刘晓农，宋亚斌，邢元军

（国家林业局 中南林业调查规划设计院，湖南 长沙 410014）

基于SOM神经网络的新化县森林健康评价

刘晓农，宋亚斌，邢元军

（国家林业局 中南林业调查规划设计院，湖南 长沙 410014）

运用主成分分析法、定量和定性相结合的方法构建了新化县森林健康评价指标体系，基于SOM神经网络构建了新化县森林健康评价模型，对新化县森林进行健康评价，利用GIS技术对健康评价结果和森林属性进行了数据对比分析，结果表明：新化县森林的总体健康水平不高，主要以较健康状态为主；森林的健康状况存在明显的空间分布特征，森林的健康状况与人为干扰程度存在明显的相关关系；结合森林起源、林种、龄组、主要优势树种和森林健康等级空间分布进行了对比分析，得出了新化县森林起源、林种、龄组和主要优势树种健康状况的现状和成因。

森林健康评价；主成分分析；SOM神经网络；新化县

森林健康[1-2]是指森林作为一个结构体，保持自身良好存在和更新并发挥必要的生态服务功能的状态和能力，是森林健康评价的基本依据和森林可持续经营的热点问题[3-5]。健康的森林能够最充分持续地发挥森林生态、社会和经济效益[6-8]，极大促进区域可持续发展。随着生态环境日益恶化，森林健康越来越受到关注[9]，其中森林健康评价是研究森林健康的主要途径。国内外关于森林健康评价的研究多从森林健康的定义、评价尺度、评价方法等方面进行研究和实践[10-13]，为森林健康经营提供了指导[14-16]。

自组织映射（Self-Organizing Maps，简称SOM）神经网络是一种自组织特征的映射网络，同时也是由一个全连接的神经元阵列组成的无教师、自组织、自学习的网络[17]。目前SOM神经网络模型主要应用于土地评价、水质价、空气质量评价等领域，在森林健康评价领域中应用较少。近年来，相关学者开始将SOM神经网络引入林业加以应用研究，2011年，施明辉等[18]利用SOM神经网络方法评价了白河市林业局3个主要森林类型的森林健康状况，表明SOM神经网络分析方法是一种比较先进的自动化定量分级方法；2014年，楚春晖[19]等以海南省五指山森林为研究对象，通过SOM神经网络方法定量分级评价得出SOM神经网络评价方法相比较其他森林健康评价方法在理论上具有最优性。

新化县是湖南省重点林区县、林业重点生态工程建设县，对新化县森林健康状况进行评价研究意义重大。本研究以新化县森林为研究对象，利用SOM神经网络法、主成分分析、定量和定性相结合的方法，对新化县森林健康进行分析评价，以全面了解新化县森林健康状况，为森林保护和可持续经营提供科学参考。

1 材料与方法

1.1 研究区概况

新化县位于湖南省娄底市西部、资水中游，总面积364 253.17 hm2，下辖26个乡镇、2个林场以及1个办事处，总人口约为138.64万，是湖南省重点林区县、林业重点生态工程建设县，且素有“湘中宝地”的美称。地貌类型包括丘陵、山地、盆地、平原等，地形较为复杂。新化县属于中亚热带季风湿润气候，雨热同期，阳光充足，气候温暖，年均气温16.8 ℃～17.3 ℃，年均日照时数1 417 h，年均降水量为1 455.9 mm，土壤风化程度高，以红壤为主。改县水资源较为丰富，大小支流90余条，植被以杉木林，马尾松、楠竹为主。

1.2 数据来源及处理

本研究以2014年完成的湖南省森林资源二类调查小班数据为主要数据源，并通过野外踏查的方法对所获取的数据进行核查与相关因子的补充调查，共选取小班数87 020个。小班属性信息主要包括海拔、坡度级、坡向坡位、土壤质地、土层厚度、土壤名称、立地等级、优势树种、群落结构、森林类别、保护等级、地类、林种、起源、林分自然度、树种组成、龄级、龄组、平均高、平均年龄、平均胸径、草本盖度、灌木盖度、郁闭度、疏密度、单位蓄积、单位株数等，小班数据信息满足森林健康评价的数据要求。在西安80坐标系中配准数据，根据评价模型指标完成相关数据指标实际值计算和标准化处理。

