基于深度学习和上采样的杉木单木枯损模型构建

摘要

【目的】杉木是我国福建省重要用材树种，针对福建将乐国有林场杉木单木枯损预测精度不高的问题，构建基于深度学习的诊断模型，为杉木科学抚育提供参考。【方法】基于2011—2024年79块固定样地数据，采用SMOTE、MAHAKIL等上采样技术及其混合策略处理类间不平衡问题，建立深度学习单木枯损模型。采用F1分数、赤池信息量准则（AIC）和贝叶斯信息量准则（BIC）等多维度指标评价模型性能，并进一步与传统logistic回归模型进行对比，评估模型性能与稳定性。【结果】（1）混合采样策略显著提升模型性能，其中MAHAKIL混合上采样模型的AIC均值（874）和BIC均值（949）整体优于SMOTE混合上采样模型（AIC=1 038,BIC=1 117）。最优方案为MAHAKIL-R300混合采样，该模型F1分数达0.959，临界阈值确定为0.646。深度学习单木枯损模型性能显著优于传统logistic回归模型。（2）在8个影响因子中，对杉木单木枯损影响贡献最大的前3个因子依次为胸径、胸径基尼系数、大于对象木胸径的其他林木的胸高断面积之和（C1）。其中，胸径基尼系数、C1与枯损概率呈正相关，而胸径与枯损概率呈负相关，表明林木竞争和结构不均衡显著增加了单木枯损风险。【结论】本研究构建的基于上采样技术与深度学习的杉木单木枯损模型，具有更高的预测精度和稳定性，能有效识别枯损关键影响因子。该模型可为杉木林精准抚育和科学经营提供可靠的决策支持工具。

关键词

杉木 / 枯损模型 / 深度学习 / 上采样 / 诊断模型 / 精准抚育

基金资助

国家自然科学基金项目（31870620）; 林业科学技术推广项目（[2019]06）