基于Bayes判別法的馬尾松毛蟲一代、二代幼蟲發生期的預報

錢廣晶 張書平 宋學雨

摘要 為了提高馬尾松毛蟲Dendrolimus punctatus （Walker）發生量預測預報結果的準確性，本文運用Bayes判別分析法建立安徽省潛山縣1983年-2016年33年的馬尾松毛蟲一代和二代幼蟲發生期的預報模型。一代幼蟲發生期的判別函數方程為：f（1）=-15 744.058-361.501x1+60.759x2+133.502x3+511.368x4;f（2）=-16 854.938-375.596x1+70.405x2+132.608x3+529.690x4;f（3）=-17 645.295-384.956x1+73.601x2+134.955x3+541.782x4;f（4）=-18 179.639-382.408x1+71.342x2+135.234x3+549.655x4對1983年-2018年一代幼蟲發生期預報結果歷史符合率為97.06%，二代幼蟲發生期的判別函數方程為：f（1）=-134 898.483+559.235x5+113.112x6-250.033x7+1 461.350x8;f（2）=-138 908.622+573.572x5+118.340x6-252.691x7+1 474.569x8;f（3）=-141 430.680+577.358x5+125.727x6-254.610x7+1 483.336x8;f（4）=-143 185.175+578.968x5+129.628x6-256.102x7+1 491.257x8對二代幼蟲發生期的預報結果的歷史符合率為100%。對2017年和2018年的驗證回報，與實況結果一致。篩選出對預報量有密切關系的預報因子是本方法預報準確性的關鍵，該方法是一種簡便準確性高的預報方法。

關鍵詞 馬尾松毛蟲幼蟲; 發生期; Bayes判別法; 預報

中圖分類號： S 431 ?文獻標識碼： A ?DOI： 10.16688/j.zwbh.2019074

Abstract To improve the accuracy of forecasting the occurrence of Dendrolimus punctatus Walker， the Bayes discriminant analysis method was used to predict the occurrence period of the first and second generations of D.punctatus larvae over a period of 33 years from 1983 to 2016 in Qianshan county， Anhui province. The discriminant function equation of the occurrence period of the first-generation larvae was as followed：f（1）=-15 744.058-361.501x1+60.759x2+133.502x3+511.368x4;f（2）=-16 854.938-375.596x1+70.405x2+132.608x3+529.690x4;f（3）=-17 645.295-384.956x1+73.601x2+134.955x3+541.782x4;f（4）=-18 179.639-382.408x1+71.342x2+135.234x3+549.655x4.The historical coincidence rate of the forecast results from 1983 to 2018 was 97.06%. The discriminant function equation for the second-generation larvae was as followed： f（1）=-134 898.483+559.235x5+113.112x6-250.033x7+1 461.350x8;f（2）=-138 908.622+573.572x5+118.340x6-252.691x7+1 474.569x8;f（3）=-141 430.680+577.358x5+125.727x6-254.610x7+1 483.336x8;f（4）=-143 185.175+578.968x5+129.628x6-256.102x7+1 491.257x8. The historical coincidence rate of the forecast results for the second-generation larvae from 1983 to 2018 was 100%. The verification returns for 2017 and 2018 were consistent with the observed data. Screening out the forecasting factors closely related to the forecasting quantity was the key to the accuracy of forecast. This forecasting method is simple and accurate.

Key words Dendrolimus punctatus larvae; period of occurrence; the Bayes discriminant analysis; forecast

馬尾松毛蟲Dendrolimus punctatus （Walker）分布于中國皖、豫、川、黔、陜、滇、贛、湘、浙、閩、粵、瓊、桂等省（區），主要為害馬尾松Pinus massoniana Lamb.，還為害黑松P. thunbergii Parl.、火炬松P. taeda L.、濕地松P. elliottii Engelm.、晚松P. rigida var. serotina （Michxa） Loud ex Hoopes、海南五針松P. fenzeliana Hand.-Mazz.等松屬植物。20世紀中葉在中國森林害蟲中馬尾松毛蟲是發生最廣、危害面積最大、經常猖獗成災的害蟲。在廣大丘陵地區蟲害此起彼伏，針葉常被吃光，被害時如同火燒，造成了巨大的經濟效益損失和生態效益損失。再者，人們在從事林業活動中接觸馬尾松毛蟲毒毛，容易引發皮炎和關節腫痛，該蟲不但影響林業生產，還危害人類健康[1-4]。進入21世紀，由于各地采用封山育林、混交、間作等措施優化了森林生態環境，科學地運用綜合治理措施，使馬尾松毛蟲的危害得到有效的控制，但該蟲具有強大的繁殖潛力，遇到有利的生態環境極易暴發成災，對其的監測不能放松警惕。