1.3 研究方法

1.3.1 主成分分析

主成分分析在因子筛选降维方面应用较多，将多个测定因子归纳为数量较少的若干指标，以减少研究对象的维数，并提取因子的特征信息。本研究利用主成份分析法根据相关但不同质的原则进行指标筛选，运用SPSS软件对初筛因子进行主成分分析，以方差累计贡献率≥85%为标准确定主成分，结合当地实际情况筛选出影响森林健康的主要的指标。

1.3.2 森林健康评价体系的构建

1.3.2.1 评价指标的提取

以二类调查数据的属性为基础构建森林健康评价体系，根据研究内容剔除不需要的属性指标，可进行森林健康评价的属性指标可分为以下3类：

（1）定量指标：面积、平均年龄、平均树高、平均胸径、每公顷蓄积量、每公顷株数、郁闭度、草本覆盖度、灌木覆盖度、枯落物厚度和土层厚度等。

（2）不适宜量化的定性指标：地类、土地权属、工程类别、生态区位、森林类别、林种和优势树种等。

（3）可以量化的定性指标：群落结构、起源、自然度、龄组和森林灾害等级等。

1.3.2.2 评价体系的构建

根据评价指标筛选原则选取评价指标，利用主成分分析对评价指标进行分析，根据主成分的荷载情况确定成分性质，筛选出适合本研究的森林健康评价指标构建评价体系。

1.3.3 SOM森林健康评价网络模型的构建

1.3.3.1 数据预处理

森林健康评价主要受生态结构、植物种类、地被物和人为的干扰程度的影响[14]。本研究选用的指标由于数据的单位和数量级不同，在进行SOM神经网络计算之前必须进行指标数据的标准化处理。本研究进行数据标准化的公式为：

式（1）中，Xk为原始数据，X′k为输出数据，Xmax和Xmin为变量的最大值和最小值。

1.3.3.2 SOM神经网络学习算法

SOM 的学习算法步骤归纳如下：

（1）输入层以及映射层的所有权值以随机值进行设定。

（2）选择向量x输入神经网络。

（3）计算某时刻向量x与权值向量的欧式距离。

式（2）中，wij是输入层神经元i与映射层神经元j的权值。

（4）修正输出神经元j* 及其“邻接神经元”的权值。

式（3）中，c为的取值为（0，1），根据时间的推移逐步降为0；

式（4）中，f(*)多为0至1的函数。

（6）判断结果是否达到预设要求。若达到，SOM神经网络算法结束；如未达到预期要求，则返回步骤（2）。

（7） SOM神经网络模型

运用Matlab建立SOM网络模型。首先将选取的森林健康评价指标作为网络的输入；然后利用上述的学习算法对网络进行训练。当网络训练结束后，将各小班的评价指标再次输入SOM神经网络，利用训练好的网络将之聚类；最后通过仿真输出评价结果。

1.3.4 评价等级的划分

森林健康评价结果的划分因研究人员所采用的评价指标体系和评价方法的不同而不同。我国国家森林资源连续清查将森林划分为健康、亚健康、中健康、不健康4个等级[23]，而其他学者把森林健康评价结果分为3～6个不同的等级。参照施明辉、楚春晖等[18-19]对森林健康等级的划分标准，同时结合新化县实际情况，本研究在构建的SOM神经网络模型中将新化县森林划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ5个等级，分别代表不健康、亚健康、较健康、健康和优质健康，各等级的含义如表1所示。

表1 评价等级分类Table 1 Evaluation grade classification

2 结果与分析

2.1 评价体系的构建

依据森林健康的内涵，考虑指标选取原则，借鉴森林可持续经营指标体系和森林生态系统健康评价指标体系[18-22]，结合新化县实际经营状况和森林资源二类调查数据，选取平均树高、平均年龄、龄级、平均胸径、每公顷蓄积量、郁闭度、灌木覆盖度、草本覆盖度、土层厚度和枯落物厚度10个定量指标以及群落结构、起源、自然度和森林灾害等级4个量化的定性指标进行主成分分析，以确定影响湖南省新化县森林小班健康的主要因子。在SPSS中进行主成分分析根据测定指标的性质，结合主成分对测定指标进行归类，本研究最终确定森林小班健康评价的指标体系如表2所示。

