楚春晖，佘济云，陈冬洋

（中南林业科技大学，湖南 长沙 410004）

基于SOM神经网络的五指山市森林健康评价

楚春晖，佘济云，陈冬洋

（中南林业科技大学，湖南 长沙 410004）

SOM神经网络具有无样本自组织学习的功能，能从输入数据中寻找规律，使结果客观、真实。本研究采用1993-2008年五指山市四期一类调查数据，运用SOM神经网络分析森林动态变化，对五指山市森林健康进行评价，并探讨了森林健康等级与龄组和郁闭度之间的关系。结果表明：1993年五指山市森林健康水平较低，Ⅰ等质量占据绝对主导地位，随后森林质量逐步提高，至2008年，五指山市森林健康等级，Ⅲ、Ⅳ等占据主体，森林健康水平得到很大提高，同时在一定范围内，森林表现出小班龄组越大，郁闭度越大，健康等级越高。以上评价结果可为五指山市的森林可持续经营利用提供理论支撑。

SOM；神经网络；森林；健康评价；五指山

森林健康，从现代角度要求来看就是要让森林在保持系统稳定性和生态平衡的基础上，同时达到优化结构，完善功能，凸显效益的目的，以此来满足人类日益增长的物质文化需要[1-2]。森林健康的研究始于20世纪60年代，最初是针对经营过程中的一些负面因素，如人工林分结构单一、病虫害抵抗力差[3]、水土保持功能薄弱等问题[4]，林学家提出“预防为主，综合防治”的防控理论来治理，随着森林经营理念的变化，学者们多趋向于从生态系统观的角度来对森林健康进行评价，二者虽有紧密联系，却不可同一而语[5]。以致迄今为止也未得出一套标准的评价方法，林学家们仍在尝试将更多的评价因子被引入森林健康评价领域，使得森林健康评价内涵更加丰富[6]。

森林健康评价现已成为森林可持续经营的一个重要方向和目标[7]。目前研究森林健康评价的主要方法是层次分析法(AHP)，层次分析法是通过比较找出多系统中各因素之间的相关性和层次性，然后由专家依据其重要性赋予权重，再计算得出结果。也有学者利用BP神经网络进行建模，来预测森林的未来发展趋势。虽然国内研究起步较晚，但是很多学者在此方面做出了探究；如高志亮等[8]利用层次分析法从森林的完整性、稳定性和可持续性3个方面对北京松山自然保护区进行森林健康评价；胡焕香等[9]基于小班尺度结合专家问卷调查结果，利用层次分析法对宁远河流域小班进行健康评价，得出宁远河森林小班健康现状；桂子凡等[10]以广州市森林资源二类清查数据和统计年鉴数据为依据，从森林结构性、功能性、环境性风险三方面构建出了广州市森林健康风险评价指标体系；卞西陈等[11]利用BP神经网络对北沟林场的天然次生林和人工林分别进行评价，并就其评价结果分别设立预警；甘静等[4]通过尝试不同样本观察BP神经网络的收敛性，确定森林健康快速评价指标。

五指山市地处海南岛田字交通网的中心，森林资源丰富且山体连绵宽广，能保护三亚不受寒潮侵袭。为了能更加充分地利用自身条件，凸显五指山市的生态价值，本研究通过构建自组织特征映射网络模型（Self-Organizing Feature Map，SOM）对五指山市森林健康进行评价，分析了五指山1993-2008年的森林健康水平变化，并分龄组、郁闭度分析其与健康等级的关系，为五指山市森林资源管理提供科学依据。

1 研究区概况

五指山市位于海南岛中南部腹地，地理坐标为 109°19′E～109°44′E，18°38′N～19°02′N，面积1 128.98 km2。据地质资料记载，土地组成以中酸性喷岩为主，山体基础皆由其覆盖[12]，加上历年植被凋落物丰厚，土地肥沃，适合热带和亚热带植物生长。

全市有森林面积860 km2。共有1400余种木本植物，150多种高级珍贵木材，1000多种药用植物，还有特有的五指山兰花100多种。极具保护价值。山地常绿阔叶林山地常绿阔叶林，是以热带和亚热带科属植物为主。如樟科Lauraceae、金缕梅科Hamamelidaceae等种类。还有少量的温带科属，如榛木科Corylaceae的海南特区鹅耳枥Carpinus、槭树科Anacardiaceae、粗榧科 Cephalotaxussinesis和杜鹃花科Ericaceae等。

