吳祺媛，吳松濤，劉亞慧，吳慧明*，何云飛

(1.浙江農(nóng)林大學(xué)植物保護(hù)系，浙江杭州 311300；2.浙江省浦江縣巖頭鎮(zhèn)人民政府，浙江浦江 322200；3.浙江省浦江縣氣象局，浙江浦江 322200；4.浙江省浦江縣農(nóng)業(yè)技術(shù)推廣中心，浙江浦江 322200)

我國是世界上最大的水稻生產(chǎn)國，1961—2013年水稻的種植面積占我國糧食作物年平均種植面積的1/3以上，在世界水稻生產(chǎn)面積中占22.12%[1]。水稻是我國最主要的糧食作物，是國家糧食安全的基石[2]，所以保證水稻的產(chǎn)量具有重要意義。褐飛虱[Nilaparvatalugens(St?l)]是嚴(yán)重影響水稻產(chǎn)量的主要害蟲之一，如果能夠準(zhǔn)確地預(yù)測(cè)褐飛虱的發(fā)生情況，就可以提前預(yù)防和控制其發(fā)生。目前，在實(shí)際生產(chǎn)過程當(dāng)中主要采用數(shù)理統(tǒng)計(jì)的方法對(duì)褐飛虱進(jìn)行測(cè)報(bào)，常規(guī)的方法有多元回歸、逐步回歸、時(shí)間序列分析等。數(shù)理統(tǒng)計(jì)的方法主要是根據(jù)不同因子對(duì)褐飛虱發(fā)生情況影響的大小進(jìn)行選擇和剔除，最后擬合出一個(gè)回歸方程，對(duì)褐飛虱的發(fā)生進(jìn)行預(yù)測(cè)。楊廉偉等[3]在2010年對(duì)浙江天臺(tái)晚稻中的褐飛虱發(fā)生情況進(jìn)行了逐步回歸預(yù)測(cè)。這種預(yù)測(cè)方法的原理和操作步驟都較簡單，目前還普遍應(yīng)用于我國害蟲的預(yù)測(cè)預(yù)報(bào)工作中。但由于存在系統(tǒng)外的隨機(jī)因素，如氣象因子、栽培管理、作物等，系統(tǒng)內(nèi)的隨機(jī)性也導(dǎo)致這種方法的準(zhǔn)確率不高。

人工神經(jīng)網(wǎng)絡(luò)(ANN)是一種旨在模仿人腦結(jié)構(gòu)及其功能的信息處理系統(tǒng)[4]，其具有和人腦相同的自組織、自學(xué)習(xí)和聯(lián)想記憶功能，并具有分布性、并行性及高度魯棒性的特點(diǎn)[5]。人工神經(jīng)網(wǎng)絡(luò)具有良好的處理非線性問題的能力，其作為一種新型預(yù)測(cè)預(yù)報(bào)方法，已經(jīng)開始應(yīng)用于害蟲的預(yù)測(cè)預(yù)報(bào)中，其中應(yīng)用最廣泛的是由Rumelhant和McClelland提出的BP神經(jīng)網(wǎng)絡(luò)[6]。靳然等[7]利用BP神經(jīng)網(wǎng)絡(luò)技術(shù)構(gòu)建了麥蚜最大蟲株率的預(yù)測(cè)模型，經(jīng)檢驗(yàn)?zāi)Ｐ途哂休^高的準(zhǔn)確率。浦江縣位于浙江省中部，并不屬于褐飛虱的越冬區(qū)，其褐飛虱蟲源由其他地區(qū)遷飛而來。褐飛虱于每年的6—7月遷入浦江，1年的發(fā)生代數(shù)為6代。筆者利用浦江縣2001—2016年的褐飛虱田間調(diào)查數(shù)據(jù)和氣象數(shù)據(jù)，建立了浦江縣褐飛虱的逐步回歸預(yù)測(cè)模型和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并對(duì)這2個(gè)模型進(jìn)行了比較分析，以期為褐飛虱發(fā)生高峰期預(yù)測(cè)預(yù)報(bào)模型的選擇提供參考。

1 材料與方法

1.1資料數(shù)據(jù)褐飛虱歷史蟲情資料來自浦江縣農(nóng)業(yè)局農(nóng)技推廣中心植保站，選取浦江縣2001—2016年的逐年褐飛虱的發(fā)生情況數(shù)據(jù)資料。其中，2001—2014年最優(yōu)數(shù)據(jù)(2001、2002、2004、2006、2007、2008、2009、2011、2013、2014年)用于模型的構(gòu)建，2015、2016年的數(shù)據(jù)用于模型的檢驗(yàn)。氣象資料來自浦江縣氣象局包括2001—2016年歷年的5—10月的以旬為時(shí)間尺度的平均氣溫、最高氣溫、最低氣溫、降雨量、雨日和濕度。

