卞西陳，陳麗華，武巧英，王 鵬，王萍花

（北京林業(yè)大學(xué)水土保持學(xué)院，北京 100083）

森林健康預(yù)警的實(shí)質(zhì)就是根據(jù)森林資源可持續(xù)發(fā)展的要求、森林健康的發(fā)展趨勢和預(yù)警科學(xué)的基本理論和方法，結(jié)合森林生態(tài)系統(tǒng)的特點(diǎn)，制定一系列森林健康的預(yù)警指標(biāo)，并在歷史數(shù)據(jù)的定性分析和定量評價(jià)的基礎(chǔ)上，結(jié)合系統(tǒng)綜合評價(jià)理論、預(yù)警理論和專家經(jīng)驗(yàn)，確定預(yù)警指標(biāo)的合理警限，通過對森林健康的現(xiàn)狀和未來的測度，及時發(fā)布森林系統(tǒng)向不健康方向發(fā)展的警情，為決策者提供及時、準(zhǔn)確的反饋調(diào)控信息。

PSR模型即“壓力－狀態(tài)－響應(yīng)”（Pressure-State-Response，PSR）框架，1979年由加拿大學(xué)者Rapport和Friend提出。20世紀(jì)90年代，在經(jīng)濟(jì)合作與發(fā)展組織（OECD）和 聯(lián)合國環(huán)境規(guī)劃署（UNEP）共同推動下，PSR模型成為研究環(huán)境問題的基本框架[1-3]。隨著PSR模型理論的不斷發(fā)展，其應(yīng)用領(lǐng)域也越來越廣泛，如：生態(tài)安全評價(jià)、土地質(zhì)量評價(jià)、土地可持續(xù)利用評價(jià)、生態(tài)系統(tǒng)健康評價(jià)等。但該理論在森林生態(tài)系統(tǒng)健康預(yù)警中的應(yīng)用較少，為此我們提出了基于PSR模型的預(yù)警流程圖（圖1）。

圖1 PSR模型的預(yù)警流程圖

由圖1可以看出：PSR模型是一個循環(huán)的運(yùn)行過程。當(dāng)自然因素和人為因素成為壓力施加到森林系統(tǒng)上，將對森林健康狀態(tài)產(chǎn)生影響，即外界壓力引起了森林健康狀態(tài)的變化；這種森林健康狀態(tài)信息被管理部門接收到后，管理部門將采取相應(yīng)的響應(yīng)措施對施加于森林系統(tǒng)的外界壓力因素進(jìn)行管理，從而改善人類活動等壓力因素；改善后的壓力因素將再次作用于森林系統(tǒng)，使其狀態(tài)再次發(fā)生變化，管理部門再次進(jìn)行響應(yīng)。

1 項(xiàng)目區(qū)概況與基本研究方法

1.1 項(xiàng)目區(qū)概況

北溝林場隸屬于河北省孟灤國營林場管理局，位于圍場縣中南部，分布在半截塔鎮(zhèn)和下伙房鄉(xiāng)境內(nèi)，地處七老圖嶺山西側(cè)，地勢東北高，西南低；海拔800～1 600 m，色樹梁東光頂是全場最高峰，海拔1 600 m；灤河支流——伊瑪吐河由北向南從林區(qū)穿過，流入隆化境內(nèi)。林場總經(jīng)營面積約5 733 hm2，林地面積5 000 hm2，活立木蓄積284 000 m3，森林覆蓋率88%。森林以天然次生林和人工林為主，主要樹種有白樺、油松、華北落葉松、山楊、柞樹、五角楓、云杉、日本落葉松等。林區(qū)內(nèi)生物資源十分豐富，高等維管植物有600多種，野生脊椎動物有20余種，鳥類有80余種。

