Mô hình dự đoán sinh khối cây cá lẻ của rừng trồng keo lai dựa trên thuật toán rừng cây
DOI:
https://doi.org/10.55250/Jo.vnuf.14.5.2025.040-049Từ khóa:
Dữ liệu huấn luyện, Đồng Nai, sinh khối rừng, trí tuệ nhân tạo, trữ lượng cacbonTóm tắt
Các mô hình sinh khối cây cá lẻ đóng vai trò quan trọng trong việc ước tính sinh khối rừng. Nghiên cứu này phát triển các mô hình sinh khối dựa trên dữ liệu thu thập từ 90 cây keo lai tuổi từ 2-10 năm trong các lâm phần rừng trồng thuần loài tại Khu Dự trữ Sinh quyển Đồng Nai. Phương pháp cắt hạ và sấy khô được sử dụng để xác định sinh khối trên mặt đất (AGB) của cây. Trong đó, 60 cây được chọn ngẫu nhiên để xây dựng mô hình và 30 cây còn lại được dùng để kiểm định. Ba phương pháp mô hình hóa được áp dụng bao gồm hồi quy Ridge (RR), tương quan sinh trưởng (AG) và cây rừng (RF), với các biến đầu vào là tuổi (A), chiều cao vút ngọn (H) và đường kính ngang ngực (dbh), trong khi AGB đóng vai trò là biến phụ thuộc. Hiệu suất mô hình được đánh giá thông qua các chỉ số hệ số xác định (R²), sai số trung phương (RMSE) và sai số tuyệt đối trung bình (MAE). Kết quả cho thấy mô hình RF vượt trội hơn so với RR và AG, với R² cao hơn và các giá trị RMSE và MAE thấp hơn. Phân tích tầm quan trọng của các biến trong mô hình RF cho thấy dbh là yếu tố có ảnh hưởng lớn nhất đến kết quả dự đoán AGB. Thêm vào đó, việc tích hợp A vào RF đã cải thiện độ chính xác trong ước lượng AGB của cây keo lai. Kết quả nghiên cứu cung cấp cơ sở khoa học quan trọng cho việc ước tính nhanh và chính xác AGB của rừng trồng keo lai tại khu vực nghiên cứu.
Tài liệu tham khảo
[1]. Nel, W. P. & Cooper, C. J. (2009). Implications of fossil fuel constraints on economic growth and global warming. Energy Policy. 37(1): 166-180.
[2]. Wang, J. & Azam, W. (2024). Natural resource scarcity, fossil fuel energy consumption, and total greenhouse gas emissions in top emitting countries. Geoscience frontiers. 15(2): 101757.
[3]. Demirbas, M. F., Balat, M. & Balat, H. (2009). Potential contribution of biomass to the sustainable energy development. Energy Conversion and Management. 50(7): 1746-1760.
[4]. Ioelovich, M. (2015). Recent findings and the energetic potential of plant biomass as a renewable source of biofuels–a review. Bioresources. 10(1): 1879-1914.
[5]. Psistaki, K., Tsantopoulos, G. & Paschalidou, A. K. (2024). An overview of the role of forests in climate change mitigation. Sustainability. 16(14): 6089.
[6]. Sedjo, R. A. (2001). Forest carbon sequestration: some issues for forest investments.
[7]. Dương Hồng Quân, Nguyễn Đức Kiên & Trần Việt Hà (2021). Sinh trưởng các dòng Keo lai (Acacia hybrid) trong khảo nghiệm dòng vô tính tại Ba Vì, Hà Nội và Cam Lộ, Quảng Trị. Tạp chí Khoa học và Công nghệ Lâm nghiệp. 4: 58-65.
[8]. Phạm Thị Luyện, Hoàng Liên Sơn & Đỗ Văn Bản (2019). Xác định tuổi thành thục kinh tế của loài cây Keo lai (Acacia mangium x Acacia auriculiformis) tại vùng Đông Bắc Bộ. Tạp chí Nông nghiệp và Phát triển nông thôn. 10: 88-94.
[9]. Kankare, V., Räty, M., Yu, X., Holopainen, M., Vastaranta, M., Kantola, T., Hyyppä, J., Hyyppä, H., Alho, P. & Viitala, R. (2013). Single tree biomass modelling using airborne laser scanning. ISPRS Journal of Photogrammetry and Remote Sensing. 85: 66-73.