1.2褐飛虱田間調(diào)查方法根據(jù)中華人民共和國國家標(biāo)準(zhǔn)稻飛虱測(cè)報(bào)調(diào)查規(guī)范[8]，對(duì)觀察區(qū)內(nèi)褐飛虱發(fā)生情況進(jìn)行調(diào)查。在大田調(diào)查稻飛虱時(shí)，采用傳統(tǒng)盤拍法，白搪瓷盤的規(guī)格為33 cm×45 cm，每田調(diào)查時(shí)根據(jù)5點(diǎn)法，每點(diǎn)10叢，計(jì)算百叢蟲量。為了增強(qiáng)白搪瓷盤表面的附著力，白搪瓷盤內(nèi)壁應(yīng)先用水或肥皂水濕潤，方便將蟲子粘住計(jì)數(shù)。調(diào)查時(shí)，瓷盤與地面保持60°角，輕插入稻行，緊貼水面稻叢基部，快速拍打水稻中下部3次，然后取出瓷盤計(jì)數(shù)。稻飛虱數(shù)量較多時(shí)，可采用二分法或四分法計(jì)數(shù)提高調(diào)查效率。調(diào)查時(shí)間應(yīng)盡量選擇氣溫較低、田間濕度較大的08：00—09：00，因?yàn)樵谶@個(gè)環(huán)境中稻飛虱的活動(dòng)力較弱，便于拍盤計(jì)數(shù)[9]。

1.3研究方法褐飛虱發(fā)生高峰期是指發(fā)生數(shù)量占總蟲數(shù)的50%的日期。逐步回歸預(yù)測(cè)模型中把每年的7月22日記為1，建立時(shí)間序列后，將歷年的高峰期日用自然數(shù)表示。采用SPSS軟件中逐步回歸方法在每旬不同的氣象因子數(shù)據(jù)(5—10月每旬的平均氣溫、最高氣溫、最低氣溫、雨量、雨日、濕度)中篩選出對(duì)褐飛虱發(fā)生高峰期預(yù)測(cè)貢獻(xiàn)大的相互配合較好的變量，構(gòu)建褐飛虱發(fā)生期的預(yù)測(cè)預(yù)報(bào)模型，最后對(duì)模型的褐飛虱發(fā)生期預(yù)測(cè)值與實(shí)測(cè)值進(jìn)行歷史回代檢驗(yàn)以及獨(dú)立樣本試報(bào)預(yù)測(cè)檢驗(yàn)。

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中運(yùn)用DPS數(shù)據(jù)處理軟件中的BP神經(jīng)網(wǎng)絡(luò)計(jì)算模型進(jìn)行褐飛虱發(fā)生期的預(yù)測(cè)。根據(jù)多次試驗(yàn)調(diào)整后選取氣象因子中的平均溫、最高溫、最低溫、雨量、濕度5個(gè)氣象因子作為模型中的自變量。把每年的1月1日記為1，建立時(shí)間序列后，將歷年的高峰期日用自然數(shù)表示。根據(jù)研究資料顯示，在27～28 ℃溫度下，褐飛虱從卵期到成蟲羽化約需經(jīng)歷20 d[10]。該研究選取了從褐飛虱始見日開始的2代褐飛虱卵期至成蟲羽化時(shí)間共40 d，即4旬的各氣象因子的平均數(shù)據(jù)用于模型的構(gòu)建，預(yù)測(cè)此后一段時(shí)間褐飛虱高峰期的發(fā)生。選用2001—2014年最優(yōu)的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)數(shù)據(jù)，2015和2016年的數(shù)據(jù)作為檢驗(yàn)數(shù)據(jù)。BP神經(jīng)網(wǎng)絡(luò)算法中設(shè)置隱含層神經(jīng)元個(gè)數(shù)為5，運(yùn)行5 000次。

選擇模型擬合精度、平均絕對(duì)百分誤差(MAPE)和均方誤差(MSE)等評(píng)價(jià)指標(biāo)對(duì)模型性能進(jìn)行評(píng)價(jià)[11-12]。

2 結(jié)果與分析

2.1逐步回歸預(yù)測(cè)模型的構(gòu)建與檢驗(yàn)

2.1.1預(yù)測(cè)預(yù)報(bào)模型的構(gòu)建。經(jīng)過逐步回歸分析得出褐飛虱發(fā)生高峰期與5月上旬最高溫、9月上旬濕度、6月下旬雨量有顯著相關(guān)(表1)。