1.2 研究方法

在林場森林中選出32 700 m2的典型樣地，其中包括天然次生林和人工林。根據(jù)林地的不同類型把樣地分為88個小班。其中天然次生林共25個小班，每個小班的面積為20×20 m2，人工林共63個小班，其中62個小班大小為10×10 m2，另1小班與天然林緊挨，林分結(jié)構(gòu)有別于天然林和人工林，大小為15×20 m2。每塊樣地里面又設(shè)置5×5 m2的中等樣方和1×1 m2的小樣方，分別調(diào)查灌木和草本植物，調(diào)查指標(biāo)包括胸徑、樹高、枝下高、優(yōu)勢度、干形質(zhì)量、冠幅、土壤厚度、土壤入滲率、病蟲害狀況及森林火險(xiǎn)等。

2 RS-粗糙集理論確定預(yù)警指標(biāo)

2.1 RS-粗糙集理論基本原理

20世紀(jì)80年代初，波蘭數(shù)學(xué)家Z.Pawlak針對G.Frege的邊界線區(qū)域思想首次提出了粗糙集（Rough sets，RS）概念。粗糙集理論是一種處理含糊和不精確性問題的新型數(shù)學(xué)工具，其基本思想是在保持分類能力不變的前提下通過知識約簡，導(dǎo)出概念的分類規(guī)則。其特點(diǎn)是：不需要提供求解問題時所需處理的數(shù)據(jù)集合之外的任何先驗(yàn)知識，僅對實(shí)測數(shù)據(jù)本身進(jìn)行分類處理即可發(fā)掘隱含知識，揭示潛在的數(shù)據(jù)內(nèi)部規(guī)律；可處理不完備的數(shù)據(jù)信息；能在保留關(guān)鍵數(shù)據(jù)信息的前提下對數(shù)據(jù)進(jìn)行化簡并求出知識的最小表達(dá)；能評估數(shù)據(jù)間的依賴關(guān)系，從經(jīng)驗(yàn)數(shù)據(jù)中獲得易于驗(yàn)證的分類規(guī)則，有利于智能控制[4-9]。近年來，粗糙集理論逐漸被引用到綜合評價(jià)中，成為綜合評價(jià)中確定權(quán)重，進(jìn)行評價(jià)的一種有效的方法。

利用Rosetta軟件對各指標(biāo)的數(shù)據(jù)進(jìn)行處理，根據(jù)各指標(biāo)在總指標(biāo)中的權(quán)重確定出本次研究中用的指標(biāo)。其中，壓力指標(biāo)包括病蟲害程度和森林火險(xiǎn)等級；狀態(tài)指標(biāo)包括群落層次結(jié)構(gòu)、林分郁閉度、近自然度、土壤侵蝕程度、生物多樣性和土壤厚度；響應(yīng)指標(biāo)包括人工育林比例、專業(yè)技術(shù)人員比例。各指標(biāo)占總指標(biāo)的權(quán)重見表1。

2.2 森林生態(tài)系統(tǒng)健康警度的劃分

表1 森林生態(tài)系統(tǒng)健康預(yù)警指標(biāo)權(quán)重

警限的劃分關(guān)系到預(yù)報(bào)警度的準(zhǔn)確性，以及誤警和漏警的預(yù)防。本文依據(jù)生態(tài)學(xué)基本原理以及國內(nèi)外有關(guān)森林健康研究和實(shí)踐的結(jié)果，對森林健康預(yù)警指標(biāo)的各單項(xiàng)指標(biāo)進(jìn)行等級劃分，將各預(yù)警指標(biāo)分為無警、輕警、中警、重警和巨警5個警度[10-12]，見表2。

表2 森林生態(tài)系統(tǒng)健康警度的劃分

3 粗糙集結(jié)合概率神經(jīng)網(wǎng)絡(luò)算法（RS- PNN）[12-18]

3.1 基本原理

Specht于1988年提出了概率神經(jīng)網(wǎng)絡(luò)（Probabilistic Netural Networks,簡稱PNN），它構(gòu)成一個Bayes分類器，實(shí)現(xiàn)多分類的Bayes判別，它把輸入的樣本模式，經(jīng)網(wǎng)絡(luò)變換為輸出的分類決策。與BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)等傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)相比，具有網(wǎng)絡(luò)學(xué)習(xí)過程簡單、網(wǎng)絡(luò)的容錯性好、模式分類能力強(qiáng)、網(wǎng)絡(luò)的擴(kuò)充性能好等特點(diǎn)。但在運(yùn)算過程中，該網(wǎng)絡(luò)無法分辨所給數(shù)據(jù)的冗余性和重要性，將所有數(shù)據(jù)不加區(qū)別進(jìn)行運(yùn)算。當(dāng)樣本屬性過多時，其運(yùn)算量隨著變量的增加呈指數(shù)級增加，從而增加了運(yùn)算的難度和時間，嚴(yán)重限制了支持向量機(jī)的應(yīng)用。