2.2 新化县森林健康分布状况

利用森林健康评价体系，对新化县的森林小班进行健康状况评价（表3），健康等级分布图如图1所示。

表2 森林健康评价因子Table 2 Tree forest land health evaluation factor

表3 新化县森林小班健康状况Table 3 Health status of forest sub-compartment in Xinhua county

图1 新化县森林健康状况分布Fig.1 Distribution of forest health status in Xinhua county

研究区域优质健康等级的森林面积为26 309.5 hm2，占森林总面积的12.9%，主要分布在新化县的东部、南部和北部，该区以山地丘陵为主，属于林场管护范围内，森林多为公益林，受人为干扰极少；健康等级的森林面积为43 426.9 hm2，占所有森林总面积的21.3%，主要分布在新化县的北部和中南部，离人类主要活动区较远，地形地貌复杂，受人为干扰较少；处于较健康等级的森林最多，面积为67 726.4 hm2，占森林总面积的33.2%，较均匀地散布在新化县域；亚健康和不健康的森林面积分别为31 638.0 hm2和34 866.6 hm2，各占森林总面积的15%和13.4%，主要分布在资江干流周边区域，该区地势平坦，为人类活动主要区域，受干扰强烈，森林健康程度较低。由此可见，新化县的森林健康状况存在明显的空间分布特征，即东部、南部、中南部、北部的森林健康等级较高，中部和东南部健康等级较低，森林的健康程度与人为干扰存在明显的相关关系。

2.3 不同起源的森林健康状况分析

研究区不同起源森林健康状况如图2所示，天然林健康等级以上面积占天然林总面积的比例为42.7%，人工林健康等级以上面积占人工林总面积的30.9%。天然林健康状况明显优于人工林，其优质健康、健康、较健康、亚健康和不健康等级分别占天然林总面积的15.5%、27.2%、37.1%、12.0%、8.2%。人工林健康状况不太理想，其森林主要等级为较健康占人工林总面积的32.3%。天然林多处于地形地貌复杂的山地丘陵地区，受人为干扰较少，形成以自然因素为主导的发展机制，结构较为稳定，因此森林健康程度较高；人工林主要分布在人类活动区域周边，以木材生产和提供林副产品为主，由于其单一的结构和强烈的人为干扰，因此森林健康等级较低。

图2 森林起源健康状况分析Fig.2 Health status analysis of forest origin

2.4 不同林种的森林健康状况分析

研究区林业5大林种均有分布，薪炭林分布所占比例太小此处不做分析。由图3可知，4大林种健康状况排序，就整体而言防护林＞特种用途林＞用材林＞经济林。防护林主要以健康和较健康等级为主，面积所占防护林总面积比例分别为23.5%、31.8%。特种用途林5个健康等级所占特种用途林总面积百分比分别为：12.0%、22.0%、32.9%、17.1%、16.0%。用材林5个健康等级所占用材林总面积的百分比分别为12.7%、17.4%、35.5%、14.9%、19.5%。4大林种中，经济林的健康状况最不理想，5个健康等级所占经济林总面积百分比分别为7.5%、5.5%、2.1%、43.5%、41.4%。森林健康状况与林种的性质有关，防护林以自然灾害预防为主，经营管理活动极少，林木生长主要处于自然水平，因此林分结构丰富，地表覆盖度极高；经济林要求频繁的经营管理活动，受人为干扰最显著，因而森林健康程度最低。

