1、第 39 卷 第 4 期2023 年 7 月森 林 工 程FOREST ENGINEERINGVol.39 No.4Jul.,2023doi:10.3969/j.issn.1006-8023.2023.04.013哈尔滨典型林分地表凋落物含水率预测模型张佳薇1,张颂1,彭博1,李明宝2,苏田1,支佶豪1(1.东北林业大学 机电工程学院,哈尔滨 150040;2.东北林业大学 材料科学与工程学院,哈尔滨 150040)摘 要:为构建高精度的森林地表凋落物含水率预测模型,以黑龙江省哈尔滨市 3 种典型林分白桦林(Betula platyphyl-la)、蒙古栎林(Quercus mongolica
2、)和兴安落叶松林(Larix gmelini)为研究对象,采用自制的便携式气象因子检测仪进行实时检测,通过随机森林(Random Forest,RF)、反向传播(Back Propagation,BP)和长短期记忆网络(Long Short Term Memory,LSTM)3 种代表性的机器学习方式对 3 种林分分别构建凋落物含水率预测模型。研究表明,不同的林分在不同的机器学习方式下构建的预测模型的预测精度均不同;在不同的机器学习构建的模型中 3 种林分的预测精度均为 LSTMBPRF;LSTM 在地表凋落物含水率预测模型的研究中效果最优。此研究结果说明 LSTM 在地表凋落物含水率的预测中
3、表现突出,对提高基于气象要素法预测地表凋落物含水率模型精度具有重要的理论意义和实践指导价值。关键词:地表凋落物;含水率;气象因子;预测模型;LSTM中图分类号:S762.2 文献标识码:A 文章编号:1006-8023(2023)04-0110-08Prediction Model of Surface Litter Moisture Content in Typical Forest in HarbinZHANG Jiawei1,ZHANG Song1,PENG Bo1,LI Mingbao2,SU Tian1,ZHI Jihao1(1.College of Mechanical and E
4、lectrical Engineering,Northeast Forestry University,Harbin 150040,China;2.College of Materials Science and Engineering,Northeast Forestry University,Harbin 150040,China)Abstract:In order to construct a high-precision prediction model of forest surface litter moisture content,this paper takes three t
5、ypical forests in Harbin City,Heilongjiang Province as the research object,and uses a self-made portable meteorological factor detec-tor for real-time detection.Three representative machine learning methods of RF(Random Forest),BP(Back Propagation),and LSTM(Long Short Term Memory)were used to constr
6、uct litter moisture content prediction models for the three stands.Results showed that,the prediction accuracy of the prediction model constructed by different forest stands under different machine learning methods was different.The prediction accuracy of the three stands in different machine learni
7、ng models was LSTM BP RF.LSTM had the best effect in the study of surface litter moisture content prediction model.The results of this study indicated that LSTM was outstanding in the prediction of surface litter moisture content,which had important theoretical significance and practical guiding val
