人工神经网络与异速生长方程在预测伊朗希拉尼亚山毛榉林地上生物量的比较

内容概述

缺乏准确的方法来预测伊朗的地上生物量，研究旨在找出针对特定地点AGB预测的最准确模型。
通过破坏性地采样，称重地点内174棵树木来测量AGB，并将树高直径（D），总高度（H）和基本木材密度（ρ）记录下来，作为建立异速生长方程和ANN模型的可控制变量。根据训练和测试数据集，在ANN模型中设计的最佳体系结构由两个隐藏层和每层20个神经元组成。
结果表明，在最佳神经网络中设计的模型预测AGB的精度比异速方程更高。

Introduction

现今背景下二氧化碳排放量的增加和对森林碳储量研究的兴趣增加，以及需要来设计应对全球变暖的综合计划，在这些需求下，需要寻找合适的方法来估计森林生态系统中树木的AGB。
本文比较的是异速生长方程和ANN模型在预测特定地区生物量的比较。
存在一些观点认为异速方程是不准确的，因为没有考虑一些问题，比如变量之间的共线性。ANN比回归模型更准确，可以高效解决非线性数据关系，但是比起回归模型，缺点是需要大量数据。文章目的在于介绍ANN和特定地点的异速方程的检测准确性。

Material and methods

通过破坏性采样的方法，取174棵树，首先测量树高H，直径D的两组数据，基于测量数据，直径D被分为30-60，60-80，>80三组（分组根据当地常用的直径分类）砍倒的树被分为树干和树冠称重。直径超过十厘米的大型树干被单独称重。考虑冬天的生物量消耗，砍伐后的树桩和树叶不计算在内。从每2米的树木茎和大树干的底部切出一个2厘米厚的圆盘。然后，从每个圆盘的相反的两侧提取222cm^3的两个子样本，并在105°C的烘箱中干燥直至重量稳定。随机选择三个小树枝决定干物质。木材基本密度通过木材样品的干质量与新鲜体积之比来测量，基本木材密度（ρ）通过干质量与新鲜质量之比来测量。

Modeling allometric equations

对于异速方程的建模，多重线性回归和曲线回归可用来展示AGB和树木的变量，H，D，ρ之间的关系。
根据经验，包括D的简单幂律分布函数是估算森林AGB的最佳模型。森林生态系统幂律参数为从非线性回归或线性回归中提取，将此坐标系写成log-log形式。这样做会引入系统误差，但可以通过校正因子（correction factor (CF)）修正：


n和p依次表示测量值和拟合参数。CF应该作为λ引入以最小化返回时的偏差。

对异速方程建模过程中，当输入两个或多个变量时，应当考虑多重共线性。
在当前研究过程中，输入变量（D,H,ρ）的多重共线性的严重性基于方差膨胀因子
（VIF）计算，一般情况下认为，VIF大于5时，多重共线性视为严重。

Ri是统计学中常用的确定系数，常用的确定系数Ri，CF，AIC（赤池信息标准）和VIF分别为用于选择最准确的模型和最佳拟合数据。 此外，使用t来确定每个模型的参数。

Artificial neural network modeling approach研究中，使用多层感知类别的ANN模型来预测AGB的值。多层感知由包括D，H，ρ的输入节点，几个隐藏层，一个输出层组成。

隐藏层学习输入和输出节点之间的关系，上面提到的层包括被称为神经元的处理单元。隐藏层和神经元的数量在不同的实验组中改变。所有的数据经过归一化处理。

输入和输出节点之间的相关性越大，网络中的接收信号越多。
神经网络由三个阶段组成，分别称为训练，验证和测试。
本研究中，实验数据被随机分为三个部分，60％的数据用于训练，20％的数作为验证集，数据集的20％用于测试，进行特定地点的AGB估算。
训练进行到泛化停止改进时，自动停止，MSE是目标之间的均方差。
此外，输出与目标之间的相关性通过回归R值测量。
反向传播学习算法的建模效率非常高，在这该研究中“ LevenbergeMarquardt ”算法被用作校准训练算法的反向传播算法。（Log-sig）和（Tan-sig）在隐藏层中被用作网络中神经神经元的激活函数。这些模型是在MATLAB神经网络工具箱中实现。
RMSE（均方根误差），RMSE％（归一化RMSE）的计算方法如下，R^2用作度量测量的AGB与预测的AGB之间的关系。 RMSE和RMSE％的值越低表示用于AGB估算的结果更准确。
此外，R^2的值越高，表示估计值与测量值之间的相似度越高。


yi为测量值,yi^为估测值，n为估测值和测量值的对数。
D,H,ρ,以及AGB，标准误差（Se），变异系数（CV），在表1中给出
建模的第一步，输入直径D，经过对数在转换后的简单异速方程，然后用高度H测试其效果。最后在模型中一起测试三个变量（D,H,ρ）。

观察（4）， （5），（9）和（12），方程式的验证参数之间没有差异。表明这些方程对本研究中的AGB预测具有相似的确定性


结果中，R^2的值越高（实际值和预测值之间的相似性越高）
训练集，验证集和测试集中的MSE的值越低。
证明ANN预测效果越好。

将生物学中复杂的生物因素的关系，通过ANN模型自动的学习输入变量和输出变量的关系，并且调节网络中的连接权重，来模拟生物学中生物因素关系。因此ANN模型可以用来替代传统的方法。
异速方程模型中，仅包括直径不足以预测AGB，因此当在模型中引入了其他树木相关变量，如table2中所示，当方程包含与树木体积相关的变量（D^2和H），预测的结果更加准确，这表明AGB的估算很大程度上取决于树木生物变量的某种组合所构成的几何形式。
ANN可能会过度拟合，但是通过选择合适的体系结构以及使用训练和测试数据集可以避免此问题，使用测试数据集获得的MSE与使用训练数据获得的MSE并没有太大差异，这表明没有过度拟合。
由于在人工神经网络中设计模型的拓扑没有限制，因此生物量估计的准确性，通过选择学习算法可能会增加。