降低PNN輸入樣本的復(fù)雜程度是解決上述問題的一個方向。為了降低PNN輸入樣本的復(fù)雜程度，減少PNN中運(yùn)算的維數(shù)，提高運(yùn)算效率，可以選擇在運(yùn)算前進(jìn)行數(shù)據(jù)約簡，壓縮數(shù)據(jù)的空間，從而降低分類中的維數(shù)，以提高PNN的運(yùn)算效率。粗糙集理論依據(jù)數(shù)據(jù)的依賴性，對數(shù)據(jù)進(jìn)行約簡，在保留重要信息的前提下消除冗余的數(shù)據(jù)，簡化數(shù)據(jù)之間的關(guān)系，優(yōu)化評價(jià)結(jié)構(gòu)。因此，將粗糙集理論引入到PNN的運(yùn)算過程之中，充分發(fā)揮其屬性約簡的能力，以降低PNN計(jì)算的維數(shù)。

3.2 算法描述

基于算法的原理，首先要進(jìn)行粗糙集的屬性約簡的計(jì)算，然后再進(jìn)行PNN的分類以及預(yù)測計(jì)算，具體的計(jì)算步驟如下。（1）樣本預(yù)處理：進(jìn)行初步數(shù)據(jù)處理，保留具有屬性值的樣本，發(fā)現(xiàn)樣本數(shù)據(jù)中的特征；（2）屬性約簡：利用粗糙集理論的屬性約簡能力，對樣本集進(jìn)行進(jìn)一步處理，得到最簡屬性樣本集；（3）挑選合適的訓(xùn)練函數(shù)和參數(shù)值，建立概率神經(jīng)網(wǎng)絡(luò)；（4）利用PNN進(jìn)行分類預(yù)測計(jì)算：計(jì)算模型見式（1）。

式中：Fi為第i號小班森林健康基值得分；Pij為第i號小班第j個指標(biāo)森林健康等級得分；Rj為第j個指標(biāo)的權(quán)重；i為小班號；j為森林健康預(yù)警基值指標(biāo)。

4 預(yù)警結(jié)果

以小班為單位，應(yīng)用Matlab7.0軟件中的PNN神經(jīng)網(wǎng)絡(luò)工具箱[4-8]對北溝林場的森林生態(tài)系統(tǒng)進(jìn)行健康預(yù)警，預(yù)警統(tǒng)計(jì)結(jié)果見表3。

表3 北溝林場森林生態(tài)系統(tǒng)健康預(yù)警結(jié)果

由表3可以看出，在88個小班中，27個處于綠色警戒，占地面積10 200 m2；49個處于藍(lán)色警戒，占地面積5 100 m2；9個處于黃色警戒，占地面積900 m2；3個處于橙色警戒，占地面積300 m2；0個處于紅色警戒，占地面積0。各預(yù)警等級占樣地總面積的百分比分別為：61.82%、30.91%、5.45%、1.82%、0。

在森林生態(tài)系統(tǒng)88個典型小班中，處于綠色和藍(lán)色警戒范圍內(nèi)森林小班為76個，面積為15 300 m2，占樣地總面積的92.73%。由此得出，林場的森林生態(tài)系統(tǒng)整體處于綠色和藍(lán)色警戒內(nèi)，整體生長狀況良好，但需對林場采取必要的健康經(jīng)營[12-18]方法，具體措施如確定合理的林分密度、加強(qiáng)林分的撫育管理、制定合理的森林管理制度、預(yù)防森林火災(zāi)和病蟲害的發(fā)生等，以確保森林的可持續(xù)利用。

5 小結(jié)