8、ue for improving the accuracy of surface litter moisture content model based on meteorological element method.Keywords:Surface litter;moisture content;meteorological factors;prediction model;LSTM收稿日期:2022-10-26 基金项目:国家自然科学基金项目(ZD2021E001);国家重点研发计划(2021YFD220060404)第一作者简介:张佳薇,博士,教授,博士生导师。研究方向为林业物联网和智
9、能检测。E-mail:zjw 通信作者:李明宝,博士,教授,博士生导师。研究方向为林业物联网。E-mail:lmbnefu 引文格式:张佳薇,张颂,彭博,等.哈尔滨典型林分地表凋落物含水率预测模型J.森林工程,2023,39(4):110-117.ZHANG J W,ZHANG S,PENG B,et al.Prediction model of surface litter moisture content in typical forest in HarbinJ.Forest Engineering,2023,39(4):110-117.0 引言森林火灾会导致林分密度减小,破坏森林结构,降
10、低森林的利用价值,是生态环境的重要影响因子1,因此林火预测对森林火灾预防具有重要意义。森林地表凋落物是森林植被在其生长发育过程中新陈代谢的产物,易于分辨和获取,是林火发生的物质基础和首要条件。森林地表凋落物含水率(Surface litter moisture content)直接影响地表凋落物燃烧的难易程度,导致林火的发生和蔓延2。几乎所有的火灾模型都将地表凋落物含水率作为输入变量以量化火灾危险性,因此地表凋落物含水率是预测森林火灾的关键评价指标3,当森林地表凋落物含水率低于临界值时容易发生火灾4。森林地表凋落物含水率变化范围波动较大且对气象因子的响应最为敏感5且特定区域凋落物含水率预测较为
11、准确6。近年来,国内学者不断研究气象要素模型并对预测模型进行改进。2011 年叶更新等7将测站获取的观测资料和统计学方法相结合,对长白山区林下凋落物含水率的变化特征进行分析,发现含水率与林内湿度呈正相关,与林内温度呈负相关,但温度的相关度不如湿度明显;第 4 期张佳薇,等:哈尔滨典型林分地表凋落物含水率预测模型李海洋等8研究发现凋落物含水率预测模型缺少外推性,结合前期气象因子模型预测效果较好;宋雨等9和胡海清等10分别用气象要素回归法验证了不同林分对凋落物含水率有一定的影响-;伍威等11以江西省南昌市茶园山林场的典型林分为研究对象,地表凋落物含水率动态变化主要受相对湿度、空气温度和风速影响。国
12、外学者同样在地表凋落物含水率预测研究领域不断探究并提供重要思路。Ataka 等12观测到物种、落叶的位置等空间异质性对凋落物含水率有影响;Castelli 等13用气象站获取的温度、相对湿度和风速等信息用遗传规划构建森林火灾预测模型,效果良好;Bilgili 等14模拟卡拉布里亚松(Pinus brutia Ten.)地表凋落物含水率与天气条件中温度、相对湿度和风速的关系,进行了相关和回归分析并建立预测模型;Cawson等15提出凋落物含水率和火灾天气具有相关性,温度、相对湿度和干旱程度对凋落物含水率有很大影响;Elhag 等16提出在不同地区,应该使用更多具有代表性的物种来监测其含水率变化建
13、立预测模型,进一步优化森林火灾管理。通过对地表凋落物含水率国内外现状的研究分析,气象要素法在森林地表凋落物含水率预测模型研究中应用广泛,目前基于气象要素的森林地表凋落物含水率预测模型研究存在以下3 点问题有待解决。1)森林地表凋落物含水率的研究多局限于研究区域的某种林分,不具有普适性,应选用更多具有代表性的林分进行研究。2)森林地表凋落物所处区域的气象因子数据信息多来源于当地气象站,气象站无法避免采样点不同导致的气象环境差异。3)森林地表凋落物含水率预测模型多采用传统的气象要素回归法,目前少有机器学习与气象因子相结合用于地表凋落物含水率预测。因此,本研究基于以上 3 点问题进行探讨,选取哈尔滨
14、的 3 种代表性林分(白桦林(Betula platyphyl-la)、蒙古栎林(Quercus mongolica)和兴安落叶松林(Larix gmelini),使用便携式气象因子检测仪,对凋落物含水率研究中常见的 4 种气象因子(环境温度、相对湿度、风速和压强)进行实时检测,并对应含水率测量值,构建地表凋落物含水率预测模型,比较 3 种机器学习方法(随机森林(Random Forest,RF)、反向传播(Back Propagation,BP)和长短期记忆网络(Long Short Term Memory,LSTM)在地表凋落物含水率预测中预测精度。1 材料与方法1.1 实验区域概况哈尔滨
