隨機(jī)森林在紅松活立木腐朽分級(jí)中的應(yīng)用1)

謝軍明 王立海 林文樹(shù) 郝泉齡 解光強(qiáng) 孟慶凱 李怡娜 闞相成

(東北林業(yè)大學(xué),哈爾濱,150040)

樹(shù)木內(nèi)部腐朽是常見(jiàn)的一種缺陷，腐朽病的發(fā)生不僅對(duì)樹(shù)木自身生長(zhǎng)及木材使用存在危害，且其危害嚴(yán)重時(shí)對(duì)森林公園的旅游活動(dòng)也有一定程度的安全隱患，降低森林旅游資源的價(jià)值[1]。因此，根據(jù)無(wú)損檢測(cè)技術(shù)并聯(lián)合智能算法對(duì)活立木腐朽程度進(jìn)行分級(jí)，有利于監(jiān)測(cè)活立木的健康情況，可對(duì)森林公園林木健康情況進(jìn)行及時(shí)有效的干預(yù)，同時(shí)對(duì)林木防護(hù)也具有重要意義。

目前，利用無(wú)損檢測(cè)手段并結(jié)合智能算法對(duì)活立木腐朽分級(jí)的研究較少。劉國(guó)榮等[2]將樹(shù)干解析為木圓盤，以圓盤腐朽面積占總面積之比，將腐朽程度劃分為5個(gè)等級(jí)。段新芳等[3]采用應(yīng)力波測(cè)定儀對(duì)西藏古建筑上的腐朽與蟲(chóng)蛀木構(gòu)件進(jìn)行無(wú)損檢測(cè)和目測(cè)腐朽觀察，分析健康材和腐朽材的應(yīng)力波傳播速度，確定表層腐朽分級(jí)與無(wú)損檢測(cè)結(jié)果基本一致。梁善慶[4]根據(jù)應(yīng)力波斷層圖像，利用腐朽斷面中剩余健康材徑向厚度與樹(shù)干半徑的比值對(duì)樹(shù)干進(jìn)行危險(xiǎn)性定量評(píng)價(jià)，將其分為無(wú)危險(xiǎn)，警惕，危險(xiǎn)3個(gè)級(jí)別。Yue et al.[5]使用應(yīng)力波斷層掃描儀及電阻斷層成像儀對(duì)水曲柳、小葉楊進(jìn)行檢測(cè)，根據(jù)其成像特征將木材腐朽嚴(yán)重程度分為2個(gè)階段：早期階段、晚期階段。以上研究均是根據(jù)無(wú)損檢測(cè)或目測(cè)方式對(duì)立木腐朽進(jìn)行分級(jí)，其效率低且還需有豐富經(jīng)驗(yàn)的人員。對(duì)此，郝泉齡等[6]根據(jù)無(wú)損檢測(cè)指標(biāo)建立邏輯回歸模型預(yù)測(cè)腐朽等級(jí)，但其準(zhǔn)確率不高。因此，需探尋一種更好的模型提高立木腐朽分級(jí)的準(zhǔn)確率。

機(jī)器學(xué)習(xí)算法用以解決立木腐朽分級(jí)問(wèn)題，對(duì)判定樹(shù)木健康情況提供了一種新的思路和方法，其最初由無(wú)監(jiān)督分類方法(聚類、稀疏自編碼、限制玻爾茲曼機(jī)等)發(fā)展到監(jiān)督分類方法(邏輯回歸、支持向量機(jī)、決策樹(shù)等)，準(zhǔn)確率不斷提高，分類效果越來(lái)越顯著[7]。目前這些方法存在一些不足之處，邏輯回歸分類方法容易欠擬合且其分類精度不高[8]；支持向量機(jī)的決策邊界易受不平衡數(shù)據(jù)集影響；決策樹(shù)容易過(guò)擬合[9]；無(wú)監(jiān)督分類方法則需要大量的樣本或?qū)Ψ诸愵悇e難以控制。因此，需要探索更穩(wěn)定，更適用的機(jī)器學(xué)習(xí)方法來(lái)處理立木腐朽程度的分級(jí)問(wèn)題。

