《人工神经网络在森林资源管理中的应用-精品文档资料整理.pdf》由会员分享，可在线阅读，更多相关《人工神经网络在森林资源管理中的应用-精品文档资料整理.pdf（10页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、人工神经网络在森林资源管理中的应用3林辉1彭长辉2(1中南林学院资源与环境学院,湖南株洲市412006;2M inistry of N atural Resources, Ontario Forestry ResearchInstitute, Sault Ste. M arie, Ontario P6A 2E5, Canada)摘要传统的数量方法难以解决森林资源管理中的更多的非结构性问题。人工智能新技术能将人类积累的知识传输到决策支持系统中,作为人工智能的一个分支,人工神经网络已经成为一个在传统统计方法之外,十分引人注目的新方法,并开始用于预测生物系统中的非线性行为。 文中从人工神经网络在森林
2、立地分类和制图,森林生长和动态模拟、 空间数据的分析和拟合、 植物病虫害动态的预测及气候变化研究等方面的应用进行综合评述。并对人工神经网络在应用中的优缺点,存在的问题和局限性,以及对未来的前景等提出了自已的初步看法。关键词人工神经网络森林资源管理黑箱花粉多年来,森林资源研究人员和管理人员使用经典的统计模型或复杂的数学模型预测不同的管理方式和行为所带来的结果,以及利用这些预测的信息来帮助决策的制定。 这些模型通常以数学方法的形式表述。 然而,有些决策制定过程中包含一些自身不能并入的数学方程的定性的成份。正如Gi mblett和Ball(1995)指出的那样:资源管理决策的制定过程常常引起一些问题
3、的复杂性超越经典的统计技术,有些需要更多的启发式的研究,而不是数学计算。 对许多实际情况,统计模型不能用来解决森林资源管理中更多的非结构性问题。人工神经网络(A rtificialN euralN etwork, ANN)是人工智能的一个分支(A rtificialIntelligence, A I),通常也叫做并行分配计算处理(Parallel D istributed Processing,PDP),它是一种模仿人脑和神经网络系统的功能并进行简单模拟计算的形式。ANN传统地被用来实现人脑本能性所产生的识别工作,包括:对相似面目,语言及文字和手写的特征识别。然而,随着计算机技术的迅速发展,A
4、NN的应用领域不断开拓,应用的数量不断增加。近10年来,ANN的预测技术已经成功地用于经济、 商业、 水资源、 生态学和空间数据分析等领域。尤其是最近几年,ANN在林业科学中的应用日益增加,并已成为在传统方法之外,用于预测和模拟森林系统中非线性行为和复杂问题的新方法1。第15卷第3期世界林业研究Vol . 15No. 32002年6月 World Forestry Research Jun. 2002本文由湖南省教育厅科研项目和中南林学院青年基金重点项目资助。收稿日期: 2001- 10- 121ANN的主要特征自1943年第一个ANN的原型产生以来,相继发展了30个左右不同类型的ANN。Su
5、i(1994)简要地评述了10个最著名的ANN的特征和范式。其中在自然资源管理中最常用的一个分支就是反向传播反馈网络(Back2propagation feed2forw ard network),也叫多层感知网络(M ulti2layer perception network,ML P)2。 这里仅以反向传播网络为例,对ANN的主要特征作一个简单的介绍。1. 1ANN的结构ANN是一种由许多小的处理单元(PE, Processing elements)或叫做结点(Nodes)结合在一起的并行计算方法。PE通常由3个神经原(N euron)组成:输入层用来给网络输入数据;输出层是对输入数据产生
6、的响应;居入中间的一层或多层叫做隐层。在不同层中的PE部分或全部地互相连接。这些连接与对应结点的权重(W eight)相关,权重常常根据连接的强弱进行调整。1. 2ANN的运行在多层反向传播网络的算法中,经过网络传播的数据在输入层开始剌激输入的模式,直到在输出层产生一些激活输出。 每一个PE或结点接收来自前一层的权重后输出。 在前一层,总输入的结点(netj)是权重输入的总和,即:netj= W ijXi(1)权重W ij表示在结点i和j之间的权重值,Xi表示来自结点i的输出。然后,输入结点通过一个非线性的S型曲线产生结点的输出(Yj), Yj被传输到其它结点的权重后的输入路径。对于给定的结点