15、(1254213010 E、44044640 N)地处中国东北北部地区,黑龙江省南部,土地面积5.31 万 km2,林地资源丰富。哈尔滨属于温带大陆性季风气候,由于纬度较高导致气温总体偏低,四季分明,冬季漫长寒冷,夏季短暂凉爽。春、秋季气温升降变化快,属于过渡季节,时间较短。全年平均降水量 569.1 mm,降水主要集中在 69 月。1011 月降水明显减少、气候干燥,是哈尔滨森林火灾易发期。本研究的实验区域选为中国黑龙江省哈尔滨市东北林业大学实验林场(126379 1263737 E,45431454331 N),林场中包含哈尔滨地区常见树种的实验林,林分主要包括白桦林(Betula pla
16、typhylla)、蒙古栎林(Quercus mongoli-ca)和兴安落叶松林(Larix gmelini)等,林下凋落物主要为林分枯叶。因此,本研究选用白桦、蒙古栎和落叶松 3 种林分的地表凋落物为研究对象。本研究选取了上述 3 种林分中的凋落物作为本次实验的研究样本。实验区域的基本信息见表 1,蒙古栎林、白桦林、兴安落叶松林均为人工林,郁闭度相同,蒙古栎的林分密度要远高于白桦和兴安落叶松。在 2021 年 10 月 1 日10 月 31 日对 3 种林分进行为期 1 个月的森林地表凋落物采集实验。表 1 实验区域的基本信息Tab.1 Basic information of the s
17、tudy area林分Species林分类型Type of species林分郁闭度Canopy closure of species林分密度/(株hm-1)Density of species平均树高/mAverage tree height平均胸径/cmMean diameter at breast height最大胸径/cmMaximum diameter at breast height活立木蓄积量/m3Standing wood volume蒙古栎林Quercus mongolica人工林0.82 53114141865.6白桦林Betula platyphylla人工林0.8986
18、19162653.81兴安落叶松林Larix gmelini人工林0.886422182458.86111森 林 工 程第 39 卷1.2 研究方法1.2.1 便携式气象检测仪本研究选取近地表的环境温度、相对湿度、风速和压强 4 种有代表性的气象因子进行现场检测,代替了气象站数据收集,实现小气候数据的实时采集。本研究自制了一款基于 STM32F103ZET6 单片机的便携式气象检测仪,选用温湿度传感器 HTU21检测环境中的温度和湿度,HUT21 响应速度快且抗干扰能力强,温度测量范围为-40125,湿度测量范围为 0%100%RH;选用三杯式风速传感器JXBS-3001 检测环境中的风速,其
19、风杯选用碳纤维材料,强度高启动快,测量范围为 030 m/s,测量精度为1%,启动风速为 0.20.4 m/s;选用气压传感器 BMP180 检测环境中的大气压,BMP180 是测量压力最常用的传感器,压力范围为 3001 100 hPa,分辨率高达 0.03 hPa;选用显示模块 TFTLCD 进行数据的实时显示。便携式气象检测仪示意图如图 1 所示。考虑到实验区域低温潮湿且无电源,本研究中的便携式检测仪采用塑料外壳包裹以及太阳能加热板进行供电。温度温度风速压强HTU21JXBS-3001BMP180STM32F103单片机TFTLCD显示图 1 便携式气象检测仪示意图Fig.1 Schem
20、atic diagram of portable meteorological detector1.2.2 样本采集在采集凋落物的过程中,根据 3 种林分的地理位置、受光强度、日照时长以及降雨量等因素各选取 1 个有代表性的采集点进行采集,图 2 为便携式检测仪采集示意图。在每个采样点挖取 20 cm20 cm 的正方形样方,采集对应林分的完整凋落物立即装入密封采集袋中做好标记带回实验室称重,同时用便携式气象检测仪获取实时气象数据并记录。其中 1 组气象数据和凋落物含水率对应为 1 个样本数据。凋落物含水率受气象因子影响变化显著,因此实验以 2 h 为步长进行。在 2021 年 10 月的 3
21、1 d 内,研究人员每 2 h 分别对 3 种林分进行一次样本数据采集,检测的气象数据和对应的凋落物含水率每天采集 12 次。在样本采集期间哈尔滨无明显降雨,平均降雨量仅为 0.4 mm,且参考往年气象数据哈尔滨秋季防火期 1011 月降雨较少,故本实验未考虑降雨情况。图 2 便携式检测仪采集示意图Fig.2 Schematic diagram of the collection of the portable detector1.2.3 含水率计算本研究采用测定含水率的标准方法烘干测量法对采集到的凋落物进行含水率计算。烘干箱选用 101-2 型电热鼓风干燥箱。研究人员将采集到的凋落物样本带回
