费海泽 王鸿斌 孔祥波 张 真 张苏芳 宋雄刚

(国家林业局森林保护学重点实验室(中国林业科学研究院森林生态环境与保护研究所)，北京，100091)

马尾松毛虫(Dendrolimus punctatus Walker)是我国重大森林害虫，对生态安全以及林业可持续发展构成严重威胁。每年全国马尾松毛虫危害面积平均上百万公顷，危害过后造成材积损失，更有严重者松针全被吃光，如火烧状，连年危害也造成部分松树的树势衰弱，进而会引起一些蛀干类害虫如天牛、象鼻虫、以及小蠹虫等的发生，造成大面积枯死;同时马尾松毛虫幼虫具毒毛，接触人体后，会使人的皮肤发炎，关节肿痛，严重的还会致残［1］1。有报道松毛虫大发生时，甚至会污染水井，造成人畜饮水困难。该虫在我国南方地区分布广泛，广西、福建、广东等地区一年可发生2 代至3 代，部分地区可发生4 代，3年至5年大发生一次［1］379，［2］。有效控制马尾松毛虫的发生与危害，是森林病虫害防治长期以来努力的目标。而如何在全球气候变化形势下对该虫未来发生状况进行全面监控及准确预测是该虫防控的关键。马尾松毛虫的发生发展与成灾是自然地理、环境条件、马尾松林分状况、松毛虫虫源累积等多因素综合作用的结果。而气候变化将引起不同区域气象条件的改变，因此摸清马尾松毛虫不同发生程度与气象因子的关系并确认关键因子，是根据未来气候进行预测的基础与前提。针对松毛虫发生预测问题，国内外学者提出了基于经验模型、回归模型［3－4］等线性预测方法，人工神经网络［5］和logistic 回归等［6］非线性预测方法以及地统计学等方法［7］。在对于气象因子的选择上，温度、湿度、降水等因子对于松毛虫的影响最为显著［1］19－22，［8－9］。黄政龙［10］结合松毛虫的生物学特性，选取代表冬冻(先年11月份至当年2月份的平均最低气温)、春寒(当年2、3月份平均最低气温)和春季阴雨(当年2、3、4月份平均降雨量)等因子进行了预测。有的采用年降水量或者年平均气温等作为预报因子［11］，有的采用极端气温［12］(8月中旬到9月下旬高温天数)等。以上这些研究揭示了局部地区发生及预测的气象因子，但对能否以及如何进行不同区域及大尺度预测还未有分析与应用。本研究从马尾松毛虫的生物学特性研究入手，以广西省23 个发生点2002—2011年的发生情况作为研究区域和目标，对相关温度、湿度、光照、降水、大风日数和高温天数等气象因子进行广泛筛选，部分因子设定了不同的梯度，最终衍生获得与建立了71 个马尾松毛虫发生潜在的气象因子数据库，再利用发生面积与气象因子的相关性，进一步筛选出相关性最高的3 ～5 个因子，然后通过BP 神经网络对发生数据进行训练［5，13］，对广西预留区松毛虫发生情况进行预测。并根据其生物学特性进行因子调整，对福建发生区进行预测。

1 研究区概况

广西壮族自治区位于我国西南部亚热带，总面积236 700 km2，境内拥有人口4 788 万左右。该区属于亚热带季风气候，水热丰富，雨量充沛，年降水量1 200～1 800 mm，各地年平均气温20 ℃，植物一年四季均可生长。全区森林面积1 300 万hm2，森林覆盖率54.2%，位列全国第4 位。马尾松在广西各地海拔1 300 m 以下酸性红、黄壤丘陵山地都有大面积的分布，许多是天然更新发展起来的，不少由人工营造而成，它是一种先锋树种，同时既是用材林，又是经济林，在广西的林业生产上占有重要的地位。马尾松毛虫则是其主要的害虫。广西106 个县(市、区)都有其分布，一般1 a 发生3～4 代，每隔3 ～5 a 就要暴发成灾一次，是制约林业发展的一种重要的自然灾害，也是影响林农收入的重要因素。