7、j,其输出可用下列公式计算:Y =f(net) =1?1+ exp-(netj+ b) (2)参数b叫做偏差值,权重(W)是根椐目标值与估算值之间的最小偏差来估算的。1. 3学习和训练学习(L earning)和训练(T raining)是几乎所有神经网络的基础。训练是网络的学习过程,而学习是训练过程的最终结果。学习包括网络对权重进行系统的改变,改进网络的操作和响应,使之能达到可以接受的标准。 网络通过学习过程来不断调整相互连接的在不同单层之间的权重,并且从寻找在输入和输出层之间的线性关系着手。 权重值然后被分配给连接输入和输出层间的神经原(N eurons)。一旦这种关系确定,神经原就被分配
8、给隐层,以便能找到非线性关系。训练的目的是寻找能产生最小偏差的权重。在训练过程中,平均平方根偏差值(M ean squared error)是网络根据预测的输出值Y(t) 与实际需要的输出值A(t)之间的差值来估算的。即有偏差(E)在时间t内可表示为:E(t) =0. 5 SY(t) - A(t) 2(3)学习算法(L earning algorithm)不断改变与每个处理单元(PE)有关的权重(W),以保证网络系统在目标输出和网络实际输出之间的误差达到最小。这种反向传播算法是训练多层感知网络(ML P)最直观的方法。有关学习算法的详细解释可以参阅大多数有关ANN的教材和书本3。32第3期林辉
9、彭长辉:人工神经网络在森林资源管理中的应用2ANN在森林资源管理中的应用2. 1森林土地分类和制图土地分类是ANN在遥感中最广泛的应用领域之一。以生态为基础的分类和制图在森林资源管理中起着十分重要的作用。ANN已成为土地分类研究中构造计算机模拟系统的主要技术。Decatur(1989)利用ANN和SAR数据对土地的覆盖类型进行了分类。Campell等人(1989), M cClelland等人(1989), Hepner等人(1990)和Dow ney等人(1992)都报道了他们应用ANN技术和L TM(L andsat ThematicM apper)数据在土地分类方面的研究。他们发现ANN
10、在不同的程度上都要比传统的统计分类方法精确。正如A tkinson和Tatnall(1997)所指出的那样,ANN在土地分类中最大的优点是它能将不同来源的数据和信息综合到同一分类系统之中。好几个实例研究证实了ANN能对多来源的空间数据进行分类。例如, Benediktsson等人(1990)用M SS(L andsat M ultispectralScanner N etwork)的图像和三维地形数据(即海拔、 坡度和方位)并运用ANN模型进行土地分类研究。Peddle等人(1994)报道了他们利用多源遥感数据和ANN对阿尔卑斯地区(A lpine region)进行土地分类。Gong和Che
11、n(1996)利用数值化海拔高度和森林覆盖资料对反向传播ANN的应用进行了可行性研究。2. 2森林生长和动态过程的模拟用于描述森林动态过程(即更新、 生长、 演替和死亡)的森林生长模型已广泛地用于森林资源管理活动,其中包括更新资源清查,预测林木产量,评价树种组成和在不同环境条件下生态系统的结构和功能。 尽管在林分和单株生长模型方面取得了很大进展,但是对林木死亡率(M ortality)的预测仍十分简单(常使用随机的概率估算),并且导致生长和产量模型在预测中产生较大的变化和实际偏差4。 突破性的进展始于1991年,当最早的ANN模型用来预测单株树木的死亡率的研究发表后5,同年,他们成功地开发了一
12、个基于ANN的林木生长模型,并用于红松(P inus resinosaA it)存活率(Surrival)的预测。他们发现,基于ANN的红松生长模型不仅比统计模型有较好的数据拟合性,而且对新数据的预测也表现出优越性。同时,该模型对幼树以及生长缓慢的红松也表现出相当的灵活性。尔后,又将适宜的训练规则和计算平台结合到模拟单株林木生存率的模型之中,使以往的方法得到进一步完善。另一方面,Hasenaur和M erk(1997)最近报道了他们在奥地利的一个用于预测单株树木死亡率的无导向神经网络(U nsupervised neural networks)。他们发现ANN比基于LOGIT的死亡率统计模型好
