基于支持向量机(SVM)的班克松人工林成熟材解剖性质的预测

林业科学 ›› 2013, Vol. 49 ›› Issue (9): 119-125.

基于支持向量机(SVM)的班克松人工林成熟材解剖性质的预测

张燕, 宋魁彦, 佟达

东北林业大学材料科学与工程学院哈尔滨 150040

收稿日期:2012-11-27 修回日期:2013-04-18 出版日期:2013-09-25 发布日期:2013-09-19
通讯作者: 宋魅彦
基金资助:
工业原料林树种材质材性综合评定及成熟预测技术研究(GA09B202-07)。

Prediction of Mature Wood Anatomical Properties of Pinus banksiana Plantation Based on Support Vector Machines (SVM)

Zhang Yan, Song Kuiyan, Tong Da

College of Material Science and Technology, Northeast Forestry University Harbin 150040

Received:2012-11-27 Revised:2013-04-18 Online:2013-09-25 Published:2013-09-19

摘要/Abstract

摘要：

成熟材含量的高低决定木材性质的优劣,合理界定幼龄材与成熟材的分界点,准确预测成熟材材质有利于木材高效加工利用。为了确定人工林班克松的成熟期和预测成熟材解剖性质,采用支持向量机(SVM)界定幼龄材与成熟材的分界点,在此基础上利用幼龄材解剖性质预测成熟材解剖性质。结果表明:人工林班克松幼龄材与成熟材的分界点在树木生长的第18年;成熟期解剖性质明显优于幼龄期,变化较幼龄期平缓;成熟预测误差低、相关性高;预测曲线能够体现解剖性质整体的变化趋势,但对解剖性质测试集突变点及其之后的变化情况表现不足。

关键词: 班克松, 解剖性质, 成熟材, 预测, 支持向量机

Abstract:

Wood qualities and properties were depended on the mature wood content. Determining the demarcation between juvenile and mature wood and predicting mature wood properties accurately play an important role on wood efficient utilization. In order to demarcate juvenile and mature wood of Pinus banksiana plantation and predict the anatomical properties of mature wood based on the anatomical properties of juvenile wood, support vector machines(SVM) was used. Results showed that the dividing point of juvenile and mature wood of Pinus banksiana plantation is 18^th years. The anatomical properties of mature wood were excellent with gently change than those of juvenile one. Mature wood prediction has low deviation, high correlation. The prediction curves can indicate the overall trend of anatomical properties, while have weak performance on catastrophe point and the following changing properties of the test set.

Key words: Pinus banksiana, anatomical properties, mature wood, prediction, support vector machines(SVM)

中图分类号:

S781

张燕, 宋魁彦, 佟达. 基于支持向量机(SVM)的班克松人工林成熟材解剖性质的预测[J]. 林业科学, 2013, 49(9): 119-125.

Zhang Yan, Song Kuiyan, Tong Da. Prediction of Mature Wood Anatomical Properties of Pinus banksiana Plantation Based on Support Vector Machines (SVM)[J]. Scientia Silvae Sinicae, 2013, 49(9): 119-125.

参考文献

陈广胜. 2006. 基于神经网络的人工林落叶松木材材质预测研究. 哈尔滨:东北林业大学博士学位论文.

陈立生. 2011. 基于支持向量机的木材干燥预测控制技术. 哈尔滨:东北林业大学博士学位论文.

陈永义,俞小鼎,高学浩,等. 2004. 处理非线性分类和回归问题的一种新方法(I)——支持向量机方法简介. 应用气象学报, 15(3): 345-354.

付阳,李昆仑. 2010. 支持向量机模型参数选择方法综述. 电脑知识与技术, 6(28): 8081-8085.

黄荣凤,鲍甫成,张冬梅. 2005. 杨树材性成熟龄模型的建立及树体内幼龄材的分布. 林业科学, 41(3): 103-109.

江泽慧,姜笑梅. 2011. 木材结构与其品质特性的相关性. 北京: 科学出版社.

李坚,郭明辉,赵西平. 2011. 木材品质与营林环境. 北京: 科学出版社.

刘一星. 赵广杰. 2004. 木质资源材料学. 北京: 中国林业出版社.

祈庆钦. 2008. 基于神经网络的人工林油松木材径向解剖特性预测研究. 呼和浩特:内蒙古农业大学硕士学位论文.

王金满,刘一星,李坚. 1996. 人工林长白落叶松木材材质早期预测模式(I)——材性变异、幼龄期与成熟期的界定. 东北林业大学学报, 24(5): 65-71.

王金满,李坚,刘一星. 1997. 人工林长白落叶松木材材质早期预测模式(II)——材质早期预测与木材品质评价. 东北林业大学学报, 25(2): 24-28.

杨少春. 2008. 木材表面颜色模式识别方法的研究. 哈尔滨:东北林业大学硕士学位论文.

业宁,王厚立,徐兆军,等. 2006. 基于支持向量机的木材缺陷识别. 计算机应用与软件, 23(4): 3-5.

张黎,赵荣军,费本华. 2008. 人工林木材材性预测研究进展. 西北林学院学报, 23(2): 160-163.

Alteyrac J,Cloutier A,Zhang S Y. 2006. Characterization of juvenile wood to mature wood transition age in black spruce (Picea mariana (Mill.) B.S.P.) at different stand densities and sampling heights. Wood Science and Technology, 40(2): 124-138.