五指山由于海拔高，纬度低，森林密布，光、热、水资源丰富。此地气候温和，属热带山区气候。年平均气温22.4℃，冬夏温差小，1月和7月平均温度相差不到10℃。五指山市雨量充沛，年平均降雨量为1 690 mm，年平均相对湿度为84%，年平均日照为2 000 h左右。

2 研究方法

2.1 评价因子的确定

评价森林健康关键在于选取什么因子来反应森林的健康状况，过去森林健康评价体系多见于依赖林分状况和森林类型进行构建。姬文元等[13]利用更新等级、单位面积活立木蓄积量、幼树幼苗生长情况、郁闭度、平均胸径、平均树高、地被物总盖度、下木总盖度、幼树中优势数种的数量比例，共九项指标，提出了森林小班水平上的森林群落健康评价指标体系。

本研究利用主成分分析法以及五指山市林业实际情况，选取了12个森林健康评价因子。如表1所示。

表1 五指山市森林健康评价因子表Table 1 The evaluation index of forest health in Wuzhishan City

2.2 构建SOM森林健康分等网络模型

2.2.1 分等因子数据预处理

森林健康评价主要受植物种类、生态结构、地被物和人为的干扰程度所影响[14]。本研究选用外业调查实测数据指标作为评价因子，然而由于各因子数据单位不同，数量级也不一样，因此在代入SOM神经网络模型之前，先要进行数据的标准化处理。常用的方法有：

①平均数方差法：

Xk为原始数据，X′k为输出数据，和Svar为第k变量原始数据的算术平均值和标准差。

②最大最小法：

Xk为原始数据，X′k为输出数据，Xmax和Xmin为第k变量的最大值和最小值。

通过变换平均数方差法能使各变量数据统一成μ=0，σ=1的标准正态分布；通过最大最小法变换后，数据调整为最大值为1，最小值为0的归一样本。

2.2.2 SOM神经网络学习算法

SOM算法能通过比较数据间的差异找出输入数据之间的相似程度[15]，将处理得出相似的输入数据在网络的初始化时就进行优先配置，所以它是一种较为智能的可以对输入数据有差别地给出反应的神经网络[16]。SOM的学习算法步骤归纳如下[17]：

（1）网络初始化

将随机指派任意值作为权值的初始参量分别赋给输入层和映射层。

（2）输入初始数据

把输入向量X=(x1，x2，x3，…，xm)T指派给输入层。

（3）利用欧式距离计算公式计算映射层的权值与输入层的距离

式中，wij为输入层的i神经元和映射层的j神经元之间的权值。通过计算，得到一个胜出神经元，记为j*，即对于任意的j，都有某个单元k，使得dk=minj(dj)成立。

（4）权值的学习

修正输出神经元j*及其“邻接神经元”的权值。

Δwij=wij(t+1)-wij(t)=η(t)[xi(t)-wij(t)]。

式中，η为介于0和1之间的常数，随着时间变化逐步下降至0。

（5）计算输出Ok

式中，f(*)一般为0～1函数或者其他非线性函数。

（6）是否达到预先设定的要求

如结果达到要求则结束程序；否则，则返回（2），进行下一轮的学习。

2.3 评价等级的划分

本文构建的SOM神经网络模型将五指山市森林划分为Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ五个等级，分别代表不健康，亚健康，较健康，健康和非常健康。

3 结果与分析

3.1 1993～2008年五指山市森林健康等级动态变化

五指山市土地总面积112 898 hm2，有林地面积83 351.5 hm2，占总面积73.8%。从五指山市1993～2008年4期一调数据中将评价因子数据提取出来，再利用matlab将构建的矩阵代入SOM神经网络模型中，利用mapminmax函数对数据利用最大最小法进行标准化处理，再利用newc函数构建网络模型，将输出结果分成5等，以0.1的学习速率训练500次，然后利用train、sim函数进行最后的校验和仿真。

将输出结果按健康等级统计其频数如图1所示，可以看出：1993年Ⅰ等质量占据主导地位，占据比例为62.6%，Ⅳ等占据比例最小，仅4.4%，其余Ⅱ等占6.6%；Ⅲ等占16.5%；Ⅴ等占9.9%；五指山市1993年森林健康分等结果为Ⅰ＞Ⅲ＞Ⅴ＞Ⅱ＞Ⅳ。