13、。此外, Guan等人(1997)首次提出了基于ANN的技术框架,并用于评价林木生长机理预测模型效果。 这种方法包括4个主要步骤:(1)假定参数值的分布; (2)投影参数; (3)根据取样,描述模型的行为; (4)在所取的样点近似模型的行为。这一方法已被用于V alentine(1988)开发的碳平衡基础上的树木生长模型,而且结果证实该方法在分析复杂的生长模型中有较高的效率。2. 3空间数据分析和地理信息系统(GIS)的模拟ANN最广泛的应用是对多源空间数据进行分析。自从R itter等人(1988)首次提出将ANN技术与GIS结合为一体的方法已经10多年了。尔后,各种有关探索ANN在空间数据
14、分析中的潜能的探讨,在不同的研究范围内迅速开展6。Sui(1994)就ANN在空间数据处理方面进行了综述,并将最近的应用划分为两大类,即:ANN在遥感中的应用42世界林业研究第15卷和ANN与GIS的耦合。2. 3. 1卫星图像的处理在过去10年里,由于大量的遥感数据存在,极大地增加了ANN的可用性,这样也为检验ANN的应用能力(尤其是反向传播的网络)以及对比特定的ANN同传统方法在卫星图像处理过程中的优与劣提供了一个极好的机会。Ryan等人根据L andsat2TM(The2maticM apper)数据开发了一个可用于描绘海岸线的反向传播网络。 他们证实了使用PSR(Pow er Spec
15、tral R ing)数据, ANN能在训练后用于区分陆地和水域。Herman(1992),Pierce(1992),W ilkinson(1992)和Jan(1997)在早期的研究中也显示ANN被成功地用于多光谱遥感数据的分类。同时,ANN技术也被用于追溯(retrieve)陆地粗糙表面的长度和方差的关系7。重建雪地参数8,估算叶面积和恢复生物量包括树冠高度,林冠水的含量和干物质的比重9。Zhang等人(1997)报道了他们根据TM卫星图像,使用反向传播ANN模型,来识别在亚利桑那州(A rizona)北部地区的植被类型。 他们发现,ANN能在十分复杂的地面上达到平均相关性为94%的精度。而
16、且这种分类方法所需的成本和时间比其它传统的技术要少得多。2. 3. 2空间模拟最近的研究表明,耦合ANN和GIS极大地增强了GIS在空间决策制定和模拟的能力。在W ang(1992)具有开拓性的研究中,成功地将ANN耦合于GIS环境中,使得GIS在分析和研究农用土地的适宜性中的空间模拟功能大大增强。在与W ang相类似的研究中, Sui(1993)把标准的反向传播ANN与GIS结合在一起,并用于适合性分析。研究结果表明:基于ANN上的GIS模拟能近似专家的决策,而不需将专家的知识结合到启发式的if2then规则中。Zhen和Civco(1996)进一步报道了耦合通用的学习神经网络和GIS,并用
17、于适宜性的研究。最近,Deadman和Gi mblett(1997)提供了一个将ANN和GIS结合于一体并用于制定植物管理计划方案的实例研究。 正如Sui(1994)所总结的那样:尽管全方位地耦合ANN和GIS仍然十分遥远,但是,这些初期的探讨已证实了ANN对GIS的深远影响。 显而易见,在空间分析和模拟方面,有效地将ANN和GIS结合在一起,是将来一个十分重要的研究领域,它将对新一代的GIS的设计做出重要的贡献 。2. 4植被病虫害的动态监测植物的病虫害是资源管理中的一个重要的问题。 为了降低植物病虫害所造成的损失,森林资源管理者需要及时了解有关病虫害的动态信息。 传统上,植物病理学家们使用
18、统计方法(即Logistic生长模型)和数学模型来模拟和预测病虫害的发生。这些模型主要是根据描述生物系统的关键过程及其相互关系而建立的。主要的挑战是必须知道描述每个过程的数学关系式。如果这些数学关系式有误,就会影响模型所预测的结果,并可能带来更多的误差。 新的人工智能技术,如ANN ,可能有助于克服这些困难。 例如, Yang和Batche2lor(1997)成功地使用三层反向传播的ANN模型来预测植物病害的动态。他们认为,ANN将成为预测植物病害和检测不同时空尺度病害格局的有力工具。ANN在其它方面的类似应用,如预测病害发展10、 叶面湿度11和虫害的管理,最近也在研究文献中开始出现。2.