22、到实验室立即放在恒温干燥箱内 105 C 进行烘干并用电子秤称重17,防止样品受潮,影响实验结果。地表凋落物含水率计算公式如式(1)所示。M=M0-MeMc 100%。(1)式中:M 为凋落物含水率值,%;M0为凋落物湿质量,g;Me为凋落物干质量,g。1.2.4 数据筛选与分类研究人员将检测的气象数据和测得的凋落物含水率导入 EXCEL 表格中,使用 SAS(STATISTI-CAL ANALYSIS SYSTEM)统计软件对数据进行筛选。样本 50%作为训练样本集,50%作为预测样本集和验证样本集。样本数据筛选与分类的流程图如图 3 所示。本研究中首先通过 SAS 软件筛选剔除了含水率高于
23、 50%的样本数据,样本训练集中的气象因子和含水率对预测模型进行训练,在训练好的预测模型中输入预测气象因子,得到预测的含水率与真实测量得到的验证含水率进行对比,从而验证预测模型的预测性能。本研究中,总样本量为1 116 个样本,一组气象数据和凋落物含水率对应为一个样本数据,训练集为 558 个样本,用于通过多次迭代找到最优权重和阈值。预测集为 558 个预测气象因子数据,用于评估模型估计的效果。验证集分别为 558 个预测集检测对应的验证含水率以及211第 4 期张佳薇,等:哈尔滨典型林分地表凋落物含水率预测模型558 个预测集对应的预测含水率,验证集用于判断在多次迭代过程中误差是否继续减小,
24、防止过度拟合。样本含水率训练气象因子SAS 筛选训练含水率预测气象因子预测模型验证含水率预测含水率验证集训练集图 3 样本数据筛选与分类流程图Fig.3 Flowchart of sample data screening and classification1.3 理论研究机器学习 ML(Machine Learning)是人工智能的一个重要分支,是利用计算机作为工具模拟人类的学习方式,将现有内容进行知识结构划分来有效提高学习效率。机器学习根据已有的数据,确定算法模型,并用于预测未知的数据,在军事领域和民用领域应用广泛。常用的机器学习算法有随机森林(Random Forest,RF)、BP(
25、Back Propagation)神经网络、循环神经网络(Recurrent Neural Network,RNN)和长短期记忆神经网络(Long Short Term Memory,LSTM)等。1.3.1 RF 随机森林RF 是一种高度灵活、使用较为广泛的机器学习算法。随机森林是通过集成学习的思想将多棵树集成的一种算法,将许多棵决策树整合成森林,并合起来用来预测最终结果。其基本单元是决策树,本质属于集成学习(Ensemble Learning)方法。随机森林具有样本的随机性,从训练集中随机抽取一定数量的样本,作为每棵决策树的根节点样本;具有属性的随机性,在建立每棵决策树时,随机抽取一定数量
26、的候选属性,从中选择最合适的属性作为分裂节点。在地表凋落物含水率预测模型的研究中,通常将气象因子作为输入,含水率作为输出,进行模型构建。但随机森林在某些噪声较大的分类或者回归问题上会过拟合。考虑到计算成本和可靠性能,在本研究中,将决策树的数量设置为 100,所选模型中预测因子的数量为 4。1.3.2 BP 神经网络BP 神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络,学习过程由信号的正向传播与误差的反向传播 2 个过程组成,BP 算法是目前使用较为广泛的一种参数学习算法。1 个 3 层的BP 网络可以完成任意的维到维的映射,即这 3 层分别是输入层(I)、隐含层(H)和输出层(O)。
27、BP 神经网络中,输入层和输出层的节点个数都是确定的,而隐含层节点个数通常根据经验公式来确定。隐含层和神经元的数量直接影响网络模型的预测精度。在地表凋落物含水率的预测模型研究中,BP的网络结构图如图 4 所示。为了缩短训练时间,避免过度拟合,本研究选择了单隐层结构,隐藏层节点为 5,激活函数选用 Sigmoid 函数。图 4 BP 神经网络结构图Fig.4 Structure diagram of BP neural networkBP 神经网络具有较强的非线性映射能力、高度自学习和自适应的能力,且具有一定的容错能力。但是随着应用范围的逐步扩大,BP 神经网络也暴露出了越来越多的缺点和不足,B
28、P 神经网络算法本质上为梯度下降法,其所要优化的目标函数是非常复杂的,会出现收敛速度慢的现象,训练时间较长,且存在局部极小化问题。1.3.3 LSTM 神经网络RNN 是一类特殊的神经网络,可用于处理序列数据。RNN 的基本原理是序列数据作为输入信号通过中间节点作用于输出节点,中间节点按链式连接产生输出信号。传统的神经网络 BP、CNN(Conv-olutional Neural Networks)等的输出只受单一时刻输入的影响,隐藏层节点无连接。而 RNN 具有记忆功能,当前时刻的输出与前面的信息相关,隐藏层之间的节点有连接,RNN 的网络结构如图 5 所示。图 5 RNN 神经网络结构图F
29、ig.5 Structure diagram of RNN neural network311森 林 工 程第 39 卷LSTM 神经网络则是一种特殊的 RNN,主要是用于解决长序列训练过程中的梯度消失和梯度爆炸问题,LSTM 的网络结构如图 6 所示。相比普通的 RNN,LSTM 能够在更长的序列中有更突出的表现。LSTM 通过 3 个基本结构来实现信息的保护和控制,这 3 个门分别为输入门、遗忘门和输出门。在LSTM 中的第 1 步是决定会从细胞状态中丢弃什么信息,这个决定通过 1 个忘记门层完成,即遗忘门,对上 1 个节点传进来的输入进行选择性忘记,会忘记不重要的,记住重要的。输入门即选