表1 逐步回歸模型因子參數(shù)

高峰期預(yù)測(cè)預(yù)報(bào)模型如下：

Y=-771.797+17.407X1+2.902X2+0.012X3

(1)

式中，Y為褐飛虱發(fā)生高峰期日；X1為5月上旬最高溫；X2為9月上旬濕度；X3為6月下旬雨量。

顯著性檢驗(yàn)方程得出：R2=0.968，P<0.001，表明方程回歸效果較好，具有良好的統(tǒng)計(jì)學(xué)意義，可用于褐飛虱發(fā)生高峰期的預(yù)測(cè)預(yù)報(bào)。

2.1.2預(yù)測(cè)模型的歷史回代檢驗(yàn)。將歷史氣象觀測(cè)數(shù)據(jù)代入高峰期預(yù)測(cè)模型，結(jié)果見表2。

表2實(shí)測(cè)值與逐步回歸預(yù)測(cè)模型預(yù)測(cè)值之間的比較

Table2Comparisonbetweentheactualvalueandthepredictedvalueofthestepwiseregressionpredictionmodel

年份Year實(shí)際值A(chǔ)ctualvalued預(yù)測(cè)值Predictivevalued偏差Deviationd擬合精度Fittingprecision%200124．0026．17-2．1790．96200230．0031．57-1．5794．77200463．0065．80-2．8095．56200666．0066．44-0．4499．33200762．0057．764．2493．16200867．0069．57-2．5796．17200955．0052．772．2395．95201162．0061．950．0599．92201350．00-34．9484．94-69．88201442．0042．81-0．8198．07

由表2可知，排除2013年，其余年份的擬合精度均高于90%。將2015、2016年的數(shù)據(jù)代入式(1)，得出的模擬值分別為11和-1，實(shí)測(cè)值分別為43和59，預(yù)測(cè)結(jié)果與實(shí)際情況相差較大。

2.2基于BP神經(jīng)網(wǎng)絡(luò)的褐飛虱發(fā)生期擬合結(jié)果BP神經(jīng)網(wǎng)絡(luò)模型的歷史數(shù)據(jù)回代結(jié)果見表3。

表3實(shí)測(cè)值與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)值之間的比較

Table3ComparisonbetweentheactualvalueandthepredictedvalueofBPneuralnetworkprediction

年份Year實(shí)際值A(chǔ)ctualvalued預(yù)測(cè)值Predictivevalued偏差Deviationd擬合精度Fittingprecision%2001226．00227．51-1．5199．332002232．00231．770．2399．902004266．00270．00-4．0098．502006268．00267．340．6699．752007264．00264．54-0．5499．802008270．00267．802．2099．192009257．00256．950．0599．982011264．00264．13-0．1399．952013252．00252．06-0．0699．982014244．00244．17-0．1799．93

由表3可知，BP神經(jīng)網(wǎng)絡(luò)模型的擬合精度均在98%以上，將2015和2016年的數(shù)據(jù)輸入模型中，得到的模擬值分別為251和270，實(shí)測(cè)值分別為245和262，預(yù)測(cè)結(jié)果較為準(zhǔn)確。

2.32種模型的比較從2個(gè)模型的檢驗(yàn)結(jié)果可以看出，逐步回歸模型的擬合精度除2013年之外其余年份均在90%以上，BP神經(jīng)網(wǎng)絡(luò)模型的擬合精度值都大于98%，預(yù)測(cè)準(zhǔn)確，預(yù)測(cè)精度明顯高于逐步回歸模型。由表4可知，逐步回歸模型的平均絕對(duì)百分誤差和均方誤差遠(yuǎn)大于BP神經(jīng)網(wǎng)絡(luò)模型，BP神經(jīng)網(wǎng)絡(luò)模型的性能要高于逐步回歸模型。

表4逐步回歸和BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型比較

Table4ComparisionofstepwiseregressionandBPneuralnetworkmethodperformances

模型Model平均絕對(duì)百分誤差MAPE∥%均方誤差MSE逐步回歸Stepwiseregression31．81990．14BP神經(jīng)網(wǎng)絡(luò)BPneuralnetwork0．7610．65