19、5气候变化的研究尽管气候变化是全球变化和可持续发展研究中一个十分活跃的领域,但只是最近几52第3期林辉彭长辉:人工神经网络在森林资源管理中的应用年里研究人员才开始使用ANN技术来预测气候事件,评价气候变化对树木生长的影响和重建古气候的模式。例如,Cook和W olfe(1991)最初发展了一个反向传播ANN模型,并使用该模型和特定地点上的小规模的观测数据对未来3个月的平均气温进行了成功的预测。他们同时也证实了ANN具有提供许多应用模型所需的随机天气输入变量的潜在能力。 在全球范围内,Derr和Slutz(1994)应用反向传播ANN和1884年以来的海洋-大气数据库,对作为E IN ino现象
20、指示物的海面温度进行预测。其研究结果表明,预测未来16个月的温度的精度在1度左右。Tangang等人(1997, 1998)也有类似的报道。 一般来说,与其它有用的传统方法相比,ANN能提供更好的对未来短期的预测。Yi和Prybutok(1996)在城市工业区内通过预测每日最大的臭氧浓度来验证ANN的预测能力。他们发现ANN比他们曾使用过的2个回归模型要优越。最近, Keller等人(1997)提出应用ANN来增强传统统计模型在模拟非线性的年轮-气候关系的能力,并且用该方法对法国东南部地区,二氧化碳加倍状态下的气候对树木生长的潜在影响进行了分析。 与Keller的研究方法相似, Guiot(1
21、996)最近开发了一个三层反向传播的ANN模型,并用它来校准生物群区指数(biomes score)和气候变量之间的非线性关系。 这种关系能提高利用植被的孢粉(pollen)对陆地生物区制图的准确性。这种灵活的非线性方法被进一步用来内插现代孢粉数据实地的气候变量,在内插过程中,通常是使用经度、 纬度和海拔高度作为输入变量,而且最后用于重建古气候的空间格局。2. 6其它领域中的应用除此之外,ANN还有许多其它领域中的应用,包括应用ANN预测水质12、 土壤水力学的传导性13(Soil Hydraulic Productivity)、 土壤中的有机碳14和加拿大东部酸化湖的pH值的变化15。同时,
22、V ega2Garcia等人(1996)使用反向传播的ANN对加拿大阿尔伯塔省W hite Cow t地区的野火进行预测,他们的研究结果表明,ANN能有效地预测85%非火和87%有火的观测数据。还有,ANN技术也开始应用到水生生态系统16、 农业17和野生动物的保护和管理18。3优点、 问题和前景一般来说,ANN模仿人脑自身对问题的处理过程。随着人们对人脑在对多源信息处理和在复杂环境中进行决策的深入了解和认识,将进一步激发研究人员在森林资源管理中采用ANN新技术的动机。如同人类把从过去经历中获得的知识用于处理新的情况和问题那样,ANN采用事前已存在的模式(或样板 来建造一个神经原系统。这个独特
23、的系统能准确和迅速地制定新的决策、 分类和预测。ANN在研究自然生物系统中同传统的统计模型相比,具有以下几个方面的优越性:(1)精确性更高。特别是当问题和所从事的任务不能充分的定义或者产生一定的岐义,以及实测的过程可能十分困难或者使用不完整的数据难以实现时。(2)速度更快。 尤其是当所要解决的问题特别复杂,这时,ANN能根据变量之间的关系,发展自身的权重组合,结果能降低用户对已知信息的要求。(3)不需要有关模拟过程和目标方程结构假定的预前知识。一旦受训,神经网点(N ets)能用于分析新的情况和提供建议性的解决办法,神经网点这种能从定性和定量的62世界林业研究第15卷数据中学习复杂关系的能力,
24、使得ANN的探讨非常灵活。但是,了解ANN在实际工作中的最基本问题也是同样重要的。总的来说,对于那些刚涉足于该领域的人来说,需要了解下面3个方面的问题:(1)黑箱(Black2box):ANN通常作为一个 “黑箱” 。在这个 “黑箱” 中,由于隐层和非线性激活方程的作用,权重难以解释,而且不具有生物学的意义。神经网络结点也不能自我解释。 对于一些输入变量或重要水平的预测,没有一个标准的检验方法能测定输出变量的可变程度。 这就是为什么森林管理人员在具有一个较熟悉、 能充分理解的统计分析技术时,较少应用ANN方法的主要原因。(2)训练时间:训练和检验ANN需要充分的时间。学习是艰难的(Steep)