图3 林种健康状况分析Fig.3 Health status of different land classi fi cation

2.5 不同龄组森林健康状况分析

研究区各龄组的健康状况如图所示，由图4可知，5大龄组的健康状况排序为：成熟林＞近熟林＞中龄林＞过熟林＞幼龄林，健康等级以上面积所占相应龄组总面积比例分别为45.9%、45.1%、40.6%、30.3%、26.2%。近熟林和成熟林的健康状况比较理想，健康等级的比例较大，优势比较明显。中龄林以健康和较健康等级为主，所占中龄林总面积比例分别为23.7%、36.0%。幼龄林和过熟林健康状况不太理想，非健康等级的比例较大。成熟林的森林健康等级最高，原因可能是成熟期的林分结构较为丰富完善，生态系统稳定性较高，森林经营活动有所减少，因而森林健康程度较高；幼龄林处于生长初期，生态系统稳定性差，需要大量人为活动进行经营管理，因此健康程度较低。

图4 龄组健康状况分析Fig.4 Health status of different land classi fi cation

2.6 优势树种健康状况分析

研究区的优势树种主要有柏树组、马尾松组、竹林组、杉木组和灌木组等，其所占面积状况如图2，健康状况如图5所示。由图可知，优势树种健康状况排序为：马尾松组＞竹林＞杉木组＞柏树组＞灌木组，其中，马尾松组健康状况相对其它树种占有一定优势，健康等级以上的面积比例占马尾松组总面积的41.6%；竹林、杉木和灌木组健康状况不太理想，健康等级以上的面积占相应树种面积的比例分别为38.7%、32.7%、23.2%、14.3%，其中以经济林为主的灌木组健康状况最不理想；马尾松组的健康程度最好，可能是马尾松经营管理活动的影响程度较低，且新化县的自然条件适合马尾松生长，因而森林健康状况较好；杉木组在效益上与马尾松相似，但杉木的适宜生长环境、光热条件与马尾松不同，因而健康状况较差；竹林密集和快速生长的特性往往形成单一的生态结构，不利于形成稳定的生态系统，易受外部环境干扰，且竹林多分布在人类主要活动区域的周边地区；灌木组的森林健康状况最低，主要是因为灌木的生态系统稳定性较差，且灌木组多为经济林，受人为干扰强烈，因而森林健康程度低。

图5 优势树种健康状况分析Fig.5 Health status of different land classi fi cation

3 结 论

本研究运用主成分分析法、定量和定性相结合的方法构建了新化县森林健康评价指标体系，基于SOM神经网络构建了新化县森林健康评价模型对新化县森林进行健康评价，利用GIS技术对健康评价结果和森林属性进行了数据分析，结果表明：

（1）利用Matlab构建了新化县森林健康评价的SOM神经网络模型，有效地克服了主观因素的干扰，结果更加客观准确。新化县森林的总体健康水平不高，为较健康状态；其中优质健康、健康、较健康、亚健康和不健康的森林面积分别为 26 309.5 hm2、43 426.9 hm2、67 726.4 hm2、31 638.0 hm2和34 866.6 hm2，分别占总面积的12.9%、21.3%、33.2%、15.5%和17.1%。森林的健康状况存在明显的空间分布特征，东部、南部、中南部和北部区域的森林健康状况明显高于中部和东南部区域，森林的健康状况与人为干扰存在明显的相关关系。

（2）结合新化县森林的起源、林种、龄组以主要及优势树种和森林健康等级空间分布进行了分析，人为干扰和林分结构是影响森林健康程度的主要因素。就起源而言，天然林的健康程度明显大于人工林；就林地类型而言，健康状况排序为混交林＞纯林＞竹林＞灌木林；就林种而言，健康状况排序为防护林＞特种用途林＞用材林＞经济林；就龄组而言，健康状况排序为成熟林＞近熟林＞过熟林＞中龄林＞幼龄林；就优势树种而言，健康状况排序为马尾松组＞竹林＞杉木组＞柏树组＞灌木组。

[1]高志亮,余新晓,陈国亮,等.北京市八达岭林场森林健康评价研究[J].林业资源管理,2008(4):77-82.

[2]李 杰,高 祥,徐 光,等.森林健康评价指标体系的研究[J].中南林业科技大学学报,2013,33(8):79-82.

[3]Zeng D H, Jiang F Q, Fan Z P, et al.Ecosystem health and sustainable development for human[J].Chinese Journal of Applied Ecology, 1999, 10(6): 751-756.

[4]肖风劲,欧阳华,傅伯杰,等.中国森林健康生态风险评价[J].应用生态学报,2004,15(2):349-353.