2 数据来源与研究方法

2.1 数据来源

广西23 个站点以及福建4 个站点2002—2011年气象数据来自中国气象局国家气象信息中心气象资料室气象数据共享服务网(http://cdc.cma.gov.cn)，中国地面气候资料日值数据集以及中国地面气候资料月值数据集;广西和福建松毛虫历年(2002—2011年)轻度发生、中度发生以及重度发生数据来自国家林业局森林病虫害防治总站。

2.2 预测因子的筛选

根据对马尾松毛虫生物学的研究［2，14－17］，确定其在广西和福建的发生日期(表1)。根据广西马尾松毛虫的生物学特性，初步筛选与发生时期对应的气象因子。筛选条件:①基本发育影响因子，包括发生期不同阶段的平均气温、平均湿度、降水量、光照等。②关键发育影响因子，包括发生期不同阶段的极值温度、湿度、降水天数、风速等。

2.3 数据处理

利用Excel 对从网站获取的气象数据进行筛选和计算，得到27 个站点各年份各参数的值，同时，对27 个站点的马尾松毛虫发生情况分别进行统计，以该点发生面积比总面积得到该点的发生率，分别计算各点的轻度发生率(P0)、中度发生率(P1)以及重度发生率(P2)。利用双重筛选逐步回归法，从71个候选因子中分别筛选出与轻度发生率、中度发生率以及重度发生率最相关的因子。最后利用BP 神经网络对广西各点各年份发生情况进行判别。结合广西和福建马尾松毛虫发生期的差异，对参数进行调整，然后对福建发生情况进行预测及验证。

表1 广西和福建马尾松毛虫的发生时间

2.4 BP 神经网络

首先对不同程度发生率及筛选出的气象因子进行归一化处理:

采用2 层BP 网络，输出节点数分别为4、6、5、10，收敛目标为0.01;将所有数据归一化后输入向量，让BP 网络进行学习，再经过多次迭代运算。如果结果的收敛误差达到了目标，则表示本次学习结束，保存该神经网络参数;如果收敛的误差达不到目标，则再次进行训练;然后，将预留的测试数据标准化后输入训练好的神经网络中进行识别，通过识别率高低来判断该神经网络的识别能力［18－19］。采用Matlab 2013 a 软件中的神经网络模式识别工具进行分类预测。分别预留广西10 个数据发生点和10 个未发生点，来对神经网络进行验证，代入剩余的210 个数据点，以其中70%的数据(146 个数据点)作为训练网络，15%的数据(32 个数据点)作为验证网络，15%的数据(32 个数据点)作为测试网络的准确性。

3 结果与分析

3.1 因子的初步确定

参考相关文献［2，14－16］及马尾松毛虫在广西的生活史［17］，初步确定71 个气象因子(表2)。

3.2 相关性分析结果

经过对所有候选因子分别与轻度发生率，中度发生率，重度发生率进行双重筛选逐步回归，得出:与轻度发生面积最相关的因子分别是:X17、X20、X35、X6(表3)。在影响松毛虫发生的因子中，降水、温度、最大风速的影响最大，与轻度发生最相关的是X17(4月份总日照时间)、X20(3月份降水量)、X35(2、3月份日平均气温低于5 ℃天数)、X6(7月份平均气温)。其中4月份总日照时间和3月份降水量为负相关，3月份是幼虫羽化期，4月份是越冬代羽化的时期，说明4月份的光照时间长，3月份降水量大对轻度发生具有抑制作用，而2—3月份的低温以及7月份的高月平均气温会增加轻度危害程度。

