中国南西部におけるヤンナンマツ二次林の樹冠プロファイルモデリングのための深層学習

樹冠プロファイルに関する正確な情報は、生物学的プロセスの分析や炭素収支のより正確な推定を提供する上で重要であり、持続可能な森林管理および計画に寄与します。LSTMアルゴリズムで扱われるデータのタイプと樹冠プロファイルデータの類似性は、樹冠プロファイルモデリングに深層学習を統合するための説得力のある論拠を提供します。したがって、本研究の目的は、深層学習手法LSTMとその変種アルゴリズムの樹冠プロファイルモデリングへの適用を、南西中国の雲南省にあるヤンナンマツ二次林の樹冠プロファイルデータベースを使用して調査することでした。さらに、SHAP（SHapley Additive exPlanations）を使用して、アンサンブルまたは深層学習モデルの予測を解釈しました。結果として、LSTMの変種アルゴリズムは従来のバニラLSTMと競争力がありましたが、アンサンブル学習モデルLightGBMを大幅に上回りました。具体的には、提案されたハイブリッドLSTM-LightGBMおよび統合LSTM-LightGBMは、それぞれ訓練セットおよびテストセットで最良の予測性能を達成しました。さらに、LightGBMとバニラLSTMの特徴重要度分析は、LightGBMモデルに比べてバニラLSTMモデルに大きく寄与する要因がより多かったことを示しました。この現象は、相互に関連する特徴が多い場合に深層学習がアンサンブル学習よりも優れている理由を説明できます。