[5]徐 梅,关庆伟.徐州侧柏人工林健康评价研究[J].西南林业大学学报,2014,34(2):39-43+54.

[6]蔡小溪,林文树,吴金卓,等.森林健康评价研究综述[J].森林工程,2014,30(5):22-26.

[7]Alonso S, Sulkava M, Prada M A, et al.EnvSOM: A SOM Algorithm Conditioned on the Environment for Clustering and Visualization[C].Advances in Self-Organizing Maps-8th International Workshop, WSOM 2011, Espoo, Finland, June 13-15, 2011.Proceedings.2011: 61-70.

[8]马克明,孔红梅,关文彬,等.生态系统健康评价：方法与方向[J].生态学报,2001,21(10):2106-2116.

[9]刘素芝,何小东,李建军,等.基于知识粒度的森林生态系统健康评价指标赋权方法[J].生态学杂志,2014,33(1):1082-1088.

[10]姜孟竹,刘兆刚,李 元.大兴安岭盘古林场森林健康评价与分析[J].中南林业科技大学,2014,34(7):73-79.

[11]De Vries W, Reinds G J, Deelstra H D, et al.Intensive monitoring of forest ecosystems in Europe: technical report [R].Forest Intensive Monitoring Coordinating Institute, Netherlands, 1999: 173.

[12]方 舟,王霓虹.基于改进 MNN 的森林健康评价方法研究[J].安徽农业科学,2014,42(16):5292-5294.

[13]徐世芳,李小英,夏 静.美国森林健康状况[J].西南林业大学学报,2015,35(2):68-72.

[14]Tkacz B, Moody B, Castillo J, et al.Forest health conditions in North America.Environmental Pollution, 2008, 155(3): 409-425.

[15]Christopher William W,Amacher M C,Bechtold W A, et al.Status and future of the forest health indicators program of the USA[J].Environmental Monitoring & Assessment, 2011, 177(1):419-436.

[16]张国祯,甘 敬,朱建刚.北京山区森林健康的多尺度评价[J].林业科学,2011,47(6):143-151.

[17]张徳丰.MATLAB神经网络应用设计[M].机械工业出版社,2009.

[18]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.

[19]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.

[20]胡焕香,佘济云,张 敏.基于小班尺度的宁远河流域森林健康评价研究[J].西北林学院学报,2013,28(2):182-186.

[21]高志亮,余新晓,岳永杰,等.北京市松山自然保护区森林健康评价研究[J].北京林业大学学报,2008,30(2):127-131.

[22]王懿祥,陆元昌,张守攻,等.森林生态系统健康评价现状及展望[J].林业科学,2010,46(2):134-139.

[23]陈小梅,王 军.森林健康评价研究综述[J].广东林业科技,2007, 23(4):61-65.

Forest health assessment of Xinhua county based on SOM neural network

LIU Xiaonong, SONG Yabin, XING Yuanjun
(Central South Forest Inventory and Planning Institute of State Forestry Administration, Changsha 410014, Hunan, China)

In order to build the Xinhua county forest health evaluation system using principal component analysis, quantitative and qualitative methods, map neural network constructed Xinhua county forest health assessment model based on SOM self-organizing feature of Xinhua county forests health assessment.Health assessment and forest attributes were analyzed by GIS technology and the results show that the overall health of Xinhua county forest is not high, mainly in the relatively healthy state based high-quality health;the health status of forest has obvious spatial distribution characteristics, which existing signi fi cant correlation with human disturbance.Comparative analysis was carried out combining with origin of forest, category, age group, and dominant tree species with spatial distribution of forest health.Thus, the status quo and the causes about category of forest origin in Xinhua county was concluded.

forest health assessment; principal component analysis; SOM neural network; Xinhua county

S718.54+5

A

1673-923X(2017)04-0021-06

10.14067/j.cnki.1673-923x.2017.04.004

2016-05-20

湖南省教育厅科学研究项目（13A122）；国家林业公益性行业项目（201004032）

刘晓农，高级工程师；E-mail：sycsupper@qq.com

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.

[本文编校：文凤鸣]