表2 71 个候选气象因子

表3 马尾松毛虫轻度发生与气象因子间的双重筛选逐步回归结果

与中度发生面积最相关的因子是:X1、X13、X2、X63、X67、X68(表4)。中度发生的影响因子包括X1(1月份平均气温)、X13(8、9、10月份平均湿度)、X2(2月份平均气温)、X63(2月份日最大风速大于10 m/s天数)、X67(6月份日最大风速大于10 m/s 天数)以及X68(7月份日最大风速大于10 m/s 天数)，其中，1月份平均气温，2月份、6月份大风天数与中度发生呈正相关，而2月平均气温，8—10月份平均湿度以及7月份大风天数与中度发生呈负相关。

表4 马尾松毛虫中度发生与气象因子间的双重筛选逐步回归结果

与发生重度面积最相关的因子是:X1、X19、X21、X28、X3(表5)。对重度发生影响大的因子分别为X1(1月份平均气温)、X19(2月份降水量)、X21(4月份降水量)、X28(4—6月份总降水天数)和X3(3月份平均气温)，对重度发生影响最大的是降水和温度，其中3月份属于化蛹期，3月份温度过低会对化蛹产生一定影响，4—6月份总降水过多，对于第1 代的影响较大，从而影响了全年的发生程度。

表5 马尾松毛虫重度发生与气象因子间的双重筛选逐步回归结果

3.3 BP 神经网络结果

式中:n1为隐含层单元数;n 为输入单元数;m 为输出单元数;a 为1～10 之间的任意数。

式中:n1为隐含层单元数;n 为输入单元数。

经过多次试验，最终选定轻度、中度、重度、中度以上隐藏神经元个数分别为12、12、10、10 的时候拟合效果较好。经过神经网络的判别，对广西预留的20 个数据点的预报结果为轻度发生准确率75%，中度发生准确率80%，重度发生准确率70%，中度以上准确率75%(表6)，总体预测结果准确率75%，其中对中度发生情况的预测结果较好，达到80%。

表6 广西/福建马尾松毛虫不同发生等级实际与预测结果

3.4 预测的推广

比较马尾松毛虫在广西和福建的发生期，可以得出，福建松毛虫的发生期比广西晚一个月左右。因此，将广西所得参数推后一个月，得出适合福建的新参数，然后利用广西发生情况训练的神经网络对福建的马尾松毛虫60 个数据点的发生情况进行预测(表6)。结果对中度及中度以上发生情况的预测结果较好，轻度发生情况预测结果不理想。其中，轻度发生准确率38%，中度发生准确率68%，重度发生准确率60%，中度以上发生预测准确率64%。

4 结论与讨论

4.1 与马尾松毛虫危害相关的气象因子

轻度、中度和重度发生相关的因素基本不同，各因子对于不同发生情况的贡献也不同。越冬期的温度对于马尾松毛虫的发生具有重要的作用。对中度和重度都有影响的是1月份平均气温，对各个级别发生均有影响的是越冬期的温度，与油松毛虫越冬代死亡率最相关的因子是1月份平均气温和2月份最高温，3月份平均气温以及1月份平均最低气温［20］。冬季持续的低温使幼虫长期处于冻结状态，死亡率提高，而先温暖后寒冷的气温变化会使苏醒的幼虫冻死量加大。安徽潜山县的研究也表明，马尾松毛虫发生面积与当年1—2月份均温及1—2月份最低温呈现出显著的正相关［21］。本研究得出越冬期的气温对于不同水平的发生程度都具有重要的作用，1月份平均气温高能使中度及重度发生程度加剧。而7月份平均气温对轻度危害具有较大的贡献，可以影响马尾松毛虫2、3 代分化，7月份的气温越高，卵孵化的高峰期越早［22］。

