基于SOM神经网络的宜城市森林健康评价 (1).pdf

收稿日期：2023-05-02；2023-08-28修回基金项目：中国地质调查局项目（项目编号：ZD20220130）作者简介：林治成，男，硕士在读，研究方向为自然资源综合调查评价。E-mail：通信作者：康建坤，男，高级工程师，硕士，主要从事自然资源调查研究。E-mail：基于SOM神经网络的宜城市森林健康评价林治成1,2，杨贵才2，夏 锐3，康建坤2，曾冠中2，张 伟2（1.中国地质大学（武汉）地球物理与空间信息学院，湖北 武汉 430074；2.中国地质调查局地球物理调查中心，河北 廊坊 065000；3.中国地质调查局自然资源综合调查指挥中心，北京 100055）摘要：森林健康是生态文明建设中不可或缺的一环。本文基于2022年宜城市森林调查数据，通过主成分分析法排除冗余因子，确定健康评价指标，并运用SOM神经网络模型进行聚类分析，对宜城市森林健康状况进行评价。结果表明：（1）总的来看，宜城市森林优质健康等级最少，占比12.86%，健康等级占比17.14%，亚健康等级占比21.43%，不健康等级最多，占比31.43%，极不健康等级占比17.14%；（2）宜城市森林以幼龄林与中龄林为主，龄组结构较为不合理，中龄林健康状况整体略优于幼龄林；（3）以郁闭度划分，低郁闭度森林健康状况优于高郁闭度森林；（4）以起源划分，人工林健康状况优于天然林。关键词：森林健康评价；宜城市；主成分分析法；SOM神经网络；聚类分析中图分类号：S718.5文献标识码：A文章编号：2095-9818(2023)05-0065-06DOI编码：10.16259/ki.36-1342/s.2023.05.013Forest health assessment of Yicheng City based on SOM neural networkLin Zhicheng1,2,Yang Guicai2,Xia Rui3,Kang Jiankun2,Zeng Guanzhong2,Zhang Wei2（1.School of Geophysics and Geomatics,China University of Geosciences(Wuhan),Wuhan Hubei 430074,China;2.Center for Geophysical Survey,ChinaGeological Survey,Langfang Hebei 065000,China;3.Natural Resources Comprehensive Survey Command Center of China Geological Survey,Beijing100055,China）Abstract:Forest health is an indispensable part of the construction of ecological civilization.Based on the data of forestsurvey in Yicheng City in 2022,redundant factors were excluded by principal component analysis method to determine thehealth evaluation index,and SOM neural network model was used for cluster analysis to evaluate forest health status inYicheng City.The results showed as follows:(1)In general,the forest of Yicheng had the least quality health grade(12.86%),the health grade(17.14%),the sub-health grade(21.43%),the unhealthy grade(31.43%)and the extremely unhealthy grade(17.14%).