Chiu C M,Wang S Y,Lin C J, et al. 2006. Application of the fractometer for crushing strength: juvenile-mature wood demarcation in Taiwania (Taiwania cryptomerioids). Journal of Wood Science, 52(1): 9-14.

Csoka L,Zhu J,Takata K. 2005. Application of the Fourier analysis to determine the demarcation between juvenile and mature wood. Journal of Wood Science, 51(3): 309-311.

Evans J W,Senft J F,Green D W. 2000. Juvenile wood effect in red alder: analysis of physical and mechanical data to delineate juvenile and mature wood zones. Forest Products Journal, 50(7/8): 75-87.

Ferreira A L,Severo E T D,Calonego F W. 2011. Determination of fiber length and juvenile and mature wood zones from Hevea brasiliensis trees grown in Brazil. Eur J Wood Prod, 69(4): 659-662.

Gu I Y H,Andersson H,Vicen R. 2009. Automatic classification of wood defects using support vector machines. Computer Vision and Graphics, 5337: 356-367.

Gu I Y H,Andersson H,Vicen R. 2010. Wood defect classification based on image analysis and support vector machines. Wood Science and Technology, 44(4): 693-704.

Mutz R, Guilley E, Sauter U H, et al. 2004. Modeling juvenile-mature wood transition in Scots pine (Pinus sylvestris L.) using nonlinear mixed-effects models. Annals of Forest Science, 61(8): 831-841.

Tsuchiya R, Furukawa I. 2010. Relationship between the radial variation of ray characteristics and the stages of radial stem increment in Zelkova serrata. Journal of Wood Science, 56(6): 495-501.

Wang Jinman,Guo Minghui,Xu Pingwu. 1996. ARIMA model on wood properties variation pattern of Korean larch. Journal of Northeast Forestry University, 7(4): 57-60.

Zhu J J,Tadooka N,Takata K,et al. 2005. Growth and wood quality of sugi (Cryptomeria japonica) planted in akita prefecture (II). Juvenile/mature wood determination of aged trees. Journal of Wood Science, 51(2): 95-101.

[1]	薛春泉, 徐期瑚, 林丽平, 何潇, 曹磊, 李海奎. 基于异速生长和理论生长方程的广东省木荷生物量动态预测[J]. 林业科学, 2019, 55(7): 86-94.
[2]	毛学刚, 邢秀丽, 李佳蕊, 谭良全, 范文义. 基于航空正射影像的面向对象林隙识别[J]. 林业科学, 2019, 55(2): 87-96.
[3]	张莹, 张晓丽, 李宏志, 黎良财. 基于改进转换分离度特征选择规则的土地覆盖分类比较[J]. 林业科学, 2018, 54(8): 88-98.
[4]	Shahzad Muhammad, 韩斐斐, 姜立春. 不同抽样方法对兴安落叶松立木材积方程预测精度的影响[J]. 林业科学, 2018, 54(8): 99-105.
[5]	谢文, 赵小敏, 郭熙, 叶英聪, 孙小香, 匡丽花. 基于RBF组合模型的山地红壤有机质含量光谱估测[J]. 林业科学, 2018, 54(6): 16-23.
[6]	谭念, 王学顺, 黄安民, 王晨. 基于灰狼算法SVM的NIR杉木密度预测[J]. 林业科学, 2018, 54(12): 137-141.
[7]	曹正彬, 周世玉, 刘晓平, 高闯, 杜光月, 周玉成. 基于LS-SVM的采暖木质地板自然对流温度场建模[J]. 林业科学, 2018, 54(11): 29-36.
[8]	曹正彬, 刘晓平, 杜光月, 褚鑫, 刘大伟, 周玉成. 基于TWSVM和模糊的木质采暖地板蓄热温度预测模型[J]. 林业科学, 2018, 54(11): 45-52.
[9]	周世玉, 杜光月, 褚鑫, 刘晓平, 周玉成. 地采暖木地板释热温度场的BP神经网络预测[J]. 林业科学, 2018, 54(11): 158-163.
[10]	毛学刚, 陈文曲, 魏晶昱, 范文义. 分割尺度对面向对象树种分类的影响及评价[J]. 林业科学, 2017, 53(12): 73-83.
[11]	毛学刚, 侯吉宇, 范文义. 林隙主被动遥感协同自动识别[J]. 林业科学, 2017, 53(11): 94-103.
[12]	国红, 雷渊才. 蒙古栎林分直径Weibull分布参数估计和预测方法比较[J]. 林业科学, 2016, 52(10): 64-71.
[13]	祖笑锋, 李秋实, 倪成才, 覃先林, Nigh Gorden. 非线性混合效应生长模型的拟合、随机效应预测和应变量预测间对应关系[J]. 林业科学, 2016, 52(10): 72-79.
[14]	祖笑锋, 倪成才, Gorden Nigh, 覃先林. 基于混合效应模型及EBLUP预测美国黄松林分优势木树高生长过程[J]. 林业科学, 2015, 51(3): 25-33.
[15]	郭莹洁, 赵荣军, 钟永, 任海青. 基于早晚材的兴安落叶松成熟材力学模型 ——顺纹抗拉弹性模量[J]. 林业科学, 2014, 50(9): 118-123.