25、,唯独具有丰富经验的模型开发者使用这种技术才更具有效率。关键是通过选择适合数量的层次的结点,合理地训练网络,并保持其准确性和通用性来降低整个训练的时间。(3)过度拟合数据(Overfit data):由于ANN具有十分复杂的建筑学(A rctectur)和最佳网络的几何学(Geocmetry) (即隐层的数目和隐层中的结点数目)。它可能对某一组数据的模拟表现出很好的结果,而对另一组数据则相反。这种情况的出现通常是由于ANN内在的非线性关系导致它过度拟合数据。最佳隐层和每层结点的数目常取决于问题的本身和由反复试验来决定。 假若隐层的结点数目太小,反向传播的算法将不能在训练中聚焦到最小值;相反,太
26、多的隐层结点将导致网络的过度拟合数据。一些研究已对这些问题提供了有指导意义的建议19。有关该方面的进一步讨论可参阅Sui(1994)和公开在Internet上的有关ANN问题的通迅。总之,尽管ANN在解决森林资源管理中某些复杂问题上显示出潜在的能力,但是,它的应用仍处于发展的初期。 一方面,目前ANN应用被ANN自身的理论研究,软件和硬件的发展水平所牵制。进一步加强对这3个领域的研究将有利于推动ANN在森林资源管理和制定决策中的实际应用。另一方面,与其它人工智能技术(即专家系统)相比,当务之急是要在林业科学界进一步加强对ANN的了解和认识,开拓应用范围,促进国际交流1。4案例研究在本例中,我们
27、用ANN法建立欧洲陆地生态系统非线性关系模型,该地区位于北纬350 到750,西经100 到东经600。4. 1数据花粉数据:花粉数据由2 284个样本组成,这些样本都是从欧洲收集来的。例如,在前面的工作中已经使用过的那些数据,另外还增加了2 180个样本,这些样本是来自北美寒温带及寒带植被区,以覆盖更大范围的植被类型(寒温带草原、 冻土、 北部森林)。4 364个样本中的一些是从文献中选择出来的,一些是由花粉分析者提供的。 一些样本包含了明显的气候信息,另外一些样本或多或少地受到人类活动或长距离的花粉运输的影响。 大约有30个花粉样本在气候上定义为寒带落叶林或寒带混交林生物群落。但是,仅从它
28、们的花粉数据来看,还不能确认是这样,保留这些样本,是为了避免生物群区(Guiot等, 1996)失去代表性,最后数据库中保留了2 014个花粉样本。气候数据库:在B I OM E模型中,花粉72第3期林辉彭长辉:人工神经网络在森林资源管理中的应用所在地按小经纬网(0. 5 0. 5),计算了4个主要的气候因子。这些气候变量因子是:气温变化在5 以上的生长天数(GDD5: grow ing degree- days above 5),最冷月份的平均气温(M TCO: mean temperature of the coldest month),最热月份的平均气温(M T2WA: mean tem
29、perature of the w armest month),以及实际蒸发散与潜在蒸发散的比值(A ET?PET: actural evapotranspiration?potential evapotranspiration)。这些气候参数用来描述花粉表面数据的生物群区指数间的关系。4. 2方法4. 2. 1生物群区化Prentice等人(1996)开发了一个非统计“生物群区化” 方法,给每一个花粉集合定性为一个生物群区。每一个花粉类型指定了一个或几个植物(花粉类型没有标识到种的水平)功能类型(PFT s: plot functional types)即具有相似气候要求的结构组,如那些在B
30、 I OM E模型中定义了的类型。PFT s是指那些在功能上相似的植物类型并适于生态系统的重建。每一个PFT s计算一个可能性指数(likelihood index),并根椐已定义的B I OM E模型集合向生物群区方向转变。最后,每一个生物群区指数定义为在这个生物群区中PFT可能存在的百分比平方根总和。对这些指数进行比较,指数最大的生物群区就被归于数集内。这种方法首先是把花粉类型转变为PFT s, PFT s的使用允许样本被指定到过去的生物群区,这些生物群区应不同于现在的生物群区。利用花粉数据重建欧洲生物群区自13000 BP以来的变化和冰川气候,类似报道有很多。4. 2. 2ANN和生物群
31、区的指数内插生物群区指数与气候变量之间的关系通常是非线性、 单峰的。在本例中,我们使用训练后的反向网络,神经层之间的权重和偏差被递推改变,隐层大小根椐不同的目的设置为4个,在操作ANN之前,输入和输出数据被标准化为0到1之间的数据,这通常是通过减去最小值并除以范围得到的。4. 3结果4. 3. 1计算源于气候和生物群区指数在0. 5 0. 5 网格上,计算3个主要气候变量的生物群区指数。为此,我们训练了神经网络,来估计3个气候变量的生物群区指数。共训练了2 014个花粉样本。这是一个重复的过程,经过几千次重复,神经网络学会了适应来自3个气候变量的11个生物群区指数。结果表明:用这种方法得到的全