(2)The forest in Yicheng city was mainly composed of young forest and middle-aged forest,the age groupstructure was not reasonable,and the health status of middle-aged forest was slightly better than that of young forest;(3)Thehealth status of forest with low canopy closure was better than that of forest with high canopy closure;(4)According to theorigin,the health status of planted forest was better than that of natural forest.Key words:forest health assessment;Yicheng City;principal component analysis;SOM neural network;cluster analysis森林健康概念的提出可以追溯到 20世纪 70年代1。在此后的30 a里，森林健康的研究对象由单一的树木转向了森林群落2，评价的结果越来越取决于指标体系的选取3，不同地区和国家对森林健康评价的侧重点也存在差异，这要求学者们要结合研究地区的实际情况进行综合分析4。此外，21世纪以来，遥感、GIS技术的飞速发展，也给森林数据的获取提供了更高效、准确的手段5-6。森林健康评价是指对由于人为和自然因素造成的森林系统结构与功能的不平衡，从而对缺失的森林生态系统服务功能和价值的一种评估7，这种评价大多是定量的，森林生态系统的复杂性极大地影响了评价结果8，因此国内外对于森林健康评价的方法非常多样（表1）。综合考虑宜城市的实际情况，本文选择先使用主成分分析法来剔除具有相关性的指标，在健康评南方林业科学南方林业科学South China Forestry Science第51卷第5期2023年10月Vol.51，No.5Oct.,2023南 方 林 业 科 学第51卷南 方 林 业 科 学价阶段，SOM神经网络无须确认各指标的权重，就能够有效地避免人为因素的干扰，将相互关系复杂且非线性的高维数据映射到低维空间，比较适合本研究，因此本文选择SOM神经网络进行训练仿真，对宜城市森林健康进行综合评价。1研究区概况与数据来源1.1 自然条件宜城市属湖北省襄阳市下辖的县级市，位于湖北省西北部、汉江中游，版图呈“蝴蝶状”，东西长76km，南北宽53 km，总面积211 500 hm2，汉江将全境自然分割为东西两大部分，以汉江为界，分别往东西部呈平原、丘陵、山地的变势，阶梯式延伸。1.2 森林基本情况根据第三次全国国土调查数据，宜城市乔木林面积为49 567 hm2，占宜城市森林面积的99.33%，其中，人工乔木林的面积为18 022 hm2，占36.36%，天然乔木林的面积为 31 545 hm2，占 63.64%。野外调查发现，宜城市树种主要有：马尾松（Pinus massoniana）、柏木（Cupressus funebris）、栓皮栎（Quercus variabilis）、三角枫（Acer buergerianum）、杨树（Populus przewalskii）、黄檀（Dalbergia hupeana）、盐肤木（Rhus chinensis）等。通过计算，森林总蓄积量为3 564 500 m3，单位面积蓄积量为71.43 m3hm-2，森林蓄积量分布如图1所示。1.3 数据来源本文数据来源于2022年野外实地调查，依托湖北省森林资源连续清查的系统抽样框架，根据森林调查精度要求，对宜城市建立网格单元大小为2 km2 km均匀抽样格网，提取落入第三次全国国土调查森林图斑内的交叉点或选取附近具有代表性的点作为宜城市乔木林实地采样点，每块样地调查面积667 m2，样地形状为正菱形，选取落在其中的林木进行调查，测量并记录其中林木的属性值。在数据分析阶段，剔除有明显错误的调查点后，共选取实地调查的 70 个样地点数据进行分析，用于评价宜城市乔木林的健康状况。1.4 评价指标的选取参考借鉴前人研究成果20-24，结合宜城市实际森林经营状况，初步选取了能够充分反映宜城市森林健康状况的下列指标：土壤厚度、枯枝落叶厚度、灌木覆盖度、草本覆盖度、平均树龄、平均胸径、平均树高、郁闭度、单位面积蓄积量 9个定量指标，以及龄图1 宜城市森林蓄积量分布Fig.1 Forest stock distribution map in Yicheng City注：资料来源为本文计算。