降水可以通过改变空气湿度和对马尾松毛虫幼虫的冲刷作用来影响虫害的发生。湿度对于马尾松毛虫的影响包括对松毛虫本身的影响和对松毛虫天敌白僵菌的影响［23－25］。8—10月份平均湿度与中度发生呈负相关，该阶段正是第2 代幼虫期，高的湿度利于天敌的寄生，从而降低松毛虫的危害，4—5月间阴雨连绵，也有利于白僵菌等微生物的繁殖，增加松毛虫的死亡［26］，4—6月份总降水天数与重度发生之间的负相关性也支持这一结论。在适温范围内，降水量增多，湿度增大，有利于卵的孵化和幼龄幼虫的存活，2月份降水量和4月份降水量能促进重度发生，可能是因为2月份是越冬代幼虫取食，而4月份则是第1 代产卵，适宜的降水能够促进其种群的增加。

风速对于松毛虫的影响有两个方面:一是在卵孵化期及1～2 龄幼虫期，若遇上狂风暴雨，可将大多数初龄幼虫打落地面饥饿而死;二是幼虫和成虫常借风力扩散，形成定向迁移，扩大危害面积［26］。2月份大风日数和6月份大风日数与中度发生呈正相关。这是因为2月份是越冬代幼虫取食期，6月份是第1 代幼虫期，适度的风力能使不能迁飞的幼虫借助风力进行扩散，而7月份是第2 代卵以及初孵幼虫时期，对于强风的抵抗能力较弱，因此7月份大风天数能影响到中度发生。

4.2 人工神经网络预测及其推广应用

气候因子对于昆虫种群的影响十分复杂，不同因子之间也不是孤立的，某一个因子变化，常常会引起其他因子相应地变化［27］。松毛虫发生情况与相应的因子之间也不是简单的线性关系，传统的方法很难建立起精确和完善的预测模型［28］，有时仅仅反映的是因子自身之间的相互关系，不能真正反映出影响昆虫种群动态的因素，而人工神经网络具有很强的自学习、自组织、自适应及容错性等特点，善于联想、综合和推广，且特别适用于非线性问题的处理［19］。

本研究对广西的发生情况预测总体准确率达75%，说明隐藏神经元的个数选择合理，影响松毛虫的气象因子的选择也比较合理，能够真实地反映影响松毛虫发生的因子。以往的研究往往只是针对某一县或者市进行小范围的预测预报，所选因子也具有很强的局限性，其结果往往十分准确［5］，有的甚至达到100%［21］，但是所选因子仅适用于该地区，不能很好地进行大范围的预测预报。而本研究是针对于省级区域进行的因子筛选与预测预报，研究区具有大范围的不稳定性，因此未能像以往研究的准确率达到100%，但是本研究适用范围较广，对于研究区内一些没有气象数据的发生点，甚至可以通过插值模拟进行预测预报，具有重要的实际应用意义。

在广西研究区外，模型的推广方面，只有轻度发生预测结果不理想，在实际应用中也具有一定的指导意义。同时也说明在因子的推广方面存在一定的不合理因素，导致模型不能广泛适用，这是由于影响松毛虫发生情况的气象因子多变且复杂，不同的发生点地域跨度较大，松毛虫的发生期也存在一定的差异。在大尺度内对松毛虫的发生进行预测需要设计的参数变化不能仅仅依靠发生期参数的调整，需要进一步的实测数据［29］，在模型的推广方面需要进一步的探讨研究。

［1］ 陈昌洁.松毛虫综合管理［M］.北京:中国林业出版社，1990.

［2］ 汤树钦，杨晓红.2004年上杭县大面积松毛虫害的气象因素初探［J］.福建气象，2005(6):25－27，21.

［3］ 厉悦，刘敏，张合平，等.基于多元统计分析的影响马尾松毛虫灾害发生的生态环境因素研究［J］.江苏农业科学，2012，40(5):90－92.

［4］ 田万银，徐华潮.浙江沿海防护林马尾松毛虫的预测预报模型［J］.环境昆虫学报，2012，34(4):401－406.

［5］ 陈绘画，朱寿燕，崔相富，等.基于人工神经网络的马尾松毛虫发生量预测模型的研究［J］.林业科学研究，2003，16(2):159－165.