图1 五指山市1993～2008年森林健康分等评价图Fig.1 Classification of forest health level in Wuzhishan City from 1993～2008

1998年Ⅰ等质量占据主导地位，占据比例为61.5%，Ⅱ等占据比例最小，仅5.5%，其余Ⅲ等占14.3%；Ⅳ等占7.7%；Ⅴ等占11.0%，五指山市1998年森林健康分等结果为Ⅰ＞Ⅲ＞Ⅴ＞Ⅳ＞Ⅱ。

2003年Ⅰ、Ⅱ、Ⅳ等质量占据主体，所占比例分别为Ⅰ等占28.6%，Ⅱ等占23.1%，Ⅳ等占26.4%，Ⅲ等占据比例最小，仅6.6%，其余Ⅴ等占15.4%，五指山市2003年森林健康分等结果为Ⅰ＞Ⅳ＞Ⅱ＞Ⅴ＞Ⅲ。

2008年Ⅳ、Ⅰ等质量占据主体地位，所占比例分别为Ⅳ等占29.7%，Ⅰ等占27.5%，Ⅱ等占据比例最小，仅4.4%，其余Ⅲ等占19.8%；Ⅴ等占18.7%，五指山市2008年森林健康分等结果为Ⅳ＞Ⅰ＞Ⅲ＞Ⅴ＞Ⅱ。

3.2 不同龄组的森林健康状况变化

根据龄组数据，将五指山市1993～2008年四期数据分别按0～5龄组统计其健康等级状况，如表2所示。为使其更为直观的表示变化，将数表用三维堆积图表示，如图2。可以看出，1993年样地多以幼龄林为主，约占58.7%，森林健康水平低；1998年后近熟林以上逐渐增多，森林健康程度也逐步提高，相对来说龄组越大，森林健康水平越高。

表2 五指山市1993～2008年不同龄组森林健康等级评价状况Table 2 Classified forest health level to different age groups in Wuzhishan City from 1993-2008

图2 五指山市1993～2008年不同龄组森林健康等级评价状况Fig.2 Classified forest health level todifferent age groups in Wuzhishan City from 1993～2008

3.3 不同郁闭度的森林健康状况变化

根据郁闭度数据，将五指山市1993～2008年四期数据分别按郁闭度0～1统计其健康等级状况。由图3可以看出，森林健康评价结果Ⅰ等主要分布在郁闭度小于0.3的范围内，Ⅱ等主要分布在郁闭度介于0.3～0.7之间，Ⅲ等主要分布在郁闭度介于0.5～0.8之间，Ⅳ等主要分布在郁闭度介于0.6～0.8之间，Ⅴ等主要分布在0.7～1之间。由此可见，在一定范围内，森林小班郁闭度越高，其健康等级越高。1993年至2008年，五指山市全市森林郁闭度逐步增大，到2008年，全市森林郁闭度集中在0.6～0.8之间浮动，这说明五指山市的森林健康水平在逐年提高。

图3 五指山市1993～2008年不同郁闭度森林健康等级评价状况Fig.3 Classified forest health level to different crown densities in Wuzhishan City from 1993～2008

4 结论与讨论

本研究基于SOM自组织特征映射神经网络构建了五指山市森林健康等级评价模型和方法，并对其1993～2008年4期数据进行动态分析，得到如下结论：

1）森林健康评价几种常用方法比较：层次分析法虽然能够较好地将定性评价与定量评价相结合，但是仍受缚于评价过程中的随机性和专家主观上的不确定性及认识上的模糊性[18]。BP神经网络能够通过反向误差调整，令评价结果更加趋近真实，但是建模过程中无法摆脱学习样本对其结果的影响，容易陷入局部最优。SOM神经网络是一个无教师、自组织学习网络，通过实地调查数据进行评价，不需要学习样本就能找出数据中的关联，得出评价结果。因此，SOM神经网络从理论上拥有优越性。

