第39卷第4期2023年7月森林工程FORESTENGINEERINGVol.39No.4Jul.,2023doi:10.3969/j.issn.1006-8023.2023.04.013哈尔滨典型林分地表凋落物含水率预测模型张佳薇1,张颂1,彭博1,李明宝2∗,苏田1,支佶豪1(1.东北林业大学机电工程学院,哈尔滨150040;2.东北林业大学材料科学与工程学院,哈尔滨150040)摘要:为构建高精度的森林地表凋落物含水率预测模型,以黑龙江省哈尔滨市3种典型林分白桦林(Betulaplatyphyl-la)、蒙古栎林(Quercusmongolica)和兴安落叶松林(Larixgmelini)为研究对象,采用自制的便携式气象因子检测仪进行实时检测,通过随机森林(RandomForest,RF)、反向传播(BackPropagation,BP)和长短期记忆网络(LongShortTermMemory,LSTM)3种代表性的机器学习方式对3种林分分别构建凋落物含水率预测模型。研究表明,不同的林分在不同的机器学习方式下构建的预测模型的预测精度均不同;在不同的机器学习构建的模型中3种林分的预测精度均为LSTM>BP>RF;LSTM在地表凋落物含水率预测模型的研究中效果最优。此研究结果说明LSTM在地表凋落物含水率的预测中表现突出,对提高基于气象要素法预测地表凋落物含水率模型精度具有重要的理论意义和实践指导价值。关键词:地表凋落物;含水率;气象因子;预测模型;LSTM中图分类号:S762.2文献标识码:A文章编号:1006-8023(2023)04-0110-08PredictionModelofSurfaceLitterMoistureContentinTypicalForestinHarbinZHANGJiawei1,ZHANGSong1,PENGBo1,LIMingbao2∗,SUTian1,ZHIJihao1(1.CollegeofMechanicalandElectricalEngineering,NortheastForestryUniversity,Harbin150040,China;2.CollegeofMaterialsScienceandEngineering,NortheastForestryUniversity,Harbin150040,China)Abstract:Inordertoconstructahigh-precisionpredictionmodelofforestsurfacelittermoisturecontent,thispapertakesthreetypicalforestsinHarbinCity,HeilongjiangProvinceastheresearchobject,andusesaself-madeportablemeteorologicalfactordetec-torforreal-timedetection.ThreerepresentativemachinelearningmethodsofRF(RandomForest),BP(BackPropagation),andLSTM(LongShortTermMemory)wereusedtoconstructlittermoisturecontentpredictionmodelsforthethreestands.Resultsshowedthat,thepredictionaccuracyofthepredictionmodelconstructedbydifferentforeststandsunderdifferentmachinelearningmethodswasdifferent.Thepredictionaccuracyofthethree...