隨機(jī)森林是由許多決策樹(shù)組合而成的一種機(jī)器學(xué)習(xí)算法，其保留決策樹(shù)的優(yōu)點(diǎn)，克服其缺點(diǎn)，同時(shí)可以提高分類的精度，并具有處理類不平衡數(shù)據(jù)的能力，其優(yōu)越的性能在醫(yī)學(xué)、食品、農(nóng)林等眾多領(lǐng)域廣泛使用[10-14]。綜上所述，本研究擬將隨機(jī)森林用于腐朽分級(jí)中，以無(wú)損檢測(cè)數(shù)據(jù)構(gòu)建隨機(jī)森林模型，對(duì)活立木的健康狀況進(jìn)行監(jiān)督分類，同時(shí)與邏輯回歸，支持向量機(jī)，決策樹(shù)算法進(jìn)行比較，依據(jù)腐朽分級(jí)評(píng)價(jià)指標(biāo)的有效性，將活立木健康狀況的預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行分析比較，判斷模型的穩(wěn)定性及可靠性，為立木腐朽分級(jí)判別提供一種方法。

1 研究區(qū)概況

五營(yíng)森林公園位于黑龍江省伊春市五營(yíng)區(qū)(129°6′～129°30′E，47°54′～48°19′N)，森林公園總面積14 141 hm2，森林覆蓋率89.2%，有亞洲面積最大的紅松林，該地區(qū)地勢(shì)平緩，平原較少，屬低山丘陵地帶，以暗棕色森林土壤為主；屬溫帶大陸性濕潤(rùn)季風(fēng)氣候，年平均氣溫為0.6 ℃，年平均降水量為609.6 mm[15]。

2 研究方法

2.1 試驗(yàn)數(shù)據(jù)

選取五營(yíng)森林公園紅松原始森林帶中不同腐朽程度的30棵紅松，在距離地面130 cm立木橫截面上，用阻抗儀和電阻斷層成像儀對(duì)紅松進(jìn)行檢測(cè)，在其檢測(cè)的鄰近部位用樹(shù)木生長(zhǎng)錐鉆取2～3根腐朽或健康的木芯，將其放置于密封袋中帶回實(shí)驗(yàn)室，使用烘干箱烘干，測(cè)量木芯質(zhì)量損失率[16]。

本研究應(yīng)用隨機(jī)森林模型對(duì)立木腐朽進(jìn)行分級(jí)建模，其中選取的研究對(duì)象為國(guó)家二級(jí)重點(diǎn)保護(hù)植物紅松，為了不影響紅松內(nèi)部組織及其今后的正常生長(zhǎng)，所以在選取自變量時(shí)應(yīng)該優(yōu)先選擇無(wú)損，易獲取及與立木腐朽相關(guān)的變量。在活立木檢測(cè)中，阻抗儀和電阻斷層成像儀(ERT)是常用的無(wú)損檢測(cè)設(shè)備，2種設(shè)備能初步反映出腐朽立木的力學(xué)和電學(xué)性能變化，為立木腐朽的定性及定量提供方法[6，17]，并且由這2種無(wú)損檢測(cè)設(shè)備分析處理得來(lái)的數(shù)據(jù)(阻力損失，心材、邊材異常面積比)在一定程度能反映出立木腐朽情況，因此選擇這3個(gè)無(wú)損檢測(cè)指標(biāo)作為自變量。其中，用阻力的下降幅度定義阻力損失，阻力損失代表立木內(nèi)部的力學(xué)性能損失程度，其與腐朽程度變化趨勢(shì)一致；心材、邊材異常面積比是依據(jù)健康與腐朽立木中心材與邊材的電阻斷層圖像存在的明顯顏色差異，通過(guò)提取像素方法將其劃分為2個(gè)區(qū)域(心材與邊材)，并分別計(jì)算各區(qū)域異常像素比。心材、邊材異常面積比反映了腐朽立木截面處的心材、邊材與健康立木間存在的異常，其異常程度越高，代表腐朽越嚴(yán)重。