32、部观察值和计算值之间的相关系数非常好,变化范围在0. 83至0. 94之间,相关系数最低的是在半沙漠地区,这是由于沙漠区温度变化幅度较大造成的。 这些关系接着被用来获得网格化生物群区指数,这些数据是根据全球气候数据和曾用于模型的3个气候变量因子估计来的。 然后,将具有最大估计值的生物群区指数划定到对应生物群区网格上。 在山区和远北部地区冻土占主要部分,而寒带落叶林标志着从冻土苔原到北部针叶林的过渡,在北纬60 针叶林占主要地位,虽然也有寒温带针叶林,但它向南分布得更多。在西欧同样温带地区,寒带混交林、 寒温带针叶林和寒温带混交林均有分布。常绿阔叶林和热带混交林分布在大西洋海岸和地中海地区。旱生
33、乔木和灌木植被,南部常绿阔叶林和温带混交林主要分布在地中海盆地,草原及沙漠主要分布在地中海东南部和南部。82世界林业研究第15卷4. 3. 2生物群区图比较使用ANN内插法获得生物群区指数,可重建生物群区图,同Prentice等人(1992)全球B I OM E模型模拟得来的生物群区图进行比较,我们使用了Kappa统计法,这种方法是通过2种图格网单元的一致性,测量格网单元数值,M onserud(1990)和Pentice等人(1992)根椐Kappa统计法,使用了以下的描述值来定量它们的一致性程度: K0. 4,为很差到差; 0. 4 K 0. 55为差; 0. 55 K 0. 7为 好;
34、0. 7 K 0. 85为优。在欧洲除了一些模糊边界外,如北部针叶? 冻土苔原和寒温带针叶? 寒温带混交林,生物群区模型获得的结果图和由B I OM E模型获得的理想图之间进行综合比较,其结果是好(K 0. 65),差异可能是由于非常接近的生物群区指数造成的,因为很小的差异常常足以产生一个意外的生物群区。对每一个现代生物群区,旱生乔木? 灌木生物群区(K=0. 87)和北部针叶林(K= 0. 86)的一致性为优,常绿阔叶林? 温带混交林(k= 0. 85),寒温带 针叶林(k= 0. 81) ,草原(温带? 寒温带草原和灌木) (K= 0. 73);寒温带混交林(K=0. 72)和温带落叶林(
35、K= 0. 71)为很好;而半沙漠化(K= 0. 68)、 冻土苔原(K = 0. 63)为好。从花粉数据中,我们还不能获得寒带落叶林和寒带混交林生物群区的一致性数值,这可以解释为很差。4. 4讨论用 与Prentice等人(1996)近乎同样的生物群区化方法,最近Peng等人(1995)用1300014C yrB. P.以来花粉数据重建了欧洲生物群区变化。 唯一不同的是在0. 5 0. 5格网上使用了反向空间距离加权平均标准统计法,线性内插生物群区指数。 这种传统内插方法用于维持(通过花粉记录,即使是一个零星的花粉记录)地形图对植被的影响。 用花粉数据重建获得的生物群区同B I DOM E模
36、型预测的生物群区进行可视化比较,表明在欧洲有较好的适应性。 用Kappa统计法计算的2种图形的数值也支持了这一结果(K=0. 57)。但是不能获得某些生物群区指数和气候变量之间的非线性关系。例如:冻土,寒温带针叶林,和常绿? 热带混交林(K 0. 4)一致性差。 使用ANN内插生物群区指数获得的估计值和观察值之间的相关系数大大提高。通过综合比较Kappa统计法系数,说明ANN技术在内插生物群区指数方面比传统的统计方法有较好的表现。值得注意的是,在本例中,这种方法是在规则格网上,内插花粉数据的生物群区分布是以一般地形图为基础的,这种方法是假设生物群区指数和气候之间具有相关关系,并且要求大量高分辨
37、率的现代花粉数据集来标准化这些线性和非线性关系。生物群区制图时受到所得到的花粉数据的数量和质量的限制。 花粉数据是区域性的,高密集的全球性或陆地覆盖将永远也不可能达到。在这一方面,本例中所描述的应用ANN新方法似乎很有前途,它能提高生物群区重建和零星及不规则花粉数据的气候重建的精度,对生物群区化过程及其相应的标准化过程也有帮助。5结论综上所述,ANN在森林资源管理中已被证实为一个可以用来进行分类、 模拟和预测的有用工具,并且正在日益扩大其应用领域。ANN在处理复杂问题、 模拟非线性系统行92第3期林辉彭长辉:人工神经网络在森林资源管理中的应用为方面比传统的统计方法更准确和迅速。但是它也有一些不