30、择记忆阶段,是决定让多少新的信息加入细胞状态中来,对细胞的状态进行更新。输出门,这个阶段将会基于细胞状态决定哪些将会被当成当前状态的输出,同样经过过滤环节,最终仅仅会输出确定需要输出的部分。在地表凋落物含水率预测的研究中,LSTM网络不同于 RF、BP 等神经网络,考虑到了时间序列的问题,将不同时刻的气象因子作为输入,含水率作为输出进行构建,提高模型预测精度。在本研究中,LSTM 网络选择常用的非线性激活函数 Sigmoid函数和 tanh 函数,学习率为 0.001。图 6 LSTM 神经网络结构图Fig.6 Structure diagram of LSTM neural network2
31、 结果与分析2.1 气象因子检测数据统计分析本研究利用自制的气象因子检测仪对哈尔滨东北林业大学实验林场 10 月的温度、湿度、风速和压强 4 组数据进行检测,基本数据统计分析情况见表 2。相比于气象站所获气象数据,采用便携式气象因子检测仪考虑到林内小环境的影响所获数据更为精确,林中近地表风速较气象站所获数据偏低,温湿度变化也较为缓慢。由表 2 可以看出,10月的最高温度为 21.40,最低为-5.20,温度变化明显;湿度最高为 98.00%,最低为 23.00%,平均湿度为 60.92%,标准差达 19.98%,湿度变化幅度较大;风速最大为 8.00 m/s,最低为 0.20 m/s,根据四分
32、位数 Q1,风速普遍大于 1.40 m/s;研究期内气压变化幅度较小,平均值为 1 006.68 hPa。实验林场在 10月处于易燃状态,为森林火灾高发期,符合本研究的研究背景。表 2 10 月内检测气象因子基本数据统计分析Tab.2 Statistical analysis of basic data of meteorological factors detected in October气象因子Meteorological elements温度/Temperature湿度(%)Humidity风速/(ms-1)Wind speed气压/hPaAir pressure平均值Average7
33、.3560.922.441 006.68最大值Maximum21.4098.008.001 015.90最小值Minimum-5.2023.000.20988.60四分位数 Q1Quartile13.2545.001.401 003.55四分位数 Q2Quartile27.1059.002.001 007.90四分位数 Q3Quartile312.0578.003.251 011.00标准差Standard deviation5.6819.981.565.672.2 凋落物含水率测量数据统计分析本研究采用烘干法对 3 种林分的凋落物含水率进行测量,3 种林分凋落物含水率测量值如图 7 所示。受
34、气象因子变化的影响,3 种林分的凋落物含水率整体变化趋势大致相同。其中,蒙古栎凋落物含水率的测量值范围为 11.7%49.8%,整体较高且变化幅度最为明显。白桦和落叶松相对变化幅度较小,测量值范围分别为 9.3%34.8%、12.7%39.4%,落叶松的含水率整体高于白桦的含水率。2.3 地表凋落物含水率预测模型本研究中以温度、湿度、风速和压强为自变量,地表凋落物含水率为因变量,分别采用 RF、BP、LSTM 机器学习方式对蒙古栎、白桦、落叶松 3 种林分建立预测模型。预测模型的实测值与预测值的对比如图 8 所示,分别列出不同林分在不同机器学习下的对比图,更加直观清晰地看出预测模型的真实效果,
35、图中圆圈越靠近 1 1 线说明预测值与真实值越贴近,预测效果越好。由图 8 可知,通过横向对比,可以看出在 3 种林分凋落物含水率的预测中,3种预测模型的预测效果都很好,其中 LSTM 的预测效果最优,其次为 BP,RF 的预测效果相对较差。通过纵向对比,可以了解到不同林分在相同的机器学习下预测效果不同,误差值分布的区域不同,互相之间没有必然联系。平均绝对误差(Mean Absolute Error,MAE)是所有单个观测值与算术平均值的偏差的绝对值的平均,可以避免误差相互抵消的问题,准确反映实际预测误差的大小。平均相对误差(Mean Relative Er-ror,MRE)表示给出值所含有的
36、误差率,可以更加直411第 4 期张佳薇,等:哈尔滨典型林分地表凋落物含水率预测模型日期Date含水率测量值706050403020100含水率（%）Moisture?content1?2?3?4?5?6?7?8?9?10?11?12?13?14?15?16?17?18?19?20?21?22?23?24?25?26?27?28?29?30?31蒙古栎白桦落叶松图 7 凋落物含水率测量值Fig.7 Measurement of litter moisture content5040302010（a）蒙古栎-RF（a）Quercus mongolica-RF0?10?20?30?40?50实测值