[10]. Dang, A. T. N., Nandy, S., Srinet, R., Luong, N. V., Ghosh, S. & Kumar, A. S. (2019). Forest aboveground biomass estimation using machine learning regression algorithm in Yok Don National Park, Vietnam. Ecological Informatics. 50: 24-32.
[11]. Van Con, T., Thang, N. T., Khiem, C. C., Quy, T. H., Lam, V. T., Van Do, T. & Sato, T. (2013). Relationship between aboveground biomass and measures of structure and species diversity in tropical forests of Vietnam. Forest Ecology and management. 310: 213-218.
[12]. Nam, V. T., Van Kuijk, M. & Anten, N. P. (2016). Allometric equations for aboveground and belowground biomass estimations in an evergreen forest in Vietnam. PloS one. 11(6): e0156827.
[13]. Jie, S., Zhao, J., He, P. L., Cheng, Y. J., Huang, R. X. & Zhu, W. K. (2024). Single Tree Biomass Prediction Model of Eucalyptus Plantations Based on Random Forest Algorithm. Eucalypt Science & Technology. 41(2): 11-16.
[14]. Bi, H., Long, Y., Turner, J., Lei, Y., Snowdon, P., Li, Y., Harper, R., Zerihun, A. & Ximenes, F. (2010). Additive prediction of aboveground biomass for Pinus radiata (D. Don) plantations. Forest Ecology and Management. 259(12): 2301-2314.
[15]. Breiman, L. (2001). Random forests. Machine learning. 45: 5-32.
[16]. Biau, G. (2012). Analysis of a random forests model. The Journal of Machine Learning Research. 13(1): 1063-1095.
[17]. Hu, J. & Szymczak, S. (2023). A review on longitudinal data analysis with random forest. Briefings in bioinformatics. 24(2): bbad002.
[18]. Miranda, E. N., Barbosa, B. H. G., Silva, S. H. G., Monti, C. A. U., Tng, D. Y. P. & Gomide, L. R. (2022). Variable selection for estimating individual tree height using genetic algorithm and random forest. Forest Ecology and Management. 504: 119828.
[19]. Nguyễn Văn Bích, Hà Thị Mai & Võ Đại Hải (2022). Sinh khối rừng trồng Keo lai theo tuổi và cấp đất tại Yên Bái. Tạp chí Khoa học Lâm nghiệp. 4: 70-78.
[20]. Trần Quang Bảo & Võ Thành Phúc (2019). Nghiên cứu sinh khối và khả năng hấp thụ CO2 của rừng trồng keo lai tại tỉnh Bà Rịa Vũng Tàu. Tạp chí Khoa học và Công nghệ Lâm nghiệp. 2: 69-75.
[21]. Trần Thị Ngoan & Nguyễn Tấn Chung (2018). Sinh khối trên mặt đất đối với rừng trồng Keo lai (Acacia auriculiformis* Acacia mangium) tại tỉnh Đồng Nai. Tạp chí Khoa học và Công nghệ Lâm nghiệp. 6: 61-68.
[22]. Nguyễn Hải Hòa & Nguyễn Hữu An (2016). Ứng dụng ảnh viễn thám Landsat 8 & GIS xây dựng bản đồ sinh khối và trữ lượng cacbon rừng trồng Keo lai (Acacia hybrid) tại huyện Yên Lập, tỉnh Phú Thọ. Tạp chí Khoa học và Công nghệ Lâm nghiệp. 4: 70-78.
[23]. Nguyễn Văn Tuấn, Nguyễn Văn Thịnh, Phạm Tiến Dũng, Nguyễn Huy Hoàng, Nguyễn Việt Cường, Nguyễn Thị Thu Phương & Trần Hồng Vân (2024). Xác định sinh khối và khả năng tích lũy carbon của rừng trồng thuần loài Keo lai tại Khu Dự trữ Sinh quyển Đồng Nai. Tạp chí Khoa học Lâm nghiệp. 1: 46-53.
[24]. Cục Thống kê tỉnh Đồng Nai (2023). Niên giám thống kê tỉnh Đồng Nai năm 2022. NXB Thống kê.
[25]. Hastie, T., Tibshirani, R., Friedman, J., Hastie, T., Tibshirani, R. & Friedman, J. (2009). Random forests. The elements of statistical learning: Data mining, inference, and prediction. 11: 587-604.
