根据CNN-LSTM注意力方法构建Pinus yunnanensis的冠状形状预测模型
Longfeng Deng1, Jianming Wang1, Jiting Yin2
1School of Mathematics and Computer Science, Dali University, Dali, China.
Frontiers in plant science
|July 24, 2025
概括
结合CNN-LSTM-Attention和皇冠形状竞争指数 (CPCI) 的新深度学习模型,可以准确预测Pinus yunnanensis的皇冠形状. 这种混合方法通过捕捉冠状不对称性和垂直结构来改善森林管理,以便更好地进行生态分析.
科学领域:
- 林业和生态建模 林业和生态建模
- 深度学习在生态学中的应用
- 植物科学和生物识别技术
背景情况:
- 松 (Pinus yunnanensis) 在中国西南部的生态和经济上至关重要.
- 准确的冠状形状建模对于森林管理和生态研究至关重要.
- 现有的模型与空间异质性和垂直冠状结构作斗争.
研究的目的:
- 开发一种新的方法来建模Pinus yunnanensis的冠状形状.
- 克服传统模型在捕捉冠状不对称性和垂直结构方面的局限性.
- 通过深度学习和新的竞争指数来提高预测准确度.
主要方法:
- 开发了一个混合CNN-LSTM-Attention深度学习模型.
- 整合了一个新的皇冠形状竞争指数 (CPCI).
- 利用了629棵Pinus yunnanensis树的数据,分布在五个年龄分层的地块上.
主要成果:
- 通过CNN-LSTM-Attention模型实现了更高的预测准确度 (R2=0.98161,MSE=0.00755 m2).
- 混合动力车型的性能明显优于瓦尼拉LSTM车型.
- 将CPCI纳入所有测试模型的增强预测准确性.
结论:
- 混合深度学习框架显著改善了Pinus yunnanensis冠状形状的预测.
- CPCI提供了更精确的垂直和定向皇冠竞争的表现.
- 这种进步有助于准确评估树冠动态和森林结构.