馬尾松毛蟲在中國一年發生2～4代，發生世代的多少，隨不同地方而異，在河南省信陽地區一年發生2代為主，在長江流域諸省一年發生2～3代，而在廣東、廣西、福建南部一年發生3～4代，海南一年發生4～5代[3]。安徽潛山縣一年發生3代，即4-6月上旬為越冬代，6月上旬-8月中下旬為一代，8月中下旬-12月為第二代。馬尾松毛蟲發生的預測預報是對其進行綜合防治的基本工作。科研工作者[5-12]分別采用不同方法預測馬尾松毛蟲的發生量、蟲害等級、發生類別、發生空間格局，為馬尾松毛蟲的綜合防治工作提供了有力的支持。由于各地氣象條件、植被條件和地形地貌等不同，馬尾松毛蟲的發生特點也不完全相同。馬尾松毛蟲幼蟲一個世代的累計發生量直接與該蟲的防治有關，為了有效防治馬尾松毛蟲，本研究采用Bayes判別分析法研究馬尾松毛蟲一、二代幼蟲的發生期，以期為馬尾松毛蟲的綜合治理提供科學依據。

1 材料與方法

1.1 材料來源

馬尾松毛蟲資料來自中國國家林業局與森林病蟲防治總站的中心測報站—安徽省潛山縣森林病蟲防治站，氣象資料來自國家氣象局，資料的時間跨度為1983年-2016年。根據國家林業局森林病蟲害防治總站制定的調查方法進行調查，即采用踏查和詳查相結合的辦法，對不同蟲態采取不同的觀測方法。沿林班線、林道、公路、鐵路等線路調查，目測發生范圍，為害狀況，發生蟲情或災情立即設臨時標準地，采取平行線抽樣法抽取20株標準株詳查。卵期調查是在雌蛾羽化高峰后1～2 d調查平均卵塊數，卵塊平均粒數;幼蟲期調查，1～2齡幼蟲調查枯黃卷曲的枝數，推算幼蟲數，3齡以上幼蟲3 m以下小樹直接調查合計樹冠上的幼蟲數，大樹用“蟲糞粒推算法”調查，幼蟲越冬期調查樹干基部樹皮縫中的幼蟲數推算全部蟲口。蛹期調查，在結繭盛期后2～5 d剖繭，調查雌雄性比、平均雌蛹重、死亡率、寄生率;成蟲期調查，在成蟲羽化前2～3 d及羽化期用黑光燈誘集，統計其誘集數量和雌雄性比。

1.2 馬尾松毛蟲的發生期（y）的分級標準

3 結論與討論

用Bayes判別法的判別函數方程預報安徽省潛山縣一、二代馬尾松毛蟲幼蟲發生期，結果表明，1983年-2018年預報馬尾松毛蟲一代幼蟲發生期的歷史符合率為97.06%;1983年-2018年預報馬尾松毛蟲二代幼蟲發生期的歷史符合率為100%。

對馬尾松毛蟲一、二代幼蟲發生期預報結果準確與否及歷史符合率的高低，一是取決于對預報量的分級是否科學，本文將馬尾松毛蟲一、二代發生期分為4級，相鄰級之間級差為1 d，這是綜合了安徽省潛山縣35年的發生期情況綜合分析制定的，再者篩選自變量因子，影響馬尾松毛蟲幼蟲發生期有很多因子，諸如氣候因子、天敵等生物因子以及馬尾松毛蟲各蟲態之間的關系，判別分析法也采用逐步回歸法篩選因子。本文通過單相關分析各因子與馬尾松毛蟲幼蟲發生期相關性大小。篩選的x1-x8都是與馬尾松毛蟲幼蟲發生期達到極相關的因子，因此預報結果較為理想。預報量之一即一代幼蟲高峰期（y1）與預報因子越冬代蛹高峰期（x1）、越冬代成蟲高峰期（x2）、一代卵始盛期（x3）和一代幼蟲始盛期（x4）以及另一預報量二代幼蟲高峰期（y2）與預報因子一代蛹高峰期（x5）、一代成蟲高峰期（x6）、二代卵高峰期（x7）和二代幼蟲始盛期（x8）都是不同蟲態發生期之間的關系，發生期的早遲卻與當時的溫度有關，馬尾松毛蟲和其他變溫動物一樣，在其生長發育過程中必須要有一定數量的有效積溫，這個有效積溫基本上是一個常數，由于在該蟲生長發育過程中溫度會有起伏變化，因此一些預報因子如越冬代蛹高峰期等，若在此時段溫度顯著低于常年，那么越冬代蛹高峰期就要推遲，若顯著高于常年，則越冬代蛹高峰期就會提前，其他蟲態發生期也會出現同樣的情況，馬尾松毛蟲的生長發育是由卵、幼蟲、蛹、成蟲的順序變化的，前面蟲態發生期的變化勢必影響下一蟲態發生期的變化，由于預報因子推遲（或提前），那么預報量也相應地推遲（或提前）。