［6］ 高倩，安英博，吴凤祥.基于Logistic 回归的落叶松毛虫预测模型研究［J］.河北农业大学学报，2011，34(6):108－110.

［7］ 向昌盛.基于地统计学定阶的松毛虫发生面积组合预测［J］.计算机应用研究，2012，29(3):984－987.

［8］ 徐传芳.气温变化对马尾松毛虫发生空间的影响及对策［J］.现代农业科技，2012(23):246－248.

［9］ 李新航，张真，马钦彦，等.马尾松林节肢动物群落的稳定性［J］.生态学报，2009，29(1):216－222.

［10］ 黄政龙.马尾松松毛虫危害与气象因子的关系初探［J］.中南林学院学报，2004，24(1):106－108.

［11］ 魏初奖，庄晨辉，谢大洋，等.福建省马尾松毛虫灾区区划及其应用［J］.南京林业大学学报:自然科学版，2002，26(3):35－39.

［12］ 何忠，韩瑞东，刘向辉，等.环境温度对马尾松毛虫发育与存活的影响［J］.应用生态学报，2006，17(3):483－488.

［13］ Zhang Wenjun，Zhong Xiaoqing，Liu Guanghua. Recognizing spatial distribution patterns of grassland insects:neural network approaches［J］. Stoch Environ Res Risk Assess，2008，22(2):207－216.

［14］ 范正章，陈顺立.武夷山风景区马尾松毛虫发生趋势与环境因子的相关性［J］.华东昆虫学报，2008，17(2):110－114.

［15］ 刘兴平，温小遂，李冬，等.不同受害类型松林中马尾松毛虫自然种群生命表研究［J］.环境昆虫学报，2010，32(2):210－214.

［16］ 刘有莲，李平，黄寿昌，等.广西沙塘林场马尾松毛虫越冬幼虫虫情调查及综合评价［J］.广西科学，2011，18(3):308－311，313.

［17］ 庞正轰.马尾松毛虫灾害预测预报综合技术研究［D］.北京:北京林业大学，2004.

［18］ Park Y S，Céréghino R，Compin A，et al. Applications of artificial neural networks for patterning and predicting aquatic insect species richness in running waters［J］. Ecological Modelling，2003，160(3):265－280.

［19］ 李祚泳，彭荔红.基于人工神经网络的农业病虫害预测模型及其效果检验［J］.生态学报，1999，19(5):759－762.

［20］ 周广学，张国林，梁群.气象条件对油松毛虫的影响及其预测模型的构建［J］.东北林业大学学报，2012，40(11):131－134.

［21］ 金先来.气温变化对潜山县马尾松毛虫发生时间的影响［J］.现代农业科技，2012(16):167－168，174.

［22］ 张真，李典谟，查光济.马尾松毛虫2、3 代分化和干旱对种群时间动态的影响［J］.昆虫学报，2002，45(4):471－476.

［23］ 徐光余，李多祥，陈继东，等.气候和林分因子对松毛虫白僵病流行的影响［J］.农技服务，2008，25(8):161－162.

［24］ 朱如云.白僵菌防治马尾松毛虫效果与环境温湿度关系研究［J］.浙江林业科技，2007，27(3):51－53.

［25］ 林华峰，樊美珍，李增智，等.不同温湿度下白僵菌对松毛虫的侵染致病效应［J］.应用生态学报，1998，9(2):195－200.

［26］ 张真，李典谟.马尾松毛虫暴发机制分析［J］.林业科学，2008，44(1):140－150.

［27］ 戈峰.现代生态学［M］.北京:科学出版社，2008.

［28］ 郭海明，涂伟志，李建东，等.呼和浩特地区落叶松毛虫灾害气象预报方法［J］.内蒙古林业科技，2011，37(4):51－53.

［29］ Gevrey M，Worner S P. Prediction of global distribution of insect pest species in relation to climate by using an ecological informatics method［J］. J Econ Entomol，2006，99(3):979－986.