Advertisement

Zur Schätzung der Verjüngungssituation in Mischbeständen mit Hilfe Neuraler Netze

  • Hubert Hasenauer
  • Georg Kindermann
  • Dieter Merkl
Article
  • 43 Downloads

Zusammenfassung

Die Abschätzung des Ankommens von Verjüngung in ungleichaltrig gemischten Beständen ist ein derzeit schwer zu bearbeitendes Teilgebiet im Waldbau und der Waldwachstumskunde. Neben den vielen zufälligen Effekten, die das Ankommen von Verjüngung beeinflussen, stellt die Art der Erhebung von Verjüngung und damit die Verfügbarkeit von Verjüngungsinformation ein zusätzliches Problem für die Lösung derartiger Fragestellungen dar. In dieser Arbeit beschreiben wir Aufnahmedesign und Schätzung des Ankommens von Naturverjüngung mit Hilfe Neuraler Netze am Beispiel der Inventurdaten des Lehrforstes der Universität für Bodenkultur. Neurale Netze werden an Beispielen trainiert und sind daher besonders für Bereiche geeignet, für die sich nur sehr schwer allgemein gültige Regeln aufstellen lassen. Ergebnis der Studie ist, daß sich die mittlere Anzahl von Verjüngungsbäumchen, die relativen Stammzahlanteile je Baumart und die mittlere Verjüngungshöhe mit Hilfe Neuraler Netze für den Lehrforst der Universität für Bodenkultur hinreichend genau bestimmen lassen und den konventionellen statistischen Schätzmöglichkeiten auf Basis von Regressionsanalysen überlegen sind.

Schlüsselwörter

Verjüngung Neurale Netze Mischbestände 

Regeneration assessment in uneven-aged mixed species stands using neural networks

Summary

Estimating regeneration establishment is hampered by the difficulty in collecting regeneration data and random impacts in the occurrence of regeneration. Artificial neural networks represent a computational methodology widely used to uncover the structure of a large variety of data. In general, one may recommend the application of neural networks in areas characterized by noise, poorly understood intrinsic structure, and changing characteristics. Each of those characteristics is present in predicting regeneration establishment within uneven aged mixed species stands. In this paper we describe a design and estimation procedure to predict regeneration establishment using data from the experimental forest, University of Agriculture in Vienna, Austria. The result of the study is that the number of juvenile trees per unit area, the relative percentage of individuals by tree species and the mean regeneration height can be predicted with neural networks. The prediction results are more accurate than the results from the conventional statistical approach based on regression analyses.