[26]. Ohsowski, B. M., Dunfield, K. E., Klironomos, J. N. & Hart, M. M. (2016). Improving plant biomass estimation in the field using partial least squares regression and ridge regression. Botany. 94(7): 501-508.
[27]. Cheng, Z., Gu, X., Wei, C., Zhou, Z., Zhao, T., Wang, Y., Li, W., Du, Y. & Cai, H. (2024). Monitoring aboveground organs biomass of wheat and maize: A novel model combining ensemble learning and allometric theory. European Journal of Agronomy. 161: 127338.
[28]. Yu, H., Xie, S., Guo, L., Liu, P. & Zhang, P. (2022). Extremely Randomized Trees Estimation of Soil Heavy Metal Content by Fusing Spectra and Spatial Features. Trans. Chin. Soc. Agric. Mach. 53: 231-239.
[29]. Yan, M., Xia, Y., Yang, X., Wu, X., Yang, M., Wang, C., Hou, Y. & Wang, D. (2023). Biomass estimation of subtropical arboreal forest at single tree scale based on feature fusion of airborne liDAR data and aerial images. Sustainability. 15(2): 1676.
[30]. Gleason, C. J. & Im, J. (2012). Forest biomass estimation from airborne LiDAR data using machine learning approaches. Remote Sensing of Environment. 125: 80-91.
[31]. Wongchai, W., Onsree, T., Sukkam, N., Promwungkwa, A. & Tippayawong, N. (2022). Machine learning models for estimating above ground biomass of fast growing trees. Expert Systems with Applications. 199: 117186.
[32]. Luo, M., Anees, S. A., Huang, Q., Qin, X., Qin, Z., Fan, J., Han, G., Zhang, L. & Shafri, H. Z. M. (2024). Improving forest above-ground biomass estimation by integrating individual machine learning models. Forests. 15(6): 975.
[33]. Nsiah, E. O. (2023), A Comparison of Variant Methods in Random Forest with Multicollinearity Data for Classification Prediction Modeling, Southeast Missouri State University.
[34]. Yadav, S., Padalia, H., Sinha, S. K., Srinet, R. & Chauhan, P. (2021). Above-ground biomass estimation of Indian tropical forests using X band Pol-InSAR and Random Forest. Remote Sensing Applications: Society and Environment. 21: 100462.
[35]. Singh, C., Karan, S. K., Sardar, P. & Samadder, S. R. (2022). Remote sensing-based biomass estimation of dry deciduous tropical forest using machine learning and ensemble analysis. Journal of Environmental Management. 308: 114639.
[36]. Rigatti, S. J. (2017). Random forest. Journal of Insurance Medicine. 47(1): 31-39.
[37]. Lövenstein, H. M. & Berliner, P. R. (1993). Biometric relationships for non-destructive above ground biomass estimations in young plantations of Acacia salicina Lindl. and Eucalyptus occidentalis Endl. New forests. 7: 255-273.
[38]. de Oliveira, B. R., da Silva, A. A. P., Teodoro, L. P. R., de Azevedo, G. B., Azevedo, G. T. d. O. S., Baio, F. H. R., Sobrinho, R. L., da Silva Junior, C. A. & Teodoro, P. E. (2021). Eucalyptus growth recognition using machine learning methods and spectral variables. Forest Ecology and Management. 497: 119496.
[39]. Liu, Y. L., Wang, Y. R. & Zhang, J. (2012), New machine learning algorithm: Random forest, Information Computing and Applications: Third International Conference, ICICA 2012, Chengde, China, September 14-16, 2012. Proceedings 3, Springer. 246-252.
[40]. Roy, P. & Ravan, S. A. (1996). Biomass estimation using satellite remote sensing data—an investigation on possible approaches for natural forest. Journal of biosciences. 21: 535-561.
[41]. Manly, B. F. (2018). Randomization, bootstrap and Monte Carlo methods in biology. ed. chapman and hall/CRC.
[42]. Yang, M., Zhou, X., Liu, Z., Li, P., Liu, C., Huang, H., Tang, J., Zhang, C., Zou, Z. & Xie, B. (2024). Dynamic carbon allocation trade‐off: A robust approach to model tree biomass allometry. Methods in Ecology and Evolution. 15(5): 886-899.
[43]. Vanclay, J. K. (1995). Synthesis: Growth models for tropical forests: A synthesis of models and methods. Forest science. 41(1): 7-42.
[44]. Satoo, T. & Madgwick, H. (2012). Forest biomass. Springer Science & Business Media. 6.