38、足的方面,包括难以解释的“黑箱”,大量的训练时间和潜在的对数据的过度拟合等。 我们应该在与其它经典的方法进行比较时,权衡其利与弊。案例研究表明:ANN三层反向传播网络方法能成功地提高由欧洲花粉数据获得的现代生物群区图的精度。目前,ANN的应用仍处于不成熟阶段,它将不可能完全替代传统的数量方法。相反,只有开展多样性的探讨,充分发挥它们各自的长处,并将这些不同的方法和技术结合到决策支持系统(Decision Support System)之中,才能成为21世纪森林资源管理的有用工具。参考文献1Peng C H, X W en. Recent applications of artificial n
39、eural networks in forest resource management: an overview.In: U. CortandM. Snche2M arr(eds. ). EnvironmentalDecision Support System s andA rtificial Intelligence: 1522. AAA I Technical ReportsW S299207, AAA I Press, M enlo Park, CA , 1999.2Rumelhart D E, J M cClelland , PDP Research Group(eds. )1986
40、a. ParallelDistributed Processing: Exploration intheM icrostructure of Cognition, Vol . 1: Foundations, M IT Press, Cambridge, MA: 318368. Batchelor, W D,X B Yang,A T Tschanz . Development of a neural network for soybean epidem ics. Transactions ASAE, 1997, 40:247252.3Bishop C M. NeuralNetworks for
41、Pattern Recognition. Clarendon Press,Oxford, 1995.4Gertner G. The need to i mprove models for individual tree mortality. I N: Proc.Seventh Centre Hardwood Conf.U SDA For.Serv. , Carbondale, 1989,: 5961.5Guan B T, G Gertner. U sing a parallel distributed processing system to model individual treemort
42、ality. For. Sci . ,1991a, 37: 871885.6SuiD Z. Recent applications of neural networks for spatial data handling. Can. J. Remote Sensing, 1994, 20: 368380.7Yoshitom i K, A Ishi maru,J N Hwang,J S Chen. Surface roughnes determ ination using spectral correlation of scat2tered intensities and an artifici
43、al neural network technique.IEEE Transaction on Geoscience and Remote Sensing,1993, 41: 498502.8Tsang L , Z Chen, SOh, R J, M arks II,A T Chang. Inversion of snow parameters from passivem icrowave remotesensing measurements by a neural network trained w ith a multiple scattering model . IEEE Transac
44、tion on Geo2science and Remote Sensing, 1992, 30: 10151024.9JinQ Y,C L iu. Biomass retrieval from high- di mensional active?passive remote sensing data by using artificial neu2ral networks.Int. J. Remote Sensing, 1997, 18: 971979.10Yang X B,W D Batchelor. Modelling plant disease dynam ics using neur
