Smart Agricultural Technology·9月1日 · 周二论文农业遥感与作物表型阅读 2
A machine learning model for estimating tree age based on trunk radius and radial growth rate
Jianfeng Yao · Xi Wang · Jinchi Wang 等 7 人
论文解读
74接近精选线
速览
提出基于树干半径和径向生长率的机器学习模型，实现多树种年龄估算。
方法
集成机器学习模型，输入半径和相对径向生长率，加权集成预测。
发现
集成模型R²=0.865，RMSE=4.318年，优于仅用半径和树种。
机会点
可扩展至更多树种和环境，探索其他生长指标，构建大规模通用年龄估算模型。
影响力15
信息增量22
专业深度18
信源权威12
时效性7
提出基于机器学习与径向生长率的树木年龄估算框架，跨树种适用，方法新颖，数据详实，对林业信息化有参考价值。
原文摘要
由于树种间及环境间的径向生长存在显著差异，准确估算树龄仍具挑战性。本研究通过将近似相对径向生长速率（RGR）纳入机器学习和集成模型，开发了一种通用的多树种树龄估算框架。在地面以上1.3米采样高度处，共采集了四个树种的186个树干圆盘。从最外年轮向髓心依次分组年轮，以推导树干半径（R）、采样高度处的年龄、平均年轮宽度（AAW）及RGR。使用R和RGR作为输入变量，训练了四种机器学习模型，包括反向传播神经网络、随机森林、极端梯度提升和支持向量回归，并通过加权集成策略整合其预测结果。集成模型实现了R²为0.865，预测精度为85.5%，均方根误差（RMSE）为4.318年，平均绝对误差（MAE）为3.058年。与使用R和树种作为变量的模型相比，引入RGR使R²从0.589提升至0.865，并将RMSE从7.345年降至4.318年。这些结果表明，RGR在一定程度上减少了模型对明确树种信息的依赖。所提出的框架显示出在多树种树龄估算方面的潜力，并为开发通用的大规模树龄估算模型奠定了基础。