山毛榉（Fagus grandifolia）与纸皮桦（Betula papyrifa）原木锯切过程模拟

《Forests》：Simulating the Sawing of Beech (Fagus grandifolia) and Birch (Betula papyrifa) Logs

　　

分析硬木制材厂盈利能力最重要的指标之一是了解特定原木的预期出材率（Yield）。原木回收分析工具（Log Recovery Analysis Tool, LORCAT）是一款基于电子表格的制材模拟与分析工具，旨在提供此信息。因此，LORCAT依赖已记录的等级回收数据（Grade Recovery Data），结合NHLA（National Hardwood Lumber Association）锯材等级来确定锯材的质量与体积。近期，LORCAT的等级回收数据库扩展纳入了美国山毛榉（Fagus grandifolia）与纸皮桦/纸桦（Betula papyrifa，文中作paper birch），使该软件可模拟这两树种的锯切及分析结果。尽管数据基于北美树种、分级制度及经济假设，且承认在树种、营林、造材（bucking）及制材实践上存在差异，LORCAT仍可用于模拟欧洲原木的锯切。总体而言，LORCAT可模拟分析13种常见北美硬木（红栎、白栎、黑栎、猩红栎、栗栎、红花槭、糖枫、鹅掌楸、美国山毛榉、纸皮桦、黄桦、黑樱桃及椴木），小头直径（Small-End Diameter, SED）范围20 cm至90 cm，并报告产出锯材的体积与质量，以及残余物（Residual Products）的体积与重量。

论文解读：山毛榉（Fagus grandifolia）与纸皮桦（Betula papyrifa）原木锯切过程模拟——基于LORCAT工具与人工神经网络等级回收模型的应用

一、研究背景与意义

硬木制材厂中锯材及其他副产品的回收率受多种因素影响，包括原木特征（树种、直径、长度、锥度、等级）及制材参数（锯路宽度Kerf、锯切变异Sawing Variation、锯切方案等）。理解这些因素间的相互关系有助于经营者最大化出材率与利润。原木回收分析工具（Log Recovery Analysis Tool, LORCAT）系基于Microsoft Excel?或LibreOffice?构建的免费开源制材模拟分析软件，相较以往需大量数据与专业培训的软件，其设置简便、结果直观，可分析单根至1000根不同尺寸与质量等级的原木，输出出材量、产品数量、残余物体积以及成本、盈利性与预计加工时间。既往LORCAT依赖Hanks等建立的USDA FS（U.S. Department of Agriculture Forest Service）工厂原木等级—硬木锯材NHLA（National Hardwood Lumber Association）等级回收表，但该表存在部分树种/等级/小头直径（Small-End Diameter, SED）组合样本极少（甚至单根原木）、数据波动（Erratic Nature）大等问题，且原回归建模因数据非参数性及等级回收百分比之和须为100%而失败。此外，LORCAT此前未涵盖美国山毛榉（American Beech, Fagus grandifolia）与纸皮桦（Paper Birch, Betula papyrifa），限制了其适用范围。为此，研究人员将山毛榉与纸皮桦纳入LORCAT等级回收数据库，采用TensorFlow构建的深度学习方法（Deep Learning Neural Network，含Dropout与Softmax输出层）对Hanks等及Wood等的原始回收数据进行平滑与泛化建模，并将该模型集成入LORCAT（Version 4.2），以实现对这两树种制材出材率及NHLA等级分布的模拟预测。本文发表于《Forests》。

二、主要关键技术方法

研究人员沿用Thomas等的方法，采用Wood等整理的数据集（剔除未按USFS Factory Log Grades评级的原木后，含25个硬木树种共11382根原木记录），其中山毛榉与纸皮桦按Factory 1、2、3级分别统计样本数。输入变量为树种（独热编码）、原木等级（Factory 1/2/3）、小头直径（Scaling Diameter, SED，即原木小头带皮直径）及按比例扣除缺陷的缩放扣减指示因子（Scaling Deduction Indicator，Hanks等引入以考量弯曲Sweep、翘曲Crook或显著缺陷对回收率的影响），共编码为30个二元神经网络输入；输出为8类NHLA锯材等级回收概率——FAS（Firsts and Seconds）、F1F（FAS One Face）、Selects、1 Common、2 Common、3 Common、Below Grade及总和为1的约束满足。使用TensorFlow 2.21与Keras构建八层序列深度神经网络，前七层采用leaky-ReLU激活，末层Softmax激活以保证概率分布总和为1；引入Dropout防止过拟合；以平均绝对误差（Mean Absolute Error, MAE）为损失函数训练29个Epoch；80%数据训练，20%验证。模型性能以Kullback–Leibler散度（KL-divergence）及Pearson相关系数（R）评估，并以SHAP（Shapley Additive exPlanations）进行特征重要性分析。最后在LORCAT中用构建的山毛榉模型运行示例模拟（25根Factory 1级+40根Factory 2级山毛榉原木，长4 m，SED分别均值550 mm与500 mm，锥度100 mm与75 mm，设25 mm厚干材/30 mm湿锯厚，150 mm方材Cant后再多片锯，Kerf 3.44 mm，总锯切变异0.76 mm）验证工具可用性。