目前對(duì)于活立木腐朽分級(jí)標(biāo)準(zhǔn)沒(méi)有統(tǒng)一的標(biāo)準(zhǔn)，部分研究以木芯質(zhì)量損失率作為立木腐朽程度真值[16-19]。本研究結(jié)合立木損傷目測(cè)法，將立木腐朽等級(jí)作為因變量。以質(zhì)量損失率將立木腐朽程度劃分為5個(gè)等級(jí)作為真值，等級(jí)越高則腐朽程度越嚴(yán)重。木芯質(zhì)量損失率在15%以下，為Ⅰ級(jí)；大于或等于15%，小于20%，為Ⅱ級(jí)；大于或等于20%，小于30%，為Ⅲ級(jí)；大于或等于30%，小于35%，為Ⅳ級(jí)；大于或等于35%，為Ⅴ級(jí)，其數(shù)據(jù)來(lái)源實(shí)驗(yàn)室前期數(shù)據(jù)。為直觀了解樣本數(shù)據(jù)處理情況，表1統(tǒng)計(jì)分析各數(shù)據(jù)的平均值、標(biāo)準(zhǔn)差、最大值、最小值。

表1 樣本數(shù)據(jù)處理結(jié)果統(tǒng)計(jì)

由于紅松活立木數(shù)據(jù)在野外獲取比較困難，獲取的樣本量較少及無(wú)法保證各腐朽等級(jí)之間的數(shù)量一致，為充分利用采集的30組數(shù)據(jù)(腐朽等級(jí)Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ的數(shù)量分別為7、6、4、3、10組)，保證樣本數(shù)據(jù)在訓(xùn)練及測(cè)試時(shí)各等級(jí)分類均衡，采用重復(fù)分層K折交叉驗(yàn)證將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集(2/3為訓(xùn)練集，1/3為測(cè)試集)用來(lái)測(cè)試模型的泛化性能，其中重復(fù)分層K折交叉驗(yàn)證法的折疊數(shù)為3，重復(fù)次數(shù)為5次。

2.2 模型介紹

Breiman[20]在2001年提出隨機(jī)森林(RF)。隨機(jī)森林是在以決策樹(shù)為基學(xué)習(xí)器構(gòu)建Bagging集成的基礎(chǔ)上，進(jìn)一步在決策樹(shù)的訓(xùn)練過(guò)程中引入隨機(jī)屬性選擇。隨機(jī)森林是通過(guò)在訓(xùn)練時(shí)構(gòu)造大量具有隨機(jī)選擇特征的決策樹(shù)，然后在不同的觀測(cè)樣本上訓(xùn)練每棵決策樹(shù)，并根據(jù)每個(gè)決策樹(shù)的預(yù)測(cè)結(jié)果，選擇分類投票數(shù)最大概率值所對(duì)應(yīng)的類別作為最終預(yù)測(cè)結(jié)果[21]。

邏輯回歸是因變量為二分類或多分類時(shí)，觀察結(jié)果與影響因素之間關(guān)系的一種多變量分析方法，屬概率型非線性回歸[22]；支持向量機(jī)是運(yùn)用統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法，使用訓(xùn)練數(shù)據(jù)在樣本空間或特征空間里尋找最大間隔分離超平面或合適的核函數(shù)，然后將不同樣本類別分開(kāi)[23]；決策樹(shù)是一種監(jiān)督學(xué)習(xí)方法，利用樹(shù)形結(jié)構(gòu)，根據(jù)分類規(guī)則進(jìn)行逐層決策，將樣本類別進(jìn)行分類[9]。

隨機(jī)森林通過(guò)Python軟件和sklearn-0.23.1中的RFC實(shí)現(xiàn)，支持向量機(jī)、決策樹(shù)分別使用sklearn-0.23.1中的SVC、Decision Tree Classifier[24]，邏輯回歸使用了logistic回歸模型。