Note:the data source is clculated from this arti.表1 常见的森林健康评价方法Tab.1 Common forest health assessment methods评价方法主成分分析法9层次分析法10多元线性回归法11模糊综合评判法12健康距离法13灰色关联法14指数评价法15指示物种评价法2综合指数评价法16聚类分析法17神经网络法优缺点能简化大量的原始指标，受主观影响较小，但要求样本量大且原始指标之间呈线性关系。目前使用最广泛，虽然结合了定性和定量分析的优势，但也存在一定程度的主观性。评价结果唯一，可以计算指标间的相关性和回归拟合度，但需要一定的经验，目前尚未存在统一的方法。可以量化评价中难以量化的定性问题，但不能消除指标间的相关性和指标权重的主观性，且过程繁琐。优点在于简单易操作，无量纲的限制，但受到人为因素的影响较大。根据因素发展趋势的相似程度和差异程度来衡量因素之间的相关性，适合动态分析，但主观性较强。目前应用较少，该方法将定性比较转化为定量比较，客观易操作，但对抽样对象有一定的要求。用指示物种来评测森林生态系统的健康状况，简单易用、快捷高效，但是指示物种的选择较为困难。对各指标进行加权平均得到一个新的综合指标，能综合反映整个生态系统的情况，但结果高度抽象。能简单、定量地得到结果，但当样本量很大时效果较差。模拟人脑神经元，由计算机从已有数据中归纳总结，依据数据间的规律进行评价，常见的方法包括BP（BackPropagation）神经网络18、自组织特征（self-organizing map，SOM）映射网络19等等，这类方法自动对已有数据分析，得到其内在规律，可以解决复杂的分类问题，但其推理的过程和依据未知。66第5期组、起源、群落结构、自然度4个定性指标，部分定性指标的量化指标见表2。表2 部分评价指标的量化值Tab.2 Quantitative values of some evaluation indicators评价指标龄组群落结构自然度量化值1幼龄林完整结构2中龄林较完整结构3近熟林简单结构4成熟林5过熟林2森林健康评价方法2.1 主成分分析法本文基于SPSS 26.0的软件环境，对选取的13个指标进行主成分分析，基于主成分分析的基本要求，特征值小于 1的主成分解释力将会下降，因此本文设置特征值大于 1，同时进行 KMO和巴特利特球形度检验。2.1.1 KMO和巴特利特球形度检验KMO和巴特利特球形度检验常用于判断数据是否适合做因子分析，当KMO检验统计量越接近于1时，表明变量之间的偏相关性越强，因子分析的效果也就越好。具体检验结果见表3。表3 KMO和巴特利特球形度检验Tab.3 KMO and Bartlett Spherical TestKMO取样适切性量数0.603巴特利特球形度检验近似卡方309.211自由度78显著性0.000KMO值为0.6030.6，巴特利特球形度检验的显著性小于0.05，表明该数据可以进行因子分析。2.1.2 主成分提取本文设置特征值大于1，主成分统计信息见表4。成分矩阵信息见表5。表4 主成分统计信息Tab.4 Principal component statistics成分12345初始特征值特征值3.1172.3031.7241.1371.011方差贡献率/%23.97317.71313.2598.7437.777累计方差贡献率/%23.97341.68654.94563.68871.465提取载荷平方和特征值3.1172.3031.7241.1371.011方差贡献率/%23.97317.71313.2598.7437.777累计方差贡献率/%23.97341.68654.94563.68871.465由表4可知，前5个主成分的特征值都大于1，累计方差贡献率达到71.465%，满足主成分分析要求，因此选取前5个主成分。由表5可知，第一主成分主要有平均年龄、平均胸径、平均树高、单位面积蓄积量，可以作为森林生态系统活力的描述指标；第二主成分主要有草本覆盖度、自然度，可以作为森林生态系统受影响程度的描述指标；第三主成分主要有森林群落结构，可以作为森林生态系统结构完整性的指标；第四主成分主要有起源，可以作为森林生态系功能稳定性的指标；第五主成分主要有土壤厚度，可以作为森林生态系统可持续性的指标。