三、研究结果

3. Results and Discussion（结果与讨论）

整体神经网络模型的KL-divergence值为0.272，表明模型对原始数据趋势拟合良好。由于Hanks等原始回收数据存在波动性（如图2所示山毛榉与纸皮桦各等级随SED变化的不规则起伏），尤其山毛榉与纸皮桦样本量少致大体趋势反常（如FAS回收率随SED增大而下降，违背一般硬木回收规律），神经网络凭借跨全数据集（11382根原木）的泛化能力修正了该异常趋势，使建模回收曲线符合硬木一般规律（图3）。各NHLA等级按USFS原木等级的验证集平均绝对误差（MAE）显示：次要等级（F1F、Selects、Below Grade）MAE较低；主要等级（FAS、1 Common、2 Common、3 Common）因数值范围大MAE较高，山毛榉最高MAE为0.155（Factory 1级FAS及Factory 2级3 Common），纸皮桦最高MAE为0.211（Factory 3级3 Common），均在可接受范围。SHAP分析表明SED及Factory 1/Factory 3等级是最重要预测因子，样本丰富的树种（椴木、红花槭、鹅掌楸、北美红栎）亦对少样本树种（如山毛榉、纸皮桦）的泛化有正向贡献。Pearson相关系数验证集中FAS级R=0.680为最高，Below Grade最低R=0.366，所有R值均显著（α=0.05）。LORCAT山毛榉示例模拟结果显示：总原木体积66.25 m3（Factory 1级29.9 m3+Factory 2级36.3 m3），产出锯材39.81 m3（出材率60.1%），其中Factory 1级原木虽体积小但产出更高比例的高等级锯材（FAS、F1F、Selects），Factory 2级原木产出约两倍于Factory 1级的低等级锯材（2 Common、3 Common）；残余物合计80.3 m3（约27.9 t），含木片53.5 m3、锯屑19.3 m3、树皮7.5 m3。

四、讨论与结论翻译（Conclusions部分总结）

研究人员指出，LORCAT现可模拟13种北美硬木制材，新增美国山毛榉（Fagus grandifolia）与纸皮桦（Betula papyrifa），其等级回收采用基于Hanks等、Rast等及Wood等数据经TensorFlow深度神经网络建模的结果。该神经网络以树种、USFS工厂原木等级（Factory 1/2/3）、小头直径（SED）及缺陷扣减指示因子为输入，基于11382根原木数据建模输出FAS、F1F、Selects、1 Common、2 Common、3 Common及Below NHLA Specifications的回收百分比（总和约束为1），训练/验证比80%/20%。模型整体Pearson相关系数R=0.57，其中FAS级R=0.68，2 Common与3 Common均为0.67，Selects为0.61，F1F为0.60，1 Common为0.50，Below Grade为0.37，均具统计学意义（p < 0.05）。示例山毛榉制材模拟（25根Factory 1级与40根Factory 2级，长4 m，SED均值差50 mm，锥度差25 mm，锯湿厚30 mm干厚25 mm，150 mm方材后多片锯，Kerf 3.44 mm）共产锯材39.8 m3（1768块板，其中527块宽150–175 mm源于方材尺寸），Factory 1级原木产FAS锯材3.5 m3（总计FAS 4.4 m3），Factory 2级仅0.9 m3，印证高等级原木产高等级锯材；残余物80.3 m3（27 908 kg），其中木片53.5 m3（19 013 kg）、锯屑19.3 m3（7873 kg）、树皮7.5 m3（1022 kg）。该模型尚未经实地制材研究验证，未来需开展实证校验并扩充数据以提高统计效度。LORCAT为免费工具，可供产业界与研究者评估硬木制材情境下的产品构成、定价及操作盈利性。