2.3 模型性能評(píng)價(jià)

在分類問(wèn)題求解過(guò)程中，多為二分類問(wèn)題，常用的評(píng)估指標(biāo)有準(zhǔn)確率、精確率、召回率、F分?jǐn)?shù)等[25]，然而精確率和召回率只能衡量分類器對(duì)單個(gè)類別的局部分類性能，不滿足本研究多分類的情況。因此，本研究采用微觀和宏觀平均下的各項(xiàng)評(píng)估指標(biāo)來(lái)評(píng)價(jià)全局分類性能。此外，由于各腐朽程度級(jí)別的樣例數(shù)不均衡，于是引用了權(quán)重平均值來(lái)衡量分類結(jié)果。在評(píng)價(jià)的過(guò)程中不能單純看分類結(jié)果，還需對(duì)分類器的優(yōu)劣進(jìn)行評(píng)價(jià)。其公式見(jiàn)表2。

表2 各評(píng)價(jià)指標(biāo)公式

分類器的優(yōu)劣主要通過(guò)接受者操作特性曲線(ROC曲線)進(jìn)行評(píng)價(jià)。ROC曲線經(jīng)常以圖表的形式展示一項(xiàng)試驗(yàn)或一系列試驗(yàn)的每一個(gè)合理臨界值的真陽(yáng)性率和假陽(yáng)性率之間的關(guān)聯(lián)或權(quán)衡，其中曲線圖以真陽(yáng)性率(RTP=TPi/(TPi+FNi))為縱坐標(biāo)，假陽(yáng)性率(RFP=FPi/(TNi+FPi))為橫坐標(biāo)繪制[26]。在ROC曲線中，越靠近左上角，分類準(zhǔn)確性越高；越接近空間45度對(duì)角線，分類精度越低[27-28]。AUC是ROC曲線下方的面積，也是衡量學(xué)習(xí)分類器優(yōu)劣的一項(xiàng)性能指標(biāo)，對(duì)應(yīng)的AUC值越大表示分類器效果更好。多類ROC曲線分析分為宏觀平均ROC曲線和微觀平均ROC曲線2種類型。宏觀平均ROC曲線自由測(cè)量每個(gè)類別的度量，取平均值；微觀平均ROC曲線聚集所有類別來(lái)參與計(jì)算，取平均度量[29]。雖然在多分類設(shè)置中，微觀平均是有利的，但在本研究中，我們同時(shí)考慮了兩者。

3 結(jié)果與分析

3.1 隨機(jī)森林模型構(gòu)建

隨機(jī)森林分級(jí)模型以心材異常面積比、邊材異常面積比、阻力損失為輸入量，腐朽等級(jí)為輸出量，利用訓(xùn)練集來(lái)訓(xùn)練模型，再通過(guò)測(cè)試集測(cè)試模型的泛化性能，最后通過(guò)隨機(jī)森林分析變量因子對(duì)因變量影響的相對(duì)重要性。在RFC中，主要調(diào)節(jié)的參數(shù)為N估計(jì)，其他參數(shù)為默認(rèn)值。N估計(jì)指的是隨機(jī)森林中的樹(shù)木數(shù)量，數(shù)量的多少會(huì)影響模型的準(zhǔn)確性，于是通過(guò)學(xué)習(xí)曲線方法得出最佳N估計(jì)值。由圖1可知，當(dāng)N估計(jì)值為16時(shí)的學(xué)習(xí)得分高于默認(rèn)值，為10。

圖1 N估計(jì)的學(xué)習(xí)曲線

3.2 變量因子的相對(duì)重要性

通過(guò)隨機(jī)森林對(duì)訓(xùn)練樣本進(jìn)行擬合，計(jì)算每個(gè)變量特征的平均不純度(基尼系數(shù))減量，得出各變量因子的重要性。其中，對(duì)立木腐朽程度分級(jí)影響最大的是心材異常面積比，占比為0.355；其次是阻力損失，占比為0.335；最后是邊材異常面積比，占比為0.310。