在建立评价指标体系时，由于枯枝落叶厚度、灌木覆盖度、龄组、郁闭度这4个指标的成分值在5个主成分中低于其他指标，且平均树高和平均胸径的相关性过高，因此最终确定宜城市森林健康评价指标体系如表6所示。表6 宜城市森林健康评价指标体系Tab.6 Forest health evaluation index system in Yicheng City目标层森林健康评价指标体系准则层结构完整性受影响程度功能稳定性系统活力性可持续性指标层森林群落结构草本覆盖度自然度起源平均胸径平均年龄单位面积蓄积量土壤厚度2.2 健康等级划分根据宜城市实际情况，将宜城市森林健康状况分为级、级、级、级、级5个等级，分别表示表5 成分矩阵信息Tab.5 Component matrix information变量因子土壤厚度枯枝落叶厚度灌木覆盖度草本覆盖度起源平均年龄平均胸径平均树高龄组森林群落结构郁闭度自然度单位面积蓄积量成分10.079-0.0040.0700.102-0.2440.6940.7620.7970.587-0.0720.246-0.4880.83120.269-0.535-0.2270.6560.285-0.0490.4820.2350.321-0.164-0.7490.534-0.3383-0.4790.476-0.402-0.2580.0530.2830.0560.0520.3540.734-0.1970.496-0.04440.1010.0810.2310.1730.781-0.355-0.0140.0250.2940.3170.280-0.1410.11950.7010.4750.313-0.074-0.224-0.0920.1680.037-0.0760.208-0.1390.178-0.043林治成等：基于SOM神经网络的宜城市森林健康评价67南 方 林 业 科 学第51卷南 方 林 业 科 学表7 宜城市森林健康等级评价标准Tab.7 Evaluation standard of forest health grade in Yicheng City森林健康等级优质健康V健康亚健康不健康极不健康评价标准林木发育情况非常好较好适中较差很差组织结构完整较完整一般较简单极简单生产力高且稳定较高一般较低非常低物种丰富度丰富较丰富一般较低物种单一单位面积蓄积量高较高一般较低非常低抵抗力和恢复力非常强较强一般较低很差2.3 SOM神经网络模型的建立本文基于 Matlab R2016a 软件建立 SOM 神经网络模型。2.3.1 数据预处理在SOM神经网络模型建立前，应对数据进行标准化处理，消除变量间的量纲差异。2.3.2 初始化将随机数作为输入层和映射层间权值的初始值。2.3.3 输入向量并计算与权值向量的欧氏距离将输入向量X=()x1,x2,x3,xmT传递给输入层，并将映射层的权值向量和输入向量的距离用欧氏距离表示，每个输入向量与映射层第j个神经元的距离由以下公式计算得到：dj=X-Wji=1m xi()t-wij(t)2（1）式中，wij为输入层的第 i个神经元和映射层的 j神经元之间的权值。经过该公式计算获得一个优胜神经元j*，即对于任意的j神经元，都有某个单元k，使得dk=minj()dj成立。2.3.4 定义优胜领域Nj*()t以j*为中心确定t时刻的权值调整域，一般初始邻域Nj*()0较大，训练过程中Nj*()t随训练时间逐渐收缩。2.3.5 调整权值按照以下公式对优胜邻域Nj*()t内的所有节点调整权值：wij()t+1=wij()t+()t,N xpi-wij()t，i=1,2,n，jNj()t（2）式中，()t,N是训练时间t和邻域内第j个神经元与获胜神经元j*之间的拓扑距离N的函数。2.3.6 获得结果OkOk=f()minjX-Wj（3）2.3.7 检验是否满足要求当结果满足预期要求时则结束，否则重新进行计算直到满足预期要求。3结果与分析经过上述研究分析后，由图2可知，宜城市乔木林优质健康样地9个，面积为0.600 3 hm2，占比12.86%；健康样地12个，面积为0.800 4 hm2，占比17.14%；亚健康样地15个，面积为1.000 5 hm2，占比21.43%；不健康样地22个，面积为1.467 4 hm2，占比31.43%；极不健康样地12个，面积为0.800 4 hm2，占比17.14%。