37、（%）Measure?value预测值（%）Predicted?value0?10?20?30?40?500?10?20?30?40?50实测值（%）Measure?value实测值（%）Measure?value预测值（%）Predicted?value预测值（%）Predicted?value预测值（%）Predicted?value预测值（%）Predicted?value预测值（%）Predicted?value预测值（%）Predicted?value预测值（%）Predicted?value0?10?20?30?40?50实测值（%）Measure?value实测值（%）Measu
38、re?value实测值（%）Measure?value实测值（%）Measure?value实测值（%）Measure?value实测值（%）Measure?value0?10?20?30?40?500?10?20?30?40?500?10?20?30?40?500?10?20?30?40?500?10?20?30?40?50（b）蒙古栎-BP（b）Quercus mongolica-BP（c）蒙古栎-LSTM（c）Quercus mongolica-LSTM（d）白桦-RF（d）Betula platyphylla-RF（e）白桦-BP（e）Betula platyphylla-BP（f）白
39、桦-LSTM（f）Betula platyphylla-LSTM（g）落叶松-RF（g）Larix gmelini-RF（i）落叶松-BP（i）Larix gmelini-BP（i）落叶松-LSTM（i）Larix gmelini-LSTM050403020100504030201005040302010050403020100504030201005040302010预测值（%）Predicted?value05040302010050403020100R2=0.902?3R2=0.935?8R2=0.965?5R2=0.887?5R2=0.887?5R2=0.928?1R2=0.935?3
40、R2=0.9501R2=0.979?4图 8 预测模型的实测值与预测值的对比图Fig.8 The comparison chart of the measured value and the predicted value of the prediction model511森 林 工 程第 39 卷观地观察预测模型的预测效果。研究计算了各林分在不同预测模型中的 MAE 值和 MRE 值,见表 3。由表 3 可知,采用 3 种机器学习在 3 种不同林分上建立的凋落物含水率预测模型均取得了良好的预测效果,MAE 值均小于 2.0%,MRE 值均小于0.11。其中采用 LSTM 的预测模型最为精确
41、,3 种林分的平均绝对误差 MAE 变化范围为 0.956%1.188%,平均相对误差 MRE 的变化范围为 0.0420.055。机器学习在地表凋落物含水率的研究中较为少见,但均取得良好的预测结果。Masinda 等18使用随机森林模型对地表凋落物含水率进行预测的结果与本研究相似,温度和相对湿度是影响燃料含水率的最重要因素并且随机森林模型与广义可加性模型相比精度较高,预测模型的 MAE 值均低于5%。LEI 等19在帽儿山实验林场基于 BP 神经网络建立不同地形条件的桦树的地表凋落物含水率预测模型,4 个采样点估计结果的相关系数均大于0.9,与本研究结果相似。表 3 预测模型平均绝对误差值和
42、平均相对误差值Tab.3 The mean absolute error value and the mean relative error of the prediction model林分Species模型Model平均绝对误差(%)Mean absolute error平均相对误差Mean relative error蒙古栎Quercus mongolicaRF1.9860.071BP1.6330.059LSTM1.1880.042白桦Betula platyphyllaRF1.8880.102BP1.4710.080LSTM1.0380.055兴安落叶松Larix gmeliniRF1
43、.8300.083BP1.4960.071LSTM0.9560.0433 结论与讨论本研究认为,森林地表凋落物含水率小于 40%时容易燃烧20,根据图 7 对 3 种凋落物进行可燃性分析,监测期内 3 种林分凋落物含水率基本都低于40%,凋落物整体处于易燃状态,符合研究背景;不同林分处于不同的采样点且采样的时间存在偏差,因此气象环境存在差异,根据不同位置建模可以有效避免地形因素造成的影响19。为解决这一问题,采用自制的便携式气象检测仪,对林内温度、湿度、风速和气压 4 种气象因子进行实时检测,在凋落物含水率的研究中起到重要作用。通过将林内的温度、湿度、风速和气压作为预测模型的输入因子,可以对地