3.3 隨機(jī)森林模型結(jié)果的檢驗(yàn)

根據(jù)訓(xùn)練數(shù)據(jù)構(gòu)建的隨機(jī)森林分級(jí)結(jié)果與真實(shí)腐朽等級(jí)的熱力圖混淆矩陣(圖2)。20組訓(xùn)練數(shù)據(jù)中均無(wú)腐朽等級(jí)數(shù)據(jù)辨識(shí)錯(cuò)誤，其訓(xùn)練精度為100%，總體的誤判率為0%。為了進(jìn)一步驗(yàn)證模型的泛化能力，將測(cè)試數(shù)據(jù)輸入到隨機(jī)森林模型中，輸出的結(jié)果如圖3所示，10組測(cè)試數(shù)據(jù)中有1組預(yù)測(cè)錯(cuò)誤，真實(shí)腐朽等級(jí)Ⅲ被判為腐朽等級(jí)Ⅱ，其他預(yù)測(cè)的腐朽等級(jí)與真實(shí)腐朽等級(jí)相同。因此，模型的泛化精度為90%，說(shuō)明隨機(jī)森林學(xué)習(xí)模型對(duì)未知數(shù)據(jù)的辨識(shí)能力較強(qiáng)。

進(jìn)一步分析隨機(jī)森林在總體數(shù)據(jù)上的擬合，從表3可知，腐朽等級(jí)Ⅱ的精確率為85.71%，召回率為100%；腐朽等級(jí)Ⅲ的精確率為100%，召回率為75%，說(shuō)明真實(shí)腐朽等級(jí)Ⅲ的數(shù)量沒(méi)有真正全部預(yù)測(cè)正確，有1組腐朽等級(jí)Ⅲ誤判為腐朽等級(jí)Ⅱ，因此腐朽等級(jí)Ⅱ的數(shù)目多1組，所以腐朽等級(jí)Ⅲ的召回率為75%，腐朽等級(jí)Ⅱ的精確率為85.71%。由召回率可以看出4個(gè)真實(shí)腐朽等級(jí)(腐朽等級(jí)Ⅰ、Ⅱ、Ⅳ、Ⅴ)都被準(zhǔn)確辨識(shí)，均無(wú)判錯(cuò)。腐朽等級(jí)誤判的原因如下：首先，當(dāng)質(zhì)量損失率為15%～30%時(shí)，在腐朽菌的作用下，其力學(xué)性能和化學(xué)成分仍在發(fā)生持續(xù)、復(fù)雜的變化，各項(xiàng)性質(zhì)較不穩(wěn)定[6]；第二，Ⅲ級(jí)、Ⅱ級(jí)腐朽的立木即使屬于同級(jí)別，各項(xiàng)指標(biāo)數(shù)值也可能存在較大差異，所以難以預(yù)測(cè)真實(shí)的腐朽程度；第三，由于立木內(nèi)部的部分缺陷，無(wú)損檢測(cè)設(shè)備沒(méi)有識(shí)別出來(lái)；最后，由于各樣本腐朽等級(jí)數(shù)目不平衡及總的樣本數(shù)量有限，不足以完整訓(xùn)練各個(gè)腐朽等級(jí)區(qū)間的特征，因此腐朽等級(jí)Ⅲ被誤判為腐朽等級(jí)Ⅱ。從表4中還可知，隨機(jī)森林模型的整體分類的微觀平均值精確率、微觀平均值召回率以及相應(yīng)的微觀平均值F分?jǐn)?shù)分別為0.966 7，0.966 7，0.966 7；宏觀平均值精確率、宏觀平均值召回率以及相應(yīng)的宏觀平均值F分?jǐn)?shù)分別為0.971 4，0.950 0，0.956 0；權(quán)重平均值精確率、權(quán)重平均值召回率以及權(quán)重平均值F分?jǐn)?shù)分別為0.971 4，0.966 7，0.965 6。以上指標(biāo)反映，運(yùn)用隨機(jī)森林的活立木腐朽分級(jí)模型具有較強(qiáng)的辨識(shí)能力，可以準(zhǔn)確判別腐朽等級(jí)。