31.43%21.43%17.14%17.14%12.86%不健康林木亚健康林木健康林木极不健康林木优质健康林木图2 宜城市森林各健康等级占比Fig.2 Proportion of forest health levels in Yicheng City应用ArcGis10.2进行绘图，所得结果见图3。由图3可知，不健康森林样地主要集中在流水镇东侧和图3 宜城市森林调查点健康等级Fig.3 Health level of forest survey sites in Yicheng City优质健康、健康、亚健康、不健康、极不健康，具体等级评价标准见表7。68第5期板桥店镇东北侧，极不健康样地主要集中在雷河镇、孔湾镇、刘猴镇的交界处和板桥店镇东北侧，优质健康、健康和亚健康样地分布较为广泛，无明显分布特征。综合来看，流水镇和板桥店镇森林健康状况最差，小河镇、南营街道森林健康状况最好。1）从龄组角度看，森林的龄组结构较为不合理。经过统计，幼龄林中不健康样地（38.78%）最多，优质健康与健康样地共占30.61%；中龄林中极不健康样地（36.84%）最多，优质健康与健康样地共占31.58%；近熟林由于样地数量较少，不健康（50%）和极不健康（50%）等级的样地占比相同，样地中无成熟林和过熟林。这表明研究区中龄林健康状况整体略优于幼龄林，且各龄组段的森林均表现为亚健康、不健康和极不健康样地占比更多，同时研究发现宜城市森林大多数属于幼龄林和中龄林，近熟林、成熟林、过熟林非常少，表明原始森林生态系统已经遭到了较大的破坏，森林生态系统的功能稳定性、可持续性和系统活力受到了很大的影响。因此，龄组结构的不合理极有可能是造成宜城市森林健康状况欠佳的主要原因之一，并且这种类型的森林结构还会造成森林龄组间的断层，不能达到森林可持续发展的目标，进而对宜城市的生态、经济效益产生不良的影响。图4 不同龄组森林健康等级统计Fig.4 Statistical of forest health levels in different age2）从郁闭度角度看，根据宜城市森林郁闭度实际情况，将宜城市森林按照郁闭度划分为 00.3、0.30.6、0.61.0三个区间。经过统计，在郁闭度为 00.3 的区间中，健康（33.33%）与极不健康（33.33%）的森林样地占大部分，优质健康与健康样地共占50%；在郁闭度为0.30.6的区间中，极不健康森林样地占比最大（28.57%），优质健康与健康样地共占28.57%；在郁闭度为0.61.0的区间中，不健康森林样地占比最大（36%），优质健康与健康样地共占28%。推断很有可能是郁闭度越大，导致光照强度越低，样地的生态系统所受影响也越大，因此，对密度过高的林区可以进行适当的抚育采伐，使郁闭度保持在一个中等且合理的水平，从而增加林内的透光度以及土壤中微生物的活性，加速有机质的分解，使得土壤的养分得到增加。图5 不同郁闭度森林健康等级统计Fig.5 Statistical of forest health level with differentcanopy density3）从起源角度看，宜城市森林中人工林健康状况优于天然林。经过统计，天然林中，不健康样地（33.33%）最多，优质健康与健康样地共占 26.32%。人工林中，健康样地（38.46%）最多，优质健康与健康样地共占 46.15%。这说明宜城市人工林发育得更好，通过野外调查发现，人工林多属于以杉、松为主的纯林，森林林种结构较为单一，一般用材林面积占比达到了70.15%，表明宜城市对人工林的需求比较大，因此更加注重人工林的培育，但相比于人工林，天然林不仅具有优秀的土壤肥力、组织结构和稳定性，还有良好的生产力基础，并且抗风险能力强，未来应当多注重对原始天然林健康的监测。图6 不同起源森林健康等级统计Fig.6 Statistical of forest health levels of different origins5总结与建议本文依据主成分分析法和SOM自组织特征映射神经网络对宜城市森林健康状况进行了评价分析，主要有以下结论与建议：1）总体来看，宜城市乔木林大部分集中于亚健康、不健康、极不健康等级，优质健康与健康森林仅占 30%，这表明宜城市的森林整体健康状况有待改善，未来发展潜力巨大。2）宜城市乔木林的龄组结构较为不合理，幼龄林、中龄林占比过大，这极有可能是造成宜城市森林林治成等：基于SOM神经网络的宜城市森林健康评价69南 方 林 业 科 学第51卷南 方 林 业 科 学健康状况欠佳的主要原因之一。