44、表凋落物含水率进行较为准确的预测,与胡海清等10、张运林等11和伍威等21研究结论一致。森林地表凋落物含水率的研究多采用气象要素回归法进行模型预测,但机器学习用于预测模型之中较为少见,前人使用 RF、BP 预测地表凋落物含水率均取得良好的预测效果18-19。本研究提出了一种基于 LSTM 机器学习与气象因子相结合的估计地表凋落物含水率模型的新方法。在 2021 年 10 月1 日10 月 31 日的东北林业大学实验林场利用自制的便携式气象检测仪采集温度、湿度、风速和气压 4 种气象因子,分别对蒙古栎、白桦和落叶松 3 种哈尔滨典型林分的地表凋落物含水率构建预测模型,预测模型选用机器学习中常见的
45、 RF、BP、LSTM,均取得较好的预期。其中长短期记忆网络 LSTM 所构建的预测模型在 3 种林分中均具有明显优势。本研究整体验证了在哈尔滨典型林分的地表凋落物含水率预测中 LSTM 相对于传统的 BP、RF 预测效果更好,精度更高。结果表明,基于 LSTM 和气象因子构建的模型预测精度较高,可以进一步应用于森林火灾的预测评价之中,所描述的新预测方法实现了森林地表凋落物含水率的智能预测,为森林地表凋落物含水率的高精度预测提供理论研究基础,为人工智能在森林防火的有效运用提供探索和研究。在本研究中森林地表凋落物含水率的机器模型具有良好的预测效果,但研究中的采样主要为落面的完整落叶,多为当季新落
46、地叶片,对于地上存在的树枝、残叶等并未考虑,由于新落地的叶片较往年落地的含水率偏高22,会导致预测结果存在一部分偏差。此外,本次的样品采集时间为 2021 年10 月,仅考虑了 10 月的天气状况与采集结果,为使实验数据更加具有说服力,接下来将对 1 a 内的数据进行采集研究。【参 考 文 献】1 王梦雨,徐燕,赵明伟.我国近 10 年林火时空分布格局及原因分析J.农业科技通讯,2021(10):201-204.WANG M Y,XU Y,ZHAO M W.Spatial and temporal distribution pattern and cause analysis of fores
47、t fire in Chi-na in recent 10 yearsJ.Bulletin of Agricultural Science and Technology,2021(10):201-204.2 孙龙,刘祺,胡同欣.森林地表死可燃物含水率预测模型研究进展J.林业科学,2021,57(4):142-152.SUN L,LIU Q,HU T X.Advances in research on predic-tion model of moisture content of surface dead fuel in for-estsJ.Scientia Silvae Sinicae,20
48、21,57(4):142-152.3 MATTHEWS S.Dead fuel moisture research:1991-2012J.International Journal of Wildland Fire,2013,23(1):78-92.4 DIOS V R D,HEDO J,CAMPRUBI A C,et al.Climate change induced declines in fuel moisture may turn current-611第 4 期张佳薇,等:哈尔滨典型林分地表凋落物含水率预测模型ly fire-free Pyrenean mountain forest
49、s into fire-prone eco-systemsJ.Science of The Total Environment,2021,797:149104.5 满子源,胡海清,张运林,等.帽儿山地区典型地表可燃物含水率动态变化及预测模型J.北京林业大学学报,2019,41(3):49-57.MAN Z Y,HU H Q,ZHANG Y L,et al.Dynamic change and prediction model of moisture content of surface fuel in Maoer Mountain of northeastern ChinaJ.Journal
50、of Bei-jing Forestry University,2019,41(3):49-57.6 刘昕,邸雪颖.三种方法对森林地表可燃物含水率的预测评价J.森林工程,2013,29(2):8-13,20.LIU X,DI X Y.Evaluation of three prediction methods on forest surface fuel moistureJ.Forest Engineering,2013,29(2):8-13,20.7 叶更新,叶希莹.长白山区林下可燃物含水率的观测特征和相关分析J.中国农学通报,2011,27(22):22-27.YE G X,YE X Y.
