卵期氣溫對馬尾松毛蟲發生量影響神經網絡的分析

呂松林

（潛山市國有天柱山林場，安徽潛山 246300）

馬尾松毛蟲（Dendrolimus punctatus Walker）是我國主要森林害蟲之一，開展氣溫對馬尾松毛蟲發生量的影響的研究，可以探索建立更加精準的預測預報模型，選擇防治關鍵期，為防治提供科學依據。

1 數據來源

本研究的馬尾松毛蟲發生防治數據來源于1983年～2014年安徽省潛山市歷年監測數據，氣象數據來源于國家氣象信息中心《中國地面國際交換站氣候資料日值數據》，數據如表1所示。

用于本研究的數據包括發生面積（hm2）、上一代防治面積（hm2）、上一代防治效果（蟲口減退比率）、卵期極低氣溫（℃）、卵期平均氣溫（℃）、卵期積溫（10℃以上日度）。由于潛山馬尾松毛蟲以幼蟲越冬，第二代與翌年越冬代屬于同一世代，因此將第二代與越冬代數據合并。同時，為了便于分析，將第一代數據與第二代數據分開，左側為第一代數據，右側為第二代數據。

2 數據分析

2.1 分析工具

本研究采用EXCEL2016進行線性相關性分析，采用美國MathWorks公司出品的商業數學軟件MATLAB R2016a進行非線性數據分析。

2.2 線性分析

對表1所示數據，使用EXCEL2016進行線性相關性分析，結果如表2所示。表2數據表明，發生面積（hm2）與上一代防治面積（hm2）、上一代防治效果（蟲口減退比率）、卵期極低氣溫（℃）、卵期平均氣溫（℃）、卵期積溫（10℃以上日度）等因子線性相關性太低，進行進一步線性分析和線性擬合意義不大，不具備線性建模分析基本條件。

表2 線性相關性分析

2.3 非線性分析

基于以上線性分析結果，并考慮到馬尾松毛蟲是生態系統的一部分，生態系統是一個復雜系統，馬尾松毛蟲的發生演變因此也具有復雜系統的基本特征，其卵期氣溫對馬尾松毛蟲發生量影響是復雜的、非線性的。所以，筆者選擇MATLAB R2016a中神經網絡工具，對其進行非線性分析。分析代碼如下：

function importfile(fileToRead1)

newData1=load('-mat'，fileToRead1);

vars=fieldnames(newData1);

for i=1：length(vars)

表1 研究數據

圖1 擬合分析（左圖）與誤差直方圖（右圖）

圖2 擬合度分析

assignin('base'，vars{i}，newData1.(vars{i}));

end

function[y1]=myNeuralNetworkFunction(x1)

b1=[-16.567749187968658;-5.5931050374793063;3.6185211 506444284;-4.0666287250013013;-1.499701885543489;0.073570 152838927455;-2.8339971179972436;.3672059869452386;8.4144084564603361;12.070406128109463];W1_1=12.118435140696723;6.6851778717561334;-6.9821807716971609;10.482224467100231;12.836202616001502;-12.556885182668433;-7.3148977118678129;7.6947558243696825;9.7115477384412454;12.196496466827616];

b2=-0.84428053546185011;LW2_1=[-0.712367721046 71808 0.72470932040837488 0.81622125891886721-0.188935867 94896775 0.090500715363232523-0.051972894434546529 0.1134 4805651106561-0.21844966554696987 0.31931478388444912 0.4 1655015294667036];

y1_step1.ymin=-1;

y1_step1.gain=0.2;

y1_step1.xoffset=0;

Q=size(x1，2);%samples

xp1=mapminmax_apply(x1，x1_step1);

a1=tansig_apply(repmat(b1，1，Q)+IW1_1?xp1);

a2=repmat(b2，1，Q)+LW2_1?a1;

y1=mapminmax_reverse(a2，y1_step1);

end

unction y=mapminmax_apply(x，settings)

y=bsxfun(@minus，x，settings.xoffset);

y=bsxfun(@times，y，settings.gain);

y=bsxfun(@plus，y，settings.ymin);end

function a=tansig_apply(n，～)

a=2./(1+exp(-2?n))-1;end

function x=mapminmax_reverse(y，settings)

x=bsxfun(@minus，y，settings.ymin);

x=bsxfun(@rdivide，x，settings.gain);

x=bsxfun(@plus，x，settings.xoffset);end

選擇70%的數據作為訓練樣本，15%的數據作為驗證樣本，15%的數據作為測試樣本，神經元數量選擇為10，分析結果如圖1、圖2所示。

從圖1可以看出，訓練、驗證、測試的目標與輸出高度契合（如左圖所示），且三者誤差基本集中在-0.01265～0.01647之間，完全達到分析精度要求。圖2訓練結果表明，訓練、驗證、測試、綜合4個擬合度相關性R值分別為0.99999、1、0.99998和0.99999，均大于0.99，高度相關。即基于神經網絡的非線性分析結果表明，發生面積（hm2）與上一代防治面積（hm2）、上一代防治效果（蟲口減退比率）、卵期極低氣溫（℃）、卵期平均氣溫（℃）、卵期積溫（日度）等因子具有高度非線性相關性。

3 討論

綜上分析表明，利用發生面積（hm2）與上一代防治面積（hm2）、上一代防治效果（蟲口減退比率）、卵期極低氣溫（℃）、卵期平均氣溫（℃）、卵期積溫（日度）的高度非線性相關性特點，可以開展馬尾松毛蟲臨災預警，并可以作為馬尾松毛蟲中長期預報非線性參考因子，進行馬尾松毛蟲中長期預報，或者短期預報、臨災預報，為防治提供科學依據。