此外，宜城市林种结构也不合理，森林树种多以杉、松为主，且为纯林，结构较为单一，这主要是因为人们对于一般用材林的需求比较大，进而导致宜城市森林的结构完整性、功能稳定性和系统活力都偏低，不利于森林生态系统多样化发展。未来可以加强对幼树和灌草的保护，提升森林生态系统的稳定性，还可以通过适当的松土施肥，改善土壤结构，对林下灌木盖度过大的林分适当割灌，为林下幼苗与草本生长提供适宜的环境，促进森林天然更新、自然演替。参考文献:1 盖凤东,周广岭.浅谈森林健康J.科技咨询导报,2007(17):116.2 王秋燕,陈鹏飞,李学东,等.森林健康评价方法综述J.南京林业大学学报(自然科学版),2018,42(2):177-183.3 马向前,王兵,郭浩,等.江西大岗山森林生态系统健康研究J.江西农业大学学报,2008(1):59-63.4 谷建才,陆贵巧,白顺江,等.森林健康评价指标及应用研究J.河北农业大学学报,2006(2):68-71.5 Cervera T,Pino J,Marull J,et al.Understanding the long-termdynamicsofforesttransition:Fromdeforestationtoafforestation in a Mediterranean landscape(Catalonia,18682005)J.Land Use Policy,2019,80:318-331.6 Munawar H S,Ullah F,Khan S I,et al.UAV AssistedSpatiotemporal Analysis and Management of Bushfires:A CaseStudy of the 2020 Victorian BushfiresJ.Fire,2021,4(3):40.7 刘红娟.油茶林健康评价指标体系与评估模型研究D.长沙:中南林业科技大学,2010.8 高均凯.森林健康基本理论及评价方法研究D.北京:北京林业大学,2007.9 罗鹏飞,江海斌,谭尹豪,等.基于主成分分析与系统聚类的森林健康评价研究J.林业与环境科学,2021,37(5):69-75.10 董金茂,崔一民.基于层次分析法的森林健康状况评价研究J.林业调查规划,2020,45(1):15-18.11 赵匡记,汪加魏,施侃侃,等.北京市西山林场游憩林抚育的森林健康评价J.中南林业科技大学学报,2014,34(10):65-69.12 谭三清,张贵.基于模糊综合评判法的城市森林健康评价以湖南省株洲市为例J.湖南农业大学学报(自然科学版),2010,36(4):474-477.13 常赜,陈昌雄,罗洁明.永安市森林健康评价研究J.武夷学院学报,2018,37(3):69-73.14 樊建霞.北川县自然保护区森林生态系统健康评价研究D.雅安:四川农业大学,2013.15 袁野,刘兆刚,董灵波.大兴安岭塔河林场天然落叶松林健康经营评价J.森林工程,2015,31(2):14-18.16 刘晓玥,杜燕,郑小贤.不同赋权法的将乐林场常绿阔叶林的健康评价J.森林与环境学报,2015,35(2):141-146.17 闫晋升,王永东,娄泊远,等.哈萨克斯坦首都努尔苏丹人工林健康评价J.干旱区研究,2021,38(5):1474-1483.18 武巧英,陈丽华,李晓凤,等.基于BP神经网络的森林生态系统健康预测J.水土保持通报,2011,31(2):150-154.19 刘晓农,宋亚斌,邢元军.基于SOM神经网络的新化县森林健康评价J.中南林业科技大学学报,2017,37(4):21-26.20 楚春晖,佘济云,陈冬洋.基于SOM神经网络的五指山市森林健康评价J.中南林业科技大学学报,2015,35(10):69-73.21 段翔.基于SOM神经网络的新化县森林健康评价D.长沙:中南林业科技大学,2016.22 李雪莹,李玉宝,梁伟.基于SOM神经网络的通辽市库伦旗森林健康评价J.内蒙古林业调查设计,2021,44(4):68-74.23 刘晓农,宋亚斌,邢元军.基于SOM神经网络的新化县森林健康评价J.中南林业科技大学学报,2017,37(4):21-26.24 施明辉,赵翠薇,郭志华,等.基于SOM神经网络的白河林业局森林健康分等评价J.生态学杂志,2011,30(6):1295-1303.70