Keywords

Regeneration neural networks uneven-aged mixed stands 

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

8 Literatur

  1. Anderson, J. A., 1995: An Introduction to Neural Networks. MIT Press. Cambridge, MA. 650 S.Google Scholar
  2. Bitterlich, W., 1948: Die Winkelzählprobe. AFJZ. 89 (1/2): 4–5.Google Scholar
  3. Brunner, A., Huss, J., 1994. Die Entwicklung von Bergmischwaldkulturen in den Chiemgauer Alpen. Forstw. Cbl. 113: 194–203.CrossRefGoogle Scholar
  4. Burschel, P., Huss, J., 1997: Grundriß des Waldbaues. Ein Leitfaden für Studium und Praxis. (2. Auflage). Verlag Paul Parey, Berlin. 487 S.Google Scholar
  5. Canham, R. L., Platt, W. J., Runkle, J. R., Spies, T. A., White P. S., 1990: Light regimes beneath closed canopies and tree-fall gaps in temperate and tropical forests. Can. J. For. Res. 20: 620–631.CrossRefGoogle Scholar
  6. Chazdon, R. L., 1988: Sunflecks and their importance to forest understory plants. Adv. in Ecological research. Academic press 18: 2–63.Google Scholar
  7. Domany, E., van Hemmen, J. L., Schulten, K., 1995: Models of Neural Networks. Springer-Verlag. Berlin. 355 S.CrossRefGoogle Scholar
  8. Ek, A. R., Monserud, R. A., 1974: FOREST: A computer model for simulating the growth and reproduction of mixed species forest stands. Univ. Wisconsin-Madison, Coll. Agric. and Life Sci. Res. Rep. R2635: 90 S.Google Scholar
  9. Ferguson D. E., Carlson, C. E., 1993: Predicting regeneration establishment with the PROGNOSIS model. USDA For. Ser. INT-467: 54 S.Google Scholar
  10. Flemming, G., 1962: Strahlung und Wind an Bestandesrändern. Archiv für Forstwesen. 11: 647.Google Scholar
  11. Forstliche Bundesversuchsanstalt, 1994: Instruktionen für die Feldarbeit der Österreichischen Forstinventur. FBVA, Wien. 194 S.Google Scholar
  12. Golser, M., Hasenauer, H., 1997: Predicting juvenile tree height growth in uneven-aged mixed species stands in Austria. Forest. Ecol. and Manage. 97: 133–146.CrossRefGoogle Scholar
  13. Golser, M., 1998: Modellierung der Naturverjüngung in Mischbeständen. Dissertation. Univ. für Bodenkultur Wien. 179 S.Google Scholar
  14. Hett, J. M., 1971: A dynamic analysis of age in sugar maple seedlings. Ecology 52: 1071–1074.CrossRefGoogle Scholar
  15. Huss, J., 1993: Waldbau vor neuen Herausforderungen bei der Waldverjüngung und Jungbestandspflege. Forestw. Cbl. 112:278–286.CrossRefGoogle Scholar
  16. Köhle, M., 1990: Neurale Netze. Springer-Verlag. Wien. 188 S.CrossRefGoogle Scholar
  17. Mayer, H., 1984: Waldbau auf soziologisch-ökologischer Grundlage. (3. Auflage). G. Fischer Verlag, Stuttgart. 513 S.Google Scholar
  18. Moser, J. W., 1972: Dynamics of an uneven-aged forest stand. Forest Sci. 18: 184–191.Google Scholar
  19. Mitchell, K. J., 1975: Dynamics and simulated yield of Douglas-fir. Forest Sci. Monogr. 17:39 S.Google Scholar
  20. Pukkala, T., Kolstrom, K., 1992: A stochastic spatial regeneration model for Pinus silvestris. Scand. J. For. Res. 7: 377–385.CrossRefGoogle Scholar
  21. Reineke, L. H., 1933: Perfecting a stand-density index for even-aged forests. J. Agric. Res. 46: 627–638.Google Scholar
  22. Ribbens, E., Silander, J. A. Jr.,Pacala, S. W., 1994: Seedling recruitment in forests: calibrating models to predict patterns of tree seedling dispersion. Ecology 75 (6): 1794–1806.CrossRefGoogle Scholar
  23. Riedmiller, M., Braun, H., 1993: A direct and adaptive method for faster backpropagation learning: The Rprop algorithm. In Proceedings of the IEEE Int’l Conference on Neural Networks (ICNN’93). pp 586–591.Google Scholar
  24. Rumelhart, D. E., Hinton, G. E., Williams, R. J., 1986: Learning representations by back-propagating errors. Nature 323: 533–536.CrossRefGoogle Scholar
  25. Sagl, W., 1995: Forsteinrichtung auf dem Prüfstand. Schriftenreihe des Institutes für forstliche Betriebswirtschaft und Forstwirtschaftspolitik, Univ. für Bodenkultur Wien. 26:131 S.Google Scholar
  26. Schweiger, J., 1998: Modellgleichungen für die Wahrscheinlichkeit des Vorkommens von Naturverjüngung aus Daten der Österreichischen Waldinventur. Dissertation Univ., für Bodenkultur Wien. 131 S.Google Scholar
  27. Schweiger, J., Sterba, H., 1997: A model describing natural regneration recruitment of Norway spruce (Picea abies L.) in Austria. Forest Ecol. and Mange. 97: 107–118.CrossRefGoogle Scholar
  28. Shifley, S. R., Ek., A. R., Burk, T. E., 1993: A generalized methodology for estimating forest ingrowth at multiple treshold diameters. Forest Sci. 39: 776–798.Google Scholar
  29. Shugart, H. H., Crow, R. R., Hett, J. M., 1973: Forest succession models: A rationale and methodology for modeling forest succession over large regions. Forest. Sci. 19: 203–212.Google Scholar
  30. Solomon, D. S, Herman, D. A., Leak, W. B., 1995: FIBER 3.0: An ecological growth model for northeastern forest types. USDA For.Ser. GTR NE-204: 24 S.Google Scholar
  31. Zell, A., 1994: Simulation Neuronaler Netze. Addison-Wesley, Bonn. 624 S.Google Scholar
  32. Zell, A., Mamier, G., Vogt, M., Mache, N., Hübner, R., Döring, S., Herrmann, K., Soyez, T., Schmalzl, M., Sommer, T., Hatzigeorgiou, A., Posselt, D., Schreiner, T., Kett, B., Clemente, G., Wieland, J., Gatter, J., 1998: SNNS — Stuttgart Neural Network Simulator, User Manual, Version 4.2. 346 S.Google Scholar

Copyright information

© Blackwell Wissenschafts-Verlag 2000

Authors and Affiliations

  • Hubert Hasenauer
    • 1
  • Georg Kindermann
    • 1
  • Dieter Merkl
    • 2
  1. 1.Institut für WaldwachstumsforschungUniversität für BodenkulturWien
  2. 2.Institut für SoftwaretechnikTechnische Universität WienWien

Personalised recommendations