幼蟲期氣象因子對馬尾松毛蟲影響及在預測預報中的應用

摘要：通過潛山市數據實證分析表明，馬尾松毛蟲的發生與1～2齡幼蟲氣溫、降雨不具有線性相關性，但具有較高的非線性相關性。利用其非線性相關性，采用神經網絡建模，對潛山市2015年～2018年發生數據進行驗證，預測精度均大于90%。

關鍵詞：馬尾松毛蟲;幼蟲期;氣溫;降雨;神經網絡;非線性

中圖分類號： S763.421 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼： ?A ? ? ? ? ? ? ? ? ? ?DOI編號： ? 10.14025/j.cnki.jlny.2019.14.061

馬尾松毛蟲（Dendrolimus punctatus Walker）是潛山市的主要歷史性森林害蟲，呈周期性發生。大發生年份，除了對松林造成嚴重危害之外，還嚴重威脅人畜健康，誘發松毛蟲病。

1 數據來源與建模工具選擇

馬尾松毛蟲發生防治面積數據來源于安徽省潛山市1983年～2014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》，如表1所示。

建模工具選擇MathWorks公司的MATLAB R2016年。由于潛山市屬于2～3代馬尾松毛蟲發生區，以幼蟲越冬，越冬代即為上一年的第二代，為了便于建模分析，對潛山市馬尾松毛蟲監測數據進行適當變換，將第二代發生面積與翌年越冬代發生面積合并，氣象數據也作相應的合并，如表1。

2 線性相關性分析

基于余燕等學者研究，馬尾松毛蟲的發生與1～2齡幼蟲氣溫、降雨有較高的相關性。選取第1、第2齡極低氣溫（℃），第1、第2齡平均氣溫（℃），第1、第2齡積溫（日度），第1、第2齡降雨量（mm）作為分析建模氣象因子，如表1。對表1數據進行線性相關性分析，如表2所示。從表2可以看出，馬尾松毛蟲發生面積與第1、第2齡極低氣溫（℃），第1、第2齡平均氣溫（℃），第1、第2齡積溫（日度），第1、第2齡降雨量（mm）存在一定的相關性，但線性相關性不明顯。

3 非線性相關性分析

采用神經網絡建模，對表2數據進行分析，神經網絡建模參數為：

% Map Minimum and Maximum Input Processing Function

function y = mapminmax_apply（x，settings）

y = bsxfun（@minus，x，settings.xoffset）;

y = bsxfun（@times，y，settings.gain）;

y = bsxfun（@plus，y，settings.ymin）;

end

% Sigmoid Symmetric Transfer Function

function a = tansig_apply（n，～）

a = 2 ./ （1 + exp（-2*n）） - 1;

end

% Map Minimum and Maximum Output Reverse-Processing ? ? ? ? Function

function x = mapminmax_reverse（y，settings）

x = bsxfun（@minus，y，settings.ymin）;

x = bsxfun（@rdivide，x，settings.gain）;

x = bsxfun（@plus，x，settings.xoffset）

分析結果如圖1所示。從圖1可以看出，馬尾松毛蟲發生面積與第1、第2齡極低氣溫（℃），第1、第2齡平均氣溫（℃），第1、第2齡積溫（日度），第1、第2齡降雨量（mm）存在較高的非線性相關性，其模型的訓練、驗證、測試、綜合4個指標的R分別為0.96389、0.84157、0.90799、0.94358，該模型具有較高的可靠性，可以作為馬尾松毛蟲短期預報使用。

4 模型驗證

將2015年～2018年的第1、第2齡極低氣溫（℃），第1、第2齡平均氣溫（℃），第1、第2齡積溫（日度），第1、第2齡降雨量（mm）導入上述模型，得到預測數據，并將與實際發生數據進行對比，如表3、圖2所示。

表3、圖2數據表明，利用該模型對潛山市2015年～2018年馬尾松毛蟲發生面積進行預報，預測精度均大于90%。因此，利用神經網絡建模進行馬尾松毛蟲短期預報，具有較高的精度和可行性。

5 討論

利用現有的監測數據，選擇合適的建模方法，開展林業有害生物災害精細化預報，確定林業有害生物防治關鍵期并進行防治，可以更好地預防林業有害生物暴發成災，降低防治成本。

參考文獻

[1]張楨.潛山縣松毛蟲病調查分析及精細化預防對策[J].現代農業科技，2015（15）：148-150.

[2]余燕，等.馬尾松毛蟲幼蟲發生高峰期的三種預測模型[J].應用昆蟲學報，2018（04）：748-758.

[3]高薇，等.基于馬爾科夫鏈和列聯表法的馬尾松毛蟲發生面積預測模型研究[J].中國森林病蟲，2018（03）：31-34.

[4]周夏芝，等.馬尾松毛蟲幼蟲高峰期發生量的預測模型研究[J].應用昆蟲學報，2017（06）：1031-1043.

[5]余燕，等.馬尾松毛蟲幼蟲發生嚴重程度的預測研究[J].安徽農業大學學報，2017（05）：882-893.

[6]張國慶.森林健康與林業有害生物管理[J].四川林業科技，2008，29（06）：84-87.

[7]張國慶.生物災害管理論研究與生物災害精確管理[J].現代農業科技，2011（03）：22-25.

[8]張國慶.基于生態論的生物災害精細化預報理論研究[J].現代農業科技，2014（20）：148-152.

[9]張國慶.生態健康評價及生態系統管理方法[J].現代農業科技，2012（11）：247-248.

[10]張國慶.基于系統關鍵因子分析理論的林業有害生物防治關鍵期分析技術研究[J].現代農業科技，2014（19）：201-203.

[11]張國慶.節氣與生物災害防治歷研究[J].現代農業科技，2011（02）：227-230.

[12]張國慶.基于高分辨率遙感數據與TSE方法的生態系統精細化管理技術研究[J].現代農業科技，2015（16）：153-156.

作者簡介：葛王送，大專學歷，工程師，研究方向：林業有害生物防治。