摘要

本文由Simon Schmiedel等人撰写，旨在通过一种新颖的随机分段方法改进森林收割机的分段决策。森林收割机的分段决策不佳会对从原木中产生的产品产生负面影响。正确的分段决策并非易事，因为收割机必须依赖于对尚未测量部分的树干轮廓的预测。该项目的目标是开发一种长短期记忆（LSTM）神经网络，该网络能够预测基于已知树干部分的正态分布参数，从而为未知的树干部分创建多个树干轮廓预测样本。然后，可以使用一种新颖的随机分段算法优化分段决策，该算法利用所有生成的树干轮廓来选择从树干中产生的原木。该随机分段算法与两个基准模型进行了比较：一个不能基于多个直径测量进行预测的多项式模型和一个确定性LSTM神经网络。所有模型都在加拿大东部常见的四种针叶树种的树干轮廓上进行了评估。总体而言，随机LSTM模型做出了最佳的分段决策，证明了该方法的有用性。

原理

本文提出的LSTM神经网络通过预测树干轮廓的正态分布参数来工作。具体来说，网络接收一系列从树干底部开始的直径测量值，并预测每个后续直径的正态分布参数（均值µ和方差σ²）。这种预测方法允许网络基于已知的树干部分生成多个可能的未来树干轮廓样本。通过从预测的正态分布中随机抽样，可以创建多个可能的树干轮廓，这些轮廓随后被用于优化分段决策。这种随机分段算法将分段问题视为一个最长路径问题，旨在最大化从树干样本中生成的产品的价值。通过这种方式，算法能够考虑预测的不确定性，从而做出更优的分段决策。

流程

1. 数据收集：从1999年到2009年，魁北克省政府收集了8146个可销售的树干轮廓数据，涵盖了加拿大东部用于木材生产的四种主要树种。
2. 模型训练：使用这些数据训练LSTM神经网络，该网络预测树干轮廓的正态分布参数。
3. 随机分段算法：开发了一种随机分段算法，该算法利用LSTM网络生成的多个树干轮廓样本进行分段决策优化。
4. 性能评估：将随机分段算法与多项式模型和确定性LSTM模型进行比较，评估它们在不同树种上的分段决策性能。
5. 结果分析：分析结果显示，随机LSTM模型在大多数情况下优于其他两个模型，特别是在考虑树干轮廓预测的不确定性时。

应用

该研究提出的随机分段方法具有广泛的应用前景，特别是在需要精确预测树干轮廓以优化木材生产的森林管理中。这种方法可以提高森林收割机的效率和木材产品的价值，减少因分段决策不佳而导致的资源浪费。此外，该方法还可以扩展到其他树种和地区，为全球森林管理提供更精确的工具。