若預報的越冬代蛹高峰期（或其他蟲態發生期）時段溫度在常年變化幅度內，越冬代蛹高峰期及下面的蟲態發生期與常年相比，變化幅度很小，這時預報結果一代幼蟲高峰期與實況差異很小，若預報的越冬代蛹高峰期溫度異常，其預報結果與實況可能誤差很大。二代幼蟲高峰期的情況也是如此。

周夏芝等[16]曾用回歸預測法、平穩時間序列法、BP神經網絡法、馬爾科夫鏈法和列聯表多因子分級綜合相關法預報安徽潛山縣馬尾松毛蟲一、二代幼蟲高峰期發生量，其中平穩時間序列法、馬爾科夫鏈法和BP神經網絡法預測結果歷史符合率較高。本文的Bayes判別法的問題是如何篩選出與預報量關系密切的因子，這樣其預報結果才可能與實況相符。

參考文獻

[1] 侯陶謙.中國松毛蟲[M].北京：科學出版社，1987：188-191.

[2] 鄒運鼎，程扶玖，查光濟，等.松針內含物與馬尾松毛蟲生存發育關系的研究[J].林業科學，1990，26（2）：142-148.

[3] 蕭剛柔.中國森林害蟲[M].第2版.北京：林業出版社，1992：948-953.

[4] 張真，李典謨.馬尾松毛蟲暴發機制分析[J].林業科學，2008，44（1）：140-150.

[5] 張愛兵，陳建，王正軍，等.BP網絡模型和LOGIT模型在森林害蟲預報上的應用初報[J].生態學報，2001，21（12）：2159-2156.

[6] PARK Y S， CEREGHINO R， COMPIN A.Applications of artificial neural networks for patterning and predicting aquatic insect species richness in running waters [J]. Ecological Modelling， 2003， 160（3）： 265-280.

[7] 賈春生. 利用馬爾可夫鏈方法測報馬尾松毛蟲發生級別[J]. 東北林業大學學報， 2006， 34（5）： 21-22.

[8] ZHANG W J， ZHANG X Q， LIU G H. Recognizing spatial distribution patterns of grassland insects： neural network approaches [J]. Stochastic Environmental Research and Risk Assessment， 2008， 22（2）： 207-216.

[9] 陳繪畫， 王堅婭， 徐志宏， 等. 基于響應面方法的馬尾松毛蟲發生量混沌特性檢測及其預測[J]. 東北林業大學學報， 2011， 39（9）： 94-96.

[10] 田萬銀， 徐華潮. 浙江沿海防護林馬尾松毛蟲的預測預報模型[J]. 環境昆蟲學報， 2012， 34（4）： 401-406.

[11] 費海澤， 王鴻斌， 孔祥波， 等. 馬尾松毛蟲發生相關氣象因子篩選及預測[J]. 東北林業大學學報， 2014， 41（1）： 136-140.

[12] 王慶， 畢猛， 杜婷， 等. 基于氣象因子的馬尾松毛蟲發生率空間格局研究[J]. 林業科學研究， 2016， 29（2）： 256-260.

[13] 張孝羲. 昆蟲生態及預測預報[M]. 第3版. 北京： 中國農業出版社， 2006：205-221.

[14] 許章華， 李聰慧， 劉健. 馬尾松毛蟲害等級的Fisher判別分析[J]. 農業機械學報， 2014， 45（6）： 401-406.

[15] 徐克學. 生物數學[M]. 北京： 科學出版社， 2002： 40-50.

[16] 周夏芝， 王振興， 余燕， 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， 54（6）： 1031-1043.

（責任編輯： 田 喆）