2）通过对五指山市1993～2008年四期一调数据按年份、龄组、郁闭度来分别统计分析，由四期结果可以看出1993年前五指山市由于人们对环境问题认识得不深，加上无节制开采，导致森林健康程度较差，1998年至2003年间，海南省实行“天然林保护工程”，通过退耕还林，三边防护林改造，椰林工程等六大林业重点工程的开展，截至2002年五指山市造林面积达1 294.2公顷，逐步改善了当地生态环境，至2008年，森林健康分等结果由1993年的Ⅰ＞Ⅲ＞Ⅴ＞Ⅱ＞Ⅳ变为Ⅳ＞Ⅰ＞Ⅲ＞Ⅴ＞Ⅱ，随着林木的生长森林健康程度也得到了有效地改善。

3）本研究探究了森林健康等级与龄组和郁闭度之间的关系，发现一定范围内，森林小班龄组越大，郁闭度越高，其健康等级越高，同时通过封山育林、退耕还林、林分改造、护林防火等人为干预措施能有效提高森林健康水平。

[1]王 兵, 郭 浩, 王 燕,等. 森林生态系统健康评估研究进展[J]. 中国水土保持科学, 2007,5 (3)：114-121.

[2]王冬米. 关于森林健康及其经营的思考[J]. 华东森林经理,2010, 24(3)：11-15.

[3]Styers D M, Chappelka A H, Marzen L J,et al. Developing a land-cover classification to select indicators of forest ecosystem health in a rapidly urbanizing landscape. Landscape and Urban Planning, 2010, 94： 158-165.

[4]甘 敬,朱建刚, 张国祯,等. 基于BP神经网络确立森林健康快速评价指标[J]. 林业科学, 2007, 43(12)：1-7.

[5]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.

[6]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)：134-140.

[7]沈剑波, 雷相东, 舒清态,等. 国内外森林健康评价指标体系综述 [J]. 科技导报 , 2011, (33)：72-79.

[8]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)：127-131.

[9]胡焕香, 佘济云, 张 敏,等. 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.

[10]桂子凡, 张 贵. 广州市森林健康风险评价指标体系的构建[J].中南林业科技大学学报, 2013, 33(11)：58-62.

[11]卞西陈, 陈丽华, 王 鹏,等. BP神经网络在森林健康预警中的应用[J]. 水土保持通报, 2011, (4)：108-111.

[12]颜家安. 海南岛生态环境变迁史研究[D]. 南京：南京农业大学, 2006.

[13]姬文元, 邢韶华, 郭 宁,等. 川西米亚罗林区云冷杉林健康状况评价[J]. 林业科学, 2009, 45(3)：13-18.

[14]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)：1295-1301.

[15]Yang J H. Application of Quantum Self-Organization Mapping Networks to Classification[J]. Applied Mechanics and Materials,2013：707-711.

[16]石小云. 基于SOM神经网络的静止卫星云图分类[J]. 电子设计工程 , 2011, 19(16)：55-56,60.

[17]彭 丹, 许 波, 宋仙磊. 基于网络评论的网络舆情研究[J].现代情报 , 2009,29 (12)：4-7.

[18]施明辉, 赵翠薇, 郭志华,等. 森林健康评价研究进展[J]. 生态学杂志 , 2010, 29(12)：2498-2506.

Forest health assessment based on self-organizing map neural network in Wuzhishan City

CHU Chun-hui, SHE Ji-yun, CHEN Dong-yang
(Central South University of Forestry and technology, Changsha 410004, Hunan, China)

SOM neural network can organize learning without any sample, and it also can find the patterns from the input data and make the result objective and true. The research uses SOM neural network to analysedynamic change of forest in Wuzhishan City with the survey data from 1993-2008 years. And discuss the relationship among forest health level; age group and crown density. The result shows that, in 1993 the forest health level of Wuzhishan City is low, and the first level occupied the leading place, then to 2008, the forest health level is increased. It shows that the third and fourth level Occupied the main position. And in a reasonable change range,forest health level is increased with age and crown density. These results can be toke to help forest management in Whuzhishan City.

self-organizing feature map; neural network; forest; health assessment; Wuzhishan City

S718.57

A

1673-923X(2015)10-0069-05

10.14067/j.cnki.1673-923x.2015.10.012

2014-02-10

湖南省软科学重点项目(2013ZK2031)；国家林业公益性行业项目(201004032)；海南省林业厅重点科研项目(201108478)

楚春晖，硕士研究生

佘济云，博士，教授，博导；E-mail：shejiyun@126.com

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.

[本文编校：吴 彬]