幼虫期气象因子对马尾松毛虫影响及在预测预报中的应用

2019-08-01葛王送

吉林农业 2019年14期

关键词：非线性降雨气温

摘要：通过潜山市数据实证分析表明，马尾松毛虫的发生与1～2龄幼虫气温、降雨不具有线性相关性，但具有较高的非线性相关性。利用其非线性相关性，采用神经网络建模，对潜山市2015年～2018年发生数据进行验证，预测精度均大于90%。

关键词：马尾松毛虫;幼虫期;气温;降雨;神经网络;非线性

中图分类号： S763.421 文献标识码： A DOI編号： 10.14025/j.cnki.jlny.2019.14.061

马尾松毛虫（Dendrolimus punctatus Walker）是潜山市的主要历史性森林害虫，呈周期性发生。大发生年份，除了对松林造成严重危害之外，还严重威胁人畜健康，诱发松毛虫病。

1 数据来源与建模工具选择

马尾松毛虫发生防治面积数据来源于安徽省潜山市1983年～2014年监测数据，气象数据来源于国家气象信息中心《中国地面国际交换站气候资料日值数据》，如表1所示。

建模工具选择MathWorks公司的MATLAB R2016年。由于潜山市属于2～3代马尾松毛虫发生区，以幼虫越冬，越冬代即为上一年的第二代，为了便于建模分析，对潜山市马尾松毛虫监测数据进行适当变换，将第二代发生面积与翌年越冬代发生面积合并，气象数据也作相应的合并，如表1。

2 线性相关性分析

基于余燕等学者研究，马尾松毛虫的发生与1～2龄幼虫气温、降雨有较高的相关性。选取第1、第2龄极低气温（℃），第1、第2龄平均气温（℃），第1、第2龄积温（日度），第1、第2龄降雨量（mm）作为分析建模气象因子，如表1。对表1数据进行线性相关性分析，如表2所示。从表2可以看出，马尾松毛虫发生面积与第1、第2龄极低气温（℃），第1、第2龄平均气温（℃），第1、第2龄积温（日度），第1、第2龄降雨量（mm）存在一定的相关性，但线性相关性不明显。

3 非线性相关性分析

采用神经网络建模，对表2数据进行分析，神经网络建模参数为：

% 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）

分析结果如图1所示。从图1可以看出，马尾松毛虫发生面积与第1、第2龄极低气温（℃），第1、第2龄平均气温（℃），第1、第2龄积温（日度），第1、第2龄降雨量（mm）存在较高的非线性相关性，其模型的训练、验证、测试、综合4个指标的R分别为0.96389、0.84157、0.90799、0.94358，该模型具有较高的可靠性，可以作为马尾松毛虫短期预报使用。

4 模型验证

将2015年～2018年的第1、第2龄极低气温（℃），第1、第2龄平均气温（℃），第1、第2龄积温（日度），第1、第2龄降雨量（mm）导入上述模型，得到预测数据，并将与实际发生数据进行对比，如表3、图2所示。

表3、图2数据表明，利用该模型对潜山市2015年～2018年马尾松毛虫发生面积进行预报，预测精度均大于90%。因此，利用神经网络建模进行马尾松毛虫短期预报，具有较高的精度和可行性。

5 讨论

利用现有的监测数据，选择合适的建模方法，开展林业有害生物灾害精细化预报，确定林业有害生物防治关键期并进行防治，可以更好地预防林业有害生物暴发成灾，降低防治成本。

参考文献

[1]张桢.潜山县松毛虫病调查分析及精细化预防对策[J].现代农业科技，2015（15）：148-150.

[2]余燕，等.马尾松毛虫幼虫发生高峰期的三种预测模型[J].应用昆虫学报，2018（04）：748-758.

[3]高薇，等.基于马尔科夫链和列联表法的马尾松毛虫发生面积预测模型研究[J].中国森林病虫，2018（03）：31-34.

[4]周夏芝，等.马尾松毛虫幼虫高峰期发生量的预测模型研究[J].应用昆虫学报，2017（06）：1031-1043.

[5]余燕，等.马尾松毛虫幼虫发生严重程度的预测研究[J].安徽农业大学学报，2017（05）：882-893.

[6]张国庆.森林健康与林业有害生物管理[J].四川林业科技，2008，29（06）：84-87.