圖2 訓(xùn)練集腐朽等級(jí)熱力圖混淆矩陣

圖3 測(cè)試集腐朽等級(jí)熱力圖混淆矩陣

3.4 不同分級(jí)模型比較

使用模型性能評(píng)價(jià)指標(biāo)，分別比較宏觀平均值、微觀平均值、權(quán)重平均值下的F分?jǐn)?shù)，精準(zhǔn)率、召回率3個(gè)指標(biāo)及宏觀、微觀平均值下的AUC指標(biāo)，用于衡量不同分級(jí)模型的性能和效果。表5是隨機(jī)森林，決策樹(shù)、支持向量機(jī)、邏輯回歸的基準(zhǔn)分類器在各評(píng)估指標(biāo)上的性能評(píng)估。

表3 立木各腐朽等級(jí)評(píng)價(jià)

表4 立木腐朽分級(jí)總數(shù)結(jié)果評(píng)價(jià)

表5 不同分級(jí)模型的評(píng)價(jià)

在4個(gè)分級(jí)模型中，微觀平均值精確率、微觀平均值召回率、微觀平均值F分?jǐn)?shù)的評(píng)估指標(biāo)由大到小排列均為隨機(jī)森林、支持向量機(jī)及決策樹(shù)、邏輯回歸；宏觀平均值精確率、宏觀平均值召回率、宏觀平均值F分?jǐn)?shù)評(píng)估指標(biāo)由大到小排列均為隨機(jī)森林、決策樹(shù)、支持向量機(jī)、邏輯回歸。其中從表3可以看出，各腐朽等級(jí)數(shù)量不平衡，總數(shù)量為30，5個(gè)腐朽等級(jí)平均數(shù)量為6，腐朽等級(jí)Ⅳ的數(shù)量為3，與平均數(shù)量相差50%，腐朽等級(jí)Ⅴ的數(shù)量為10，與平均數(shù)量相比高出66.7%。對(duì)于不平衡的數(shù)據(jù)使用權(quán)重平均值精確率、權(quán)重平均值召回率、權(quán)重平均值F分?jǐn)?shù)來(lái)評(píng)估，權(quán)重平均值精確率由大到小依次為隨機(jī)森林、支持向量機(jī)、決策樹(shù)、邏輯回歸；權(quán)重平均值召回率由大到小依次為隨機(jī)森林、支持向量機(jī)及決策樹(shù)、邏輯回歸；權(quán)重平均值F分?jǐn)?shù)由大到小依次為隨機(jī)森林、決策樹(shù)、支持向量機(jī)、邏輯回歸。通過(guò)各評(píng)價(jià)指標(biāo)可以看出，隨機(jī)森林優(yōu)于其他3種分級(jí)模型。支持向量機(jī)、決策樹(shù)在宏觀平均值和權(quán)重平均值上各占優(yōu)勢(shì)，兩者之間差距甚小，尚無(wú)法對(duì)兩者進(jìn)行比較。所以，可以通過(guò)ROC曲線圖及其曲線下方的面積AUC對(duì)各模型在全局準(zhǔn)確性和分級(jí)效果方面進(jìn)行評(píng)價(jià)。