45、al networks. A IApplication, 1997, 11: 4755.11Francl L J.S Panigrahi, T Pahdi . Neural network models that predict leaf wetness.Phytopathology, 1995, 85:1182.12M aier H R, G C Dandy. The use of artificial neural networks for the prediction of water quality parameters. W aterResources Research, 1996,
46、 32: 10131022.13Tamari S, W sten,J C Ruiz2SuRez. Testing an artificial neural network for predicting soil hydraulic conductivi2ty, Soil Sci . Am. J. , 1996, 60: 17321741.14Levine E R,D Ki mes. Predicting soil carbon in Mollisols using neural networks, In: Soil Processes and the Car2bon Cycle,R Lal,J
47、 K Ki mble. R F Follett(eds. ), CRC Press, FL 1997: 608.15Ehrman J M , T A Clair, A Bouchard. U sing neural networks to predict pH changes in acidified eastern Canadianlakes. A IApplications, 1996, 10: 18.03世界林业研究第15卷16M aier H R , G C Dandy,M D Burch. U se of artificial neural networks formodelling
48、 cyanobateria Anabaena spp.in the RiverM urray, South Australia. Ecol . Modell, 1998, 105: 257272.17Verdenius F,A J M Ti mmermans,R E Schouten. Processmodels for neural network applications in agriculture. A IApplications, 1997, 11: 3144.18Spitz F, S Lek. Environmental i mpacts prediction using neur
49、al network modelling, An example in w ildlife dam2age. J. Appl .Ecol . , 1999, 36: 317326.19M aren A , C Harston,R Pap. Handbook of Neural Computing Applications. Academ ic Press, San Diego, Califor2nia. : 360, 1990.Application of Aartif icial Neural Network inForest ResourceManagementL in HuiPeng C
50、hanghuiAbstractM aking good decisions for adaptive forest management has become increas2ingly difficult. N ew artificial intelligence(A I)technology allow s know ledge processingto be included in decision2support system. The application of A rtificialN euralN etwork(ANN)2to2date synthesis of the use