3 結(jié)論與討論

在生產(chǎn)實(shí)際中，逐步回歸預(yù)測(cè)模型憑借其研究較為成熟，建立方法簡單，可參考實(shí)例較多的優(yōu)點(diǎn)，還普遍應(yīng)用于褐飛虱的預(yù)測(cè)預(yù)報(bào)工作中。陳冰等[13]根據(jù)1996—2013年化州市稻飛虱的田間調(diào)查數(shù)據(jù)以及氣象資料建立了化州市晚稻稻飛虱的預(yù)測(cè)預(yù)報(bào)模型，模型預(yù)測(cè)較為準(zhǔn)確。李大慶等[14]利用貴州余慶1985—2014年氣象數(shù)據(jù)和稻縱卷葉螟監(jiān)測(cè)數(shù)據(jù)分別建立了第3代低齡幼蟲盛發(fā)期以及第4代低齡幼蟲盛發(fā)期的預(yù)測(cè)預(yù)報(bào)模型，預(yù)報(bào)準(zhǔn)確率也較高。該研究所建立的逐步回歸預(yù)測(cè)預(yù)報(bào)模型的準(zhǔn)確率不高的原因之一為所選擇的數(shù)據(jù)的時(shí)間跨度不夠長，不能很好地體現(xiàn)浦江縣褐飛虱發(fā)生的所有情況。另外一個(gè)原因來自于逐步回歸本身存在的缺陷，不能體現(xiàn)各發(fā)生因素之間錯(cuò)綜復(fù)雜的關(guān)系。害蟲的發(fā)生系統(tǒng)普遍存在混沌現(xiàn)象，而線性回歸只能簡單地體現(xiàn)各因素之間的線性關(guān)系，不符合害蟲發(fā)生的實(shí)際情況，所以準(zhǔn)確率不高。在建立逐步回歸預(yù)測(cè)模型時(shí)，所選擇的建模因子為5月上旬最高溫、9月上旬濕度和6月下旬雨量，其中9月上旬已經(jīng)比較接近褐飛虱發(fā)生的高峰期，所以其預(yù)測(cè)的提前性不高，很難達(dá)到褐飛虱提前防治的要求。

在該研究的比較中，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的準(zhǔn)確率明顯高于線性回歸預(yù)測(cè)模型，其他學(xué)者利用BP神經(jīng)網(wǎng)絡(luò)對(duì)害蟲進(jìn)行預(yù)測(cè)也取得了較好的成果。馬飛等[15]結(jié)合江蘇省通州市田間褐飛虱發(fā)生量數(shù)據(jù)以及當(dāng)?shù)貧庀髷?shù)據(jù)建立了通州市褐飛虱BP神經(jīng)網(wǎng)絡(luò)長期預(yù)警系統(tǒng)。汪四水等[16]用江蘇省通州市1973—1997年稻縱卷葉螟的趕蛾資料和氣象資料建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的準(zhǔn)確率達(dá)100%。在該研究中，BP神經(jīng)網(wǎng)絡(luò)模型的建模因子選取的是每年始見日后 40 d的平均溫、最高溫、最低溫、雨量和濕度，所以從預(yù)測(cè)時(shí)間上看，BP神經(jīng)網(wǎng)絡(luò)模型對(duì)于高峰期的預(yù)測(cè)會(huì)比線性回歸模型早，更利于提前對(duì)褐飛虱的防治做出準(zhǔn)備。非線性是神經(jīng)網(wǎng)絡(luò)的核心，一旦引入了非線性，BP神經(jīng)網(wǎng)絡(luò)就可以有效地逼近任意連續(xù)函數(shù)，能夠解決線性模型所不能解決的非線性問題[17]，在預(yù)測(cè)中能夠有效地模擬害蟲發(fā)生系統(tǒng)的情況，提高預(yù)測(cè)的準(zhǔn)確率。

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型是一種較為新型的預(yù)測(cè)預(yù)報(bào)模型，彌補(bǔ)了傳統(tǒng)的線性回歸預(yù)測(cè)模型在非線性方面的缺點(diǎn)，具有預(yù)測(cè)時(shí)間長、預(yù)測(cè)準(zhǔn)確度高的特點(diǎn)。BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型雖然在某些方面還存在著許多不足，但是隨著研究的深入，將會(huì)越來越完善，將其廣泛應(yīng)用于農(nóng)業(yè)上害蟲的預(yù)測(cè)預(yù)報(bào)，可以及時(shí)為害蟲的防治提供依據(jù)，減少產(chǎn)量的損失。

[1] 趙凌，趙春芳，周麗慧，等.中國水稻生產(chǎn)現(xiàn)狀與發(fā)展趨勢(shì)[J].江蘇農(nóng)業(yè)科學(xué)，2015(10)：105-107.

[2] 虞國平.水稻在我國糧食安全中的戰(zhàn)略地位分析[J].新西部，2009(11)：31-33.