通過(guò)對(duì)4種分級(jí)模型下微觀、宏觀平均ROC曲線(圖4，圖5)比較可知，隨機(jī)森林模型的微觀、宏觀平均ROC曲線最靠近左上角，其次是決策樹(shù)、支持向量機(jī)的微觀平均ROC曲線，最后是邏輯回歸模型的微觀平均ROC曲線。由此說(shuō)明，隨機(jī)森林模型的整體測(cè)試準(zhǔn)確性最好。對(duì)于活立木腐朽程度的分級(jí)效果，AUC值越大，其分級(jí)效果越好。微觀平均AUC值由大到小依次為隨機(jī)森林(0.979 2)、支持向量機(jī)及決策樹(shù)(0.937 5)、邏輯回歸(0.916 7)，說(shuō)明在活立木腐朽分級(jí)方面，決策樹(shù)、支持向量機(jī)的分級(jí)效果比邏輯回歸好，但相較于隨機(jī)森林略有不足。決策樹(shù)、支持向量機(jī)的微觀平均ROC曲線重合且AUC值相等，因此不好判別兩者之間分級(jí)性能的高低，這時(shí)需要參考其他性能度量(宏觀平均ROC曲線、AUC)來(lái)評(píng)價(jià)。

圖4 微觀平均ROC曲線及其AUC值

圖5 宏觀平均ROC曲線及其AUC值

由圖5中4種分級(jí)模型的宏觀平均ROC曲線可以計(jì)算出曲線下的AUC值，其中隨機(jī)森林，決策樹(shù)、支持向量機(jī)、邏輯回歸模型的宏觀平均AUC值分別為0.970 8，0.946 4，0.941 7，0.911 0。決策樹(shù)、支持向量機(jī)的宏觀平均AUC值相差較小，決策樹(shù)的分級(jí)效果比支持向量機(jī)稍好；隨機(jī)森林的宏觀平均AUC值比另外3種模型都高，說(shuō)明隨機(jī)森林模型的分級(jí)效果更好。綜上所述，運(yùn)用隨機(jī)森林的立木腐朽分級(jí)模型較其它3種模型而言，整體測(cè)試準(zhǔn)確性及分級(jí)效果更好。

4 結(jié)論

本研究運(yùn)用隨機(jī)森林模型對(duì)五營(yíng)森林公園中的不同腐朽程度紅松進(jìn)行分級(jí)，選取無(wú)損，易獲取指標(biāo)(阻力損失及心材、邊材異常面積比)為模型自變量，以木芯質(zhì)量損失率劃分各腐朽等級(jí)區(qū)間，并使用重復(fù)分層K折交叉驗(yàn)證保證樣本數(shù)據(jù)在訓(xùn)練及測(cè)試時(shí)分類均衡。經(jīng)過(guò)訓(xùn)練及測(cè)試，隨機(jī)森林的訓(xùn)練精度為100%，測(cè)試精度為90%，說(shuō)明隨機(jī)森林模型對(duì)立木腐朽分級(jí)表現(xiàn)出穩(wěn)健的擬合能力和較強(qiáng)的泛化能力。使用隨機(jī)森林模型對(duì)立木腐朽等級(jí)進(jìn)行分級(jí)，腐朽等級(jí)(Ⅰ、Ⅱ、Ⅳ、Ⅴ)的召回率都為100%，說(shuō)明各腐朽等級(jí)都被正確辨識(shí)，只有腐朽等級(jí)Ⅲ被錯(cuò)判1例。本研究全部數(shù)據(jù)在隨機(jī)森林模型進(jìn)行擬合，全局腐朽分級(jí)準(zhǔn)確率高達(dá)96.67%，宏觀、微觀、權(quán)重平均F分?jǐn)?shù)分別為0.956 0、0.966 7、0.965 6，宏觀、微觀平均AUC值分別為0.970 8、0.979 2，說(shuō)明隨機(jī)森林活立木腐朽分級(jí)模型具有較強(qiáng)的辨識(shí)能力，可以準(zhǔn)確判別各腐朽等級(jí)，并優(yōu)于其他3種模型。本研究只是將隨機(jī)森林應(yīng)用到紅松腐朽分級(jí)評(píng)估，但該方法也適用于其他樹(shù)種。因此，本研究對(duì)經(jīng)營(yíng)好森林，減輕災(zāi)害損失，提高經(jīng)濟(jì)效益有著重要意義。