在農(nóng)田－林內(nèi)的模型預測中，對氣溫和光照強度的預測精度規(guī)律性一致，即Ⅰ＞Ⅳ＞Ⅲ＞Ⅱ；相對濕度則表現(xiàn)為Ⅳ＞Ⅱ＞Ⅰ＞Ⅲ。

2．3 2種模型比較

由表4和表6可知：基于BP人工神經(jīng)網(wǎng)絡模型的預測精度要顯著高于MLR模型的預測精度，BP模型相關性與預測精度也表現(xiàn)出基本一致的規(guī)律性，這點也明顯優(yōu)于MLR模型。這主要是因為人工神經(jīng)網(wǎng)絡在非線性建模方面具有明顯的優(yōu)勢，它不依賴現(xiàn)存的數(shù)學函數(shù)，能對任意非線性映射進行任意逼近。而由森林生長理論可知，非線性、復雜性是森林生態(tài)系統(tǒng)的本質(zhì)特征。這樣對森林生態(tài)系統(tǒng)的建模就應該更依賴于非線性的BP神經(jīng)網(wǎng)絡模型，其也較多元回歸線性預測模型可信度要高。

3 結論與討論

本研究主要在林木的生長季監(jiān)測林內(nèi)、林緣和農(nóng)田的小氣候變化，據(jù)監(jiān)測數(shù)據(jù)探索并建立了基于BP神經(jīng)網(wǎng)絡結構的不同密度林分的氣溫、相對濕度和輻射強度的系列小氣候預測模型。本研究的結果表明，應用BP神經(jīng)網(wǎng)絡模型預測精度高于常規(guī)的統(tǒng)計回歸模型，其相關性與預測精度也表現(xiàn)出基本一致的規(guī)律性。在理論層面，多元線性回歸模型要求變量滿足正態(tài)性、獨立性等前提假設要求，BP神經(jīng)網(wǎng)絡模型具有自組織、自學習、非線性動態(tài)處理等特征，無正態(tài)性、獨立性等前提假設要求，就本研究而言，林分小氣候亦具有非線性和不確定性，故利用BP神經(jīng)網(wǎng)絡對林分小氣候預測可以達到多元線性回歸模型模擬無法達到的精度。有學者根據(jù)改進遺傳算法（IGA）尋優(yōu)的特點，對BP神經(jīng)網(wǎng)絡的參數(shù)進行快速優(yōu)化，進而提出IGA－BP神經(jīng)網(wǎng)絡［23］，但IGA－BP神經(jīng)網(wǎng)絡在林業(yè)上的應用還有待于進一步研究。

分要素來看，無論是基于BP人工神經(jīng)網(wǎng)絡模型還是多元線性回歸模型，林緣－林內(nèi)小氣候的模擬精度普遍高于農(nóng)田－林內(nèi)小氣候的預測精度，這主要是由于局部微小氣候、地形差異較小的緣故，而農(nóng)田主要因為植被類型的明顯不同導致預測林內(nèi)小氣候各指標的精度偏低。但BP人工神經(jīng)網(wǎng)絡模型的訓練數(shù)據(jù)只能是采集于特定環(huán)境、特定時間，不具有普遍代表性，這與對溫室小氣候預測的研究結論一致［14］。因此模型只限于解決某一特定時間、特定環(huán)境的小氣候問題，其在其它地區(qū)或?qū)ζ渌鼧浞N的廣泛適用性還有待于進一步研究。

本研究建立的基于BP神經(jīng)網(wǎng)絡結構的不同密度林分的氣溫、相對濕度和輻射強度的系列小氣候預測模型，可以利用外界短期天氣預報的氣象數(shù)據(jù)來預測難以到達林分內(nèi)部的氣溫、相對濕度和輻射強度。曾有學者提出對林地影響最大的氣候因子主要發(fā)生在地上1．5m至地下0．4m的立體空間，并進一步指出展開對這一層次的光、溫、水、熱諸因子的監(jiān)測研究的重要意義［24］。本研究正是在這一方面進行了積極的探索，為森林資源環(huán)境評價和生態(tài)效益的定量評估提供科學依據(jù)，同時可為森林資源生產(chǎn)和經(jīng)營管理提供參考。

［1］曹云，楊劼，宋炳煜，等．人工撫育措施對油松林生長及結構特征的影響［J］．應用生態(tài)學報，2005，16（3）：397－402．

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

［3］劉平，馬履一，賈黎明，等．北京低山油松人工林徑階結構及林下植物多樣性特征［J］．北京林業(yè)大學學報，2011，33（3）：57－63．

［4］李國雷，劉勇，于海群，等．油松（Pinustabulaeformis）人工林林下植被發(fā)育對油松生長節(jié)律的響應［J］．生態(tài)學報，2009，29（3）：1264－1275．

［5］呂瑞恒．撫育間伐對針葉人工林凋落物分解的影響［D］．北京：北京林業(yè)大學，2010．

［6］張希彪，上官周平．黃土丘陵區(qū)油松人工林與天然林養(yǎng)分分布和生物循環(huán)比較［J］．生態(tài)學報，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］郭金強，王肖娟，彭擎宇，等．膜下滴灌加工番茄田間小氣候的特征［J］．石河子大學學報：自然科學版，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］江愛良．論中國熱帶亞熱帶氣候帶的劃分［J］．地理學報，1960，26（2）：104－109．

［13］常杰，潘曉東，葛瀅，等．青岡常綠闊葉林內(nèi)的小氣候特征［J］．生態(tài)學報，1999，19（1）：68－75．

［14］金志鳳，符國槐，黃海靜，等．基于BP神經(jīng)網(wǎng)絡的楊梅大棚內(nèi)氣溫預測模型研究［J］．中國農(nóng)業(yè)氣象，2011，32（3）：362－367．

［15］朱凱，王正林．精通 Matlab神經(jīng)網(wǎng)絡［M］．北京：電子工業(yè)出版社，2010．

［16］黃家榮，任誼群，高光芹．森林生長的人工神經(jīng)網(wǎng)絡建模［M］．北京：中國農(nóng)業(yè)出版社．2006．

［17］林業(yè)部科技司．森林生態(tài)系統(tǒng)定位研究方法［M］．北京：中國科技出版社，1994．

［18］胡隱月，孟慶繁，王慶貴．集合環(huán)境梯度對森林生物多樣性的影響［J］．東北林業(yè)大學學報，1996，24（4）：74－79．

［19］劉思峰，黨耀國，方志耕，等．系統(tǒng)評估、預測、決策與優(yōu)化研究論叢：灰色系統(tǒng)理論及其應用［M］．北京：科學出版社，2010．

［20］屈年巍，馬本學，王維新，等．基于機器視覺和人工神經(jīng)網(wǎng)絡的庫爾勒香梨顏色分級［J］．石河子大學學報：自然科學版，2010，28（4）：514－518．

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

［22］賈乃光，張青，李永慈．數(shù)理統(tǒng)計［M］．北京：中國林業(yè)出版社，2006：176－189．

［23］趙永滿，梅衛(wèi)江，王春林．基于IGA－BP神經(jīng)網(wǎng)絡滾動軸承故障的診斷［J］．石河子大學學報：自然科學版，2010，28（3）：379－382．

［24］龐學勇，包維楷，張詠梅．青藏高原東部暗針葉林采伐跡地土壤環(huán)境變化——21世紀青年學者論壇［J］．世界科技研究與發(fā)展，2005，27（1）：62－67．