[3] 楊廉偉，王會(huì)福，陳將贊，等.浙江省天臺(tái)縣晚稻褐飛虱發(fā)生關(guān)鍵因子分析與逐步回歸預(yù)測(cè)[J].中國農(nóng)學(xué)通報(bào)，2010，26(12)：227-232.

[4] 董軍，胡上序.混沌神經(jīng)網(wǎng)絡(luò)研究進(jìn)展與展望[J].信息與控制，1997，26(5)：360-368.

[5] 包約翰.自適應(yīng)模式識(shí)別與神經(jīng)網(wǎng)絡(luò)[M].北京：科學(xué)出版社，1974.

[6] 朱大奇，史慧.人工神經(jīng)網(wǎng)絡(luò)原理及應(yīng)用[M].北京：科學(xué)出版社，2006：33.

[7] 靳然，李生才.基于BP神經(jīng)網(wǎng)絡(luò)的麥蚜最大蟲株率預(yù)測(cè)[J].山西農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版)，2015，35(4)：361-366.

[8] 王建強(qiáng)，張躍進(jìn)，劉宇.稻飛虱測(cè)報(bào)調(diào)查規(guī)范：GB/T 15794—2009[S].北京：中國標(biāo)準(zhǔn)出版社，2009：3.

[9] 尤偉群，侯平揚(yáng).水稻主要害蟲田間調(diào)查實(shí)踐優(yōu)化[J].熱帶農(nóng)業(yè)科學(xué)，2013，33(6)：37-38，42.

[10] 程遐年，吳進(jìn)才，馬飛.褐飛虱研究與防治[M].北京：中國農(nóng)業(yè)出版社，2003：48.

[11] 向昌盛，周子英.ARIMA與SVM組合模型在害蟲預(yù)測(cè)中的應(yīng)用[J].昆蟲學(xué)報(bào)，2010，53(9)：1055-1060.

[12] 李啟權(quán)，王昌全，張文江，等.基于神經(jīng)網(wǎng)絡(luò)模型和地統(tǒng)計(jì)學(xué)方法的土壤養(yǎng)分空間分布預(yù)測(cè)[J].應(yīng)用生態(tài)學(xué)報(bào)，2013，24(2)：459-466.

[13] 陳冰，顏松毅，江滿桃，等.化州市晚稻稻飛虱主害代發(fā)生期及發(fā)生程度氣象預(yù)測(cè)模型[J].中國農(nóng)學(xué)通報(bào)，2015，31(8)：123-127.

[14] 李大慶，楊再學(xué)，秦治勇，等.稻縱卷葉螟中短期預(yù)測(cè)模型研究與應(yīng)用[J].貴州大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，33(2)：40-44.

[15] 馬飛，許曉風(fēng)，張夕林，等.神經(jīng)網(wǎng)絡(luò)預(yù)警系統(tǒng)及其在害蟲預(yù)測(cè)中的應(yīng)用[J].昆蟲知識(shí)，2002，39(2)：115-119.

[16] 汪四水，張孝羲.基于神經(jīng)網(wǎng)絡(luò)的稻縱卷葉螟長期預(yù)測(cè)[J].植物保護(hù)學(xué)報(bào)，2000，27(4)：313-316.

[17] 高宇航.一種改善BP神經(jīng)網(wǎng)絡(luò)性能的方法研究[J].微型機(jī)與應(yīng)用，2017，36(6)：53-57，61.

科技論文寫作規(guī)范——縮略語

采用國際上慣用的縮略語。如名詞術(shù)語DNA(脫氧核糖核酸)、RNA(核糖核酸)、ATP(三磷酸腺苷)、ABA(脫落酸)、ADP(二磷酸腺苷)、CK(對(duì)照)、CV(變異系數(shù))、CMS(細(xì)胞質(zhì)雄性不育性)、IAA(吲哚乙酸)、LD(致死劑量)、NAR(凈同化率)、PMC(花粉母細(xì)胞)、LAI(葉面積指數(shù))、LSD(最小顯著差)、RGR(相對(duì)生長率)，單位名縮略語IRRI(國際水稻研究所)、FAO(聯(lián)合國糧農(nóng)組織)等。對(duì)于文中有些需要臨時(shí)寫成縮寫的詞(如表及圖中由于篇幅關(guān)系以及文中經(jīng)常出現(xiàn)的詞而寫起來又很長時(shí))，則可取各主要詞首字母寫成縮寫，但需在第一次出現(xiàn)處寫出全稱，表及圖中則用注解形式在下方注明，以便讀者理解。