本文首次將粗糙集理論作為預(yù)警計(jì)算模型應(yīng)用于森林健康預(yù)警中，為預(yù)警指標(biāo)的約簡和指標(biāo)權(quán)重的計(jì)算提供了新的思路。將粗糙集理論與PNN神經(jīng)網(wǎng)絡(luò)相結(jié)合，有效克服了PNN神經(jīng)網(wǎng)絡(luò)構(gòu)造復(fù)雜、訓(xùn)練時間長的缺點(diǎn)，并進(jìn)一步擴(kuò)展了粗糙集理論的應(yīng)用范圍?；赑SR模型,構(gòu)建了森林生態(tài)系統(tǒng)健康預(yù)警體系，并對河北省北溝林場進(jìn)行了實(shí)例研究，結(jié)果表明，該模型能夠反映森林健康預(yù)警結(jié)果,具有一定的科學(xué)性、可操作性和靈敏性。

[1] 高均凱.森林健康基本理論及評價(jià)方法研究[D].北京：北京林業(yè)大學(xué)，2007.18-21.

[2] 黃小磊.粗糙集屬性約簡及在電力系統(tǒng)中的若干應(yīng)用[D].浙江：浙江大學(xué)，2008.

[3] 馬 立.北京山地森林健康綜合評價(jià)體系的構(gòu)建與應(yīng)用[D].北京:北京林業(yè)大學(xué)，2007.24-32.

[4] 譚 旭，唐云嵐，等.雜合數(shù)據(jù)的粗糙集屬性約簡方法[J].國防科技大學(xué)學(xué)報(bào)，2008，30（6）：83-88.

[5] 吳延熊.區(qū)域森林資源預(yù)警系統(tǒng)的研究[D].北京：北京林業(yè)大學(xué)，1998.

[6] 余 亮，邊馥苓.粗糙神經(jīng)網(wǎng)絡(luò)在森林火災(zāi)預(yù)警中的應(yīng)用[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2006，31（8）：720-723.

[7]張建設(shè).基于粗糙集的多屬性決策問題[D].重慶：重慶大學(xué)，2006.

[8] 王 兵，郭 浩，王 燕，等.森林生態(tài)系統(tǒng)健康評估研究進(jìn)展[J].中國水土保持科學(xué)，2007，5（3）：114-120.

[9] Paul A Mistretta.Managing for forest health.Journal of Forestry,2002,100（7）:24-27.

[10]Hubert H,Dieter M,Martin W.Estimating tree mortality of Norway spruce stands with neural networks[J].Advances in Environmental Research,2001,5（4）:405-414.

[11]陸元昌.森林健康狀態(tài)監(jiān)測技術(shù)體系綜述[J].世界林業(yè)研究，2003，16（1）：20-25.

[12]肖風(fēng)勁，歐陽華，傅伯杰，等.森林生態(tài)系統(tǒng)健康評價(jià)指標(biāo)及其在中國的應(yīng)用[J].地理學(xué)報(bào)，2003，58（6）：803-809.

[13]周早弘.油料林森林健康評價(jià)指標(biāo)體系的研究[J].湖南農(nóng)業(yè)科學(xué)，2009，（2）：114-117.

[14]蔣萬杰，杜連海，吳記貴，等.北京松山國家級自然保護(hù)區(qū)森林健康經(jīng)營研究[J].安徽農(nóng)業(yè)科學(xué)，2010，（2）：982-984，1042.

[15] Shalabh P.Bharadwaj,Siva Subramaian,Sudhakar Manda,Taniya Ray,Prabir Mukherjee,I.V.Ramanuja Rao.Bamboo livelihood development planning,monitoring and analysis through GISand remote sensing[J].Journal of Bamboo and Rattan,2003,2,（4）.

[16]USDA Forest Service.Healthy Forests Report[R].（2005-12-02）[20060719].USDA Forest Service.

[17] O’Laughlin J,Cook P S.Inventory-based forest health indicators:Implications for national forest management[J].Journal of forestry,2003,101（2）:11-17.

[18] O’Laughlin J,Cook P S.Inventory-based forest health indicators:Implications for national forest management[J].Journal of forestry,2003,101（2）：11-17.